ИИ в инвестициях: режимы рынка и рост без иллюзий

В конце 2025 года рынки снова напоминают качели: то «risk-on» на ожиданиях мягкой посадки, то резкое «risk-off» из‑за инфляционных сюрпризов и пересмотра ставок. И вот что меня каждый раз удивляет: многие частные инвесторы по‑прежнему строят портфель так, будто режим рынка один и тот же — просто «шумит».

Реальность другая: доходности часто ведут себя как продукт скрытого состояния рынка — режима. И если вы хотите, чтобы искусственный интеллект в финансовых инвестициях приносил пользу, а не создавал красивую иллюзию контроля, начинать стоит именно с режима: распознать, подтвердить, связать с макрофакторами — и только затем принимать решения о риске, ребалансировке и стиле (value/growth).

Ниже разберём три идеи из свежей квант-повестки (режимы через смеси Гауссианов, связь с макро, и пересмотр «ростовых» индексов) и переведём их в практику: что можно внедрить в исследовательском пайплайне, какие ошибки типичны, и где ИИ действительно усиливает классические статистические методы.

Режимы рынка: доходность — не одна «нормальная» кривая

Ключевая мысль: рынок редко описывается одной стабильной моделью риска. Чаще он переключается между несколькими состояниями — например, «спокойный рост», «высокая волатильность», «кризисная распродажа».

Классическая ловушка — считать, что распределение доходностей примерно нормально и стационарно. Но достаточно вспомнить 2020–2022 или «вспышки» волатильности в отдельных секторах в 2024–2025, чтобы понять: хвосты толще, корреляции плавают, а «средняя волатильность» плохо объясняет реальную просадку.

Почему смеси Гауссианов (GMM) до сих пор актуальны

Gaussian Mixture Model (GMM) — это модель, которая предполагает: данные генерируются смесью нескольких нормальных распределений. Каждая компонента смеси — кандидат на «режим». На практике это полезно по трём причинам:

1. Интерпретируемость. У каждого режима есть средняя доходность и волатильность. Это легче объяснить риск‑комитету и самому себе.
2. Гибкость. Смесь из 2–4 компонент уже часто лучше описывает рынок, чем одна «усреднённая» кривая.
3. База для управления риском. Если вероятность кризисного режима растёт, можно снижать плечо, увеличивать долю защитных активов, менять хедж.

Но есть нюанс: если использовать GMM «в лоб» только на доходностях, вы часто получите режимы, которые хорошо подгоняют историю, но плохо объясняют почему режим сменился. И вот тут начинается самое интересное.

Типичные ошибки режима, которые я вижу чаще всего

• Слишком много режимов. 6–8 компонент почти всегда превращаются в «разделение шума». Для принятия решений обычно достаточно 2–4.
• Переобучение на коротком окне. Если обучать модель на слишком «узком» периоде, вы получите режимы, характерные только для него.
• Игнорирование транзакционных издержек. Переключение режимов может провоцировать частые изменения позиции. Если не учитывать издержки, стратегия выглядит лучше, чем будет в реальности.

Сильная модель режима — не та, что идеальнее всего объясняет прошлое, а та, что даёт простые, повторяемые правила риск‑управления.

Макро + GMM: как связать режимы с наблюдаемыми индикаторами

Ключевая мысль: режимы должны быть привязаны к миру вне графика цен — к инфляции, ставкам, кредитным спрэдам, рынку труда и ожиданиям.

Подход «режимы как скрытые состояния» становится намного практичнее, если вы расширяете модель макро‑признаками. Тогда режим — это не просто метка кластеризации, а состояние, которое можно прогнозировать по экономическим данным.

Что брать из макро в конце 2025 года (практичный минимум)

Для большинства мультиактивных портфелей рабочий набор признаков такой:

• Ставки и кривая доходности: уровень коротких ставок, наклон 2–10, реальные ставки.
• Инфляция и ожидания: CPI/базовая инфляция, инфляционные свопы/ожидания (если доступны), индексы цен производителей.
• Кредитный риск: спрэды IG/HY, динамика дефолтных ожиданий.
• Ликвидность/стресс: прокси на финансовые условия (финусловия, волатильность, спрэды фондирования).
• Рынок труда: безработица, темпы роста зарплат (как индикатор «липкой» инфляции).

В российском контексте (если вы инвестируете локально или через дружественные юрисдикции) дополнительно имеют значение:

• курс и условия внешней торговли (в т.ч. через прокси),
• бюджетная траектория,
• локальная кривая ОФЗ и премия за риск.

Как ИИ усиливает режимный подход (без магии)

GMM хорошо находит «похожие периоды», но ИИ помогает сделать следующий шаг:

1. Прогноз вероятности режима, а не метки. Градиентный бустинг или нейросети могут предсказывать вероятности режимов на горизонте 1–3 месяца по макро‑факторам.
2. Нелинейные взаимодействия. Например, высокая инфляция сама по себе — не всегда плохо для акций, но в сочетании с ужесточением финансовых условий — уже другой режим.
3. Ранние сигналы из текстов. NLP‑модели могут извлекать тональность из протоколов регуляторов, комментариев менеджмента, новостей о кредитных событиях и добавлять опережающие признаки.

Практическое правило: используйте GMM как “слой объяснения”, а ML/ИИ — как “слой прогнозирования”. Тогда модель проще валидировать и легче контролировать риск.

«Рост» по индексу: почему традиционные ростовые корзины часто подводят

Ключевая мысль: многие growth‑индексы на деле покупают не «рост бизнеса», а дорогую оценку — и это может плохо сочетаться с определёнными режимами ставок.

Классическое деление на value и growth исторически строилось на простых соотношениях (book-to-price и его аналоги). Со временем добавились P/E, P/S, P/CF, но логика осталась: «рост» часто означает «дороже». Это удобно для индексации, но не всегда отражает качество роста.

В 2025 году это особенно заметно: когда ставка и дисконтирование будущих денежных потоков становятся ключевыми, «ростовые» корзины могут резко менять профиль риска. В спокойном режиме они выглядят как локомотив. В режиме ужесточения условий — как источник просадки.

Как ИИ помогает пересобрать понятие growth более честно

Если ваша цель — купить компании, которые реально растут, а не просто торгуются «с премией», то ИИ даёт инструменты:

• Модели качества роста: прогноз устойчивости выручки и маржи по сочетанию финансовых рядов и отраслевых признаков.
• Сегментация growth на подтипы: «прибыльный рост», «рост за счёт маркетинга», «рост на капитальных затратах» — у них разные риски в разных режимах.
• Факторная нейтрализация. Можно строить портфель «рост», но контролировать экспозицию к длительности (equity duration), ставкам, концентрации в мега‑капах.

Мой опыт: лучше всего работает не «отмена» value/growth, а режимная настройка.

• В режиме снижения ставок и расширения ликвидности можно держать больше «длительного» роста.
• В режиме высоких ставок и кредитного стресса лучше смещаться к прибыльности, денежным потокам и разумной оценке.

Практический пайплайн: как собрать режимную систему для портфеля

Ключевая мысль: режимная модель — это не один алгоритм, а цепочка решений: данные → режимы → проверка → действия → контроль.

Ниже — минимально жизнеспособная архитектура (MVP), которую реально внедрить и частному инвестору, и небольшому family office.

Шаг 1. Определите «что такое режим» для вашего портфеля

Сформулируйте, что вы хотите отличать:

• режимы волатильности (низкая/высокая),
• режимы доходности (рост/падение),
• режимы корреляций (диверсификация работает/ломается),
• режимы ставок (рост/падение реальных ставок).

Если цель — управление риском, начните с 2–3 режимов.

Шаг 2. Постройте GMM на доходностях и проверьте стабильность

Практика:

• используйте недельные или дневные доходности, но решения принимайте реже (например, раз в неделю/месяц);
• оцените устойчивость режимов на разных окнах;
• проверьте, не «объясняет» ли модель отдельные аномальные дни слишком большой компонентой.

Шаг 3. Привяжите режимы к макро и научитесь их прогнозировать

Сделайте таблицу: дата → вероятности режимов → макро‑признаки. Далее:

• обучите простую модель (бустинг/логистическая регрессия) предсказывать вероятность стресс‑режима;
• сравните с наивным бенчмарком (например, «вероятность равна средней»);
• контролируйте утечки данных: макро публикуется с лагом.

Шаг 4. Переведите вероятности в правила управления риском

Система должна приводить к чётким действиям. Пример правил:

1. Если вероятность стресс‑режима > 60% — снизить суммарный риск на X% (например, уменьшить долю акций или бета‑экспозицию).
2. Если вероятность спокойного режима > 70% — разрешить больший риск (но с лимитами на концентрацию).
3. Если режим корреляций «ломается» — увеличить долю инструментов, которые дают защиту (кэш, короткие облигации, защитные факторы), а не «просто ещё одну акцию».

Шаг 5. Введите контроль качества (иначе ИИ будет вредить)

Минимальные проверки:

• дрейф данных: изменились ли распределения признаков;
• стабильность важности факторов: не стала ли модель «заложником» одного индикатора;
• стоимость ошибок: ложная тревога хуже или лучше пропущенного стресса? Это задаёт пороги.

Если модель не может объяснить, почему она повышает вероятность кризисного режима, — я бы не давал ей права менять аллокацию автоматически.

Мини‑FAQ: вопросы, которые обычно возникают сразу

Можно ли обойтись без нейросетей и всё равно получить пользу от ИИ?

Да. В инвестициях часто выигрывает простая, но дисциплинированная система: GMM для режимов + бустинг для вероятностей + жёсткие риск‑лимиты.

Сколько данных нужно для режимной модели?

Для базового режима по акциям/портфелю хорошо иметь хотя бы 5–10 лет дневных данных или 10–15 лет недельных. Если данных меньше, делайте меньше режимов и больше осторожности в выводах.

Это подходит только для трейдинга?

Нет. Долгосрочному инвестору режимы нужны не для частых сделок, а чтобы не держать один и тот же риск во всех состояниях рынка.

Что делать дальше (и как это вписывается в серию про ИИ)

В серии «Искусственный интеллект в финансовых инвестициях» мы постоянно возвращаемся к одной идее: ИИ полезен там, где есть понятная задача, измеримая ошибка и дисциплина внедрения. Режимы рынка — как раз такая задача. Смеси Гауссианов дают понятную карту состояний, макро добавляет причинность и объяснимость, а ИИ превращает это в прогноз вероятностей и управляемые правила.

Если вы хотите получить прикладной результат за 2–3 недели, я бы начал так: выбрать 3 режима, построить GMM на доходностях портфеля, затем привязать вероятности к 6–10 макро‑признакам и написать простые правила снижения/повышения риска. Уже на этом этапе часто становится видно, где ваш портфель «переплачивает» за рост и где недополучает защиту.

А дальше вопрос, который стоит держать в голове перед любым решением об аллокации на 2026 год: какой режим вы сейчас покупаете — и что будет с портфелем, если режим сменится быстрее, чем вы успеете отреагировать?