Петля знаний и ИИ-инвестиции: двигатель роста рынков

Во второй половине XVIII века в Англии случилось то, что экономисты потом будут называть «современным экономическим ростом»: инновации стали не разовыми вспышками, а привычным режимом. И вот что интересно — новый препринт в экономике (загружен 18.12.2025) впервые пытается измерить количественно один из самых влиятельных механизмов объяснения этого перехода: петлю обратной связи между теоретическим знанием и практическим.

Для серии «Искусственный интеллект в науке и исследованиях» это попадание в яблочко: ровно так же, как в XVIII веке знания начали «разгонять» технологии, сегодня ИИ разгоняет финансовую аналитику и инвестиционные решения — через непрерывный цикл гипотез, тестов, внедрения и новой теории. Рынки становятся эффективнее не из-за одного «чудо-алгоритма», а из-за того, что знания начинают циркулировать быстрее и точнее.

Ниже — разбор идеи статьи, что в ней действительно полезно для понимания инноваций, и как этот исторический механизм напрямую перекладывается на ИИ в инвестициях, количественные стратегии и управление рисками.

Что именно проверяет исследование и почему это важно

Ключевой тезис: современный рост мог появиться тогда, когда обмен между propositional knowledge (теория, «почему это работает») и prescriptive knowledge (практика, «как это сделать») стал положительной обратной связью, а не слабым односторонним влиянием.

Эта идея ассоциируется с работами Джоэла Мокира об «Индустриальном Просвещении». Она много цитировалась, но её редко проверяли напрямую, потому что до недавнего времени было трудно измерять «перетекание знаний» на больших исторических массивах текстов.

Автор статьи делает важный шаг: пытается оцифровать знания и проверить, усиливали ли друг друга теоретические и прикладные публикации в Англии 1600–1800 гг., и отражалось ли это на реальном инновационном выходе — через патенты.

Если перевести на язык финансов: это то же самое, что проверить, создаёт ли связка “исследования → модель → торговля → новые исследования” устойчивую прибавку к результату, а не просто красивый отчёт.

«Теория» и «практика» как два двигателя инноваций

Прямой ответ: теория ускоряет инновации, когда она не живёт отдельно от практики, а регулярно превращается в инструменты; практика ускоряет теорию, когда она возвращает измеримый результат и ошибки.

Пропозициональные знания: «почему так устроено»

Это фундаментальные объяснения, общие принципы, формулы, причинно-следственные связи. В финансах — это, например:

• гипотезы об источниках премий за риск;
• модели формирования цен;
• теория портфеля и риск-метрики;
• причинные связи между макрофакторами и доходностями.

Теория хороша тем, что переносима: один раз поняли принцип — применили в десяти местах.

Прескриптивные знания: «как сделать, чтобы работало»

Это рецепты, практические инструкции, инженерные решения, процедуры. В инвестициях это:

• правила исполнения сделок (execution);
• конструкция сигналов и фичей;
• методы валидации (walk-forward, purged CV);
• процедуры мониторинга дрейфа данных и качества.

Практика хороша тем, что беспощадна: если не работает на данных и в бою, значит не работает.

Почему петля обратной связи важнее, чем любой из компонентов

Исторически много теорий оставались «в столе», а практики — ремесленными секретами без обобщения. Рост становится современным, когда:

1. теория быстро становится практическими методами;
2. практика поставляет теории новые задачи, измерения и аномалии;
3. система начинает самоусиливаться.

Для ИИ в инвестициях это звучит знакомо: модели деградируют, рынок адаптируется, регимы меняются — и без обратной связи «исследование → прод → мониторинг → переобучение» всё разваливается.

Что нового в статье: измерение “перетекания знаний” текстом

Прямой ответ: автор предлагает два новых текстовых показателя — инновационности публикаций и масштаба спилловеров между теорией и практикой — и связывает их с динамикой патентов.

Работа интересна не только выводом, но и подходом: вместо того чтобы спорить на уровне интерпретаций, автор строит количественные прокси на текстовых данных.

Два измерения, которые полезно «украсть» в финтех и инвестиции

1. Инновационность публикаций. В современном контексте это похоже на попытку измерить, насколько «новой» является исследовательская записка, патент, код-изменение или даже модельный пайплайн.

2. Спилловеры между типами знаний. Грубо: насколько часто и насколько содержательно тексты из “теории” цитируют/используют “практику” и наоборот. В инвестициях аналог — связь между:

• ресёрч-заметками и реальными изменениями в торговом контуре;
• отчётами риск-комитета и реальными лимитами/хеджами;
• ошибками продакшена и новыми методами моделирования.

Главный результат

Автор находит сильные признаки того, что петля стала положительной во второй половине XVIII века, и показывает, что это коррелирует с реальными инновациями, измеренными через патенты.

Мне нравится этот вывод не «романтикой индустриальной эпохи», а тем, что он убирает магическое мышление: рост — это не талант нации, а настройка каналов передачи знаний.

Параллель с ИИ-инвестициями: как создаётся “саморазгоняющаяся” стратегия

Прямой ответ: в инвестициях устойчивое преимущество даёт не модель, а система, в которой теория и практика постоянно улучшают друг друга через измеримые сигналы.

Многие команды делают одну и ту же ошибку: либо застревают в теории (бесконечные исследования без внедрения), либо живут в «пожарном режиме» практики (быстрые фиксы без понимания причин). Работает третий путь — петля.

Как выглядит петля знаний в ИИ для инвестиций

1. Гипотеза (теория): почему сигнал должен работать, какая экономическая логика и где риск арбитража исчезнет.
2. Прототип (практика): быстрый тест на чистых данных с честной валидацией.
3. Внедрение: ограничения ликвидности, проскальзывания, комиссий, лимитов риска.
4. Наблюдение: мониторинг стабильности фичей, дрейфа данных, performance attribution.
5. Обратная связь: какие режимы ломают модель, какие признаки “переобучения” всплыли.
6. Новая теория: уточнение гипотезы, пересборка признаков, новые причинные тесты.

Эта схема банальна на словах. На практике её ломают организационные барьеры: разные команды, разные KPI, отсутствие единого языка и метрик.

Где ИИ реально усиливает обратную связь

• Текстовый анализ (NLP): от новостей и отчётов до стенограмм — ИИ помогает превращать «сырые слова» в измеримые признаки.
• Автоматизация экспериментов: быстрее перебор гипотез, контроль утечек данных, журналирование результатов.
• Причинно-следственные подходы: современные методы (в т.ч. на базе ML) помогают отличать корреляцию от более устойчивых связей.
• Системы мониторинга: раннее обнаружение деградации модели и смены режима рынка.

Если исторический урок XVIII века свести в одну строчку: скорость и качество обратной связи важнее “гениальности” исходного знания.

Практические выводы для инвестора и финтех-команды

Прямой ответ: чтобы ИИ улучшал инвестиционные решения, нужно проектировать не модель, а знания — как поток с контролем качества.

Вот что я бы внедрил (или проверил) в 2026-м, опираясь на логику статьи.

1) Разделите знания по типам — и назначьте “переводчиков”

Составьте карту артефактов:

• теория: инвестиционные тезисы, причинные схемы, академические заметки, модели факторов;
• практика: спецификации сигналов, правила трейдинга, риск-лимиты, playbook инцидентов.

Назначьте людей/процессы, которые превращают одно в другое. Без «перевода» петля не заводится.

2) Введите метрики спилловеров

Вам нужны не только PnL и Sharpe. Нужны метрики передачи знаний, например:

• доля ресёрч-идей, дошедших до продакшена за квартал;
• медианное время от гипотезы до первого честного бэктеста;
• доля инцидентов, которые привели к изменению модели/процесса;
• количество переиспользуемых компонентов (фичи, пайплайны, тесты).

Это и есть современная версия «измерить перетекание знаний».

3) Сократите цикл обратной связи, но не убивайте качество

Самая дорогая ошибка в ИИ-инвестициях — ускориться так, что вы начинаете производить иллюзии (утечки, подгонка, скрытые смещения). Рабочий компромисс:

• быстрые прототипы — только на «песочнице»;
• строгие правила валидации — для кандидатов в прод;
• отдельный контур мониторинга — для моделей в бою.

4) Относитесь к ИИ как к исследовательскому прибору

Модель — это не оракул. Это инструмент измерения реальности.

Сильная инвестиционная команда отличается тем, что умеет быстро понять, почему модель заработала или сломалась — и превратить это в новое знание.

Мини‑FAQ: вопросы, которые обычно всплывают

Правда ли, что ИИ сам создаёт «петлю знаний»?

Нет. ИИ ускоряет отдельные этапы (извлечение сигналов, эксперименты, мониторинг), но петля появляется только при дисциплине процессов и честных метриках.

Почему патенты в статье важны, и что им соответствует в финансах?

Патенты — измеримый “выход” инноваций. В инвестициях аналог — не презентации и не бэктесты, а живые внедрения, изменения в риск-системе, устойчивые улучшения исполнения и контроля.

Что делать частному инвестору без команды?

Собрать свою мини‑петлю:

1. сформулировать тезис (почему актив должен расти/падать),
2. задать правила (когда вход/выход),
3. вести журнал сделок и ошибок,
4. раз в месяц пересматривать тезис на фактах.

ИИ здесь полезен как ассистент: структурировать дневник, анализировать новости, проверять гипотезы на данных — но решения всё равно должны проходить через вашу дисциплину.

Куда это ведёт дальше: знания как инфраструктура рынков

Появление положительной обратной связи между теорией и практикой — правдоподобное объяснение того, почему экономика смогла «переключиться» на постоянные инновации. И мне кажется, что в 2025–2026 годах мы наблюдаем похожий переход в финансах: ИИ превращает знания в инфраструктуру, где исследование, принятие решений и контроль рисков становятся более связными.

Если вы строите инвестиционный процесс с ИИ — ставьте цель шире, чем «найти альфу». Стройте петлю, в которой теория и практика регулярно улучшают друг друга, а качество обратной связи измеримо.

Хотите проверить, насколько ваша система инвестирования уже «самообучается»? Опишите один полный цикл — от идеи до внедрения и обратно — и посмотрите, где знания теряются. Где провал, там и точка роста.