ENG
Нейросети показали относительно слабые результаты в рамках эксперимента ФГ «Финам» — шесть ведущих ИИ-моделей автономно торговали на российском и американском фондовых рынках.
Однако, как отмечает ведущий аналитик «АМаркетс» Игорь Расторгуев, итоги подобных экспериментов во многом предопределены условиями тестирования. В соревнованиях нейросетям выделили ограниченные суммы и задали жёсткие временные рамки — месяц торговли. Это принципиально отличается от реальных рыночных условий, где стратегии часто рассчитаны на долгосрочную перспективу, а управление рисками строится на диверсификации и гибких алгоритмах адаптации.
«Почему же многие модели показали слабые результаты? Основная сложность для ИИ в биржевой торговле заключается не в отсутствии вычислительных мощностей или аналитических способностей, а в природе самого финансового рынка. Он крайне динамичен и подвержен влиянию множества факторов, которые сложно формализовать. Среди таких факторов — геополитические события, неожиданные макроэкономические данные, изменения регуляторной политики, поведенческие факторы участников рынка, включающие страх, жадность и стадное поведение, а также различные форс‑мажоры, не имеющие прецедентов. Эти аспекты создают “шум”, который затрудняет построение устойчивых предсказательных моделей. Даже самые продвинутые нейросети, обученные на исторических данных, могут давать сбои, когда сталкиваются с принципиально новыми рыночными условиями», — подчеркивает эксперт.
Кроме того, важно понимать: результаты отдельных тестов сильно зависят от выбранных стратегий и параметров. Например, успех ИИ‑ансамбля в российском тесте (+1,67%), сделавшего ставку на «Сбер» и «Газпром», во многом обусловлен спецификой локального рынка и устойчивостью этих голубых фишек. Аналогично успех Gemini в США (+0,38%) связан с удачным выбором активов — переходом из технологических акций в ретейл (Walmart), что оказалось выигрышной тактикой в заданных условиях. А резкий провал Qwen 3 в американском тесте на $100 тыс. (−22%) может объясняться неудачной настройкой риск‑менеджмента или чрезмерной концентрацией в одном секторе.
«Может ли ИИ преуспеть в биржевой торговле? Безусловно, да — но при соблюдении ряда условий. Во‑первых, модель должна опираться на комплексный подход к обучению: учитывать не только ценовые графики, но и макроэкономические индикаторы, новостной фон, корпоративные события. Во‑вторых, критически важна гибкость алгоритмов — способность адаптироваться к меняющимся рыночным режимам, будь то волатильность, тренды или флэт. В‑третьих, необходимо выстроить надёжный риск‑менеджмент: жёсткие ограничения на размер позиции, стоп‑лоссы и диверсификация помогут снизить вероятность катастрофических потерь. В‑четвёртых, наиболее перспективный сценарий — не замена трейдеров, а их синергия с ИИ: человек задаёт стратегические рамки и контролирует риски, а алгоритмы выполняют рутинный анализ и исполнение сделок. И наконец, важно ориентироваться на долгосрочную перспективу: краткосрочные тесты, подобные проведённым, малоинформативны, и реальную эффективность ИИ лучше оценивать на горизонте 1–3 лет», — поясняет аналитик.
Примеры успешных алгоритмических фондов подтверждают этот тезис. Многие хедж‑фонды с квантовыми стратегиями уже десятилетия используют машинное обучение для выявления неэффективностей рынка, высокочастотного трейдинга, оптимизации исполнения крупных заявок и управления портфелями с сотнями активов. Их результаты стабильно обгоняют индексы, что доказывает: ИИ не просто может преуспеть в финансах — он уже это делает, но в рамках продуманных, многокомпонентных систем, резюмирует Игорь Расторгуев.
