По мнению к.п.н., доцента Кафедры математики и анализа данных Финансового университета Магомедова Рамазана Магомедовича, в торговле ценными бумагами базовым технологическим понятием является алгоритмическая торговля. Под ней понимают операции с финансовыми инструментами, в которых компьютерный алгоритм сам выставляет конкретные параметры заявки либо уже после отправки берёт на себя управление заявкой, а участие человека, по сути, сведено к минимуму или вообще отсутствует. В данную категорию не попадают занятые одной лишь маршрутизацией заявок по площадкам без выбора торговых параметров решения, равно как и связанные только с подтверждением и дальнейшей обработкой после сделки чисто посттрейдовые процедуры.
Искусственный интеллект и машинное обучение обычно описывают как расширяющий алготрейдинг набор методов, основанных на статистическом обучении на данных (в противовес непосредственному выполнению заранее прописанных правил). Так, рост применения ИИ связывают с тем, что данных стало больше, а вычислительные мощности подешевели и выросли; кроме того, отдельно отмечают использование таких моделей для выбора и настройки торговых алгоритмов. К тому же техническая сторона электронной торговли опирается на непрерывный поток рыночных данных и сообщений, а также на автоматизированные контуры выставления заявок. В эмпирических работах и обзорах регуляторов высокочастотную торговлю часто «приземляют» через скорости обмена сообщениями, а также через высокое отношение заявок к сделкам, которое описывает микроструктуру рынков с плотной автоматизацией.
В 2025 году, если смотреть на реальные объёмы сделок, алгоритмическая торговля доминирует в мировой торговле ценными бумагами, ведь, по сути, она уже вшита в инфраструктуру финансовых рынков и служит технологическим каркасом для автоматизации исполнения и формирования заявок. Если переходить к цифрам, то в 2025 году глобальный рынок алгоритмической торговли держится в коридоре $20–22 млрд, причём наблюдается рост относительно 2024 года и ожидается дальнейшее увеличение к концу года на фоне внедрения ИИ/МО-технологий, дающих более сильный анализ множества рыночных сигналов и более аккуратную оптимизацию стратегий. Параллельно отдельной строкой растёт сегмент AI-торговых платформ, то есть решения, направленные на глубоко интегрирующее машинное обучение и прогнозную аналитику, а специализированные отчёты в 2025 году оценивают его примерно в $13,5 млрд.
На практике ИИ в этих оценках рассматривается как вполне рабочая вещь, так как это инструмент поддержки принятия решений, а также адаптирующийся к меняющейся рыночной картине на основе больших массивов исторических и потоковых данных механизм. Необходимо отметить, что на развитых рынках участие высокочастотных и алгоритмических систем давно стало массовым, потому что 60–70 % всех сделок на фондовых рынках уже проходят через алгоритмические системы, и по этому показателю видна глубина проникновения автоматизации в привычные классы активов.
Искусственный интеллект на рынке ценных бумаг уже не воспринимается как отдельный инструмент, так как это уже сложная экосистема пронизывающих практически все уровни аналитики и операций взаимосвязанных технологий, и важнейшее направление применения связано с обработкой колоссальных массивов данных. Благодаря алгоритмам, которые основаны на нейронных сетях и гибридных моделях с элементами обучения с подкреплением, становится возможным выявлять закономерности в многомерных структурах данных и формировать используемые в предторговом анализе и прогнозировании динамики активов сигналы. Параллельно развивается сфера интеллектуального исполнения сделок, в которой ИИ-алгоритмы, учитывая ликвидность и временные колебания котировок, подбирают оптимальные моменты для входа и выхода, а также распределяют ордера между торговыми площадками и стараются минимизировать рыночное воздействие. Системы адаптируются к изменяющимся микроструктурным режимам и используют ориентированные на текущую конъюнктуру динамические правила исполнения, создавая способную реагировать на мельчайшие рыночные сдвиги практически мгновенно гибкую инфраструктуру.
Также средства анализа естественного языка уже незаменимый элемент аналитических систем, так как они извлекают смысл из корпоративных отчётов, добавляя к числовым моделям сведения о настроениях и действиях участников рынка, благодаря чему прогнозные системы получают более полную картину происходящего, в которой цифры подкреплены контекстом. Также в управлении портфелями ИИ активный участник процесса, который анализирует волатильность и индивидуальные профили риска инвесторов. Алгоритмы, изменяя весовые коэффициенты активов, чтобы повысить устойчивость к рыночным колебаниям и улучшить диверсификацию, пересматривают состав портфелей почти в реальном времени, и это делает процесс ребалансировки значительно точнее и быстрее по сравнению с традиционными методами.
Часто интеллектуальные системы внедряются в контрольные и сопутствующие функции, так как автоматический анализ транзакций позволяет распознавать подозрительные схемы и отслеживать потенциальные случаи рыночных манипуляций. Подобные решения уже применяются внутри брокерских компаний и банков и усиливающими надзор за торговыми потоками регуляторами. Постепенно набирают силу автономные архитектуры, в которой многоагентные системы объединяют аналитические блоки и способны инициировать торговые операции без постоянного участия человека, но при всей технологической сложности подобные решения всё же нуждаются в продуманном контроле рисков и сохранении роли оператора, который задаёт рамки допустимого поведения алгоритма.
В дополнение формируется направление, ориентированное на розничных инвесторов, в рамках которого ИИ-посредники анализируют предпочтения клиентов и формируют персонализированные инвестиционные рекомендации, превращая управление капиталом в индивидуализированный цифровой сервис. К концу 2025 года более четверти финансовых институтов уже применяют ИИ при анализе и торговых решениях, и около двух третей организаций заявляют о планах внедрить подобные технологии в ближайшие годы, тем самым рассчитывая снизить операционные издержки и автоматизировать рутинные процедуры.
В 2025 году искусственный интеллект в торговле уже перешёл из разряда «интересной опции» в рабочий инструмент для обработки рыночных потоков и выдачи сигналов, причём по логике работы он сильно расходится с привычными статистическими схемами. К тому же настроенные под высокоразмерный ввод алгоритмы ИИ спокойно переваривают и структурированные котировки без длительной ручной «чистки» данных.
Также в 2025 году заметен сдвиг в сторону глубоких моделей, в которых иерархическое обучение соседствует с многоагентными схемами, а итоговая метрика оказывается выше, чем у традиционных методов, причём сразу по качеству прогноза и результативности исполнения на высокочастотных интервалах. Так, заметно опережающая пассивные стратегии многоагентная система Hi-DARTS на исторических данных за 2024–2025 гг. показывает более сильную доходность и более высокий коэффициент Шарпа, и этот разрыв выглядит устойчивым именно на коротких таймфреймах.
На уровне микроструктуры рынка ИИ подтолкнул вперёд и детекцию аномалий, так как использующие трансформерную архитектуру глубокие модели дают высокую точность и AUC-ROC при поиске атипичных эпизодов в данных высокочастотной торговли. В результате проще поддерживать мониторинг рыночной целостности и быстрее проверять гипотезы о возможных нарушениях, не утопая в ручном разборе потока.
Дополнительно ко всему оценки доли ИИ-управляемых сделок расходятся от источника к источнику, однако к 2025 г. алгоритмические платформы, в которых задействованы машинное обучение и прочие формы ИИ, проводят по отдельным оценкам до 89% всех мировых транзакций. По факту это выглядит как индустриальная нормализация автоматизированных решений на любых горизонтах, без ощущения «экзотики» или эксперимента. Необходимо также отметить, что крупные компании давно встроили ИИ в важные узлы, то есть использующие глубокое обучение вместе с классическими рыночными индикаторами ведущие HFT-фирмы Virtu, Citadel Securities, Jane Street и другие непрерывно сканируют площадки. Как следствие, быстрее находится ликвидность, а реакция на сдвиги в стакане становится более «машинной» по скорости и более аккуратной по попаданию.
Таким образом, перестраивается сама механика торгового выбора, так как учитывающие временные зависимости модели и скрытые сигналы подразумевают тяжёлую вычислительную базу, и отсюда вытекает когнитивный разворот к адаптивному поведению, где стратегия динамически корректируется при изменении рыночных параметров. При всём этом, эмпирические и регуляторные отчёты довольно прямо дают понять, что ИИ по-прежнему включён в гибридный контур исполнения, ведь даже когда алгоритмы генерируют решения самостоятельно, на практике нередко работают встроенными компонентами систем, за которыми ведётся человеческий мониторинг и контроль, по прозаичной причине (ограничения прогнозной точности и риск системной корреляции поведения, из-за которого однотипные реакции могут неприятно синхронизироваться).