ИИ в инвестициях: скрытые сигналы, макро и «эджи»

К концу 2025 года стало трудно спорить с простым фактом: альфа всё чаще рождается не из «чутья», а из данных и моделей. И если ещё недавно разговоры про AI в инвестициях сводились к громким обещаниям, то сейчас видно другое — методы из машинного обучения спокойно «переезжают» в практику: от анализа макроусловий до поиска микроскопических неэффективностей на рынках.

Мне нравится смотреть на это не через призму моды, а через призму ремесла: какие конкретно инструменты дают преимущество, где оно реально появляется и почему оно не бесплатно. В свежей подборке квант‑материалов (за 30.11.2025) всплывают три темы, которые хорошо собираются в цельную картину: рынки прогнозов как лаборатория вероятностей, латентные переменные как способ “сжать” мир в несколько сигналов, и макрофакторы как структурированный источник объяснимой доходности.

Ниже — разбор того, как эти идеи складываются в работающий подход к AI‑инвестициям, что можно внедрить уже сейчас, и где чаще всего люди ошибаются.

Рынки прогнозов: где ИИ учится оценивать вероятность

Рынки прогнозов полезны тем, что цена контракта часто ведёт себя как “коллективная вероятность”. Это почти идеальный полигон для ИИ: есть событие (исход), есть поток ставок (цены), и есть понятная метрика качества — насколько хорошо ты предсказываешь.

Важный нюанс: “эффективность” рынков прогнозов обычно выше, чем кажется новичкам, но систематические перекосы всё равно возникают. И именно они создают пространство для системных стратегий.

Типовые неэффективности: арбитраж и внутрирыночные перекосы

Если упростить, практические «эджи» на таких площадках обычно лежат в двух плоскостях:

1. Межплощадочный арбитраж — один и тот же исход оценивается по-разному на разных рынках/у разных брокеров/в разных продуктах.
2. Внутриплощадочные перекосы — цена и “истинная” вероятность расходятся из-за:
   • низкой ликвидности;
   • толпы (перекупленность популярных исходов);
   • асимметрии информации (когда часть участников реагирует быстрее);
   • структуры комиссий/ограничений.

Для ИИ здесь появляется понятная задача: научиться отличать “шумное движение цены” от устойчивой ошибки оценки вероятности.

Как применить AI на практике (без магии)

Рабочая схема выглядит так:

• Признаки (features): динамика цены, объём/ликвидность, скорость изменения котировки, разница между площадками, время до события, сезонность новостей.
• Модель: градиентный бустинг/логистическая регрессия/нейросеть (важнее не класс модели, а качество данных и валидации).
• Цель: прогноз будущей вероятности или будущего возврата (expected value) после комиссий.
• Риск‑контроль: лимиты на плечо/экспозицию, учёт хвостовых сценариев (прыжки цены), ограничение концентрации по событиям.

Сильная мысль: на рынках прогнозов выигрывает не тот, кто “угадывает”, а тот, кто лучше калибрует вероятности и умеет ставить размер позиции.

И тут AI — не «предсказатель будущего», а дисциплина: калибровка, переобучение, смещение выборки, контроль качества.

Латентные переменные: как ИИ «сжимает» рынок в понятные сигналы

Латентные (скрытые) переменные — это компрессия реальности. Мы наблюдаем тысячи рыночных рядов и факторов, но часто ими движут несколько общих причин: режим риска, инфляционные ожидания, ликвидность, волатильность, кредитный цикл.

Классика кванта — PCA/SVD, где мы выделяем главные компоненты. Современный ML расширяет эту идею: глубокие латентные модели (например, вариационные автоэнкодеры) учатся строить скрытое представление данных так, чтобы оно лучше объясняло структуру и зависимость между признаками.

Где это реально помогает в инвестициях

1. Факторное инвестирование и риск‑модели. Латентные факторы часто ловят то, что “пропущено” ручными факторами: сдвиг режима, скрытую корреляцию, коллективное поведение.
2. Снижение размерности признаков. Вместо сотен шумных индикаторов — 5–20 стабильных латентных координат.
3. Режимная (regime) аналитика. В 2025 году рынки продолжают жить скачками: то инфляция, то ставки, то геополитика. Латентные модели хорошо подходят для выявления режимов: risk-on/risk-off, “высокая волатильность”, “сжатая ликвидность”.

Практическая рамка: как внедрять, чтобы не обжечься

Большинство компаний ошибаются одинаково: они строят красивую нейросеть, а потом удивляются, что на реальном счёте всё “плывёт”. Вот рабочие правила:

• Обязательная интерпретируемость на уровне поведения: даже если латентный фактор не имеет имени, вы должны понимать, как он реагирует на стресс (ставки вверх, шок нефти, гэпы по FX).
• Walk-forward валидация: обучили на прошлом — тестируйте на будущих отрезках, и так многократно.
• Стабильность признаков: если источники данных меняют методологию, латентное пространство тоже “уедет”. Это надо мониторить.
• Калибровка риска: латентные факторы часто улучшают прогноз, но могут усиливать концентрацию — следите за экспозицией к одному режиму.

Фраза, которую я повторяю командам: “Латентная модель должна быть не умной, а устойчивой.”

Макрофакторы для отбора акций: почему сейчас это снова работает

Макроусловия создают расхождения в прибыльности компаний — и это превращается в системный сигнал для отбора акций. Ключевое здесь — не “угадывать ВВП”, а моделировать чувствительность (exposure) конкретной акции к изменениям макропеременных.

В конце 2025 года это особенно актуально по двум причинам:

• рынки всё ещё живут в мире высокой неопределённости по ставкам и инфляции;
• компании реагируют на одни и те же макрошоки очень по-разному (маржинальность, долг, валютная выручка, цепочки поставок).

Как строится макро‑факторная модель отбора акций

Схема обычно такая:

1. Берём макропризнаки: инфляция, ставки, кривые доходности, цены на сырьё, индексы деловой активности, кредитные спрэды, валютные индикаторы.
2. Строим модель, которая оценивает ожидаемую относительную доходность акции к рынку как функцию макросдвигов.
3. Получаем скоринг и собираем портфель: перекупленные/переоценённые чувствительности продаём, недооценённые — покупаем.

Здесь удобно использовать несколько семейств моделей (от линейных до нелинейных), а затем сравнивать:

• объяснимость;
• стабильность коэффициентов;
• качество out-of-sample;
• транзакционные издержки после ребалансировки.

ИИ-слой: где машинное обучение добавляет точности

ML особенно полезен в трёх местах:

• Нелинейность: реакция акций на макро часто не линейна (например, рост ставок “убивает” разные сектора по-разному и по порогам).
• Взаимодействия факторов: ставка × кредитный спрэд × доллар — вместе дают эффект, который по отдельности не поймать.
• Смешение частот: макроданные выходят редко, рыночные данные — каждую минуту. ML помогает аккуратно собирать сигнал, не превращая модель в генератор шума.

Сильная позиция: макрофакторы — это один из самых “честных” способов объяснимого AI‑инвестирования. Да, там меньше магии, но больше управляемости.

Как собрать всё в одну систему: от вероятностей к портфелю

Единая архитектура AI‑инвестирования — это конвейер: данные → сигналы → риск → исполнение. Три темы из подборки логично занимают свои места.

1) Данные и признаки

• Рынки прогнозов: цены вероятностей, спрэды, ликвидность.
• Рыночные данные: доходности, объёмы, волатильность, корреляции.
• Макро: ставки, инфляция, спрэды, сырьё, FX.

Главная идея: не собирать “всё подряд”, а собирать то, что можно стабильно обновлять и проверять.

2) Сигналы: латентные и макро

• Латентная модель строит компактное представление режима рынка.
• Макро‑модель даёт скоринг по акциям/секторами.
• Модель для рынков прогнозов оценивает ожидаемую стоимость ставки (EV) и риск скачков.

3) Портфель и риск

Риск‑управление в AI‑инвестициях — это не “после модели”. Это часть модели.

• Лимиты концентрации: на один сектор, страну, событие.
• Ограничения по ликвидности: если сигнал требует частых ребалансов — он может быть убыточен после комиссий.
• Сценарный анализ: что будет с портфелем при росте ставок на 1 п.п., скачке волатильности, стресс‑движении валют.

4) Исполнение и мониторинг

То, что отличает профессиональный подход от красивого ноутбука:

• мониторинг дрейфа данных (data drift);
• мониторинг дрейфа модели (model drift);
• журнал решений (почему модель так решила);
• алерты по ухудшению калибровки вероятностей.

Быстрые ответы на частые вопросы (как в поиске)

AI действительно помогает «предсказывать рынок»?

AI помогает не “угадывать”, а системно улучшать прогноз вероятностей и выявлять устойчивые зависимости. Это меньше похоже на пророчество и больше — на инженерную оптимизацию.

Что выбрать: нейросети или классические модели?

Начинать стоит с простого и устойчивого. Часто бустинг или регуляризованная регрессия дают почти тот же результат, что и нейросеть, но проще в контроле. Нейросеть имеет смысл, когда данных много, структура сложная, и у вас есть зрелый MLOps.

Где чаще всего теряют деньги?

• игнорируют транзакционные издержки;
• переобучают модели на “красивом прошлом”;
• смешивают несогласованные источники данных;
• не понимают, какой риск на самом деле несёт сигнал.

Что делать дальше, если вы строите AI‑подход к инвестициям

Если вы следите за серией «Искусственный интеллект в финансовых инвестициях», то эта заметка — про одну мысль: сильные системы складываются из нескольких дисциплин, а не из одной “супермодели”. Рынки прогнозов учат точности вероятностей. Латентные модели учат видеть режимы. Макрофакторы учат связывать экономику и доходность в объяснимой форме.

Хороший следующий шаг — выбрать один контур и довести его до промышленного качества:

1. Определите класс задач: вероятности событий, отбор акций, режимный риск.
2. Соберите минимальный набор устойчивых данных.
3. Сделайте baseline‑модель, затем улучшайте.
4. Встройте риск‑контроль и мониторинг до запуска.

Рынки в 2026 году будут не «про один большой прогноз», а про качество маленьких решений, принятых много раз подряд. Где у вас сейчас слабое место: данные, модель, риск или исполнение?