Использование алгоритмов на инвестиционных рынках – история не новая: на Forex еще в 2019 году 92% сделок совершалось машинами, а не людьми. Но когда речь заходит о больших языковых моделях (LLM) для управления капиталом состоятельных инвесторов, картина принципиально иная. Елена Голяева – о том, какие задачи можно поручить ИИ, а что доверять ему нельзя и как правильно работать с LLM.
Елена Голяева, бизнес-архитектор департамента «Банки и финансы», Рексофт
Профессиональные участники рынка активно используют искусственный интеллект – включая модели машинного обучения и высокочастотную торговлю – в исследованиях, анализе данных и торговых стратегиях, хотя степень внедрения зависит от класса задач и уровня автоматизации. Рассчитывать на то, что ИИ будет принимать инвестиционные решения вместо человека, не стоит, но частичный переход соответствующих функций развивается стремительно. При этом автоматизироваться, скорее всего, будут не инвестиционные решения как таковые, а отдельные элементы подготовки, анализа и сопровождения: постоянный мониторинг портфеля, раннее выявление изменений в рисковом профиле, отслеживание отклонения от целевой структуры, подготовка сценариев при изменении ставок, курсов, отраслевой конъюнктуры и новостного фона.
Полная автоматизация менее вероятна не потому, что алгоритмы «недостаточно умны», а потому, что сама задача HNWI-клиентов намного шире любой модели. Когда речь идет о крупном капитале, инвестиционное решение – это почти всегда часть более общей стратегии управления состоянием. Оно связано не только с рынком, но и с ликвидностью под личные или бизнес-задачи, налоговой логикой, структурой владения, валютным контуром, семейными целями, передачей капитала, иногда юрисдикционными и репутационными ограничениями. Кроме того, если большим числом участников рынка используются похожие модели и источники, они начинают реагировать одинаково. Тогда ИИ не просто ошибается вместе со всеми, а сам становится частью рыночного перекоса.
Инвестору не стоит слепо доверять LLM в двух случаях. Первый – сложные, неликвидные или индивидуально устроенные продукты и сделки. Здесь все решают детали вроде условий входа и выхода, структуры сделки, налоговых последствий и влияния на уже сложившийся портфель. Второй – короткие торговые решения и автоматическое исполнение сделок на основе вывода модели. На небольшом горизонте слишком многое зависит от скорости реакции, качества данных, микроструктуры рынка и дисциплины исполнения. LLM для этого не предназначена.
Ключевое преимущество ИИ – быстрая обработка большого объема неструктурированной информации, умение выявить аргументы за и против, подсветить новые риски и подготовить более прочную основу для обсуждения решений. Большие языковые модели позволяют оперативно собрать воедино отчетность, новости, комментарии менеджмента, макроэкономический фон и рыночные сигналы, выделить главное и показать, что изменилось не только в отдельной бумаге, но и в общей картине по портфелю.
Для тех, кто инвестирует сам и на длинном горизонте, это ускоряет фундаментальный анализ и помогает лучше видеть влияние каждого решения на диверсификацию и общую структуру активов. Для тех, кто работает через private banking, доверительное управление или семейный офис, это удобный инструмент второго мнения: можно проверить, как предложенная стратегия выглядит с точки зрения ликвидности, валютного риска, ребалансировки и роли конкретного актива во всем портфеле.
Для активных трейдеров такие модели тоже полезны, но прежде всего как способ быстрее разбирать новостной поток, отсекать шум и выделять действительно значимые события для оперативного принятия решений. ИИ может сам формировать гипотезы для проверки, а затем просчитывать их последствия: как тот или иной рыночный сценарий повлияет на структуру активов, ликвидность, концентрацию, валютную и процентную чувствительность, потребность в хеджировании и целесообразность ребалансировки.
Даже в рамках частичной автоматизации инвестор сталкивается с двумя серьезными рисками: галлюцинациями алгоритмов и потерей локального контекста. Чтобы снизить первый, профессионалу стоит взаимодействовать с LLM не через свободное обсуждение идеи, а посредством формализованного аналитического разбора.
Первый прием – жестко задавать структуру анализа. Модель должна разбирать конкретный актив или сделку по заранее заданным блокам: инвестиционный тезис, драйверы доходности, ключевые риски, ликвидность, чувствительность к ставке и валюте, специфика эмитента, уязвимости конструкции, влияние на существующий портфель и перечень недостающих данных. Если речь о рыночной позиции, сюда же добавляются параметры реализации идеи: горизонт, условия входа, ориентиры по фиксации прибыли, допустимый убыток, уровни пересмотра и условия выхода.
Второй прием – просить модель сначала не подтверждать идею, а разрушать ее, проводить стресс-проверку. Что именно может сломать инвестиционный тезис, какие риски лежат на стороне рынка, эмитента, в структуре сделки, в моменте входа, ликвидности или внешнем фоне?
Третий прием – принудительно разделять в ответе, что подтверждено данными и является аналитической оценкой, а что остается предположением. Это не позволяет модели выдавать вероятностное суждение за установленный факт.
Особая проблема – локальная финансовая специфика, в частности российский рынок. Было бы ошибкой сводить ее решение только к дообучению модели. Да, оно помогает лучше понимать терминологию, типовые документы, логику раскрытия информации, специфику ОФЗ, налоговых режимов и ставок, но само по себе не делает выводы надежными. Российский инвестиционный контекст слишком зависит от текущего режима регулирования, инфраструктурных ограничений, валютной среды, отраслевой специфики, внешнеполитической ситуации и иных нерыночных факторов. На профиль актива влияют не только финансовые показатели, но и зрелость и специфика самого рынка, высокая роль государства, возможные точечные регуляторные решения, положение ключевых собственников и менеджмента, отраслевые изменения.
Поэтому модель должна работать в рамках жестко заданной логики анализа. Любая инвестиционная идея раскладывается по блокам: чувствительность к ставке, валютная уязвимость, ликвидность, налоговый эффект, роль инструмента в структуре портфеля, отраслевые ограничения, риски, связанные со структурой собственности, регулированием и внешним фоном. И только после этого возможен вывод. Иначе модель будет выдавать слишком усредненную картину. Внешне она может выглядеть убедительной, но быть плохо применимой к российской реальности.
Подобные решения уже формируются и в российском контуре, прежде всего как специализированные инвестиционные сервисы. В них языковая модель встроена в аналитику, скрининг и сопровождение решений. Можно вспомнить инвест-ассистенты, AI-скринеры и аналитические модули у брокеров и инвестиционных платформ (например, AI-инвест-ассистент Т-Инвестиций и AI-скринер «Финама»).
Это признак общего тренда: рынок постепенно движется от универсальных моделей общего назначения к специализированным инвестиционным контурам. В российской среде преимущество получают не просто локально разработанные алгоритмы, а встроенные в работу с актуальными данными и проверенными источниками решения, адаптированные к местной терминологии, логике раскрытия информации, налоговой и регуляторной специфике. Именно такая связка – модель, данные и жесткая методика анализа – делает вывод действительно применимым к локальному рынку.
Эффективная схема работы с ИИ для состоятельного инвестора должна быть многоуровневой. Универсальная LLM (например, ChatGPT, Claude, Gemini, GigaChat, DeepSeek или аналогичные модели общего назначения) уместна на входе, когда нужно быстро разобрать большой массив материалов, выделить главное, собрать фактуру и сформулировать вопросы для дальнейшей проверки. А для управления капиталом нужен специализированный инвестиционный контур. Он анализирует идею в контексте конкретного клиента: его портфеля, целевой структуры активов, риск-профиля, горизонта инвестирования, требований к ликвидности, валютной конфигурации и действующих ограничений.
Для этого сегмента лучше работает не просто специализированная финансовая модель, а полноценная инвестиционная система на базе LLM – такие уже существуют. По сути, речь идет о классе платформ, в которых LLM встроена в контур работы с данными, аналитикой, риск-моделями и правилами принятия решений. Это интеллектуальный слой над инвестиционной инфраструктурой, который помогает быстрее интерпретировать информацию и поддерживать решения в рамках конкретного портфеля и мандата (например, в логике решений типа Aladdin, Bloomberg Terminal или LSEG Workspace).
Отдельная модель, даже хорошо обученная на открытых финансовых данных, все равно уступает системе, которая опирается на верифицированные рыночные и портфельные данные, работает по заданной методологии, показывает источник вывода и не выходит за рамки инвестиционного мандата клиента.
Таким образом, наиболее реалистичный сценарий на обозримое будущее – это не автономный ИИ-управляющий, а сильный цифровой слой вокруг инвестиционного выбора. Искусственный интеллект ускоряет анализ и увеличивает глубину проработки решений для инвестора, его управляющего или инвестиционной команды. Он помогает не пропустить момент, когда решение уже назрело, и формализовать условия, при которых идея имеет смысл. Но финальный выбор, особенно в вопросах сохранения капитала, защиты от потерь и долгосрочной архитектуры активов, остается за человеком. Для сегмента состоятельных инвесторов именно такая модель – ИИ как сильный аналитический помощник, но не самостоятельный арбитр – выглядит наиболее оправданной.
