ИИ в прогнозировании рынков - не новость, но масштаб вырос
Использование моделей машинного обучения для прогнозирования цен на акции и других финансовых инструментов обсуждается в академической литературе не первый год: от классических алгоритмов до современных моделей глубокого обучения, которые пытаются находить закономерности в огромных массивах рыночных данных. Разница 2025-2026 годов - в масштабе внедрения: такие модели встраивают не только крупные фонды с собственными исследовательскими отделами, но и более широкий круг участников рынка, включая консультационные сервисы для частных инвесторов.
Одновременно растёт и количество научных обзоров, которые пытаются оценить, насколько эти модели действительно надёжны, а не просто эффектно выглядят на исторических данных.
Часть таких обзоров прямо указывает на разрыв между результатами моделей на исторических тестовых данных и их реальной точностью на новых, ранее не встречавшихся рыночных условиях - разрыв, который в индустрии принято называть переобучением под прошлое.
Проблема «галлюцинаций» в финансовых задачах
Отдельная категория риска, которую всё активнее изучают исследователи, - это так называемые галлюцинации: ситуации, когда модель выдаёт уверенный, грамматически правильный, но фактически неподтверждённый ответ. В финансовых задачах такие ошибки особенно опасны, потому что решения на их основе напрямую связаны с деньгами.
Исследователи, изучающие этот риск для бизнес-приложений, отмечают, что проблема не ограничивается редкими случаями: в некоторых обзорах речь идёт о десятках процентов запросов определённого типа, где ответ модели расходится с проверяемыми фактами, и это ставит под вопрос прямое использование таких ответов без дополнительной проверки человеком.
- в части исследований фиксируется высокая доля ошибочных ответов именно в прогнозах на горизонте дальше нескольких отчётных периодов;
- отдельно отмечается риск при автоматических расчётах показателей риска, где модель может использовать неподтверждённые предположения;
- причина в самой природе генеративных моделей - они предсказывают наиболее вероятную последовательность слов или чисел, а не проверяют факт по первичному источнику.
Регуляторы начали действовать
Рост использования ИИ в финансовом секторе не остался незамеченным для регуляторов. Анализ отчётности крупных публичных компаний показывает, что доля эмитентов, упоминающих риски, связанные с ИИ, в своих годовых отчётах выросла с примерно 4% в 2020 году до более 43% к 2024 году - рост более чем в десять раз за четыре года.
В 2025 году Комиссия по ценным бумагам и биржам США (SEC) создала отдельную рабочую группу по искусственному интеллекту, а консультативный комитет регулятора в конце того же года проголосовал за рекомендацию требовать от эмитентов раскрытия информации о влиянии ИИ на их бизнес. Параллельно международный орган IOSCO, объединяющий регуляторов рынков капитала разных стран, выпустил отдельный инструментарий по надзору за использованием ИИ участниками рынка.
Почему чёрный ящик - это не просто метафора
Одна из ключевых претензий регуляторов касается прозрачности. Многие модели глубокого обучения и обучения с подкреплением по своей природе устроены так, что сложно объяснить, почему именно модель пришла к конкретному прогнозу - это называют проблемой «чёрного ящика». Для индустрии, где уже действуют требования к документированию и аудиту решений, принимаемых от имени клиентов, такая непрозрачность создаёт прямой конфликт с существующими нормами.
В частности, для зарегистрированных инвестиционных консультантов в США действует требование принять письменные политики, предотвращающие нарушения законодательства о такой деятельности - и использование непрозрачного ИИ-инструмента без достаточного контроля всё чаще рассматривают как потенциальное нарушение именно этого требования.
Разработчики финансовых систем на основе ИИ в ответ экспериментируют с инструментами формальной проверки и более строгими ограничениями на поведение моделей - цель этих разработок в том, чтобы система физически не могла выдать ответ, не прошедший заранее заданные правила проверки, а не только полагалась на обучение модели быть аккуратной.
Что это значит для инвестора
Для частного инвестора главный практический вывод - не отказ от любых инструментов с ИИ, а осторожность к уверенности, с которой такие инструменты формулируют прогнозы. Модель может звучать убедительно и при этом ошибаться, особенно на длинных горизонтах прогнозирования или в нестандартных рыночных условиях, которых было мало в обучающих данных. Похожая осторожность уместна и при чтении материалов о крупных частных инвестиционных платформах, например о запуске фонда TWG Global на 40 миллиардов долларов.
Редакция считает разумным относиться к ИИ-прогнозам как к одному из источников информации среди прочих, а не как к готовому решению - особенно с учётом того, что сами регуляторы пока формируют правила именно для того, чтобы участники рынка не воспринимали такие прогнозы как гарантированный результат. Схожая логика применима и к оценке инструментов, упомянутых в материале про ИИ-ассистента BNP Paribas для сотрудников.
Практический совет для тех, кто всё же пользуется такими инструментами: запрашивать у сервиса не только сам прогноз, но и источник данных, на которых он основан, и относиться с особым вниманием к любым расчётам показателей риска, где, по данным исследований, доля необоснованных допущений выше, чем в простых фактических запросах. Больше материалов по смежным темам - в разделе ИИ в финансах.
Что изменилось с тех пор
На момент обновления материала конкретных обязательных правил раскрытия информации об использовании ИИ в прогнозировании рынков в США ещё не введено - решение SEC находится на стадии рекомендации консультативного комитета. Тема остаётся в активной работе регуляторов нескольких стран, и редакция планирует вернуться к ней, когда появятся окончательные формулировки требований.
Весной 2026 года международный регулятор IOSCO выпустил собственный инструментарий для надзора за использованием ИИ участниками рынков капитала - документ описывает, на что надзорным органам разных стран стоит обращать внимание при оценке таких систем, не вводя при этом единых обязательных стандартов.
Таблица: кто и что раскрывает
| Год | Доля эмитентов, раскрывающих риски ИИ |
|---|---|
| 2020 | ~4% |
| 2024 | более 43% |
Рост этой доли больше чем в десять раз за четыре года - один из самых заметных сдвигов в корпоративной отчётности последних лет, и он говорит не столько о том, что риски ИИ резко выросли именно в эти годы, сколько о том, что компании раньше просто не считали нужным формально их описывать.
Вопросы и ответы
Можно ли доверять ИИ-прогнозам цен на акции?
Частично: модели умеют находить закономерности в данных, но подтверждённые исследования фиксируют заметный риск ошибочных, но уверенно сформулированных прогнозов, особенно на длинных горизонтах.
Что такое галлюцинации в контексте финансовых моделей?
Это ответы модели, которые звучат правдоподобно, но не подтверждены реальными данными - модель предсказывает вероятную последовательность, а не проверяет факт по первоисточнику.
Какие шаги предприняла SEC по ИИ?
В 2025 году регулятор создал рабочую группу по искусственному интеллекту, а консультативный комитет рекомендовал требовать от компаний раскрытия информации о влиянии ИИ на бизнес.
Почему модели ИИ называют «чёрным ящиком»?
Потому что для многих моделей глубокого обучения сложно объяснить, по каким именно причинам получен конкретный прогноз, что затрудняет аудит и соответствие требованиям регуляторов.



