Научный журнал «Вестник науки»

Режим работы с 09:00 по 23:00

zhurnal@vestnik-nauki.com

Информационное письмо
  1. Главная
  2. Архив
  3. Вестник науки от 4 октября 2026 г.
  4. Научная статья № 6
Просмотры  19 просмотров

РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УПРАВЛЕНИИ ИНВЕСТИЦИОННЫМ ПОРТФЕЛЕМ

Аннотация: в статье исследуется применение методов искусственного интеллекта для управления инвестиционным портфелем. Рассмотрены ключевые подходы: машинное обучение, нейронные сети, генетические алгоритмы, обучение с подкреплением. Показано, как искусственный интеллект позволяет оптимизировать структуру портфеля по заданным критериям: доходности, риску, ликвидности, горизонту инвестирования. Приведены примеры практической реализации в робо-эдвайзерах и хедж-фондах. Обсуждаются проблемы переобучения, интерпретируемости и регуляторные аспекты. Сделаны выводы о перспективах гибридных моделей и объяснимого искусственного интеллекта.

Ключевые слова: искусственный интеллект, инвестиционный портфель, машинное обучение, оптимизация, управление рисками, прогнозирование доходности.

https://doi.org/10.68367/33218

Современный финансовый рынок характеризуется высокой волатильностью, большим объёмом данных и сложными взаимосвязями между активами. Традиционные методы управления инвестиционным портфелем, основанные на классической портфельной теории Г. Марковица и модели оценки капитальных активов У. Шарпа, предполагают использование исторических данных и нормального распределения доходностей.

Однако на практике эти допущения часто нарушаются: рынки демонстрируют тяжёлые хвосты, нелинейные зависимости и режимные переключения. В этих условиях возрастает роль искусственного интеллекта, способного обрабатывать большие данные, выявлять скрытые закономерности и адаптироваться к меняющейся конъюнктуре [1, с. 40]. Целью данной работы является анализ роли искусственного интеллекта в управлении инвестиционным портфелем по заданным критериям, включая доходность, риск и ликвидность. Для достижения цели поставлены задачи: рассмотреть классические подходы и их ограничения, систематизировать методы искусственного интеллекта, применяемые в портфельном управлении, оценить практические результаты, выявить проблемы и перспективы.

Традиционная теория портфеля предполагает формирование эффективной границы, на которой для заданного уровня риска достигается максимальная ожидаемая доходность. Однако модель Марковица требует оценки ковариационной матрицы доходностей, которая на больших размерностях становится неустойчивой. Кроме того, она не учитывает транзакционные издержки, налоги и ограничения на короткие продажи. Модель Шарпа связывает ожидаемую доходность с систематическим риском, но предполагает однофакторную структуру, что редко выполняется.

На практике управляющие часто используют эвристические правила: диверсификацию по классам активов, ребалансировку с фиксированной периодичностью, следование за трендом. Эти методы не оптимальны и не адаптивны. Искусственный интеллект позволяет преодолеть указанные ограничения за счёт гибкости моделей и способности обучаться на больших данных. Методы машинного обучения делятся на обучение с учителем и без учителя.

В первом случае строятся модели, предсказывающие будущую доходность активов на основе исторических признаков: макроэкономических индикаторов, финансовых мультипликаторов, технических индикаторов. Используются линейные регрессии с регуляризацией, случайные леса, градиентный бустинг, нейронные сети. Например, нейронные сети прямого распространения и рекуррентные сети показали эффективность в прогнозировании временных рядов доходностей [4, с. 174]. Глубокие нейронные сети способны улавливать сложные нелинейные взаимодействия между активами и факторами [2, с. 101].

Свёрточные нейронные сети применяются для анализа графиков цен, а трансформеры — для обработки текстовых данных, таких как новости и отчёты. Это позволяет учитывать альтернативные данные, которые не отражаются в традиционных котировках. Обучение с подкреплением моделирует процесс принятия решений как марковский процесс [3, с. 119]. Агент, в роли которого выступает управляющий, совершает действия по покупке, продаже или удержанию активов и получает награду в виде доходности с учётом риска.

Алгоритмы обучения с подкреплением позволяют находить оптимальную стратегию ребалансировки в реальном времени. Преимущество данного подхода заключается в адаптации к изменению режимов рынка без переобучения. Генетические алгоритмы имитируют эволюционный отбор для поиска оптимальных весов активов. Они эффективны в многокритериальной оптимизации, когда нужно учесть несколько целей: максимизировать доходность, минимизировать риск, обеспечить ликвидность.

Генетические алгоритмы не требуют дифференцируемости целевой функции и могут работать с дискретными ограничениями [6, с. 1]. Современные системы искусственного интеллекта интегрируют неструктурированные данные: новостные ленты, социальные сети, спутниковые снимки, данные транзакций. Методы обработки естественного языка позволяют оценивать тональность новостей и прогнозировать краткосрочные движения цен. Это расширяет информационное множество для принятия решений [1, с. 40].

Робо-эдвайзеры используют машинное обучение для формирования портфелей по заданным критериям: уровень риска, горизонт, сумма инвестиций. Они автоматически ребалансируют портфель и оптимизируют налоги. Хедж-фонды применяют искусственный интеллект для поиска арбитражных возможностей и управления рисками. Исследования показывают, что портфели, управляемые искусственным интеллектом, часто превосходят традиционные по коэффициенту Шарпа, особенно на развивающихся рынках.

Однако результаты сильно зависят от качества данных и настройки гиперпараметров [5, с. 48]. Основными проблемами применения искусственного интеллекта в управлении портфелем являются переобучение, интерпретируемость, волатильность, регуляторные ограничения и качество данных. Сложные модели могут запоминать шум и плохо обобщать. Нейронные сети представляют собой «чёрный ящик», что затрудняет объяснение решений регуляторам и клиентам.

Агенты обучения с подкреплением могут быть нестабильны при резких изменениях рынка. Существуют требования к раскрытию информации и защите инвесторов. Данные могут содержать пропуски, выбросы и несбалансированность. Будущее за гибридными моделями, сочетающими классическую теорию портфеля и искусственный интеллект.

Развивается объяснимый искусственный интеллект, позволяющий интерпретировать решения [7, с. 113]. Перспективны федеративное обучение для сохранения конфиденциальности данных, а также квантовые вычисления для оптимизации больших портфелей. При управлении инвестиционным портфелем по заданным критериям ключевое значение имеет формализация целевой функции. В классической постановке задача сводится к максимизации ожидаемой доходности при заданном уровне риска или к минимизации риска при заданной доходности.

Однако на практике инвестор учитывает более широкий набор параметров: ликвидность активов, горизонт инвестирования, транзакционные издержки, налоговые последствия, отраслевые и страновые ограничения, а также требования к диверсификации. Многокритериальность делает задачу существенно сложнее, поскольку улучшение одного показателя часто достигается за счёт ухудшения другого. Искусственный интеллект позволяет учитывать указанные критерии в единой адаптивной модели. Обучение с подкреплением формализует процесс принятия решений через функцию награды, которая может включать не только доходность, но и штраф за риск, издержки и недостаточную ликвидность.

Генетические алгоритмы применяются для поиска множества Парето-оптимальных решений, из которого инвестор выбирает наиболее приемлемый вариант. Нейронные сети используются для прогнозирования доходности, волатильности и ликвидности активов на основе исторических и альтернативных данных. Объяснимые модели искусственного интеллекта позволяют интерпретировать вклад каждого фактора в итоговое решение, что повышает доверие инвесторов и упрощает взаимодействие с регуляторами [7, с. 114]. В таблице 1 систематизированы основные критерии управления портфелем и способы их учёта в моделях искусственного интеллекта.

Таблица 1. Критерии оптимизации инвестиционного портфеля и их учёт в моделях искусственного интеллекта. Применение искусственного интеллекта не отменяет необходимости контроля со стороны человека. Управляющий задаёт критерии, проверяет устойчивость модели и принимает окончательное решение.

Наиболее перспективным представляется гибридный подход, при котором классическая теория портфеля используется для формирования базовой структуры, а искусственный интеллект - для её динамической настройки под текущие рыночные условия [7, с. 115, 6, с. 2, 5, с. 50]. Такой подход позволяет сочетать прозрачность традиционных методов с адаптивностью современных алгоритмов.


Полная версия статьи PDF

Номер журнала «Вестник науки» № 10 (103) том 1


Ссылка для цитирования:

Рейтман Ю.Б., Свиридова Т.А. РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УПРАВЛЕНИИ ИНВЕСТИЦИОННЫМ ПОРТФЕЛЕМ // Журнал «Вестник науки» от 4 октября 2026 г. № 10 (103) том 1. С. 60 - 67. 2026 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/33218 (дата обращения: 12.11.2026 г.)


Альтернативная ссылка латинскими символами: vestnik-nauki.com/article/33218



Нашли грубую ошибку (плагиат, фальсифицированные данные или иные нарушения научно-издательской этики) ?
- напишите письмо в редакцию журнала: zhurnal@vestnik-nauki.com


Вестник науки © 2026.    16+




* В выпусках журнала могут упоминаться организации (Meta, Facebook, Instagram) в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25 июля 2002 года № 114-ФЗ «О противодействии экстремистской деятельности» (далее - Федеральный закон «О противодействии экстремистской деятельности»), или об организации, включенной в опубликованный единый федеральный список организаций, в том числе иностранных и международных организаций, признанных в соответствии с законодательством Российской Федерации террористическими, без указания на то, что соответствующее общественное объединение или иная организация ликвидированы или их деятельность запрещена.