Что мешает искусственному интеллекту принимать решения наравне с опытными инвесторами
Дмитрий Глушаков , генеральный директор «Эйлера», основатель платформы «Андромеда»
Звучит очень заманчиво: зачем платить управляющему ПИФом 3–4% в год или финансовому консультанту 1–2% в год за управление деньгами, если можно спросить у любимого и уважаемого GPT и практически бесплатно получить «очень похожий» портфель. Практически каждый инвестор хотя бы раз уже проделывал это упражнение и получал очень даже правдоподобный ответ от ИИ: купи то-то и то-то по такой-то причине. Ключевое слово здесь «правдоподобный», это пленительно действует на неискушенного инвестора, хотя между правдоподобный и правильный лежит пропасть в плане конечного результата. Несмотря на это, опрос Gallup показывает, что уже 27% людей готовы доверить свои деньги ИИ-инструментам. Разберем работу профессионального управляющего или инвестиционного аналитика при выборе объекта для инвестирования и выясним, что из этого ИИ уже может делать хорошо и можно ли сегодня доверять ему свои деньги.
Во-первых, для анализа надо собрать и обработать информацию. Здесь, казалось бы, у ИИ нет равных, он знает все и может найти все, что угодно. В этом его сила, но и в этом же его слабость: он найдет практически все, начиная с отчетов известных аналитиков, заканчивая надписями на заборе, что «Вася – дурак», где Вася – гендиректор анализируемой компании. При этом самые полезные данные часто не бывают в открытом доступе, и поэтому ИИ их просто не знает. А управляющие платят большие деньги за доступ к этим данным, которые помогают сделать правильный вывод. И даже если дать ИИ доступ к этим данным, практика показывает, что он не умеет хорошо фильтровать важность той или иной информации и надпись с забора про Васю-гендира будет для него одинаково важна, как и купленные данные по перспективам развития отрасли. В итоге у профессиональных управляющих сильно меньше данных, но их качество и значимость для анализа сильно выше, чем среднее у ИИ. При этом ИИ, как средненький аналитик, тонет в обилии ненужной информации и в итоге делает неправильные выводы. Просто представьте два слайда: на одном – 10 выверенных цифр про компанию, а на другом – 150 найденных в интернете фактов неизвестного происхождения и качества. На основании какого слайда вы сделаете правильный вывод?
Во-вторых, управляющий должен построить финансовую модель анализируемой компании, чтобы спрогнозировать, сколько компания сможет заработать прибыли, ведь именно от этого зависит справедливая оценка. Здесь ИИ проваливает все возможные тесты и выдает таблицу на уровне студента третьего курса. ИИ в принципе понимает, что прибыль – это выручка минус расходы, и может сделать неплохо три формы отчетности. А вот правильно определить драйверы выручки или расходов для каждой компании он уже не может, что на самом деле и является знанием и экспертностью инвестиционного аналитика. Хорошая финансовая модель – это дерево от выручки до прибыли в 20 слоев с драйверами каждого слоя, и если на каждом слое ИИ ошибается на 5–10%, то в итоге накопленная ошибка будет 50–80%, что недопустимо в финансовом мире. То есть, доверяя этот этап работы ИИ, вы должны осознавать, что на той стороне в лучшем случае стажер, который опять же по форме выдаст что-то правдоподобно похожее на модель, но по факту это будет неработающая фикция.
В-третьих, управляющие и аналитики обычно проверяют полученные выводы, «обстукивая» их в разговорах с аналитиками и с менеджментом самой компании. ИИ тоже это делает, только опирается, грубо говоря, на весь свод мнений интернета, усредняет его и выдает ответы в стиле средней температуры по больнице: кто-то уже остыл, а у кого-то температура 42, но в среднем у него все хорошо. Поэтому критически важно давать модели хорошие источники, качественный консенсус и возможность сверить свою модель с компанией и парой аналитиков. В такой гипотетической (пока) ситуации ИИ может выдать правильный результат.
В итоге получается, что масштабность ИИ является и его ахиллесовой пятой и финансовый мир, где важно знать, где правильные данные, что с ними надо сделать и где перепроверить выводы, пока более подвластен биологическому интеллекту. И это только часть, касающаяся определения справедливой фундаментальной стоимости актива. Дальше – еще хуже, ведь определение фундаментальной стоимости – это лишь верхушка айсберга для оценки перспективности инвестиции. Сюда нужно наложить понимание того, куда рынок в целом будет двигаться, какие иррациональные факторы (страх или эйфория инвесторов) будут действовать на рынок и как те или иные акторы будут себя на нем вести, и только тогда можно принимать решение о входе в инвестицию. Как говорит Грег Дженсен из Bridgewater, «модель не знает, что такое жадность, что такое страх, и не понимает причинно-следственные связи».
Про причинно-следственные связи хочется выделить отдельно, потому что опытный управляющий может быстро судить, что если сейчас произошло это, то, скорее всего, после этого рынок (или актив) будет расти. Это суждение определяется быстрым построением в голове аналогии из прошлого опыта с поправкой на нюансы текущей ситуации. У всех ИИ очень плохо с аналогиями, технически для них это близкий вектор (похожий текст, отрасль, показатели), при этом уместность того или иного формально близкого вектора они оценить не могут. По крайней мере пока.
Поэтому формула максимизации успеха от использования ИИ в инвестировании на сегодняшний день выглядит так: надо заставить забыть «мусор» из сети, посадить его на качественные данные и проверенные аналитические модели, и тогда он сможет стать неплохим младшим аналитиком и быстро и достаточно качественно отвечать на вопросы по справедливой стоимости актива. По идее это должно работать неплохо для определения долгосрочного портфеля, где влияние краткосрочных иррациональных факторов ниже. Для краткосрочного инвестирования (или трейдинга) даже при наличии такого правильно прокачанного ИИ-помощника отдавать ему на откуп решение о покупке или продаже – слишком рискованное мероприятие, которое лучше доверить профессионалам, которые смогут учесть иррациональные драйверы рынка и учесть свой опыт для принятия решений.
Читайте подробнее: https://www.vedomosti.ru/opinion/columns/2026/11/03/1242203-doveryai-no-pereproveryai
