Введение
Сегодня в финансовом секторе данные сравнивают с новой нефтью. Но, как и сырье, они сами по себе не приносят пользы – их необходимо перерабатывать. На финансовом рынке такими «заводами переработки» выступают технологии искусственного интеллекта (далее – ИИ) и анализа больших данных.
Целью данной работы является выявление возможностей и ограничений применения технологий искусственного интеллекта и анализа больших данных (далее – Big Data) для повышения качества прогнозирования инвестиционной привлекательности предприятий.
Объектом исследования выступают инновационные методики и алгоритмы, применяемые современными финансовыми институтами для эффективного мониторинга и анализа бизнес-процессов компаний, влияющих на их стоимость и перспективы роста.
Материалы и методы исследования
Материалы и методы исследования включают использование передовых подходов к обработке больших объемов разнородных данных и искусственных нейронных сетей для построения эффективных прогнозных моделей, позволяющих комплексно анализировать инвестиционную привлекательность объектов вложения капитала.
Результаты исследования и их обсуждение
История развития ИИ насчитывает десятилетия (рисунок), прежде чем он достиг современного уровня зрелости. Основой агентского ИИ служат масштабные языковые модели, обеспечивающие глубокое понимание и генерацию контента. Главное преимущество такого подхода – высокая степень автономии: ИИ-агенты способны принимать решения и выполнять задачи без непрерывного участия человека, действуя в соответствии с заранее заданными целями.
С конца 2023 года уровень внедрения ИИ финансовыми организациями в мире увеличился. Согласно опросу, проведенному среди 121 крупнейшей финансовой организации, в 2024 г. ИИ использовали 58% финансовых организаций по сравнению с 37% в 2023 г. При этом наблюдается устойчивый рост инвестиций в развитие ИИ на финансовом рынке. По данным другого опроса о применении ИИ в финансовых услугах, все опрошенные организации увеличили инвестиции в ИИ в 2024 году, а половина из них – более чем на 25% по сравнению с 2023 годом [1].
Благодаря своей самостоятельности, такие системы находят широкое применение в финансах – например, при составлении персонализированных инвестиционных советов и автоматизированном управлении портфелями в зависимости от личных установок клиента [2].
Рассмотрим сравнительную таблицу 1. Она поможет показать преимущества новых технологий.
Таким образом, классические подходы к оценке инвестиционной привлекательности предприятий, основанные на анализе финансовой отчётности и расчёте стандартных коэффициентов (ликвидности, рентабельности, оборачиваемости), в условиях современной экономики теряют свою эффективность.
Таблица 1
Сравнение традиционного анализа и анализа на основе ИИ и Big Data
|
Критерий сравнения |
Традиционный подход |
ИИ и Big Data подход |
|
Обьем данных |
Ограничен (отчетность, котировки) |
Неограничен (социальные сети, новости, спутники) |
|
Скорость обработки |
Низкая (ручной анализ, Excel) |
В режиме реального времени (высокочастотная торговля (HFT – High Frequency Trading), потоковые данные) |
|
Тип данных |
Только структурированные |
Структурированные и неструктурированные (текст, видео) |
|
Прогнозная сила |
На основе исторических экстраполяций |
Выявление скрытых паттернов и нелинейных связей |
|
Субьективность |
Высокая (влияние эмоций аналитика) |
Минимальная (алгоритмическая объективность) |
Примечание: составлена авторами на основе полученных данных в ходе исследования
Развитие технологий ИИ
Рост волатильности рынков и стремительная цифровизация делают традиционный фундаментальный анализ – ориентированный на прошедший период – всё менее адекватным. Анализ «постфактум», когда специалисты оценивают результаты компании за завершившийся квартал, уступает место прогнозным моделям, способным предсказать её будущее развитие [3].
Развитие технологий искусственного интеллекта и анализа больших данных кардинально изменило инвестиционный процесс. Сегодня инвесторы получили доступ к анализу не только официальной отчётности, но и огромного количества косвенных сигналов в режиме онлайн. Это позволяет выявлять скрытые паттерны, снижать влияние субъективности и существенно повысить точность прогнозов стоимости активов.
Под Big Data в инвестиционной практике понимаются не просто объёмные массивы информации, а данные, отличающиеся высокой скоростью поступления, большим разнообразием форматов и источников, а также достоверностью.
Искусственный интеллект играет роль мощного инструмента обработки таких данных. В отличие от традиционной статистики, которая проверяет заранее сформулированные гипотезы, ИИ способен самостоятельно обнаруживать сложные взаимосвязи, невидимые человеку [4]. В области оценки привлекательности компаний ИИ применяется для:
– группировки организаций по уровню риска;
– прогнозирования будущих денежных потоков;
– определения наиболее выгодного временного окна для покупки актива.
Особую значимость приобрели альтернативные источники данных, позволяя получить новые, более полные представления о состоянии бизнеса и рыночных трендах.
Традиционные источники информации – это финансовая отчётность и биржевые данные. Современные альтернативные данные, обрабатываемые с помощью ИИ, расширяют горизонты анализа и включают:
– поведение потребителей – информация о платежах по картам, мобильная геолокация пользователей (например, количество посетителей торговых центров через данные с телефонов);
– спутниковые изображения – оценка заполненности парковочных зон сетевых магазинов, движение судов в портовых комплексах, объёмы хранения нефти на складах;
– сообщения в соцсетях и новости – анализ настроений в Twitter, Reddit, новостных платформах, чтобы выявить рыночные тренды и общественную реакцию на события;
– данные об энергопотреблении – позволяют динамически оценивать фактическую нагрузку на производственные предприятия, опережая публикацию официальной статистики.
Интеграция таких данных в аналитические модели даёт инвесторам доступ к опережающим сигналам, формируя устойчивое конкурентное преимущество [5].
Также существуют следующие методы и алгоритмы ИИ для прогнозирования привлекательности:
– Машинное обучение (Machine Learning). Алгоритмы типа случайного леса (Random Forest) или библиотеки с открытым исходным кодом XGBoost (eXtreme Gradient Boosting) обучаются на исторических данных, связывая сотни факторов – от структуры правления компании до макроэкономических индикаторов – с фактической доходностью акций в прошлом, что позволяет создавать точные модели прогнозирования будущих цен.
– Обработка естественного языка (NLP – Natural Language Processing). Эта область ИИ обеспечивает способность систем воспринимать и интерпретировать человеческий язык. В финансах NLP применяется для анализа интонации и выбора слов во время выступлений руководителей на годовых собраниях и обнаружения скрытых рисков в тысячах страниц годовых отчётов путём лингвистического исследования [6].
– Искусственный интеллект и методы глубокого обучения позволяют выявлять сложные нелинейные связи. Особую эффективность демонстрируют рекуррентные нейросети (RNN – Recurrent neural network) и структуры (LSTM – Long Short-Term Memory), способные сохранять информацию о предыдущих шагах. Благодаря этому они отлично подходят для анализа временных рядов – таких как цены на акции, колебания курсов валют, где прошлое играет решающую роль при прогнозировании будущих тенденций.
Объединение ИИ и больших массивов данных даёт участникам рынка несколько ключевых преимуществ:
– Оперативность. Обработка информации занимает доли секунды, что обеспечивает опережающий отклик на изменения – критично важно для хай-фреквенси трейдинга.
– Отсутствие эмоций. Алгоритмы не подвержены страху, панике или стремлению получить быструю выгоду, как люди.
– Динамическая оценка привлекательности. Создание ежедневно обновляемого рейтинга инвестиционной привлекательности вместо разовых оценок раз в квартал.
– Снижение вероятности потерь. Технологии лучше распознают аномальные сигналы, свидетельствующие о мошенничестве или рисках краха компании [7].
В то же время внедрение технологии сталкивается с рядом трудностей:
– Прозрачность. Многие модели глубокого обучения действуют по принципу «чёрного ящика» – решения принимаются, но причины остаются скрытыми. Такой подход снижает доверие инвесторов к системам, влияющим на миллионы долларов.
Таблица 2
Практические примеры гибридного подхода
|
Ключевые компоненты гибридного подхода |
Практический пример |
|
Улучшенный фундаментальный анализ |
Эксперт, оценивая торговую сеть, применяет искусственный интеллект не только для изучения традиционных финансовых метрик (объёмы выручки, уровень прибыли), но и для анализа изменчивости упоминаний бренда в интернет-сообществах, определения формирующихся предпочтений клиентов, а также отслеживания действий конкурентов (включая проведение рекламных акций). При этом ИИ способен обрабатывать спутниковые снимки, позволяя судить о загруженности парковочных зон возле торговых точек – косвенном показателе текущего спроса. [9] |
|
Расширенный технический анализ |
Трейдер полагается на традиционные индикаторы – индекс относительной силы (RSI – Relative Strength Index) и схождение и расхождение скользящих средних (MACD – Moving Average Convergence Divergence), однако одновременно ИИ-система обрабатывает колоссальный объем информации о заявках от крупных институтов и алгофондов, выявляя, является ли пробой уровня поддержки или сопротивления реальным трендовым импульсом или же фальшивой манипуляцией. |
|
Альтернативные данные в связке с ИИ |
При прогнозировании показателей производителя электромобилей аналитик применяет не только финансовую отчётность фирмы, но и следующие инструменты: • Big Data – анализ спутниковых изображений предприятий для определения масштабов выпуска продукции и уровня заполненности складских площадей [10]. • Искусственный интеллект – модели обработки естественного языка для оценки упоминаний бренда в новостных источниках и социальных сетях, выявления тональности высказываний (позитивной или негативной). Также используются данные геолокации для контроля активности клиентов в автосалонах. • Комбинированный подход: совмещение полученных данных даёт возможность опередить официальную отчётность и точно определить фактические объёмы производства и уровень спроса, обеспечивая конкурентное преимущество при составлении прогнозов. |
|
Прогностическое моделирование и управление рисками |
Управляющий портфелем применяет искусственный интеллект для создания прогнозной модели движения цен на нефть, учитывающей не только классические параметры – такие как запасы и решения ОПЕК, – но и аспекты, ранее не входившие в стандартный анализ: геополитическая обстановка (с учётом анализа эмоциональной окраски и важности новостей), метеорологические показатели (влияние на спрос и предложение), а также информацию о сделках в энергосекторе. Кроме того, модель способна выявлять влияние изменений цен на нефть на прочие активы внутри портфеля, что позволяет эффективно перестраивать его структуру и минимизировать риски. |
– Риск переобучения. Модель может чрезмерно хорошо адаптироваться под исторические данные, теряя способность к работе в новых условиях.
– Зависимость от качества входных данных. При наличии ошибок, выбросов или помех результат будет неточным – правило «мусор на входе – мусор на выходе» здесь соблюдается буквально.
– Юридические ограничения. Сбор и использование альтернативных данных, например, геополитической-информации, может нарушать законы о защите личных данных, порождая правовые споры и ущерб имиджу. Ключевая ценность больших данных для инвестора – наличие «альтернативных данных», которые не отражены в официальных сообщениях компаний, но отображают текущее состояние экономики и бизнеса [8].
Искусственный интеллект и анализ больших объемов данных кардинально трансформировали подход к оценке инвестиционных перспектив. Успешность сегодня зависит не от умения считать традиционные финансовые показатели, а от способности быстро и точно превращать информационный шум в достоверные прогнозы. Инвестирование уже давно вышло за рамки интуитивных решений – это современная дисциплина, основанная на фактах и данных.
К 2026 году ключевым критерием оценки компании станет её цифровой след в мировой сети, а не заявленные в презентациях показатели. Побеждает не тот, кто располагает наибольшим капиталом, а тот, чья аналитическая система быстрее и точнее интерпретирует скрытые сигналы в данных.
Впереди – переход к гибридному подходу, который представляет собой сочетание глубокого экспертного понимания, свойственного человеку, и высокоточной количественной обработки, осуществляемой ИИ. Технологии не вытеснят инвестора, но станут его основным инструментом, открывая возможность видеть рыночные процессы с беспрецедентной точностью и проницательностью [5].
Примеры гибридного подхода к оценке инвестиционной привлекательности представлены в таблице 2.
Таким образом, сочетание классических методик финансового анализа – фундаментального и технического – с технологиями искусственного интеллекта и обработкой больших данных создаёт гибридную модель, расширяющую возможности оценки рынков. Вместо полной замены проверенных подходов, ИИ и Big Data выступают в роли усиленных компонентов, повышающих скорость, достоверность и глубину анализа, что даёт возможность формировать более полные и оперативные прогнозы.
Гибридный метод определяет современный стандарт инвестиционного анализа. Благодаря ему удается преодолеть недостатки традиционных схем, раскрывая заложенные в данных закономерности, опережая рыночные изменения и минимизируя риски. Такой подход способствует формированию более надёжных и доходных стратегий инвестирования.