Соображать за троих: как качество инвестиций связано с количеством ИИ-аналитиков

Сегодня объем информации, влияющей на стоимость акций, исчисляется едва ли не терабайтами для каждой конкретной бумаги и растет быстрее, чем способны обработать крупнейшие аналитические департаменты. Можно ли заменить людей в этом случае на ИИ и какие риски это порождает, рассказывает инвестбанкир, эксперт по рынкам капитала Тимур Беликов.

За последние 100 лет объем доступных данных для инвестиционного анализа вырос многократно: сегодня он включает биржевые котировки, которые обновляются в режиме онлайн, финансовую отчетность компании и других эмитентов, заявления менеджмента в СМИ и публикации в соцсетях, макроэкономические отчеты и даже спутниковые снимки.

Особенно непростой задачей всегда была автоматизация работы с текстами. Если любой количественный анализ (например, финансовых показателей компании) можно довольно просто автоматизировать, то естественный язык устроен намного сложнее: в нем всегда есть контекст и подтекст, которые необходимо учитывать. Методы обработки естественного языка, которые использовались в прошлом — словари тональности, подсчет слов, тематическое моделирование — позволяли увидеть лишь верхушку айсберга, оставляя без внимания ключевые связи. Например, новость, в которой много слов с негативной окраской, не обязательно является негативной по отношению к компании, которая в ней упоминается.

Появление трансформерной архитектуры, а затем и больших языковых моделей (LLM) в 2020-х изменило правила игры. Впервые компьютерные системы начали «понимать» язык так, как это делают люди. «Большие языковые модели не просто анализируют текст, они создают новые формы рассуждений», — отмечает профессор Стэнфорда и один из пионеров машинного обучения Эндрю Ын.

Первые шаги и ограничения

Первые попытки использовать LLM в инвестиционном анализе сводились к автоматическому резюмированию документов и классификации новостных потоков. Но вскоре оказалось, что их потенциал шире. Так, ученые из университета Флориды в исследовании «Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models» (2023) показывают, что ChatGPT без дополнительного обучения на финансовых данных смог предсказывать краткосрочные движения акций, анализируя лишь заголовки новостей. Прибыльность таких сигналов превышала рыночный бенчмарк, составив 650% за год, до учета транзакционных издержек.

Эти результаты заставили пересмотреть отношение к ИИ в финансах. «Если раньше мы говорили о том, что ИИ помогает ускорить обработку информации, то теперь речь идет о том, что он способен давать инвестиционные идеи», — комментирует Маркус Лопес де Прадо, руководитель отдела количественных исследований в AQR Capital.

Однако одиночные модели быстро показали и свои слабые стороны: излишнюю «уверенность» в собственных выводах и отсутствие встроенного механизма проверки. Кроме того, даже самые современные модели склонны к так называемым «галлюцинациям»: они порой могут строить выводы на основе данных, которых на самом деле не существует — просто выдумывать их. Для финансового сектора это оказалось серьезным ограничением.

Мультиагентный поворот

Следующим шагом применения LLM в финансах стали мультиагентные архитектуры — системы, где несколько ИИ играют разные роли и вступают между собой в дискуссию. Подобные архитектуры стали возможны именно благодаря тому, что языковые модели получают на вход и дают на выход человекоподобный текст, а значит результат работы одной модели может быть понят и использован другой моделью. Например, одна модель анализирует фундаментальные показатели, другая оценивает рыночные настроения, третья занимается рисками. В процессе «обсуждения» аргументы подвергаются критике, слабые места в аргументации выявляются, а итоговое решение становится более устойчивым.

«Сила ИИ в финансах сегодня — это не размер модели, а способность систем спорить и корректировать собственные ошибки», — подчеркивает Йошуа Бенжио, лауреат премии Тьюринга.

Исследование ученых из китайского Tencent «More Agents Is All You Need» (2024) показало, что даже несколько средних по мощности моделей в дебатах могут выдавать прогнозы, сопоставимые или даже превосходящие результаты более сильной одиночной модели.

Новый тренд в анализе акций

Ряд проектов за последние годы подтвердили эффективность мультиагентного подхода.

В системе AlphaAgents от крупнейшей в мире инвестиционной компании Blackrock три ИИ-аналитика — фундаментальный, новостной и рыночный — обсуждают компанию до тех пор, пока все трое не сойдутся во мнении. При этом аналитики могут несколько раз за время дискуссии менять свое мнение, если, например, находят доводы других аналитиков убедительными. Бэктесты показали: составленные таким образом портфели обгоняют индекс по доходности и демонстрируют меньшую волатильность.

Система FinAgent, разработанная группой ученых из Технологического университета Сингапура, смоделировала полную структуру инвестиционной компании: трейдеры, риск-менеджеры и аналитики работают как команда. За каждый уровень анализа отвечает отдельная группа ИИ-агентов со своим собственным набором данных и инструментов. В симуляциях на акциях Apple, Google и Amazon система превзошла стратегию Buy & Hold на 36% годовых. «Когда агенты спорят между собой, они становятся умнее. Это похоже на мозговой штурм в реальной компании», — объясняет Джун Ву, один из авторов проекта.

Эти примеры демонстрируют, что мультиагентные дебаты представляют собой многообещающее направление в сфере анализа финансовой информации. Ранее подобные системы исследовались в основном в академической среде, а их практическое использование в инвестиционной деятельности оставалось ограниченным. Активное изучение мультиагентных архитектур началось лишь во второй половине 2024 года. Однако высока вероятность, что уже в 2026 году технологии мультиагентных дебатов получат широкое распространение в инвестиционном анализе.

Распространение подобных систем меняет и роль аналитиков. «Будущее профессии — это симбиоз. Люди задают правильные вопросы и проверяют, не уводит ли ИИ в сторону», — считает Эрик Бриньолфссон, профессор MIT Sloan School of Management.

Какое животное ты среди инвесторов

Не только зарубежные компании активно тестируют мультиагентные системы — аналогичные проекты появляются и в России. Один из первых примеров — сервис DLFY.ai, который симулирует заседание инвестиционного комитета в цифровом формате. Три ИИ-аналитика — рыночный, фундаментальный и рисковик — поочередно высказывают мнения, вступают в дискуссию, оспаривают доводы друг друга и корректируют свои рекомендации. Финальное слово остается за председателем комитета, который формулирует итоговую рекомендацию (продавать/покупать/держать). Такой формат делает процесс прозрачным: инвестор видит не только результат, но и весь путь рассуждений.

Сервис помогает инвесторам самим обучаться фундаментальному анализу, следуя за этими рассуждениями. В каком-то смысле такие системы превращают анализ акций в интеллектуальную игру. Кроме того, DLFY позволяет по любой компании сгенерировать короткую видеоверсию обсуждения, где аналитики могут быть представлены в виде людей или даже… животных. Такие мини-ролики в легком развлекательном формате позволяют быстро сформировать представление об инвестиционном профиле интересующей компании.

В итоге такие мультиагентные системы постепенно выбираются из научных лабораторий и входят в повседневную практику инвесторов. Они не заменяют человека, но усиливают его: снижают влияние эмоций, помогают избегать типичных когнитивных ловушек, отделять фундаментально значимую информацию от рыночного шума.

Но, пожалуй, главное преимущество подобных технологий заключается в другом: они радикально сокращают асимметрию информации на финансовом рынке. Дорогостоящий инвестиционный анализ, который ранее был доступен только сотрудникам инвестиционных банков, хедж-фондов или клиентам private banking, теперь могут получить обычные частные инвесторы с портфелем в 100 тыс. рублей.