Александр Костин – Нейросети в инвестициях: как зарабатывать с ИИ на фондовом рынке (страница 1)

Александр Костин

Нейросети в инвестициях: как зарабатывать с ИИ на фондовом рынке

Глава 1. Нейросети и деньги: где они реально полезны, а где опасны

Финансовые рынки всегда притягивали инструменты, которые обещают преимущество. Нейросети оказались особенно соблазнительными: они умеют находить сложные зависимости, обрабатывать огромные массивы данных и говорить уверенным, почти человеческим языком. Именно эта уверенность часто становится ловушкой. Чтобы использовать ИИ в финансах осознанно, важно с самого начала провести чёткую границу между тем, где нейросети действительно усиливают инвестора, и тем, где они создают иллюзию контроля.

В реальности ИИ не зарабатывает деньги сам по себе. Он помогает структурировать процесс принятия решений, снижать влияние эмоций и быстрее проверять гипотезы. Всё остальное – маркетинговый шум.

Где ИИ действительно полезен

Самая сильная сторона нейросетей – анализ. Они хорошо работают там, где человеку трудно удержать в голове большое количество факторов. Это касается предварительного отбора активов, оценки сценариев и контроля дисциплины.

Например, ИИ может быстро просеять сотни инструментов по заданным критериям: ликвидность, волатильность, корреляция с портфелем, чувствительность к макрофакторам. Он не «выбирает лучшую акцию», а сокращает пространство выбора до управляемого. В этом качестве нейросеть экономит время и снижает риск пропустить важный параметр.

Вторая зона силы – сценарное мышление. Модель может оценивать вероятности разных исходов, а не выдавать одно «точное» число. Для инвестора это принципиально: деньги теряются не потому, что прогноз оказался неточным, а потому что не был учтён неблагоприятный сценарий.

Третья область – дисциплина. Алгоритм не устает, не нервничает и не пытается «отыграться». Он исполняет правила. Если правила заданы корректно, ИИ становится защитным контуром между инвестором и его импульсивными решениями.

Где ИИ чаще всего опасен

Самая распространённая ошибка – ожидать от нейросети прямых торговых сигналов. Запросы в духе «предскажи цену завтра» выглядят логично, но в реальных условиях почти всегда приводят к убыткам. Рынок меняет режимы, данные шумны, а любая модель быстро переобучается на прошлое.

Особенно опасна уверенная подача результата. Нейросеть формулирует выводы гладко и убедительно, и мозг склонен воспринимать это как доказательство. Возникает иллюзия знания там, где есть лишь статистическая гипотеза.

Ещё одна зона риска – автоматизация без понимания. Когда инвестор не может объяснить, почему система принимает то или иное решение, он теряет контроль. В момент просадки такая система либо отключается вручную в самый неподходящий момент, либо продолжает работать, пока убыток не станет критическим.

Типичные ошибки новичков

Новички часто путают качество текста с качеством модели. Убедительное объяснение не означает, что за ним стоит устойчивая закономерность. Другая частая ошибка – отсутствие базовой линии. Если не сравнивать ИИ-решение с простым, понятным подходом, невозможно понять, есть ли реальное улучшение.

Также распространена вера в «универсальную модель», которая якобы работает на любых рынках и в любое время. В финансах это почти всегда признак подгонки под прошлые данные.

Что значит «проверить результат»

Польза ИИ должна быть измеримой. Не в процентах доходности за красивый период, а в конкретных улучшениях процесса. Снижение просадки, более ровный профиль риска, меньшая зависимость от эмоций – всё это валидные критерии.

Если модель не даёт улучшений по заранее определённым метрикам, её нужно упрощать или убирать, независимо от того, насколько она сложна или «умна».

Риск-профиль как отправная точка

До любых моделей необходимо зафиксировать собственный риск-профиль. Не в абстрактных терминах «готов к риску», а в конкретных параметрах: допустимая просадка, горизонт инвестирования, чувствительность к убыткам. Нейросеть не может определить это за человека. Если риск не задан, модель начнёт оптимизировать то, что не имеет отношения к реальным целям инвестора.

Почему «обогнать рынок» – плохая цель

Погоня за опережением индекса часто приводит к избыточному риску. Реальный доход определяется не только средней доходностью, но и тем, как инвестор переживает плохие периоды. ИИ полезнее рассматривать как инструмент стабилизации и контроля, а не как способ постоянно «побеждать рынок».

Прогноз и торговая система – не одно и то же

Прогноз – это оценка будущего состояния. Торговая система – набор правил, которые превращают эту оценку в действия с учётом рисков, издержек и ограничений. Большинство провалов ИИ в финансах происходит именно на этом переходе. Хороший прогноз без системы управления рисками бесполезен.

Вероятности вместо уверенности

Один из ключевых сдвигов мышления – отказ от детерминизма. ИИ не должен говорить «будет рост», он должен отвечать на вопрос «какова вероятность неблагоприятного исхода и что мы делаем в этом случае». Такой подход снижает эмоциональное давление и повышает устойчивость решений.

Минимальные правила безопасности

Любая работа с нейросетями в финансах должна начинаться с простых ограничений. Не использовать модели для решений, последствия которых невозможно принять. Не увеличивать риск только потому, что модель «уверена». Всегда иметь сценарий остановки и упрощения.

Чек-лист здравых ожиданий от ИИ

ИИ не зарабатывает деньги автоматически.

ИИ не отменяет риск и неопределённость.

ИИ усиливает хорошо описанный процесс и ломается в хаосе.

ИИ полезен там, где есть чёткие правила и измеримые цели.

Главный вывод этой главы прост: нейросети – это инструмент управления процессом и риском, а не магическая кнопка прибыли. Тот, кто понимает это с самого начала, получает от ИИ реальную пользу. Тот, кто игнорирует, почти неизбежно платит за иллюзии.

Глава 2. Данные для финансов: что брать, а что игнорировать

Любая нейросеть в финансах начинается не с модели, а с данных. Именно здесь закладывается до восьмидесяти процентов будущего результата – или будущих ошибок. Можно выбрать самую современную архитектуру, потратить месяцы на настройку параметров, но если входные данные плохи, итог будет не просто бесполезным, а опасным. Финансовые данные обладают особой коварностью: они выглядят точными, числовыми и объективными, но при этом содержат множество скрытых искажений.

Первый шаг – понять, какие данные вообще имеют смысл для частного инвестора, а какие лучше сразу исключить из рассмотрения.

Источники данных: что реально использовать

В основе почти всех финансовых моделей лежат рыночные данные: цены и объёмы торгов. Они доступны, относительно стандартизированы и хорошо отражают коллективные ожидания участников рынка. Однако даже здесь есть нюанс: цена закрытия, средняя цена дня, доходность за период – это разные представления одной и той же информации, и смешивать их без понимания последствий нельзя.

Следующий слой – корпоративная отчётность. Она даёт представление о бизнесе компании, но обновляется редко и часто запаздывает. Использовать её как «сигнал к немедленной покупке» – ошибка. Гораздо полезнее рассматривать отчётность как фильтр и контекст: помогает ли бизнес переживать сложные периоды, устойчивы ли его денежные потоки.

Макроэкономические показатели и агрегированные индексы полезны для сценарного анализа и оценки режимов рынка. Они почти никогда не работают как точечные сигналы, но могут задавать рамки риска.

Новостные и текстовые данные выглядят привлекательно, но требуют особой осторожности. Большая часть информации уже отражена в цене к моменту публикации, а шум в таких данных огромен.

Качество данных: невидимая угроза

Главная опасность финансовых данных – ощущение, что они «чистые по умолчанию». На практике почти каждый набор содержит пропуски, ошибки и несоответствия. Сплиты акций, дивиденды, изменения методик расчёта – всё это искажает исторические ряды, если не учтено явно.

Одна из самых частых проблем – использование цен без корректировок. Модель может «обнаружить» прибыльную закономерность там, где на самом деле был технический разрыв данных. В реальной торговле такой сигнал не воспроизводится.

Не менее опасны скрытые пересчёты данных задним числом. Некоторые источники обновляют историю, и если не фиксировать версии датасетов, воспроизводимость теряется.

Ошибка несопоставимых рядов

Очень распространённая ловушка – объединять данные разной природы и частоты без выравнивания. Например, дневные цены и квартальную отчётность. Модель начинает «видеть будущее», потому что отчётность фактически относится к периоду, который ещё не закончился.

В таких случаях нейросеть демонстрирует отличные результаты в тестах, но полностью проваливается при реальном использовании. Причина не в модели, а в утечке информации.

Проверка данных как обязательный этап

Хорошие данные – это не «много данных», а данные, которые можно воспроизвести и объяснить. Для каждого набора должен быть понятен источник, период, частота, способ очистки и трансформации.

Если через месяц невозможно точно восстановить, как был собран датасет, – это уже риск. В финансах отсутствие документации почти всегда означает будущие убытки.