Нейросети в инвестициях: как зарабатывать с ИИ на фондовом рынке

Александр Костин

Нейросети в инвестициях: как зарабатывать с ИИ на фондовом рынке

Глава 1. Нейросети и деньги: где они реально полезны, а где опасны

Финансовые рынки всегда притягивали инструменты, которые обещают преимущество. Нейросети оказались особенно соблазнительными: они умеют находить сложные зависимости, обрабатывать огромные массивы данных и говорить уверенным, почти человеческим языком. Именно эта уверенность часто становится ловушкой. Чтобы использовать ИИ в финансах осознанно, важно с самого начала провести чёткую границу между тем, где нейросети действительно усиливают инвестора, и тем, где они создают иллюзию контроля.

В реальности ИИ не зарабатывает деньги сам по себе. Он помогает структурировать процесс принятия решений, снижать влияние эмоций и быстрее проверять гипотезы. Всё остальное – маркетинговый шум.

Где ИИ действительно полезен

Самая сильная сторона нейросетей – анализ. Они хорошо работают там, где человеку трудно удержать в голове большое количество факторов. Это касается предварительного отбора активов, оценки сценариев и контроля дисциплины.

Например, ИИ может быстро просеять сотни инструментов по заданным критериям: ликвидность, волатильность, корреляция с портфелем, чувствительность к макрофакторам. Он не «выбирает лучшую акцию», а сокращает пространство выбора до управляемого. В этом качестве нейросеть экономит время и снижает риск пропустить важный параметр.

Вторая зона силы – сценарное мышление. Модель может оценивать вероятности разных исходов, а не выдавать одно «точное» число. Для инвестора это принципиально: деньги теряются не потому, что прогноз оказался неточным, а потому что не был учтён неблагоприятный сценарий.

Третья область – дисциплина. Алгоритм не устает, не нервничает и не пытается «отыграться». Он исполняет правила. Если правила заданы корректно, ИИ становится защитным контуром между инвестором и его импульсивными решениями.

Где ИИ чаще всего опасен

Самая распространённая ошибка – ожидать от нейросети прямых торговых сигналов. Запросы в духе «предскажи цену завтра» выглядят логично, но в реальных условиях почти всегда приводят к убыткам. Рынок меняет режимы, данные шумны, а любая модель быстро переобучается на прошлое.

Особенно опасна уверенная подача результата. Нейросеть формулирует выводы гладко и убедительно, и мозг склонен воспринимать это как доказательство. Возникает иллюзия знания там, где есть лишь статистическая гипотеза.

Ещё одна зона риска – автоматизация без понимания. Когда инвестор не может объяснить, почему система принимает то или иное решение, он теряет контроль. В момент просадки такая система либо отключается вручную в самый неподходящий момент, либо продолжает работать, пока убыток не станет критическим.

Типичные ошибки новичков

Новички часто путают качество текста с качеством модели. Убедительное объяснение не означает, что за ним стоит устойчивая закономерность. Другая частая ошибка – отсутствие базовой линии. Если не сравнивать ИИ-решение с простым, понятным подходом, невозможно понять, есть ли реальное улучшение.

Также распространена вера в «универсальную модель», которая якобы работает на любых рынках и в любое время. В финансах это почти всегда признак подгонки под прошлые данные.

Что значит «проверить результат»

Польза ИИ должна быть измеримой. Не в процентах доходности за красивый период, а в конкретных улучшениях процесса. Снижение просадки, более ровный профиль риска, меньшая зависимость от эмоций – всё это валидные критерии.

Если модель не даёт улучшений по заранее определённым метрикам, её нужно упрощать или убирать, независимо от того, насколько она сложна или «умна».

Риск-профиль как отправная точка

До любых моделей необходимо зафиксировать собственный риск-профиль. Не в абстрактных терминах «готов к риску», а в конкретных параметрах: допустимая просадка, горизонт инвестирования, чувствительность к убыткам. Нейросеть не может определить это за человека. Если риск не задан, модель начнёт оптимизировать то, что не имеет отношения к реальным целям инвестора.

Почему «обогнать рынок» – плохая цель

Погоня за опережением индекса часто приводит к избыточному риску. Реальный доход определяется не только средней доходностью, но и тем, как инвестор переживает плохие периоды. ИИ полезнее рассматривать как инструмент стабилизации и контроля, а не как способ постоянно «побеждать рынок».

Прогноз и торговая система – не одно и то же

Прогноз – это оценка будущего состояния. Торговая система – набор правил, которые превращают эту оценку в действия с учётом рисков, издержек и ограничений. Большинство провалов ИИ в финансах происходит именно на этом переходе. Хороший прогноз без системы управления рисками бесполезен.

Вероятности вместо уверенности

Один из ключевых сдвигов мышления – отказ от детерминизма. ИИ не должен говорить «будет рост», он должен отвечать на вопрос «какова вероятность неблагоприятного исхода и что мы делаем в этом случае». Такой подход снижает эмоциональное давление и повышает устойчивость решений.

Минимальные правила безопасности

Любая работа с нейросетями в финансах должна начинаться с простых ограничений. Не использовать модели для решений, последствия которых невозможно принять. Не увеличивать риск только потому, что модель «уверена». Всегда иметь сценарий остановки и упрощения.

Чек-лист здравых ожиданий от ИИ

ИИ не зарабатывает деньги автоматически.

ИИ не отменяет риск и неопределённость.

ИИ усиливает хорошо описанный процесс и ломается в хаосе.

ИИ полезен там, где есть чёткие правила и измеримые цели.

Главный вывод этой главы прост: нейросети – это инструмент управления процессом и риском, а не магическая кнопка прибыли. Тот, кто понимает это с самого начала, получает от ИИ реальную пользу. Тот, кто игнорирует, почти неизбежно платит за иллюзии.

Глава 2. Данные для финансов: что брать, а что игнорировать

Любая нейросеть в финансах начинается не с модели, а с данных. Именно здесь закладывается до восьмидесяти процентов будущего результата – или будущих ошибок. Можно выбрать самую современную архитектуру, потратить месяцы на настройку параметров, но если входные данные плохи, итог будет не просто бесполезным, а опасным. Финансовые данные обладают особой коварностью: они выглядят точными, числовыми и объективными, но при этом содержат множество скрытых искажений.

Первый шаг – понять, какие данные вообще имеют смысл для частного инвестора, а какие лучше сразу исключить из рассмотрения.

Источники данных: что реально использовать

В основе почти всех финансовых моделей лежат рыночные данные: цены и объёмы торгов. Они доступны, относительно стандартизированы и хорошо отражают коллективные ожидания участников рынка. Однако даже здесь есть нюанс: цена закрытия, средняя цена дня, доходность за период – это разные представления одной и той же информации, и смешивать их без понимания последствий нельзя.

Следующий слой – корпоративная отчётность. Она даёт представление о бизнесе компании, но обновляется редко и часто запаздывает. Использовать её как «сигнал к немедленной покупке» – ошибка. Гораздо полезнее рассматривать отчётность как фильтр и контекст: помогает ли бизнес переживать сложные периоды, устойчивы ли его денежные потоки.

Макроэкономические показатели и агрегированные индексы полезны для сценарного анализа и оценки режимов рынка. Они почти никогда не работают как точечные сигналы, но могут задавать рамки риска.

Новостные и текстовые данные выглядят привлекательно, но требуют особой осторожности. Большая часть информации уже отражена в цене к моменту публикации, а шум в таких данных огромен.

Качество данных: невидимая угроза

Главная опасность финансовых данных – ощущение, что они «чистые по умолчанию». На практике почти каждый набор содержит пропуски, ошибки и несоответствия. Сплиты акций, дивиденды, изменения методик расчёта – всё это искажает исторические ряды, если не учтено явно.

Одна из самых частых проблем – использование цен без корректировок. Модель может «обнаружить» прибыльную закономерность там, где на самом деле был технический разрыв данных. В реальной торговле такой сигнал не воспроизводится.

Не менее опасны скрытые пересчёты данных задним числом. Некоторые источники обновляют историю, и если не фиксировать версии датасетов, воспроизводимость теряется.

Ошибка несопоставимых рядов

Очень распространённая ловушка – объединять данные разной природы и частоты без выравнивания. Например, дневные цены и квартальную отчётность. Модель начинает «видеть будущее», потому что отчётность фактически относится к периоду, который ещё не закончился.

В таких случаях нейросеть демонстрирует отличные результаты в тестах, но полностью проваливается при реальном использовании. Причина не в модели, а в утечке информации.

Проверка данных как обязательный этап

Хорошие данные – это не «много данных», а данные, которые можно воспроизвести и объяснить. Для каждого набора должен быть понятен источник, период, частота, способ очистки и трансформации.

Если через месяц невозможно точно восстановить, как был собран датасет, – это уже риск. В финансах отсутствие документации почти всегда означает будущие убытки.

Частота данных и цена шума

Высокочастотные данные кажутся привлекательными: больше точек, больше информации. На практике они несут больше шума и требуют гораздо более жёсткого контроля издержек и ошибок исполнения. Для большинства частных инвесторов дневные или даже недельные данные оказываются более устойчивыми.

Частота должна соответствовать горизонту решений. Использовать минутные данные для долгосрочного портфеля – типичная ошибка, ведущая к переобучению.

Переобучение как следствие плохих данных

Когда модель начинает подстраиваться под случайные колебания, проблема часто не в алгоритме, а в структуре данных. Избыточное количество признаков, коррелированные ряды, короткий период наблюдений – всё это усиливает риск переобучения.

Чем чище и проще данные, тем выше шанс, что модель уловит действительно значимую зависимость, а не шум.

Хранение и версии данных

Финансовый проект без системы хранения данных быстро превращается в хаос. Минимально необходимо сохранять исходные данные отдельно от обработанных, фиксировать версии и не перезаписывать историю.

Это кажется избыточным, пока модель работает. Но как только результат ухудшается, без истории изменений невозможно понять причину.

Базовые признаки как фундамент

Простейшие производные от цен – доходности, волатильность, корреляции – часто оказываются полезнее сложных экзотических признаков. Они устойчивы, интерпретируемы и хорошо масштабируются на разные рынки.

Стремление сразу добавить десятки индикаторов обычно снижает качество модели, а не повышает его.

Внешние данные: осторожно и дозированно

Календарь событий, отчётность, макропоказатели могут улучшить модель, если используются как контекст, а не как прямой сигнал. Важно всегда задавать вопрос: как именно эта информация могла быть использована участниками рынка в тот момент времени.

Если на этот вопрос нет чёткого ответа, данные лучше исключить.

Паспорт датасета как привычка

Полезная практика – создавать краткий «паспорт» каждого набора данных: источник, период, частота, основные преобразования, ограничения. Это дисциплинирует мышление и защищает от самообмана.

Главный вывод этой главы прост и неприятен: нейросети не исправляют плохие данные. Они лишь делают ошибки более убедительными. Тот, кто научился отбирать и проверять данные, уже получил значительную часть преимущества ещё до начала моделирования.

Глава 3. Как ИИ делает прогнозы рынка и почему ошибается

Финансовый рынок часто представляют как задачу предсказания: если собрать достаточно данных и применить достаточно «умную» модель, будущее будто бы должно стать яснее. Именно здесь нейросети выглядят особенно соблазнительно. Они умеют находить сложные зависимости, работать с нелинейностями и адаптироваться к большим массивам информации. Однако рынок – это не физический процесс с устойчивыми законами, а социальная система, в которой правила постоянно меняются. Понимание этого – ключ к тому, чтобы не переоценить возможности ИИ.

Рынок как система с меняющимися режимами

Одна из главных причин ошибок прогнозирования – игнорирование рыночных режимов. Периоды роста, падения, бокового движения, высокой или низкой волатильности принципиально различаются по своей структуре. Модель, обученная на спокойном рынке, может полностью потерять адекватность в кризисной фазе.

Нейросеть не «знает», что режим сменился. Она лишь продолжает применять выученные зависимости, пока статистика не станет явно противоречивой. Именно поэтому даже хорошо протестированные модели могут резко деградировать без видимых причин.

Корреляция и причинность

ИИ великолепно находит корреляции. Проблема в том, что рынок переполнен случайными совпадениями. Если в данных достаточно измерений, всегда найдётся признак, который «объясняет» движение цены в прошлом. Это не означает, что он имеет причинное влияние.

Финансовые модели чаще всего работают не с причинами, а с устойчивыми статистическими эффектами. Как только эффект становится массово известным или условия меняются, он исчезает. Нейросеть не предупреждает об этом заранее.

Утечка будущей информации

Одна из самых опасных и распространённых ошибок – обучение модели на данных, которые в реальности были бы недоступны в момент принятия решения. Это может быть отчётность, пересчитанная задним числом, индикаторы, использующие будущее значение цены, или неправильное выравнивание временных рядов.

В тестах такие модели выглядят блестяще. В реальности они перестают работать сразу. Причина не в «плохом рынке», а в том, что модель изначально опиралась на информацию из будущего.

Проверка по времени, а не случайным образом

Финансовые данные нельзя перемешивать случайным образом, как это делают в классических задачах машинного обучения. Единственно корректная схема – разделение по времени: обучение на прошлом, проверка на более позднем периоде, тестирование на самом свежем отрезке.

Если модель не выдерживает такой проверки, она не готова к реальному использованию, как бы хорошо ни выглядели метрики.

Нестабильность признаков

Многие признаки «умирают» первыми. То, что работало несколько лет, может перестать иметь значение за месяцы. Особенно это касается производных от цены и объёма, которые быстро адаптируются рынком.

ИИ не чувствует этой деградации сам по себе. Без регулярного контроля модель продолжает использовать устаревшие сигналы, постепенно теряя качество.

Иллюзия доказательства через графики

Красивая кривая доходности – слабый аргумент. Графики легко вводят в заблуждение, особенно если не показаны альтернативные сценарии и периоды неудач. Нейросети часто демонстрируют «идеальные» линии роста именно потому, что подстроены под прошлое.

В финансах важнее не максимальная доходность, а поведение стратегии в неблагоприятных условиях.

Реальные издержки как источник ошибок

Комиссии, проскальзывание, налоги и ограничения ликвидности могут полностью уничтожить математическое преимущество модели. Многие прогнозы выглядят прибыльными до тех пор, пока не добавлены реальные издержки.

ИИ не учитывает их автоматически. Если они не заложены в цель и тестирование, прогноз становится теоретическим упражнением.

Сигнал против шума

Одна из самых сложных задач – отличить слабый, но реальный сигнал от случайного шума. Нейросети склонны «видеть смысл» даже там, где его нет. Чем сложнее модель, тем выше этот риск.

Парадокс в том, что упрощение модели часто повышает её устойчивость. Меньше параметров – меньше способов подогнать прошлое.

Как формулировать цель прогноза

Попытка предсказывать точную цену обычно наименее полезна. Гораздо практичнее работать с вероятностями неблагоприятных исходов, диапазонами доходности или оценкой риска. Такие цели лучше согласуются с реальными инвестиционными решениями.

ИИ становится полезным, когда отвечает на вопрос «насколько риск сейчас выше обычного», а не «какая будет цена завтра».

Чек-лист ошибок прогнозирования

Если модель показывает слишком стабильную доходность – это повод насторожиться.

Если результат сильно зависит от одного признака – риск переобучения высок.

Если прогноз нельзя объяснить простыми словами – контроль потерян.

Если модель не переживает смену рыночного режима – она опасна.

Главный вывод этой главы заключается в следующем: нейросети не ошибаются случайно, они ошибаются системно. Понимание того, почему и где они дают сбой, важнее, чем попытка выжать из них ещё один процент доходности. Именно это понимание превращает ИИ из источника иллюзий в рабочий инструмент инвестора.

Глава 4. Метрики: как оценивать модели, чтобы не обмануться

В финансах нет ничего опаснее, чем «хорошие результаты», полученные неправильным способом. Нейросети особенно усиливают эту проблему: они умеют оптимизировать практически любую метрику, которую вы им зададите. Вопрос лишь в том, отражает ли эта метрика реальную ценность для инвестора или создаёт красивую, но пустую иллюзию успеха. Понимание того, что именно измерять и как интерпретировать результаты, – ключевой навык при работе с ИИ в деньгах.

Метрики прогноза и их ограничения

Первая группа показателей относится к качеству прогноза как такового. Ошибка, точность направления, калибровка вероятностей – всё это полезно, но лишь в ограниченном контексте. Низкая ошибка прогноза цены не означает прибыльность стратегии. Модель может отлично угадывать мелкие колебания и при этом терять деньги из-за издержек или неправильных решений.

Особенно коварны метрики направления движения. Угадать рост или падение чуть чаще, чем в половине случаев, кажется успехом. На практике это может не иметь никакой ценности, если величина движений асимметрична или если убытки превышают прибыли.

Метрики стратегии: ближе к деньгам

Куда важнее показатели, связанные с поведением стратегии в целом. Доходность без контекста почти ничего не говорит. Она должна рассматриваться вместе с риском, просадками и стабильностью результатов.

Просадка – один из самых недооценённых параметров. Именно она определяет, сможет ли инвестор психологически и финансово выдержать стратегию. Две системы с одинаковой средней доходностью могут радикально отличаться по качеству именно из-за глубины и длительности просадок.

Волатильность и соотношение доходности к риску помогают понять, насколько «дорого» обходится каждый процент прибыли. Нейросети часто увеличивают доходность ценой резкого роста нестабильности – и без правильных метрик это остаётся незаметным.

Оптимизация не той цели

Одна из типичных ошибок – оптимизировать то, что легко измерить, а не то, что важно. Модель может показывать отличные значения выбранной метрики и при этом быть непригодной для реального использования. Например, минимизация ошибки прогноза не учитывает комиссий, ограничений ликвидности и поведения в кризисных фазах.

Если метрика не связана напрямую с денежным результатом или риском, она должна рассматриваться как вспомогательная, а не основная.

Метрика как объяснение поведения

Хорошая метрика не просто даёт число, она объясняет, как ведёт себя стратегия. Если после просмотра отчёта невозможно понять, где система зарабатывает, а где теряет, значит измерение выбрано неправильно.

Метрики должны позволять разложить результат по периодам, режимам рынка и типам сделок. Это снижает риск неприятных сюрпризов в реальной торговле.

Бэктест как эксперимент, а не демонстрация

Бэктест часто воспринимают как доказательство работоспособности. На самом деле это эксперимент с жёсткими правилами. В нём важно фиксировать все параметры заранее и не подгонять модель под результат.

Каждое изменение в модели или данных должно сопровождаться повторной оценкой по тем же метрикам. Если метрики меняются хаотично от небольших правок, стратегия неустойчива.

Стресс-тесты и неприятные сценарии

Настоящая ценность метрик раскрывается в стресс-тестах. Как стратегия ведёт себя в периоды резких падений, роста волатильности, снижения ликвидности – именно это определяет её жизнеспособность.

Нейросети часто выглядят лучше всего в «нормальных» условиях и резко теряют качество в экстремальных фазах. Метрики должны явно показывать это, а не сглаживать результат.

Проверка устойчивости

Хорошая модель показывает схожее качество на разных периодах и рынках. Если результат держится только на одном удачном отрезке, это повод для сомнений. Метрики устойчивости помогают отличить закономерность от совпадения.

Особенно важно проверять чувствительность к параметрам. Небольшие изменения входных данных не должны приводить к катастрофическому ухудшению показателей.

Оценка на новых данных

Отдельный акцент стоит делать на результатах вне периода обучения. Метрики на новых данных всегда хуже, чем на обучающих, и это нормально. Опасно, когда разница слишком велика – это почти всегда признак подгонки.

Инвестор должен заранее принять, что «честные» метрики выглядят скромнее, чем маркетинговые графики.

Риск-лимиты и их измерение

Метрики риска должны быть связаны с реальными лимитами. Если система превышает допустимый уровень риска, это должно быть видно сразу, а не задним числом. ИИ особенно полезен там, где автоматически контролирует соблюдение ограничений.

Отчёт по модели как стандарт

Полезная привычка – формировать краткий отчёт по каждой модели или стратегии: ключевые метрики, периоды успеха и провалов, основные риски. Такой отчёт дисциплинирует мышление и снижает вероятность самообмана.

Главный вывод этой главы заключается в том, что метрики – это не украшение отчёта, а инструмент защиты инвестора. Нейросеть всегда найдёт способ выглядеть убедительно. Задача человека – выбрать такие способы измерения, при которых самообман становится трудным, а реальные риски – видимыми.

Глава 5. Базовые модели как фундамент: не прыгать сразу в «глубину»

В работе с нейросетями в финансах одна из самых парадоксальных ловушек – стремление сразу использовать сложные модели. Кажется логичным: если рынок сложен, значит и инструмент должен быть сложным. На практике всё наоборот. Именно простые, хорошо понятные базовые модели становятся тем фундаментом, без которого любая нейросеть превращается в источник иллюзий. База нужна не для того, чтобы конкурировать с ИИ, а чтобы проверить, действительно ли он даёт добавленную ценность.

Зачем нужна базовая линия

Базовая модель – это точка отсчёта. Она показывает, какого результата можно достичь без сложных алгоритмов, используя элементарные правила распределения капитала и контроля риска. Если нейросеть не способна стабильно превзойти такую основу с учётом издержек и рисков, её использование не имеет смысла.

Парадоксально, но многие «умные» стратегии выглядят хуже простой дисциплинированной схемы именно потому, что базовая линия задаёт минимальный стандарт качества.

Простые правила как проверка здравого смысла

Равномерное распределение, периодический ребаланс, ограничение долей активов – эти подходы кажутся примитивными, но они отражают ключевые принципы управления риском. Простые статистические методы часто демонстрируют удивительную устойчивость на длинных дистанциях.