.png)
Искусственный интеллект (ИИ) меняет множество сфер жизни человека, в том числе инвестиции. Ученые изучают, как ИИ работает на фондовом рынке. Он способен обыгрывать рынок и управляющих, но есть у него и серьезные слабости.
Анна Левицкая
Уже к 2027 г. инструменты генеративного ИИ станут основным источником финансовых советов для розничных инвесторов, прогнозирует Deloitte Insights. Значит ли это, что можно будет расслабиться и доверить управление своим портфелем ИИ?
Тестирование портфелей, составленных ИИ, показывает ошеломляющие результаты. Ему удается не просто опережать рынок, но и оставлять с носом опытных профессионалов. Так, ИИ-аналитик, натренированный на данных за период с 1980 по 1990 г., в последующие 30 лет смог бы обыграть по доходности 93% американских фондов, причем «в одни ворота»: разрыв в результатах был почти 6-кратным, показала симуляция ученых из Высшей школы бизнеса Стэнфордского университета и Бостонского колледжа. С 1990 по 2020 г. управляющие фондами ежеквартально опережали рынок в среднем на 0,15%, а ИИ-аналитик, внося ежеквартальные корректировки в портфели управляющих, увеличивал превышение над бенчмарком (коэффициент альфа) до 1,37%. При среднем размере портфеля $1,95 млрд (в пересчете на 2022 г.) управляющие обыгрывали рынок на $2,8 млн, а ИИ-аналитик – на $17,1 млн.
В другом исследовании, охватывающем инвестиции в наши дни, портфели, построенные на основе рекомендаций большой языковой модели GPT‑4 от OpenAI, опередили индекс S&P 100 на 10–30 процентных пунктов в зависимости от стратегии, сохраняя сопоставимый уровень риска. Наивысший результат принес портфель из топ-10 акций по оценке ИИ, взвешенный по капитализации компаний. Его доходность за период составила почти 73% против 43% у индекса. Инвестиции охватывали период с 1 декабря 2022 г. по 31 марта 2024 г., т. е. после завершения обучения GPT‑4 (сентябрь 2021 г.).
Не менее успешен ИИ и на развивающихся рынках.Портфели из акций бразильских компаний, сформированные с использованием методов машинного обучения, с 2016 по 2023 г. почти вдвое опередили бы динамику бразильского фондового индекса Ibovespa и смогли бы в 2–3 раза превзойти результаты местных фондов.
За счет чего генеративный ИИ показывает такие результаты? Один из его главных талантов – находить закономерности в гигантских массивах данных, которые человеку не под силу обработать самому.
В уже упомянутом исследовании Стэнфорда алгоритм действий ИИ-аналитика был довольно прост. Изучив отчеты компаний, аналитику по рынку, макростатистику и другие данные в свободном доступе, ИИ ежеквартально анализировал портфели управляющих и там, где видел упущенную управляющим возможность, заменял активы в портфеле на схожие, но с более высокой, по его оценке, потенциальной доходностью. Если ИИ считал какие-то бумаги совсем бесперспективными, он продавал их и вкладывал вырученные средства в индексный фонд. Каждый квартал ИИ таким образом пересматривал примерно половину портфелей управляющих. При этом он сохранял базовые параметры: количество и долю бумаг в портфеле, направление инвестиций (например, компании с крупной капитализацией или акции роста) и заданный уровень риска. Другими словами, секрет успеха ИИ-аналитика был не в том, что он брал больше риска или искал секретную информацию, а в том, что он мог обработать в разы больше данных, находящихся в открытом доступе.
Теоретически любая фирма могла бы провести такой же анализ, наняв достаточное количество аналитиков количественного анализа, замечают авторы исследования. Это и есть, как следует из названия исследования, «Теневая стоимость публичной информации» – те деньги, которые инвесторы упускают из-за того, что они не в состоянии в полной мере использовать общедоступную информацию. ИИ же способен проанализировать сотни и тысячи факторов и распознать в них скрытые паттерны, благодаря чему он значительно превосходит традиционные методы оценки в части определения справедливой стоимости активов.
«ИИ может генерировать множество идей, до которых мы, люди, по разным причинам просто не додумались, и выдавать идеи каждые пару секунд – это недостижимо для человека», – отмечает Сян Фан, старший управляющий квантового хедж-фонда Man Group, который использует ИИ для поиска инвестиционных идей и написания кода. Пока компания сохраняет ручной контроль, чтобы избежать ошибок и «галлюцинаций» ИИ, но ее цель – построить устойчивый процесс, где человеческое вмешательство сведено к минимуму.
Экономисты из Школы менеджмента «Меркатор» Университета Дуйсбург-Эссенпросили GPT-4 оценить рыночный прогноз результатов компаний из индекса S&P 500 за II квартал 2023 г. (так как обучение модели шло на данных до сентября 2021 г., выбор такого периода позволял убедиться, что ИИ будет именно строить прогноз, а не использовать уже известные данные), а также оценить привлекательность их акций на основе актуальной публичной информации (GPT-4 пока не может самостоятельно искать информацию в интернете, поэтому авторы настроили передачу данных о компаниях из топ-10 выдач в Yahoo!). Как показало исследование, прогноз от ChatGPT значительно коррелировал с фактическими доходами компаний, в частности тех эмитентов, о которых у аналитиков не было единого мнения. Более того, портфель из акций – фаворитов ИИ на горизонте месяца опережал портфели из бумаг, которые ИИ нравились меньше, что подтверждает: его выбор не был случайным.
В то же время есть данные о том, что GPT-4 все-таки уступает в точности корпоративных прогнозов профессиональным аналитикам. У них в отличие от ИИ есть прямой доступ к руководству компаний и частным инсайтам, которых в публичном доступе не найти. В случае с «закрытыми» компаниями, которые раскрывают обязательный минимум информации, это может иметь решающее значение: точность оценок ИИ напрямую зависит от качества корпоративного раскрытия. При анализе небольших малоликвидных эмитентов, а также фирм с преобладанием нематериальных активов или проблемных компаний аналитики обходят нейросети: такие компании подвержены более высокой информационной асимметрии и требуют глубоких отраслевых знаний и опыта.
Другое дело – настроения на рынке. Развитые языковые модели демонстрируют высокие результаты в сентимент-анализе, умея вычленять из новостей краткосрочные тренды на рынке и предсказывать его динамику (направление движения в течение трех дней после появления новости) c точностью до 74%. ChatGPT-4 также может довольно точно анализировать настроения инвесторов в соцсетях.
Инвесторам-новичкам ИИ также может пригодиться при формировании портфеля. Языковые модели уже превосходят традиционных робоэдвайзеров в точности советов плюс могут предоставлять информацию в более доступной форме. В частности, GPT-4 набрал 99% в тесте на финансовую грамотность и может составить портфель с учетом риск-аппетита, возраста и предпочтений инвестора с результатами не хуже, чем у портфелей от профессионального инвестсоветника.
Но его советы не без изъянов. ИИ пока не под силу самостоятельно определить риск-профиль инвестора. Кроме того, при составлении портфеля он склонен игнорировать инвестиционный горизонт. А еще ИИ вряд ли сможет предоставить эмоциональную поддержку, за которой многие инвесторы обращаются к финансовым советникам во время шторма на рынках. «В период финансового кризиса, когда, казалось бы, правильный сбалансированный портфель пошел не туда, вы захотите поговорить с живым человеком, который в том числе поддержит морально», – считает Дмитрий Муравьев, профессор Университета Иллинойса в Урбана-Шампейне и выпускник РЭШ. Так что, несмотря на мрачный прогноз Microsoft, финансовые консультанты как класс никуда не исчезнут, хотя их, возможно, и будет меньше, предположил Муравьев в подкасте «Экономика на слух».
Сегодня, когда ИИ доступен каждому, на рынке может оставаться все меньше скрытых возможностей, с помощью которых можно заработать. «Чтобы обыгрывать рынок, нужно знать что-то, чего не знают другие. Если я один использую ChatGPT, то, наверное, обыгрывать рынок не так сложно, но ведь его могут использовать и другие инвесторы», – напомнил Муравьев в подкасте «Экономика на слух». «Если бы каждый инвестор использовал подобный инструмент, то большая часть преимуществ была бы утрачена», – подтверждает один из авторов исследования про теневую стоимость информации – доцент кафедры бухгалтерского учета Стэнфорда Сюзи Нох.
Возможно, мы уже наблюдаем этот процесс, следует из выводов экономистов Университета Флориды. Составленный ими портфель на базе сигналов ChatGPT-4 с ежедневной ребалансировкой показал свыше 650% суммарной доходности с октября 2021 г. по декабрь 2023 г. Однако внутри этого периода авторы заметили постепенное снижение эффективности стратегии. Так, годовой коэффициент Шарпа (доходность на единицу риска) снизился с 6,54 в IV квартале 2021 г. до 3,68 в 2022 г. и 2,33 в 2023 г. Это может указывать на повышение эффективности рынка по мере распространения ИИ, допускают авторы исследования.
Есть еще одно «но». Большинство исследований ИИ основаны на исторических данных и тестировании на прошлых периодах, в том числе тех, на которых языковые модели обучались. Поэтому с ИИ такой бэктест может оказаться коварным, а его результаты – завышенными: есть риск, что вместо настоящего анализа модель будет просто «путешествовать во времени» и за счет этого демонстрировать отличные результаты, ведь она уже знает, какие бумаги вырастут в будущем (look-ahead bias).
Модели делают точные прогнозы лишь потому, что помнят, что произошло, а не потому, что они понимают, что произойдет, следует из работы Брэдфорда Леви из Университета Чикаго. Он просил модель предсказать будущие результаты компании, при этом в одном режиме модель получала только данные, доступные на определенную дату, а в другом – могла опираться на все, что запомнила при обучении. Чтобы выявить утечку знаний, исследователь слегка менял цифры в отчетах (например, последние разряды), не меняя смысла. Если бы модель рассуждала по существу, такие мелкие правки не повлияли бы на прогноз. Однако точность ее прогнозов после правок резко падала – почти до уровня случайных угадываний, что подтверждает: модель лишь повторяла то, что запомнила.
ИИ может также воспроизводить вероятностные шаблоны. Аналитики Промсвязьбанка приводят результаты простого эксперимента с выбором «случайного» числа, который они провели. Когда модель просят назвать число от 1 до 50, семь из восьми моделей выбирают 27 – не слишком большое, не маленькое, не крайнее и выглядит разумным, хотя реальной случайности тут нет. Другое популярное число – 42, это объясняется уже культурными ассоциациями с «Автостопом по Галактике» (таков оказался универсальный ответ на все вопросы, который дал суперкомпьютер после миллионов лет работы). Таким образом, решения ИИ формируются не логикой, а статистикой и влиянием контекста, заложенного в обучающих данных.
К схожим результатам пришли экономисты Гарварда, когда предоставили ИИ расшифровку отчета Zoom от 5 сентября 2019 г. с просьбой предсказать возможные риски для компании на следующий год. Модель указала риски, актуальные на тот момент (например, уязвимость веб-камер), но также включила в ответ «пандемию COVID-19» – термин, которого на момент отчета еще просто не существовало. Кроме того, модель упомянула усиление конкуренции на фоне перехода компаний на удаленную работу, хотя это явление стало массовым только в следующем году. В таких областях, как оценка активов или экономическое прогнозирование, где предсказуемость изначально очень низкая, такие искажения могут привести к завышенной оценке точности ИИ, опасаются авторы исследования. При этом просто инструкции не использовать данные за пределами определенного периода не всегда помогают избежать искажений.
Поэтому так важны тесты на живом рынке, где ИИ не может «списать» из будущего. Такие исследования пока охватывают лишь короткие отрезки времени. Например, исследователи из Гонконгского университета науки и технологий в режиме реального времени протестировали портфели от девяти популярных языковых моделей (включая GPT-4.1, Gemini 2.5 Flash, DeepSeek-V3 и Claude 3.7 Sonnet). Задачей ИИ было распределить $100 000 между акциями Apple, American Express, Bank of America, Coca-Cola и Chevron (фавориты Berkshire Hathaway Уоррена Баффетта в I квартале 2025 г.). Чтобы модели не могли «заглянуть в будущее», период инвестиций охватывал месяц с 17 марта по 17 апреля 2025 г., когда обучение всех моделей уже было завершено. Месяц для эксперимента выдался насыщенным: на него пришлось заседание ФРС 19 марта, а затем объявление торговой войны Дональдом Трампом 2 апреля, которое спровоцировало обвал котировок с сильной коррекцией после того, как 9 апреля введение тарифов было отложено.
Стиль торговли разных моделей с самого начала заметно различался. Например, Grok 3 (ИИ-модель от компании xAi, разработанная по инициативе Илона Маска) сразу заняла консервативную позицию и направила в акции только 40% средств, после чего постепенно увеличивала позиции. А вот китайская модель DeepSeek оказалась более агрессивным «инвестором» и сразу же вложила в акции 90% суммы. Такая стратегия позволила ее портфелю показать значительную прибыль после мягкого релиза ФРС, но низкая доля кэша сильно ограничила гибкость DeepSeek во время рыночного спада после начала тарифных войн. Портфель Grok благодаря более высокому резерву наличных оказался более адаптивным и позволил модели значительно увеличить позиции после резкого падения 3 апреля, что окупилось уже 9 апреля, когда власти США отложили введение тарифов и рынок начал восстанавливаться.
В сущности, Grok воплощала осторожную, долгосрочную стратегию с акцентом на контроль рисков и диверсификацию. Эта модель минимально меняла позиции в портфеле, предпочитая длинные позиции в недооцененных «голубых фишках», таких как Coca-Cola и Chevron. Максимальная просадка ее портфеля составила всего 3%. DeepSeek, наоборот, проявляла черты рыночного спекулянта и собрала концентрированный портфель, который к тому же часто пересматривала, чтобы поймать рыночные колебания. Но в итоге ее портфель оказался более уязвим к спаду.
Итоговый результат за месяц: Grok – +1,1%, Gemini – -1,9%, DeepSeek – -5,7%, GPT-4 – -5,9%. Это на самом деле неплохой результат: семь из девяти моделей обыграли рынок. S&P 500 за этот месяц потерял 6,9%.
ИИ присущи многие наши недостатки. Популярные языковые модели испытывают сложности с бухгалтерскими подсчетами, а еще подвержены большинству распространенных когнитивных ошибок.
Как и человек, ИИ может быть самонадеянным и отбирать информацию, подтверждающую его точку зрения (предвзятость подтверждения). Или воспринимать серию успехов, например при подбрасывании монетки, как доказательство будущих побед (эффект горячей руки). Все дело в том, что модели учатся на данных, которые уже содержат когнитивные предубеждения и эвристические приемы, присущие людям. Эти искажения еще больше усиливаются в процессе тонкой настройки, когда обратная связь от пользователя подталкивает ИИ к созданию более убедительных, а не рациональных ответов.
Эта спираль может раскручиваться дальше, выяснили исследователи психологии из MIT и университетского колледжа Лондона. Искажения в ответах ИИ могут влиять на наши собственные убеждения, так что люди, использующие инструменты ИИ, могут в конечном итоге стать еще более предвзятыми.
При этом мы верим ИИ больше, чем другим людям: люди примерно в 3 раза чаще меняли свои изначальные решения, когда ИИ предлагал им иной вариант, чем если его предлагали другие люди. Вероятно, люди воспринимают ИИ как более точный источник информации (хотя, как показал эксперимент на базе немецкого банка, в таких сферах, как инвестиции, где ставки особенно высоки, пользователи по-прежнему ищут подтверждения от человека).
При этом ИИ может обманывать пользователя: так, GPT-4 трейдер не удержался и воспользовался инсайдом, который ему «случайно» слили. Но при этом всячески избегал раскрывать пользователю, чем на самом деле мотивирована его рекомендация, хотя она и шла вразрез с публичной информацией о компании.
Поэтому эффективность ИИ в значительной степени зависит от компетенций самого пользователя. Умело составленные инструкции (промпты) и обучение логике принятия решений (например, умению оценивать значимость и актуальность тех или иных данных о компании и запоминать их) делают его прогнозы точнее. Разбор ошибок также помогает повысить качество инвестиционного анализа в исполнении ИИ, подтверждает исследование Гонконгского университета. После того как c ИИ-аналитиком на тренировочных данных разобрали, какие акции схожих компаний опережали его первоначальные инвестиционные идеи, его рекомендации стали эффективнее. Если изначально собранный им портфель лишь слегка опережал динамику общего взвешенного по рынку портфеля, то после разбора полетов его кумулятивная доходность увеличилась до 15–20% за два года (при отрицательной динамике рыночного портфеля).
«Разница между базовым запросом подготовить SWOT-анализ (метод оценки сильных и слабых сторон компании. – GURU) для Deutsche Telekom и запросом с подробными инструкциями – это разница между краткой справкой из «Википедии» и исследованием институционального уровня. Относитесь к результатам работы ИИ так, как вы относились бы к черновику младшего аналитика, – это ценный материал, но он требует контроля более опытного специалиста», – пишет Майкл Шопф, портфельный управляющий и основатель Schopf Meta Consult.
«Люди способны лучше предсказывать будущее, чем ИИ. Машина может обработать всю доступную на сегодняшний день информацию, но не умеет заглядывать вперед. 20 лет назад ИИ не смог бы предсказать, как мобильные технологии перевернут онлайн-торговлю», – считает Кен Гриффит, создатель и CEO инвестиционного фонда Citadel.
Настоящая сила ИИ проявляется тогда, когда его используют в синергии с человеческими знаниями и опытом. Гибридная модель «Человек плюс ИИ» превзошла как традиционных аналитиков (в 57,8% случаев), так и прогнозы нейросетей (в 54,8% случаев). Алгоритмы способны быстро обрабатывать огромные массивы данных и выявлять скрытые закономерности, однако им недостает интуиции и критического мышления, которыми обладает человек. Именно поэтому ИИ – это не волшебная палочка, а еще один ценный инструмент, эффективность которого многократно возрастает в руках опытного инвестора.
*Текст не является инвестиционной рекомендацией
Что еще почитать и послушать на эту тему:
– Как правильно спрашивать ИИ про деньги
– Существует ли на фондовом рынке «мудрость толпы»
– Как исправить типичные ошибки интуитивного инвестора
– Как часто нужно проводить ребалансировку портфеля
– Выпуск «Экономики на слух» о том, как научиться управлять личными деньгами
– Какие экономики получат бонус от ИИ
