Преимущества использования искусственного интеллекта (ИИ) в управлении инвестициями: более быстрая обработка, более широкий охват информации и снижение затрат на исследования. Но существует растущее «слепое пятно», которое профессионалам в области инвестиций не следует игнорировать.
Большие языковые модели (LLM) все значительнее влияют на то, как управляющие портфелями, количественные аналитики и исследователи рынков обобщают информацию, генерируют идеи и принимают торговые решения. Однако эти инструменты обучаются на основе той же финансово-информационной экосистемы, которая сама по себе уже сильно искажена. Акции, привлекающие больше внимания СМИ, аналитиков, с большим объемом торгов и широким онлайн-обсуждением, доминируют в данных, на которых обучается ИИ.
В результате LLMs могут систематически отдавать предпочтение крупным и популярным компаниям с высокой ликвидностью на фондовом рынке не потому, что это оправдано фундаментальными показателями, а потому, что это оправдано вниманием. Это вносит относительно новый и в значительной степени неизученный риск в современное инвестирование: предвзятость, заложенная в самой технологии.
Прогнозы ИИ как зеркало наших собственных предубеждений
Модели ИИ собирают информацию и учатся на текстах: новостных статьях, комментариях аналитиков, онлайн-дискуссиях и финансовых отчетах. Но финансовый мир генерирует текст неравномерно. Некоторые компании обсуждаются постоянно и с разных сторон, в то время как другие появляются в обсуждениях лишь изредка. Крупные компании доминируют в аналитических отчетах и освещении в СМИ. Акции, активно торгуемые на бирже, генерируют постоянные комментарии, а акции-мемы привлекают пристальное внимание в социальных сетях. Когда модели ИИ учатся в этой среде, они поглощают эти асимметрии в освещении и обсуждениях, что затем может отражаться в прогнозах и инвестиционных рекомендациях.
Недавние исследования подтверждают, что прогнозировании цен на акции или выдаче рекомендаций «покупать/держать/продавать» модели ИИ демонстрируют систематические предпочтения в своих результатах, включая скрытые предубеждения, связанные с размером компании и отраслевой принадлежностью (Choi et al., 2025). Для инвесторов, использующих ИИ в качестве входных данных для принятия торговых решений, это создает реальный риск: структура портфелей может непреднамеренно сместиться в сторону уже перенасыщенных позиций.
И действительно, Агбабали, Чунг и Ху в своем исследовании (2025) обнаружили доказательства того, что это «перенасыщение» уже началось: после запуска ChatGPT инвесторы все чаще торгуют в одном направлении, что говорит о том, что интерпретация с помощью ИИ способствует сближению убеждений, а не разнообразию взглядов.
Четыре скрытых искажения в ИИ-инструментах
- Искажение, связанное с размером: Крупные компании получают больше внимания аналитиков и СМИ, поэтому LLM располагают большим объемом текстовой информации о них, что может привести к более уверенным и часто более оптимистичным прогнозам. Меньшие компании, напротив, могут рассматриваться консервативно просто потому, что в обучающих данных содержится меньше информации.
- Искажение, связанное с сектором: Акции технологических и финансовых компаний доминируют в деловых новостях и онлайн-дискуссиях. Если модели ИИ усвоят этот оптимизм, они могут систематически присваивать этим секторам более высокую ожидаемую доходность или более благоприятные рекомендации, независимо от оценки или циклического риска.
- Смещение в сторону объема: Высоколиквидные акции генерируют больше комментариев о торговле, новостных потоков и обсуждений цен. Модели ИИ могут неявно отдавать предпочтение этим компаниям, поскольку они чаще встречаются в обучающих данных.
- Смещение в сторону внимания: Акции с сильным присутствием в социальных сетях или высокой поисковой активностью привлекают непропорционально большое внимание инвесторов. Модели ИИ, обученные на интернет-контенте, могут унаследовать этот эффект ажиотажа, то есть усиливая популярность, обесценивая фундаментальные показатели.
Эти смещения важны, поскольку они могут искажать как генерацию идей, так и распределение рисков. Если инструменты ИИ переоценивают известные компании, инвесторы могут неосознанно снизить диверсификацию и упустить из виду недостаточно изученные возможности.
Как это проявляется в реальных инвестиционных процессах
Многие специалисты уже интегрируют ИИ в свои повседневные рабочие процессы. Модели обобщают отчеты, извлекают ключевые показатели, сравнивают конкурентов и предлагают предварительные рекомендации. Эти преимущества ценны. Но если ИИ постоянно выделяет крупные, ликвидные или популярные акции, портфели могут постепенно смещаться в сторону перенасыщенных сегментов рынка, то есть без осознанного выбора со стороны кого-либо.
Рассмотрим небольшую промышленную компанию с улучшающимися показателями рентабельности и низким уровнем аналитического охвата. Инструмент ИИ, обученный на скудных онлайн-обсуждениях, может генерировать осторожные формулировки или более слабые рекомендации, несмотря на улучшение фундаментальных показателей. В то же время, технологическая компания с активным присутствием в СМИ может получать регулярные оптимистичные оценки даже при растущем риске переоценки. Со временем потоки идей, сформированных на основе таких результатов, могут сужаться, а не расширяться.
Соответствующие данные свидетельствуют о том, что инвестиционные рекомендации, генерируемые ИИ, могут увеличивать концентрацию портфеля и риск за счет чрезмерного веса доминирующих секторов и популярных активов (Winder et al., 2024).
То, что на первый взгляд кажется эффективным, на самом деле может незаметно усиливать стадное поведение.
Точность — только половина дела
Дискуссии об искусственном интеллекте в финансовой сфере часто сосредоточиваются на том, могут ли модели точно прогнозировать цены. Но предвзятость порождает другую проблему. Даже если средняя точность прогнозов кажется приемлемой, ошибки могут быть неравномерно распределены по различным акциям.
Если ИИ систематически недооценивает небольшие или малоизвестные компании, он может постоянно упускать потенциальную альфа-доходность. Если он переоценивает хорошо известные компании, он может усиливать так называемые «ловушки импульса».
Риск заключается не просто в том, что ИИ ошибается в некоторых прогнозах. Риск состоит в том, что он ошибается предсказуемым и концентрированным образом, а это именно тот тип риска, которым стремятся управлять профессиональные инвесторы.
По мере того, как инструменты ИИ приближаются к принятию решений «на передовой», этот риск распределения становится все более актуальным. Модели отбора, которые учитывают предвзятость внимания, могут формировать портфель задолго до вмешательства человеческого суждения.
Что со всем этим делать
При продуманном использовании инструменты ИИ могут значительно повысить производительность и расширить аналитические возможности. Ключевым моментом является отношение к ним как к источнику информации, а не как к авторитетному мнению. ИИ лучше всего работает в качестве отправной точки — выявляя идеи, организуя информацию и ускоряя рутинные задачи, — в то время как окончательная оценка и управление рисками остаются в значительной степени за человеком.
На практике это означает, что нужно обращать внимание не только на то, что производит ИИ, но и на закономерности в его результатах. Если идеи, сгенерированные ИИ, неоднократно группируются вокруг крупных компаний, доминирующих секторов или хорошо заметных акций, то сама эта группировка может быть сигналом скрытой предвзятости, а не возможностью.
Периодическое стресс-тестирование результатов работы ИИ путем расширения критериев отбора в сторону недостаточно охваченных компаний, менее отслеживаемых секторов или сегментов с меньшим вниманием может помочь убедиться, что повышение эффективности не происходит за счет диверсификации или дифференцированного анализа.
Реальное преимущество достанется не тем, кто наиболее агрессивно используют ИИ, а тем, кто понимает, как формируются его убеждения и где они отражают скорее внимание, а не экономическую реальность.
*В статье использованы материалы за авторством Тогрула Агбабали
