По мнению к.ф-м.н., доцента кафедры математики и анализа данных Финансового университета Савиной Светланы Владимировны, торговлю на фондовом рынке с помощью искусственного интеллекта следует отличать от классической алгоритмической торговли. Алгоритмическая торговля исполняет заранее заданные правила, тогда как ИИ-трейдинг опирается на самообучающиеся модели, которые автоматически расширяют пространство признаков и адаптируются к нестационарным рыночным условиям без явного перепрограммирования. Поэтому объектом исследования является связка «данные - модель - скорость исполнения - доходность и риск - ликвидность рынка», в которой ценность создается не отдельным удачным прогнозом, а устойчивой способностью обрабатывать рыночный поток быстрее и полнее конкурентов. ИИ-трейдинг отвечает не на вопрос, можно ли предсказать цену, а на вопрос, кто извлекает доход из самого процесса автоматизированного ценообразования.
Масштаб автоматизации уже таков, что ее нельзя считать вспомогательным явлением. По отраслевым оценкам, в 2025 г. на алгоритмические и высокочастотные стратегии приходится порядка 60-70% совокупного оборота на крупнейших мировых рынках акций, а объем самого рынка алгоритмической торговли оценивается примерно в 18-19 млрд. долл. с прогнозом роста до более чем 40 млрд долл. к середине 2030-х гг. при среднегодовом темпе около 9-13%. Это означает, что автоматизированное исполнение стало базовой инфраструктурой рынка, а не конкурентным исключением, и оценивать эффективность инвестора без учета алгоритмической среды уже нельзя.
Российский рынок повторяет эту траекторию. По данным Московской биржи, приводимым в отраслевой аналитике, в 2024 г. около 50% операций на срочном рынке совершались автоматизированными системами, а доля высокочастотных систем в общем количестве заявок в пиковые моменты достигала 90%, тогда как в 2010 г. она составляла лишь 11-13% оборота и около 4 % заявок. Доступ к таким стратегиям перестал быть привилегией институтов: запущенный биржей сервис «Алгопак» открывает исторические и онлайн-данные по всем торгуемым акциям через API и Python-библиотеку для тестирования и запуска торговых роботов. Тем самым инфраструктура алготорговли становится массовой, и розничный участник все чаще конкурирует не с другим человеком, а с обучаемой моделью.
Экономический смысл этой автоматизации не сводится к спекулятивному доходу. Высокочастотные системы выполняют функцию маркет-мейкинга, то есть постоянно поддерживают котировки на покупку и продажу; по приводимым оценкам, они обеспечивают до 60% ликвидности на российском рынке акций и сократили спреды на 15-20% относительно 2020 г. Среднее время исполнения заявки в таких системах на Московской бирже составляет порядка 50 микросекунд. Из этого следует, что ИИ-трейдинг создает стоимость прежде всего через сохранение ликвидности и снижение издержек исполнения для всех участников, а не только через прибыль самого алгоритма.
Качественное отличие именно искусственного интеллекта от ранних роботов состоит в работе с неструктурированными данными. Современные модели применяют обработку естественного языка к новостным лентам, отчетности и публичным сигналам, оценивая тональность и прогнозируя реакцию рынка. Исследовательские группы МГУ и НИУ ВШЭ разработали метод прогнозирования движения цен акций Российской торговой системы, сочетающий анализ временных рядов и текстов финансовых новостей, а Центр финансовых исследований ВШЭ изучает влияние новостного фона на возникновение ценовых аномалий методами машинного обучения и анализа больших данных. Преимущество нейросетевых методов как раз в учете большого объема зашумленной информации, в которой скрыты нелинейные закономерности, недоступные традиционным статистическим моделям.
Однако прогнозная сила ИИ остается ограниченной, и здесь кроется один из ключевых мифов, требующих критической оценки. Высокая заявляемая точность краткосрочных прогнозов (порядка 70-80%) достигается лишь в отдельных режимах повышенной волатильности и плохо переносится на спокойный рынок. Значительная доля продуктов, маркируемых как «ИИ-решения», на деле представляет собой переупакованные классические статистические модели или простые правила алгоритмической торговли. При этом опросы инвестиционных менеджеров показывают, что большинство применяющих ИИ все же считают, что он помогает генерировать альфу, то есть доходность сверх рыночной. Противоречие разрешается, если признать, что вклад ИИ выражается не столько в точности предсказания, сколько в скорости и полноте обработки потока, а на фондовых данных с высокой волатильностью важнее верно угадать направление движения, чем абсолютную величину цены.
Поэтому источник дохода в ИИ-трейдинге смещается от прогноза к инфраструктуре. Стратегии арбитража задержек используют доступ к рыночной информации на микросекунды раньше конкурентов: размещение серверов в дата-центрах биржи сокращает задержку до 10-20 микросекунд. Статистический арбитраж эксплуатирует краткосрочные отклонения корреляций между активами, а маркет-мейкинг зарабатывает на спреде и объеме. Во всех этих случаях преимущество носит вычислительный и информационный характер, а не «интеллектуальный» в бытовом смысле, и оно прямо пропорционально качеству данных и близости к торговому ядру. Доходность здесь - это рента за скорость и доступ, и она недоступна тому, кто конкурирует только идеей стратегии.
Из инфраструктурной природы преимущества следует его быстрое затухание. Поскольку участники обучают модели на сходных исторических данных и новостных потоках, найденная закономерность теряет ценность по мере того, как ее начинают использовать конкуренты, а доходность стратегии размывается. Однотипные модели усиливают корреляцию решений: множество алгоритмов реагирует на один сигнал одинаково и почти одновременно, что превращает индивидуально рациональное поведение в коллективный риск. Так цифровой экономический ресурс - обученная модель - обесценивается тем быстрее, чем шире он распространен.
Коллективная синхронность алгоритмов создает системный риск, отсутствовавший в ручной торговле. Классический пример - «флеш-крэш» 2010 г. в США, когда взаимодействие высокочастотных алгоритмов спровоцировало падение индекса S&P 500 почти на 998,5 пункта за несколько минут с последующим частичным восстановлением. К этому добавляются модельный риск, то есть ошибки и смещения самой модели, и риск данных, при котором искажение или утечка входной информации меняет поведение системы. Концентрация ликвидности у небольшого числа технологически сильных игроков означает, что сбой или отказ нескольких систем способен мгновенно осушить рынок. Поэтому экономическая оценка ИИ-трейдинга должна включать не только ожидаемую доходность, но и стоимость хвостовых сценариев, в которых ликвидность исчезает именно тогда, когда она нужнее всего.
Регулятор реагирует на это сочетание масштаба и риска. По данным консультативного доклада Банка России от ноября 2025 г., искусственный интеллект применяет уже каждая пятая организация финансового рынка, а еще около трети планируют внедрить его в течение трех лет. При этом Банк России придерживается риск-ориентированного и технологически нейтрального подхода, считая, что многие риски ИИ не уникальны и покрываются действующим регулированием, и делает ставку на мягкое регулирование через Кодекс этики в сфере разработки и применения ИИ на финансовом рынке. Логика регулятора совпадает с экономической: важно не запретить технологию, а сделать ее зависимость управляемой и наблюдаемой.
Зрелость ИИ-трейдинга поэтому разумнее измерять не громкостью термина «искусственный интеллект», а набором отношений. Доля автоматизированного оборота к общему показывает степень проникновения; вклад алгоритмов в ликвидность и величина спреда отражают полезность для рынка; альфа за вычетом издержек на данные и инфраструктуру показывает реальную, а не валовую доходность; скорость затухания модельного преимущества характеризует устойчивость стратегии; а отношение объема синхронно реагирующих алгоритмов к глубине рынка описывает системный риск точнее, чем абстрактные оценки «уровня цифровизации». Такие показатели переводят разговор об ИИ из плоскости ожиданий в плоскость измеримой экономики.
Таким образом, торговля на фондовых рынках с помощью искусственного интеллекта в 2024-2026 гг. уже имеет признаки самостоятельной системы. На крупнейших рынках автоматизировано большинство оборота, на Московской бирже - около половины операций срочного рынка и до 90% заявок в пике, внедрение ИИ охватило каждую пятую финансовую организацию страны. Эти величины говорят о том, что ИИ перераспределяет рыночное преимущество в пользу владельцев данных и вычислительной инфраструктуры и изменяет саму структуру риска, концентрируя ликвидность и порождая корреляционные, модельные и системные угрозы. Участник, который оценивает только доходность алгоритма и не учитывает стоимость его данных, скорость затухания преимущества и хвостовые сценарии потери ликвидности, завышает реальную эффективность своей стратегии. Искусственный интеллект здесь не отменяет рыночную неопределенность, а меняет ее адрес, поэтому зрелая торговля с помощью ИИ - это экономика управляемой модельной зависимости.