Волна хайпа заставляет людей верить во всемогущество нейросетей. Но пока бояться рано. Достаточно вспомнить проект Nof1, устроивший соревнование нейросетей: стартовый капитал в 10 тыс. долларов, торговля в рамках блокчейна Hyperliquid криптой (на акции модель собирались распространить позже), нулевое участие человека. На момент подготовки материала на заработок от такого трейдинга, тем более стабильный, не может претендовать ни один из участников состязания. Причин множество. Главная: обучить нейросеть торговать на рынке — крайне нетривиальная задача. Да, ИИ способен обучаться на истории биржевых торгов, причем запоминать все, от тиковых данных (наименьшее возможное изменение цены, может быть минутным или даже секундным) до недельных и месячных периодов за десятки и даже — в случае США — сотню с лишним лет. Но, как прекрасно известно всем трейдерам, прежние графики не гарантируют, что в будущем рынок станет вести себя так же. ИИ может учесть все данные макроэкономической статистики и политические события. Однако разные модели будут обучаться по-разному. И по-разному интерпретировать инвестиционные цели.

Отличить закономерность от совпадения тоже непросто. «С одной стороны, в теории такие вещи можно проверять вполне четким алгоритмом статистической обработки рядов данных. С другой — не всегда понятно, что именно добавлять в эти ряды и какие дополнительные факторы учитывать в реальности. Для ИИ большое число совпадений может казаться закономерностью, но в этом также может быть ценность», — уточняет руководитель отдела ИИ-автоматизации инвестиционной компании «АВИ Кэпитал» Анастасия Найшева.

Торговые роботы и алгоритмы существуют давно, занимают определенную нишу уже не первое десятилетие. Получается, что «далекие предки» ИИ могли торговать, а нынешним нейросетям это не удается? Однако на самом деле противоречия тут нет.

Все ради скорости

История алгоритмического трейдинга началась, когда частью биржевой инфраструктуры стали компьютеры. В 1971 году появилась внебиржевая электронная система торговли ценными бумагами Nasdaq. Создание электронной системы передачи заявок DOT в 1976 году и Super DOT в 1984-м стало шагом к «роботизации» трейдинга. Тогда это были просто автоматически выставляемые заявки на основании роста и падения индекса цен. Дальнейшее развитие компьютеров повлекло за собой создание уже более сложных автоматических торговых систем, однако по сути они остались такими же: проводили примитивный анализ текущих цен и выставляли заявки на покупку или продажу. Эти операции выполнялись относительно медленно, и роботы могли конкурировать по скорости с людьми только на рынке акций, где параметров для анализа минимум. Тем не менее возможность полностью автоматической торговли была заложена. Постепенно скорости росли, и в итоге появился HFT — High Frequency Trading, высокочастотный трейдинг, когда компьютер совершает множество сделок за очень короткий промежуток времени, — человеку такое недоступно.

ИИ превосходит человека как минимум в одной вещи — в распознавании паттернов

До конца 2000-х годов алгоритмическая торговля оставалась игрушкой для богатых — ею пользовались крупные банки, фонды и международные финансовые компании. Но по мере совершенствования технологий алгоритмы становились сложнее (хотя во многом оставались довольно примитивными: самообучения на огромном массиве данных, как у современных нейросетей, еще не было).

Параллельно развернулась борьба за скорость. Например, компания Barksdale's Spread Networks в 2009 году проложила между Нью-Йорком и Чикаго оптоволоконный кабель, потратив 300 млн долларов ради экономии в три миллисекунды для своих HFT-клиентов и поставив все автоматизированные торговые системы без этой экономии в заранее невыгодное положение. Технологии совершенствовались, и, как только позволило «железо», разрыв в скорости достиг уже не милли-, а наносекунд.

В России аналогичные процессы шли с заметной задержкой, роботизация торгов на ММВБ (сейчас Московская биржа) началась лишь в начале — середине 2000-х.

Алгоритмическая торговля отличается не только огромной скоростью совершения сделок. У нее есть и ряд других преимуществ: экономия на персонале, отсутствие человеческого фактора, почти нулевая корреляция с долгосрочными стратегиями (а значит, дополнительный инструмент диверсификации портфеля) и быстрота принятия решений. Алгоритмы могут мгновенно оценить параметры сотен ценных бумаг. Еще в 2018 году Банк России проводил исследования на тему влияния HFT на рынок — и счел его положительным. «На рынках всех исследованных инструментов установлен значительный вклад HFT-участников в доступную рыночную ликвидность, — констатировали тогда аналитики регулятора. — Кроме того, статистически HFT свойственно котировать финансовые инструменты на ценовых уровнях, более близких к спреду, чем для невысокочастотных участников рынка. Примечательно, что уровень ликвидности, обеспеченной котировками HFT на ценовых уровнях, близких к спреду, в исследованных случаях являлся более стабильным, чем аналогичный показатель для невысокочастотных участников рынка». Проще говоря, благодаря алготрейдингу цена на бирже оказывается более справедливой, заявки выполняются быстрее и близко к тем ценам, которые трейдер видит на экране, без «проскальзывания».

Чтобы понимать масштабы: согласно данным аналитиков Quantified Strategies (компании, специализирующейся на стратегиях алгоритмической торговли), уже в конце прошлого десятилетия доля машинной торговли на рынках США составляла 60–75%. У нас этот показатель пока колеблется на уровне 40%. Сюда, правда, включены и маркетмейкеры, поддерживающие ликвидность тех или иных бумаг, но цифра все равно впечатляет.

Последние годы добавили два важных тренда. Первый — удешевление. Планка стоимости как для HFT, так и для обычной алгоритмической торговли значительно понизилась, что сделало роботрейдеров доступными не только мелким компаниям, но и частным лицам. Вторая — появление нейросетей в их нынешнем виде. ChatGPT в ноябре 2022 года открыл новую эпоху «поумневших» алгоритмов, и с тех пор ИT-гиганты продолжают совершенствовать свои ИИ-модели.

Никакого Скайнета

Естественно, довольно быстро пошли слухи, что роботы скоро заполонят биржи (как будто текущих 60–70% мало), не оставив места для трейдеров-людей. Но пока все это лишь спекуляции.

«Еще в 1980-х годах математики доказали, что создать рабочую нейросеть, на вход которой подаются нестационарные случайные последовательности, невозможно. А на финансовом рынке такими последовательностями являются цены и их приращения, как обычные, так и процентные. Поэтому подобные нейросети нефункциональны», — констатирует руководитель направления отдела портфельного моделирования ФГ «Финам» Александр Горчаков. По словам эксперта, нейросети способны анализировать только стационарные случайные последовательности, а значит, надо делать соответствующие преобразования цен до подачи их на вход. Что же до выбора таких преобразований, то это задача для квантового компьютера (такая машина вместо битов, принимающих значение 0 либо 1, оперирует кубитами, одновременно имеющими оба значения, что теоретически дает возможность выполнять операции во много раз быстрее), а не для нейросети: она не даст нужного решения.

«Зато торговые системы с ИИ, на вход которых подаются политические или экономические новости, включая еще не появившиеся (но ожидаемые), способны совершить революцию в алгоритмической торговле», — предполагает Александр Горчаков.

Как это должно работать? На вход нейросети подается числовой вектор, и на выходе получается числовой вектор. А уж что должен показывать вектор выхода, вопрос к разработчику. Для торговли на бирже, например, можно сделать нейросеть с выходом всего трех цифр: −1, 0 и +1 — и трактовать их как «продать», «ничего не делать» и «купить». «Это вопрос задачи, которую должна решать конкретная нейросеть. Если говорить о новостном входе, то это вопрос преобразования конкретных новостей в конкретный цифровой вектор, правила такой операции должны определять разработчики ИИ», — подытоживает эксперт. В общем, машинное обучение — комплексная проблема, которая пока не решена.

Количество параметров, которые учитывают нейросети, в последние годы скачкообразно выросло, и это значительно облегчило работу инвесторов

ИИ реально способен помочь, например, там, где возможен арбитраж: на одной бирже цена актива одна, на другой чуть иная. Алгоритмы сумеют обнаружить и использовать такую разницу. Но даже в этом случае без человека, принимающего решение, не обойтись.

«В алгоритмической торговле я использую не предположения об изменении цены того или иного актива, а разные биржевые неэффективности. То есть предпочитаю не гадать, даже с помощью ИИ, а делать то, что наверняка принесет прибыль, — рассказывает лауреат нескольких номинаций конкурса Мосбиржи “Лучший частный инвестор — 2023” Ирина Манторова. — ИИ я применяю для оценки каких-либо сценариев или генерации неожиданных сочетаний идей, но задействовать его напрямую для торговли не рискую».

В качестве примера работы с ИИ Ирина приводит генерацию картинок. После постановки задачи (написания промпта) получившуюся картинку, прежде чем размещать где-то, нужно оценить и отредактировать. «То же и с использованием ИИ для биржевой торговли: сгенерированные нейросетью предположения я анализирую и то, что кажется разумным, реализую в виде программы с жесткой логикой и выставленными ограничениями для непосредственной автоматизированной купли-продажи биржевых активов», — говорит трейдер.

Подвижки в развитии ИИ, конечно, есть. Количество параметров, которые учитывают нейросети, в последние годы скачкообразно выросло, и это значительно облегчило работу инвесторов.

Опасения насчет волатильности рынков и «цифрового неадеквата» тоже не лишены оснований — достаточно вспомнить понесенные Knight Capital в августе 2012 года убытки в размере 465 млн долларов из-за программной ошибки: выставленные компьютером ордера фактически обанкротили компанию. Чуть иная история с Flash Crash 2010 года (быстрый обвал индекса Dow Jones на 1000 пунктов), виновником которого стал трейдер и основатель маленькой инвесткомпании Навиндер Сингх Сарао. Он обвалил рынок, используя спуфинг — намеренное манипулирование ценами с помощью выставления и последующего быстрого снятия крупных заявок на продажу или покупку фьючерсов. Делалось это, естественно, не вручную.

ИИ-анализ заявлений ЦБ позволил одной из управляющих компаний увеличить дюрацию портфеля раньше рынка и заработать на этом

В «АВИ Кэпитал» напоминают, что тогда ожидания полного переворота рынка не оправдались, — не будет потрясений и в этот раз. «Для инвесторов, скорее всего, ничего не изменится, разве что инструментарий для анализа и контроля позиций станет более удобным», — уверена Анастасия Найшева. Она подтверждает: попытки заставить ИИ торговать напрямую пока неудачны. «Сейчас идет этап внедрения новых инструментов, расширения возможностей выбора конкретных активов, увеличения возможностей персонификации портфелей и стратегий», — продолжает наша собеседница.

И вот здесь, в «околоторговле», ИИ действительно создает новые возможности.

Кремниевый советник

На Западе ИИ используется очень широко. Проведенное пару лет назад исследование показало, что в той или иной мере его применяют девять из десяти хедж-фондов. Самый очевидный продукт — чат-бот, неустающий менеджер, доступный пользователям 24/7. Но не только. Как отмечали тогда аналитики, ИИ превосходит человека в распознавании паттернов. А значит, трейдерам не нужно тратить десятки часов, пытаясь понять, чем сейчас выгодно торговать. После обучения нейросети можно предложить отчеты компаний, новостные ленты, массивы аналитических обзоров — и за секунды получить достаточно качественную выжимку. ИИ способен мгновенно просчитывать и предсказывать будущую выручку и прибыль компаний, внося поправки по мере выхода тех или иных новостей. Кроме того, алгоритм удачно предсказывает тренды, гораздо быстрее замечая, что массами на рынке завладела та или иная идея.

Брокеры тоже активно внедряют ИИ — и для себя, во внутренней кухне, и для пользователей. В этом смысле динамика в нашей стране и на Западе схожая. Хотя определения того, что конкретно нейросеть делает в том или ином продукте, бывают довольно размытыми. «Массовых предложений у российских брокеров пока нет. Или рекламируются варианты без раскрытия техники предлагаемых ИИ. А пользоваться ИИ, на вход которых подавались прошлые цены или их приращения, бессмысленно, — констатирует Александр Горчаков. — Например, в нашей компании создана нейросеть, которая дает инвестиционные рекомендации на базе макро- и микроэкономических показателей как компаний, так и экономики в целом. Но оценивать ее эффективность пока рано. Гораздо интереснее выглядит ИИ, созданный для повышения эффективности работы сотрудников, — вот он уже дает положительные результаты».

Несколько лет назад в БКС сообщали о запуске системы управления капиталом «Искусственный интеллект», которая предлагала анализ и автоматизированную экспертизу по ценным бумагам, деривативам и валюте на базе ИИ. Позже для квалифицированных инвесторов появился инструмент «Криптотрейдер AI» — стратегия с активным управлением инструментами, доходность которых привязана к стоимости криптовалюты на базе ИИ. На момент подготовки этой статьи доходность стратегии со времени ее старта 4 июня 2025 года в рублях с учетом издержек составляла −22,02%, но сама идея достаточно интересна.

«Из множества бумаг, соответствующих заложенным требованиям к надежности и ликвидности, ИИ выбирает топ-12 или топ-15 с ориентиром на максимальную доходность», — отмечает преимущества инвестиционной стратегии «ВТБ Мои Инвестиции», полностью основанной на ИИ, вице-президент, управляющий директор департамента брокерского обслуживания банка Александр Казаков. Алгоритм работает по универсальной схеме для большинства ML-моделей. Сначала он собирает и обрабатывает массив данных от разных компаний, очищая и нормализуя их, чтобы выводы были объективными. Затем изучает исторические примеры и учится распознавать, что в прошлом предшествовало росту акций. А потом применяет информацию к текущему периоду: находит акции с доходностью выше средней и формирует портфель, выбирая бумаги с лучшим соотношением доходности и рисков. Отметим, что и здесь ИИ не торгует, а выступает в роли советника.

Как ранее отмечал генеральный директор УК «Первая» Андрей Бершадский, у компании в доверительном управлении одних только индивидуальных портфелей около 2000. Никакой управляющий или аналитик не напишет ежеквартальный комментарий к такому количеству. Но это может сделать ИИ. Впрочем, у «Первой» есть и более занятная вещь — модель анализа тональности заявлений Банка России по ключевой ставке для прогнозирования его решений. И она вполне эффективна: предположения нейросети позволили компании увеличить дюрацию портфеля раньше рынка и заработать на этом. Видимо, будущее не только и не столько за самыми мощными ИИ, сколько за креативным их использованием.