Искусственный интеллект и скрининг акций: как алгоритмы меняют поиск инвестиционных идей

На мировых рынках торгуются десятки тысяч акций. Даже профессиональный аналитик не может внимательно изучить каждую из них, а частному инвестору это тем более не по силам. Поэтому появился скрининг: отбор ценных бумаг по заданным критериям. Сначала это были простые фильтры в таблицах, теперь всё чаще это системы на основе искусственного интеллекта (ИИ).

В статье разберём, чем ИИ-скрининг отличается от классического, какие технологии за ним стоят, в чём его польза и где подстерегают риски.

Что такое скрининг акций

Скринер (от англ. screen — «просеивать») отбирает компании по набору условий. Например:

• Оценка: P/E ниже 15, P/B ниже 2;
• Рост: выручка растёт более 10% в год;
• Финансовая устойчивость: отношение долга к капиталу ниже заданного порога;
• Дивиденды: доходность выше 4%, выплаты без перерывов несколько лет;
• Техника: цена выше 200-дневной скользящей средней, растущий объём торгов.

Классический скринер работает по жёстким правилам: акция либо проходит фильтр, либо нет. Это быстро и прозрачно, но у метода есть слабые стороны. Он не видит контекста, не учитывает связи между показателями и не понимает текст, а значит, пропускает всё, что не выражено числом.

Что добавляет искусственный интеллект

1. Машинное обучение: поиск неочевидных закономерностей

Вместо заранее заданных порогов модель обучается на исторических данных и сама находит сочетания факторов, которые раньше сопутствовали росту или падению бумаг. Это могут быть нелинейные зависимости, например между качеством прибыли, динамикой маржи и поведением цены, которые человек вряд ли заметил бы вручную.

Применяются, в частности:

• градиентный бустинг и случайные леса для ранжирования акций по ожидаемой доходности;
• нейросети для работы с временными рядами;
• кластеризация, чтобы находить группы компаний со схожим профилем, даже если формально они из разных секторов.

2. Обработка естественного языка (NLP): чтение того, что не уместить в таблицу

Значительная часть информации о компании содержится в тексте: отчётах, пресс-релизах, расшифровках звонков с инвесторами, новостях. Современные языковые модели умеют:

• определять тональность новостей и комментариев менеджмента;
• выделять из годовых отчётов риски, изменения в формулировках и «сигнальные» слова;
• сравнивать отчёты разных периодов и показывать, что изменилось;
• превращать запрос на обычном языке в набор фильтров, например: «найди устойчивые компании с растущими дивидендами и низким долгом».

Последний пункт особенно важен для частных инвесторов. Порог входа снижается: не нужно знать синтаксис фильтров и названия всех метрик.

3. Альтернативные данные

ИИ позволяет использовать данные, с которыми раньше было трудно работать: спутниковые снимки парковок и складов, данные о веб-трафике, отзывах покупателей, вакансиях и патентах. Модель сопоставляет такие сигналы с финансовыми результатами и может уловить изменения раньше, чем они попадут в официальную отчётность.

4. Адаптивность

Классические фильтры статичны, а модели можно переобучать по мере изменения рынка. Правда, это палка о двух концах: об этом ниже.

Практическая польза

Экономия времени. ИИ за минуты сужает список с тысяч бумаг до нескольких десятков кандидатов, которые уже стоит изучать вдумчиво.

Широта охвата. Система одновременно следит за множеством компаний, рынков и источников информации и не устаёт.

Дисциплина. Алгоритм применяет критерии одинаково, не поддаётся страху и жадности и не влюбляется в «любимые» бумаги.

Новые взгляды. Модель может предложить кандидатов вне привычного круга, например из секторов или стран, которые инвестор обычно не рассматривает.

Риски и ограничения

Переобучение и «подгонка под прошлое»

Модель, идеально объясняющая историю, не обязательно хорошо предсказывает будущее. Если алгоритм «выучил» случайные совпадения, то в реальной торговле он разочарует. Поэтому важны тестирование на данных, которых модель не видела, и проверка в разных рыночных режимах.

Смена рыночных режимов

Закономерности, работавшие в период низких ставок, могут перестать работать при высоких. Кризисы, регуляторные изменения и геополитические шоки плохо укладываются в исторические шаблоны.

Качество данных

Принцип «мусор на входе — мусор на выходе» здесь работает в полной мере. Ошибки в отчётности, пропуски, «заглядывание в будущее» (когда в обучение случайно попадают данные, которые на тот момент ещё не были известны) искажают результаты.

Непрозрачность

Сложные модели часто работают как «чёрный ящик»: сказать, почему акция попала в список, бывает трудно. Это мешает проверить логику и оценить риски. Растёт интерес к объяснимому ИИ, который показывает, какие факторы повлияли на решение.

«Галлюцинации» языковых моделей

Если использовать большую языковую модель для анализа отчётов, она может уверенно привести неверную цифру или выдуманный факт. Всё, что влияет на решение, нужно сверять с первоисточником.

Эффект толпы

Если множество участников используют похожие модели и данные, преимущество быстро исчезает, а одинаковые сигналы могут усиливать рыночные движения.

Как использовать ИИ-скрининг с умом

1. Рассматривайте ИИ как фильтр первого этапа, а не как финальное решение. Результат скрининга — повод для изучения компании, а не сигнал «покупать».
2. Понимайте логику. Если не можете объяснить, почему бумага попала в список, её стоит проверить особенно тщательно.
3. Проверяйте ключевые цифры по первоисточникам: отчётности компании и раскрытиям биржи.
4. Сочетайте количественные и качественные факторы. Модель не заменит оценку бизнес-модели, конкурентных преимуществ и качества менеджмента.
5. Учитывайте издержки. Комиссии, налоги и проскальзывание могут съесть теоретическое преимущество стратегии.
6. Диверсифицируйте. Ни одна модель не застрахована от ошибки.
7. Тестируйте осторожно. Новую стратегию разумно сначала проверить на исторических данных, затем на небольших суммах.

Перспективы

Основные направления развития:

• Диалоговые аналитические помощники, с которыми можно обсуждать идеи, просить разобрать отчёт или сравнить компании на обычном языке.
• Мультимодальный анализ, то есть совместная обработка текста, таблиц, графиков, аудио звонков с инвесторами и изображений.
• Агентные системы, которые самостоятельно собирают данные, строят расчёты и готовят аналитические заключения под контролем человека.
• Персонализация: скрининг под цели, горизонт и толерантность к риску конкретного инвестора.
• Усиление регулирования и требований к прозрачности применения ИИ в финансовой сфере.

Заключение

Искусственный интеллект не отменяет фундаментальных принципов инвестирования, но ощутимо расширяет возможности инвестора. Он ускоряет поиск идей, помогает работать с огромными объёмами текста и данных, делает инструменты анализа доступнее. Вместе с тем ИИ не гарантирует прибыли и не избавляет от рисков: модели ошибаются, данные бывают неточными, а рынок меняется.

Лучший подход — союз человека и алгоритма. Машина просеивает и подсвечивает, человек проверяет, думает критически и принимает решение.