Цифровые тренды будущего: ИИ в инвестициях

Автоматизированные инвестиционные фонды, управляемые с помощью алгоритмических систем принятия решений, существуют как минимум пару десятков лет. Однако появление искусственного интеллекта (ИИ) может вывести процесс автоматизации на принципиально новый уровень, когда инвестиционные решения будут принимать полностью автономные роботизированные системы.

Еще в 2017 г. исследователи выложили в отрытый доступ нейросетевую структуру «трансформер», которая легла в основу современных моделей ИИ, но гонка ИИ началась всего несколько лет назад, когда в ноябре 2022 г. появился первый чат-бот, возможности которого могла оценить широкая публика.

Если в конце 2022 г. на рынке присутствовало только решение от OpenAI, то впоследствии к нему  присоединились ряд компаний, в том числе европейская Mistral и xAI Илона Маска. Маск, кстати, не устает утверждать, что потенциал ИИ превысит человеческий уже в обозримом будущем – на горизонте пяти лет.

Как бы то ни было, представители финтеха и даже ведущие управляющие компании не могли пройти мимо тех возможностей, которые ИИ открывает в сфере управления активами.

Например, компания BlackRock, которая в середине 1970-х произвела революцию на финансовом рынке индексными ETF, не только собирается стать лидером по внедрению ИИ в бизнес управления активами (точнее, в собственную экосистему Aladdin), но и наращивает вложения в экономику ИИ вообще – в партнерстве, например, с Microsoft и Nvidia.

В России, по данным доклада Банка России, ИИ также становится все более востребованным у финансовых организаций: две трети из них используют или планируют использовать ИИ на горизонте следующих трех лет: 21% применяют ИИ на постоянной основе, еще 15% тестируют пилотные проекты в этой области, а 29% компаний собираются внедрить ИИ в ближайшие три года.

Сейчас материалы, сгенерированные ИИ, уже никого не удивляют, но для использования ИИ в процессе управления капиталом еще предстоит пройти большой путь. Здесь важно не просто быть в тренде, а хорошо осознавать желаемый результат. Мы считаем, что точек приложения ИИ в бизнесе по управлению активами две: это повышение эффективности операционных процессов, с одной стороны, и инвестиционных – с другой. В УК «Первая» мы работаем по обоим направлениям.

Умный клиентский сервис

В отличие от традиционного программного обеспечения системы ИИ имитируют человеческое мышление, а также способны со временем обучаться, постоянно совершенствуясь по мере обработки новой информации. Это означает, что рутинные задачи, которые сейчас выполняют люди, могут быть передоверены ИИ.

На сегодняшний день наибольший потенциал применения ИИ мы видим в нашем клиентском сервисе, в частности при работе с обращениями наших клиентов.

Сейчас у нас около 2000 портфелей только на индивидуальном доверительном управлении, и при работе с ними способности ИИ могут оказаться как нельзя кстати. Мы ожидаем, что уже в скором времени сможем существенно расширить объем персонализированных сервисов для клиентов – сначала информационных, а затем и рекомендательных. Никакая команда аналитиков не может, например, давать регулярные комментарии по каждому из 2000 клиентских портфелей, да еще и вникая в «историю» операций в каждом из них, тогда как ИИ на это вполне способен.

При работе с каждым обращением специалисты отдела продаж должны изучить историю всех транзакций, выяснить, какие сделки совершались, когда и по какой цене. Этот рутинный, но трудоемкий процесс можно передоверить машине. Сейчас мы тестируем большие языковые модели, которые обрабатывают обращения клиентов по отдельным видам продуктов.

ИИ управляет портфелем

Кроме улучшения клиентского сервиса перед ИИ могут быть поставлены и другие задачи, связанные с управлением портфелями активов, т. е. непосредственно с инвестиционной деятельностью. В этом случае ИИ может привести к снижению расходов на управление и, соответственно, повышению маржинальности бизнеса, а с другой стороны, помочь в генерировании «альфы» – создании дополнительной доходности для клиента по сравнению с бенчмарком.

В части внедрения ИИ в инвестиционные процессы мы пока более консервативны, но не потому, что отказываемся от исследований в этой области (как раз наоборот), а по той причине, что разработка по-настоящему качественного продукта требует времени. У нас большие объемы сделок с активами под управлением, и при помощи наработок в ИИ мы уже умеем анализировать рыночный биржевой «стакан» (список биржевых заявок на покупку и продажу. – «Ведомости&»), правильно разбивать и исполнять ордера, чтобы совершать сделки по наилучшим ценам.

Однако создание фонда, где роль портфельного управляющего полностью играл бы ИИ, более амбициозная задача. По сути, это последний шаг на пути от машинного обучения (так называемого традиционного ИИ) к созданию агентского (автономного) ИИ (не требующего постоянного контроля человека). Причем для функционирования фонда требуется создание сразу нескольких таких агентов, работающих в рамках единой мультиагентной системы.

Иначе быть не может: управление инвестиционным портфелем – комплексная задача. Она включает в себя работу аналитиков, трейдеров и управляющих. Соответственно, чтобы воспроизвести инвестиционный процесс, требуется наладить взаимодействие автономных агентов, которые бы не просто имитировали, а воспроизводили работу всех его участников. В BlackRock, например, сразу несколько видов функционала интегрированы во внутреннюю экосистему Aladdin: это и непосредственное управление портфелем, и аналитика рисков, и соблюдение нормативных требований. В том же направлении работаем и мы: в разрабатываемой нами системе есть агенты, отвечающие за выбор бумаг, есть макроагенты, которые решают, наращивать риск или снижать его, в зависимости от фазы макроэкономического цикла. В конечном счете задача состоит не только в том, чтобы скоординировать действия агентов, а в том, чтобы «сшить» в их «мышлении» два контекста: рыночную конъюнктуру и ситуацию клиента.

Важный шаг на этом пути состоит в том, чтобы научить модель не просто анализу информационного поля, но и прогнозированию настроений на рынке и тенденций в экономике.

В этом мы уже сделали определенные успехи. Так, мы используем ИИ для оценки тональности заявлений Банка России на внушительном массиве текстовых данных. В результате мы получаем опережающий индикатор будущей денежно-кредитной политики, который помогает нам прогнозировать изменения ключевой ставки. Такая модель «настроения Банка России» неплохо работает – она уже помогла заблаговременно увеличить дюрацию портфеля облигаций в преддверии снижения ключевой ставки, что положительно сказалось на результатах управления. При этом подчеркну: решения по портфелю не принимаются только на основе сигналов ИИ. В первую очередь это решение экспертов, а модель на основе ИИ выступает в качестве еще одного фактора в принятии решений.

Минимизировать риски

Несмотря на то что в конечном счете ИИ должен снизить инвестиционные риски, на сегодняшний день неосторожное и неоправданное использование ИИ может, напротив, увеличивать риски финансовых потерь. Хотя на рынках, безусловно, наблюдаются определенные паттерны поведения, на каждом временном отрезке они проявляются по-разному. Поэтому важно не только обучаться на прошлых данных, но и быть проактивным в анализе поступающей информации. Этого ИИ пока не может. Соответственно, возникает риск переложить готовые шаблоны на ситуации, которые выглядят похоже, но требуют большей чуткости модели к финансово-экономическому контексту.

В результате на сегодняшний день управляющие скорее сверяются с ИИ, а не слепо руководствуются его показаниями. В конце концов, чтобы в ИИ были заложены правильные принципы управления, их кто-то должен в него вложить.

Среди наиболее актуальных рисков, связанных с ИИ, часто упоминается проблема информационной безопасности, в частности опасность утечек персональных данных или злоупотребление их использованием. Возможно, что соответствующие риски будут снижаться за счет распространения моделей локального обучения на изолированных наборах данных. Так называемые малые языковые модели размером от 100 млн до 8 млрд параметров, обеспечивают баланс между производительностью и вычислительной эффективностью и оптимальны в тех случаях, когда использование больших языковых моделей избыточно или нецелесообразно. Прогнозируется, что к 2027 г. в организациях будут прибегать к небольшим специализированным моделям ИИ в 3 раза чаще, чем к большим языковым моделям общего назначения.

Конечно, даже в этом случае мы не поймем той иррациональной составляющей, которая зачастую двигает рынки в непредсказуемом направлении. Но, возможно, это и хорошо – именно рыночная неэффективность позволяет генерировать «альфу». Вполне возможно даже, что ИИ не нужно быть идеальным, чтобы произвести изменения в том, как инвестируют люди и работают управляющие компании.