XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

В современной финансовой системе, характеризующейся возрастающей сложностью и скоростью обработки информации, происходит фундаментальная трансформация подходов к управлению капиталом. Активное управление инвестиционными портфелями, традиционно опиравшееся на экспертизу и интуицию финансовых аналитиков, сталкивается с беспрецедентным вызовом со стороны технологий искусственного интеллекта. Растущая доступность больших данных, мощные вычислительные ресурсы и развитие алгоритмов машинного обучения создают новую парадигму, в которой решения все чаще делегируются автоматизированным системам. Это порождает центральный вопрос для профессионального инвестиционного сообщества: способны ли машины не просто дополнить, но и превзойти человека в достижении основной цели – генерации устойчивой превышающей рынок доходности.

Искусственный интеллект проникает во все ключевые этапы инвестиционного процесса. Алгоритмы машинного обучения, в частности глубокие нейронные сети, способны выявлять сложные нелинейные паттерны в финансовых временных рядах, которые остаются незаметными для человеческого глаза. Обработка естественного языка позволяет анализировать в реальном времени новостной поток, отчеты компаний и даже настроения в социальных сетях, превращая неструктурированную информацию в количественные торговые сигналы. Однако интеграция ИИ сопряжена с серьезными вызовами, такими как проблема «черного ящика», когда решения системы сложно поддаются содержательной интерпретации, и риски переобучения моделей на исторических данных. Таким образом, актуальность данного исследования обусловлена необходимостью объективной и эмпирически обоснованной оценки реальной эффективности искусственного интеллекта в сравнении с традиционными подходами.

В основе современной трансформации инвестиционного процесса лежит комплекс теоретических и методологических предпосылок, связанных с проникновением технологий искусственного интеллекта в управление портфелями. Эволюция подходов к управлению активами демонстрирует последовательное движение от статических моделей к динамическим и адаптивным системам, способным обучаться на данных. Портфельная теория Марковица – это теория оптимального портфеля, разработанная Гарри Марковицем в 1952-м году опубликованная в журнале “Journal of Finance”[1]. Эта теория предполагает, что инвесторы могут оптимизировать доходы своего портфеля, выбирая соответствующий комбинации активов, которые минимизируют риск портфеля при различных условиях (например, заданная доходность)[2]. Она оперировала статичными ожидаемыми доходностями и ковариациями, что создавало существенные ограничения в условиях нестационарных финансовых рынков. Последующее развитие поведенческих финансов указало на систематические иррациональные отклонения в принятии решений человеком-управляющим, создав теоретическое обоснование для замены или дополнения человеческого суждения алгоритмическими системами, свободными от эмоциональных предубеждений. Именно на этом стыке — между необходимостью учета сложной нелинейной динамики рынков и минимизацией поведенческих ошибок — и формируется методологический фундамент применения ИИ. Ключевым методологическим сдвигом стало признание финансовых рынков сложными адаптивными системами, генерирующими огромные объемы структурированных и неструктурированных данных. В этом контексте машинное обучение выступает не просто инструментом анализа, а ядром новой парадигмы, позволяющей выявлять скрытые паттерны и зависимости, недоступные для традиционного эконометрического моделирования. Среди многообразия методов машинного обучения центральное место в управлении портфелями занимает обучение с учителем, применяемое для прогнозирования доходности активов и классификации рыночных режимов. Алгоритмы, такие как градиентный бустинг и опорные векторы, позволяют строить прогнозные модели, интегрирующие сотни факторов — от макроэкономических показателей до данных сенсорных сетей. Однако прогнозирование — лишь первый этап. Более сложным и методологически значимым является применение обучения с подкреплением, которое радикально меняет сам подход к построению и ребалансировке портфеля. В этой парадигме портфельный менеджер формулируется как агент, который взаимодействует со средой — рынком, — и использует оптимальную стратегию путем максимизации функции вознаграждения, например, коэффициента Шарпа или конечной стоимости портфеля, методом проб и ошибок.Коэффициент Шарпа высчитывается достаточно просто. Он равен разности между прибыльностью инвестиционного портфеля и возможной прибыльностью без рисковых вложений. Полученное выражение делятся на стандартное несоответствие доходности.[3] Чем больше коэффициент Шарпа, тем лучшие показатели доходности будут у инвестиционного портфеля и тем легче его регулировать. Доходность в этом случае станет наибольшей, а риски, напротив, наименьшими[4] Это позволяет создавать не просто статически оптимальные, а адаптивные стратегии, постоянно подстраивающиеся под меняющуюся волатильность, ликвидность и корреляционную структуру рынка.

Глубокое обучение открывает еще больше возможностей, особенно в работе с альтернативными данными. Рекуррентные нейронные сети, в частности архитектуры LSTM, доказали свою эффективность в моделировании временных рядов, благодаря способности улавливать долгосрочные зависимости и учету «памяти» о предыдущих состояниях рынка. Сверхточные нейронные сети, изначально разработанные для анализа изображений, находят применение в распознавании графических паттернов на ценовых чартах и анализе геопространственных данных для оценки, например, активности производственных предприятий. Отдельное методологическое направление формируется вокруг обработки естественного языка. Алгоритмы NLP, от анализа тональности до более сложных трансформерных моделей, позволяют количественно оценивать качественную информацию — новостные потоки, расшифровки эфиров совета директоров, сообщения в социальных сетях. Это создает основу для стратегий, основанных на опережающей реакции на новости, и дает количественную оценку репутационных и событийных рисков, которые ранее были областью субъективных суждений.

Сравнительный анализ традиционного и AI-управления инвестиционными портфелями выявляет фундаментальные различия в их методологических подходах и операционной реализации, что порождает уникальные преимущества и ограничения каждой из парадигм. Традиционное управление, основанное на фундаментальном и техническом анализе, исторически опиралось на экспертизу и интуицию портфельных менеджеров, их способность интерпретировать качественную информацию и формировать нарративы вокруг активов. Этот подход, проверенный временем, обладает несомненной гибкостью в условиях нестандартных рыночных ситуаций, когда требуется глубокое концептуальное понимание макроэкономических трендов или отраслевой специфики. Человеческий интеллект способен к творческому синтезу разрозненных фактов, учету уникальных «внесистемных» рисков и построению долгосрочных инвестиционных тезисов, основанных на прогнозировании многолетних бизнес-циклов. Однако с увеличением скорости генерации данных и усложнением финансовых инструментов когнитивные ограничения человека стали проявляться более отчетливо, создавая нишу для принципиально иного подхода.

Искусственный интеллект предлагает радикально иную методологию, основанную на выявлении статистических закономерностей в больших массивах структурированных и неструктурированных данных. Его ключевое преимущество заключается в способности одновременно анализировать тысячи факторов — от квартальной отчетности компаний и макроэкономических индикаторов до спутниковых снимков парковок и тональности сообщений в социальных сетях — и устанавливать между ними неочевидные для человека корреляции. Это позволяет формировать инвестиционные гипотезы, основанные не на линейной логике, а на сложных нелинейных паттернах, выявленных алгоритмами машинного обучения. Важнейшим операционным преимуществом AI-систем является их масштабируемость: одна и та же алгоритмическая платформа может одновременно управлять множеством портфелей с различными мандатами и ограничениями, адаптируя стратегию для каждого из них без пропорционального увеличения затрат. Это кардинально меняет экономику управления активами, делая рентабельным обслуживание более широкого круга инвесторов.

Скорость обработки информации и исполнения решений представляет собой еще одно существенное преимущество алгоритмических систем. В то время как традиционный управляющий проводит значительное время на сбор данных, их верификацию и обсуждение в команде, AI-модель способна в режиме реального времени обновлять свои прогнозы и мгновенно ребалансировать портфель в ответ на изменение рыночных условий. Эта реактивность особенно ценна в периоды высокой волатильности, когда временной лаг между выявлением возможности и ее реализацией напрямую влияет на финансовый результат. Кроме того, AI-системы демонстрируют превосходство в сфере управления рисками, поскольку способны непрерывно мониторить сложные сетевые связи между активами и выявлять нарастающие системные риски, которые могут оставаться незамеченными при традиционном постарном анализе. Одним из наиболее дискуссионных преимуществ искусственного интеллекта является его эмоциональная нейтральность. Алгоритмы не подвержены когнитивным искажениям, таким как чрезмерная уверенность, стадное поведение или неприятие потерь, которые систематически влияют на решения человека-трейдера и часто приводят к субоптимальным результатам. Это позволяет AI-системам неуклонно следовать выбранной стратегии, дисциплинировано фиксируя убытки и наращивая прибыльные позиции в соответствии с заложенной логикой, а не сиюминутными эмоциями. Тем не менее, это преимущество имеет и обратную сторону: отсутствие интуиции и концептуального понимания может сделать алгоритм уязвимым в ситуациях, когда рыночная динамика кардинально меняется под влиянием качественных, а не количественных факторов — например, в результате геополитических шоков или принципиально новых регуляторных решений, которые не имеют исторических аналогов в данных, на которых обучалась модель. Современная финансовая индустрия все чаще приходит к модели синергетического взаимодействия, где искусственный интеллект используется для тактической оптимизации и скрининга возможностей, а человек-управляющий фокусируется на постановке стратегических целей, управлении неколичественными рисками и принятии решений в условиях «радикальной неопределенности», выходящей за пределы тренировочных данных алгоритмов. Рассмотрим таблицу 1, в которой обобщены и систематизированы ключевые аспекты.

Таблица 1. Сравнительный анализ традиционного и AI-управления инвестиционными портфелями.

Т
аблица наглядно демонстрирует комплементарность двух подходов и обосновывает необходимость их интеграции в современной финансовой системе. Проведенное исследование позволяет сделать вывод о том, что противостояние между традиционным и AI-управлением является в значительной степени диалектическим. Технологии искусственного интеллекта не столько знаменуют «конец эры» фондовых менеджеров, сколько открывают новый этап ее эволюции, требующий пересмотра ролей и перераспределения функций. Эмпирические данные и теоретический анализ подтверждают, что алгоритмы машинного обучения объективно превосходят человека в задачах, требующих обработки больших объемов структурированных данных, выполнения быстрых вычислений и следования жестко детерминированным стратегиям без влияния эмоций. Это делает AI-системы незаменимым инструментом для тактической ребалансировки, мониторинга рисков в режиме реального времени и скрининга тысяч активов на основе множества факторов. Однако сферой конкурентного преимущества человека остается работа с контекстом, нарративами и «неизвестной неизвестностью» — событиями, не имеющими исторических прецедентов в данных, на которых обучаются модели. Геополитические кризисы, кардинальные изменения в регулировании или технологические прорывы — это области, где интуиция, концептуальное мышление и способность к синтезу разрозненной качественной информации остаются критически важными.

Таким образом, магистральный путь развития индустрии управления активами лежит в построении гибридных моделей, где происходит не простое замещение, а глубокая интеграция искусственного и человеческого интеллекта. В такой модели человек определяет «зачем» и «в каких границах», задавая инвестиционные мандаты, этические рамки и стратегические ориентиры, а искусственный интеллект решает «как» и «когда», находя оптимальные тактические ходы для достижения поставленных целей. Дальнейшие исследования в данной области целесообразно направить на разработку стандартов для «объяснимого ИИ» в финансах, создание методик оценки эффективности гибридных моделей и анализ долгосрочного воздействия AI на волатильность и ликвидность финансовых рынков.

Список использованных источников

1. Markowits H. M. Portfolio Selection // Journal of Finance. 1952. Vol. 7. № 1. P. 71-91.  

2. Федоров, Г. В. Применение теории Марковица к криптовалютному портфелю / Г. В. Федоров // Белгородский экономический вестник. – 2023. – № 2(110). – С. 91-95. – EDN AFFJQH.

3. Махрова Е. Е., Сычава А. М. ЭФФЕКТИВНОСТЬ ПРИМЕНЕНИЯ КОФФИЦИЕНТА ШАРПА // Форум молодых ученых. 2019. №1-2 (29). URL: https://cyberleninka.ru/article/n/effektivnost-primeneniya-koffitsienta-sharpa (дата обращения: 08.11.2025).

4. Максимов, Ю.Д. Вероятностные разделы математики / Ю.Д. Максимов. - Изд.: Иван Федоров, 2014. - 592 с.

5. AI in Investment Sector Survey [Электронныйресурс] // CFA Institute. — 2024. — URL: https://www.cfainstitute.org/about/press-room/2024/ai-in-investment-sector-survey (датаобращения: 09.11.2024).

6. Kearns J.AI Reverberations Across Finance [Электронныйресурс] // Finance & Development. — 2023. — December. — URL: https://www.imf.org/ru/Publications/fandd/issues/2023/12/AI-reverberations-across-finance-Kearns (датаобращения: 09.11.2024).