Portfel na słowa: jak PEARL zamienia politykę inwestycyjną w gotowy model bez ręcznego modelowania

Zarządzający portfelami w funduszach spędzają godziny, żeby przełożyć strategiczne wytyczne na matematyczny model, który da się zapuścić w solverze. Ten proces jest wolny, podatny na błędy i pochłania czas analityków ilościowych, który można by spożytkować lepiej. System PEARL pokazuje, że można ten etap zautomatyzować: menedżer opisuje cel i ograniczenia, a model sam buduje i weryfikuje sformułowanie, w pętli rozwiązuj-debuguj-poprawiaj, zanim trafi do realizacji.

Co to za technologia i dlaczego pasuje do finansów

PEARL to iteracyjny system, który tłumaczy opis problemu optymalizacyjnego z języka naturalnego na formalny model matematyczny i kod dla solvera. Nie działa jak narzędzia one-shot, które generują jedną odpowiedź i koniec. Zamiast tego wchodzi w interakcję z solverem – uruchamia go, sprawdza, czy rozwiązanie jest wykonalne, czy nie narusza ograniczeń, a potem na podstawie tych sygnałów poprawia formułę. Ta pętla rozwiązuj-debuguj-poprawiaj odwzorowuje to, co robi doświadczony analityk ilościowy, ale bez jego udziału.

W finansach i inwestycjach takie podejście ma konkretny sens. Polityka inwestycyjna to często zdanie w stylu: 'Minimalizuj ryzyko, utrzymuj płynność na poziomie 10%, ogranicz ekspozycję na sektor technologiczny do 20% i nie pozwól, by pojedyncza spółka przekroczyła 5% portfela.' Tradycyjnie trzeba to ręcznie przepisać na zmienne, funkcję celu i ograniczenia, a potem pilotować solver. PEARL robi to automatycznie, a przy okazji wyłapuje niespójności, które mogłyby umknąć – na przykład gdyby limit płynności kłócił się z limitem sektorowym i maksymalnym udziałem pojedynczego papieru.

Cztery miliardy parametrów, które biją giganta na głowę

Jedna rzecz robi tu szczególne wrażenie: wersja PEARL oparta na modelu Qwen3 z 4 miliardami parametrów osiąga lepszą dokładność niż model DeepSeek-V3.2 z 685 miliardami parametrów, zarówno w ujęciu makro, jak i mikro. To ma znaczenie praktyczne. Model o takich gabarytach da się uruchomić na standardowej infrastrukturze – na serwerze z pojedynczą kartą GPU w centrum danych banku, bez konieczności wysyłania wrażliwych polityk inwestycyjnych do zewnętrznego API. Dla instytucji finansowych, które pilnują suwerenności danych, to argument nie do przecenienia.

Scenariusz: nowy fundusz konserwatywny w 10 minut

Weźmy przykład funduszu, który chce wprowadzić produkt o profilu konserwatywnym, z naciskiem na stabilność i niskie koszty transakcyjne. Zarządzający formułuje wytyczne: 'Maksymalizuj wskaźnik Sharpe’a, utrzymaj 10% w gotówce i ekwiwalentach, nie więcej niż 20% ekspozycji na spółki technologiczne, maksymalny udział jednego waloru to 5%, portfel złożony z akcji z WIG20 i obligacji skarbowych.'

W standardowym procesie analityk ilościowy buduje model, uruchamia solver i po kilku próbach odkrywa, że przy tych ograniczeniach nie da się zbudować portfela, który wykorzystuje wszystkie aktywa i jednocześnie spełnia limit na tech. Wraca do zarządzającego, negocjują, korygują założenia, całość zajmuje pół dnia.

Z PEARLEM scenariusz wygląda inaczej. Zarządzający wpisuje te same zdania w interfejsie. System w ciągu kilku sekund buduje pierwsze sformułowanie, uruchamia solver i dostaje komunikat: 'Niewykonalne – ograniczenie sektora technologicznego koliduje z limitem płynności i maksymalnym udziałem 5% na spółkę, bo brakuje aktywów nie-tech o wystarczającej płynności.' PEARL proponuje dwie alternatywy: poluzować limit na tech do 25% albo zredukować bufor gotówkowy do 8%. Zarządzający wybiera drugą opcję. System ponownie buduje model, tym razem poprawny, i w ciągu 10 minut od rozpoczęcia procesu dostarcza alokację portfela. Bez ręcznego kodowania, bez ręcznej debugowania.

Korzyści i twardy rachunek ekonomiczny

Z punktu widzenia dyrektora departamentu inwestycyjnego korzyści są trzy. Po pierwsze, czas. Zamiast godzin czy dni, polityka inwestycyjna staje się modelem w minutach. Po drugie, mniej błędów. Ludzie mylą się przy przepisywaniu ograniczeń, zwłaszcza gdy polityka ewoluuje. PEARL od razu sprawdza wykonalność i sygnalizuje konflikty, zanim portfel trafi do realizacji – a błąd wykryty na etapie modelowania kosztuje ułamek tego, co błąd w realokacji. Po trzecie, mniejsze zapotrzebowanie na wyspecjalizowanych analityków ilościowych do prostych zadań – można ich przesunąć do bardziej złożonych projektów, co w skali dużego towarzystwa funduszy inwestycyjnych daje oszczędność rzędu 200-300 tysięcy złotych rocznie na zespół.

Oszczędności wynikają też z mocy obliczeniowej. Model 4B działa na pojedynczej karcie GPU, co przy obecnych cenach chmury oznacza koszt poniżej 2 tysięcy złotych miesięcznie za ciągłą dostępność. Dla porównania, utrzymanie modelu 685B wymagałoby klastra GPU, który generowałby rachunki dziesięciokrotnie wyższe. A do tego dochodzi zgodność z regulacjami dotyczącymi przetwarzania danych poza infrastrukturą firmy.

Od czego zacząć

Nie warto rzucać się od razu na optymalizację całego wielomiliardowego portfela. Lepszym pomysłem jest pilotaż na jednym funduszu lub jednej klasie aktywów. Wybierz strategię, która ma już udokumentowaną politykę inwestycyjną i historyczne dane, żeby móc porównać, czy PEARL generuje alokacje zgodne z tym, co dotychczas robili analitycy. Dwa tygodnie testów na pięćdziesięciu scenariuszach wystarczą, żeby ocenić, czy system rozumie branżową nomenklaturę i czy nie produkuje nonsensownych ograniczeń. Jeśli to przejdzie, można rozszerzyć na więcej klas aktywów i bardziej złożone ograniczenia, na przykład dotyczące płynności rynkowej czy kosztów transakcyjnych.

• Skrócenie czasu modelowania z godzin do minut, nawet dla złożonych polityk inwestycyjnych.

• Automatyczne wykrywanie niespójności w ograniczeniach zanim portfel trafi do realizacji, co redukuje ryzyko błędów.

• Możliwość uruchomienia na standardowej infrastrukturze banku, bez uzależnienia od zewnętrznych API i bez ryzyka wycieku danych.

• Niższe koszty operacyjne – model 4B działa na pojedynczym GPU, a nie na klastrze wymaganym przez modele 685B.

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.