Искусственный интеллект или человек: кто лучший инвестор
Инструменты искусственного интеллекта (ИИ) становятся все более привлекательными для людей при принятии финансовых и инвестиционных решений. Большие языковые модели, такие как ChatGPT, могут за короткое время собрать и проанализировать огромные объемы информации, объяснить сложные экономические понятия простым языком, составить прогнозы по доходности финансовых активов. Эти возможности ИИ привлекают к нему розничных инвесторов, особенно не имеющих обширных знаний в области финансов.
ИИ уже довольно активно используется в сфере управления личными финансами, показывают опросы в разных странах. Например, в США около половины (47%) опрошенных используют или рассматривают возможность использования инструментов на основе генеративного ИИ в личных финансах, в том числе 48% – в инвестиционном планировании (опрос одного из крупнейших кредитных бюро США, Experian, в 2024 г.). Опрос, проведенный в 2025 г. в Южной Корее, показал, что 68% респондентов использовали ИИ для решения минимум одной задачи в сфере личных финансов, наиболее часто – при инвестициях (50%) и планировании сбережений (48%).
В России в 2025 г. 33% частных инвесторов обращались к ИИ при принятии решения о формировании инвестиционного портфеля (годом ранее – 19%), около 30% используют ИИ для сбора и анализа информации по активам, а около 20% – делегируют алгоритмам подбор ценных бумаг в портфель, показал опрос финансового маркетплейса «Выберу.ру» и ГК IT Smart Finance среди имеющих опыт инвестирования не менее шести месяцев.
Но насколько качественно ИИ способен справляться с такими задачами? И насколько разумно людям, не имеющим финансовой экспертизы, полагаться на ИИ при принятии инвестиционных решений? Новое исследование может помочь прояснить эти вопросы. Его авторы, Александр Томич из Бостонского колледжа и независимый исследователь Минлан Чен, составили инвестпортфели самостоятельно и с помощью ИИ, используя идентичные наборы данных и инструменты, доступные среднему индивидуальному инвестору, а затем сравнили результаты.
Формирование портфелей
Исследователи сформировали универсальный пул из восьми акций, руководствуясь отчетами и рекомендациями нескольких авторитетных финансовых институтов, таких как Goldman Sachs и JPMorgan. Все портфели – и «человеческие», и сформированные ИИ – ограничивались набором этих акций: тем самым исследователи протестировали способность ИИ распределять активы, а не выбирать их из огромного множества.
Первый «человеческий» портфель представлял собой просто равные доли каждого из восьми активов (по 12,5%). Второй был составлен по принципу классической оптимизации: используя данные по восьми акциям за 2010–2019 гг. и Excel Solver (функция в Excel, применяющаяся для математической оптимизации параметров), исследователи рассчитали долю каждого актива так, чтобы на основе этих исторических данных портфель обеспечивал максимальную доходность с учетом риска (то есть максимизировал коэффициент Шарпа – это показатель того, какую доходность приносит актив на каждую единицу риска). Исторические данные исследователи брали из Yahoo Finance – как из общедоступного и широко используемого, в том числе частными инвесторами, источника финансовой информации.
ИИ-портфели создавались на основе тех же 8 акций и данных по ним за тот же период 2010–2019 гг. Исследователи использовали только бесплатные или недорогие профессиональные версии ИИ-моделей: GPT-4 от OpenAI и Gemini-2 от Google.
Перед ИИ ставилась задача создать оптимальный портфель на основе исторических данных. В первом варианте – ассистированном – исследователи сами подгружали эти данные в модель, используя ту же самую информацию Yahoo Finance. Во втором варианте – автономном – ИИ-модели самостоятельно искали данные с помощью встроенного веб-поиска (из-за этого в число «тестируемых» не попали некоторые другие популярные ИИ-модели, например DeepSeek, поскольку у них нет функции самостоятельного веб-поиска и извлечения данных в режиме реального времени).
После чего исследователи проверяли результаты всех четырех получившихся портфелей: на коротком горизонте – по итогам 2020 г. (то есть через год), на горизонте трех лет (с 2020 по 2022 г.) и пяти лет (с 2020 по 2024 г.).
Инвестиционный результат
Результаты эксперимента показали, что наиболее устойчивым на всех сроках (2020–2024 гг.) оказался простой равновесный «человеческий» портфель. Оптимизированный оказался более нестабильным из-за изменения исторических условий. Результаты ИИ-портфелей были близки к «человеческим» на коротком горизонте, однако на трех- и пятилетнем становились нестабильными, особенно портфели, «собранные» в автономном режиме.
Исследователи обратили внимание на следующие особенности ИИ как инвестора.
- ИИ не всегда соблюдал указанные ему ограничения.
Например, в одном случае Gemini в автономном режиме сгенерировала портфель с аномально высокой доходностью, потому что «сжульничала» и включила в процесс расчета данные после 2020 г., нарушив ограничения по периоду выборки. А у GPT в каждом пятом портфеле сумма весов активов отклонялась от 100%.
- Для надежности применения ИИ критически важен источник данных.
Когда ИИ-модели искали данные самостоятельно, незначительные различия этих данных в разных источниках приводили к существенным различиям в результатах. Напротив, когда данные для ИИ предоставляли сами исследователи, результаты были более согласованными и более точно соответствовали итогам проверки «вручную».
В отличие от человека, ИИ не может критически оценить достоверность источника или заметить явный выброс. Он принимает данные «как есть» и строит на их основе выводы, ведущие к новым ошибкам, – то есть ИИ не исправляет ошибки, а приумножает их. Поэтому качество данных для ИИ критичнее, чем для традиционных алгоритмов: ИИ не просто вычисляет, а интерпретирует данные, и ошибки интерпретации могут быть непредсказуемыми.
- ИИ часто допускает математические ошибки.
При выполнении задач по вычислению абсолютной доходности, коэффициентов Шарпа и других показателей ИИ-модели часто допускали математические ошибки. При этом неплохо справлялись с простыми задачами на вычисление – например, рассчитать среднее арифметическое доходности равновзвешенного портфеля.
Однако ошибки в решении сложных задач следовали определенной закономерности: рассчитывая, например, доходность портфеля и эталонного индекса S&P 500, ИИ-модели ошибались строго в одинаковую сторону – либо завышали, либо занижали и портфель, и индекс.
Это может говорить о том, что ошибки ИИ в расчетах возникают на уровне вычислительных операций, но не базовой логики. Языковые модели работают как «статистические угадыватели» – они предсказывают следующий токен (слово, число) на основе статистических закономерностей в обучающих данных, а не выполняют детерминированные математические вычисления, как Excel Solver или Python. Модель может выдать сумму весов портфеля, не равную 100%, потому что она не «решает уравнение», а «генерирует ответ, похожий на правильный».
Поэтому ИИ можно использовать для сравнительного анализа «лучше/хуже», но нельзя доверять ему вычисление точных значений без независимой проверки «вручную».
Результаты эксперимента показывают, что ИИ в финансах наиболее эффективно работает в качестве вспомогательного инструмента, а не автономного агента, принимающего самостоятельные решения, делают вывод авторы.
Для розничных инвесторов, не обладающих профессиональными финансовыми знаниями и не уверенных в том, как составить эффективный портфель, ИИ может предложить доступные рекомендации и предложения при формировании портфеля, тем самым снижая операционные барьеры для инвестирования. Однако зависимость эффективности работы ИИ от качества и стандартизации входных данных, сложности задачи, временных параметров, несоответствия в математической точности и соблюдении заданных ограничений исключают безусловное доверие к результатам, полученным с помощью ИИ, и требуют контроля со стороны человека.
Что показывают исследования
Современная литература по машинному обучению в финансах обычно опирается на традиционные алгоритмические или количественные модели. Исследований о том, как строит инвестиционные портфели, особенно для розничных инвесторов, современный генеративный ИИ, относительно немного.
Одно из исследований показало, что, поскольку генеративный ИИ, в отличие от традиционных алгоритмов оптимизации, выдает ответы посредством вероятностной генерации текста, это может вести к противоречивым или неточным результатам. Это критично при построении портфелей – сферы, которая требует точности, оценки риска и стабильности рассуждений при повторных решениях (а не вариативности).
С другой стороны, именно способность больших языковых моделей «видеть рынок как текст» может позволить им выявлять нелинейные и «невидимые» взаимосвязи между разными активами. Это повышает предсказательную силу и обеспечивает более выгодное соотношение доходности и риска в портфеле, показало другое исследование.
Еще одно исследование также подчеркивает «объяснительную» силу генеративного ИИ. Его способность обобщать рыночную информацию и объяснять финансовые концепты может быть полезной розничным инвесторам при формировании портфелей, изучении рисков и в инвестиционном планировании. При этом эффективность ИИ как инвестора остается сомнительной: например, модель Gemini не демонстрирует стабильного превосходства над равновзвешенным портфелем и индексом S&P 500 с точки зрения доходности и коэффициента Шарпа, показало исследование на основе 30000 симуляций на данных за 20 лет. В частности, показатель успешности Gemini, измеренный как доля случаев с лучшими результатами, чем у эталонов, составляет приблизительно 52%, что близко к результату случайного подбрасывания монеты. Показатели эффективности модели по коэффициенту Шарпа в большинстве симуляций дают результаты ниже 50%.
Сравнительный анализ фондов акций, «управляемых» ИИ, и фондов, управляемых людьми, продемонстрировал (1, 2), что эффективность работы ИИ во многом зависит от рыночных условий. Портфели акций, управляемые ИИ, демонстрируют лучшие результаты во время рыночных спадов благодаря более качественному анализу данных и принятию решений без эмоций, в то время как управляющие-люди оказываются эффективнее на растущих рынках, где вознаграждается интуиция и качественная оценка.
Хотя ИИ имеет преимущества, когда требуется проанализировать большие объемы информации, в инвестициях побеждают люди. Однако аналитик, обученный анализу корпоративных отчетов, отраслевых тенденций и макроэкономических показателей и при этом использующий ИИ, превосходит в прогнозировании доходности акций большинство аналитиков без ИИ, пришли к выводу исследователи из университетов Мэриленда, Луизианы и Джорджии. Генеративный ИИ может оказаться ценным инструментом для инвестиций, если опираться не только на него, но и на традиционные модели оптимизации портфелей, показало еще одно исследование.
Таким образом, в целом исследования показывают, что ИИ одновременно и полезен для инвесторов, и имеет ограничения. Он может быть эффективен в качестве дополнительного аналитического инструмента, используемого в процессе принятия решений человеком, но не как самостоятельный «управляющий портфелем».
