Глобальный рост популярности управления портфелем с использованием искусственного интеллекта

Искусственный интеллект всё глубже внедряется в сферу управления портфелями, помогая инвестиционным компаниям анализировать рынки, отслеживать риски и адаптировать услуги под индивидуальные потребности клиентов. Его привлекательность заключается в способности обрабатывать большие объёмы информации быстрее, чем традиционные аналитические группы, однако эта технология не заменяет принципы, на которых строятся портфели. Распределение активов, диверсификация, оценка и контроль рисков по-прежнему остаются ключевыми факторами; ИИ меняет скорость и масштаб, с которыми они могут применяться.

Компания «Делойт» выяснила, что около 60% опрошенных компаний, занимающихся управлением инвестициями, в умеренной степени используют ИИ в деятельности, связанной с обработкой данных, в то время как лишь 11% охарактеризовали его использование как широкое. Эти цифры свидетельствуют о том, что отрасль выходит за рамки экспериментальной стадии, но пока не достигла полной интеграции. Большинство компаний не передают принятие решений по портфелям автономным системам. Они выборочно внедряют ИИ в исследования, коммуникацию с клиентами, обеспечение нормативно-правового соответствия и операционные процессы, где преимущества можно оценить более четко.

Автоматизация появилась раньше искусственного интеллекта

В сфере управления портфелями технологии начали внедряться задолго до нынешней волны генеративного ИИ. Квантитативные фонды использовали статистические модели для выявления закономерностей, а алгоритмические торговые системы автоматизировали исполнение сделок и сократили время между появлением инвестиционного сигнала и совершением сделки. Позже робо-консультанты применили аналогичные принципы к частным инвесторам, используя цифровые анкеты, типовые портфели и автоматическую ребалансировку, чтобы обеспечить базовое управление инвестициями по более низкой стоимости.

Компания Wealthfront стала одним из самых известных примеров этого сдвига после своего основания в 2008 году и запуска услуги автоматизированного инвестирования в 2011 году. Её платформа формирует портфели из биржевых фондов, корректирует распределение активов в соответствии с профилем риска клиента и автоматизирует такие функции, как ребалансировка и оптимизация налоговых убытков. Значимость этой модели заключается не столько в прогнозировании рынков, сколько в стандартизации процесса, который ранее требовал большего участия человека, что позволяет компании обслуживать обширную клиентскую базу при относительно низких затратах.

Различие между автоматизацией и искусственным интеллектом имеет важное значение, поскольку эти термины часто используются как синонимы. Система, основанная на правилах, может перебалансировать портфель, не учитывая новые данные, в то время как модель машинного обучения может корректировать свои выводы по мере изменения рыночной конъюнктуры. Обе подхода позволяют повысить эффективность, однако они предполагают разные допущения и сопряжены с разными рисками.

ИИ расширяет сферу аналитики

Современные инвестиционные команды вынуждены обрабатывать отчеты компаний, экономические публикации, рыночные котировки, новости, аналитические материалы и всё более объёмные массивы альтернативных данных. Искусственный интеллект способен систематизировать эту информацию, выявлять необычные закономерности и обращать внимание на события, которые в противном случае могли бы остаться незамеченными. Системы, работающие с естественным языком, могут анализировать отчёты о финансовых результатах или нормативные документы, а модели машинного обучения — сравнивать взаимосвязи между тысячами ценных бумаг и экономических показателей.

Эти возможности могут способствовать углублению аналитической работы, помогая управляющим портфелями проверять больше гипотез и отслеживать больше позиций. Система может выявить, что несколько позиций, которые на первый взгляд кажутся диверсифицированными, на самом деле подвержены одному и тому же риску, связанному с процентными ставками, валютным курсом или цепочкой поставок. Кроме того, она позволяет обновлять эти оценки чаще, чем это возможно при ежеквартальном анализе портфеля.

Однако больше данных не всегда означает более качественные инвестиционные решения. Рынки содержат не только информацию, но и «шум», а модели могут выявлять корреляции, которые исчезают при изменении экономических условий. Система может дать точный ответ, не установив при этом, является ли лежащая в его основе взаимосвязь устойчивой или экономически значимой. ИИ расширяет круг анализируемых факторов, но именно портфельный менеджер должен решать, что действительно должно влиять на распределение капитала.

Персонализация становится более масштабируемой

ИИ также меняет подход компаний к адаптации портфелей и коммуникации с отдельными клиентами. Традиционные модели управления активами часто классифицируют инвесторов по общим категориям, таким как возраст, объем активов и готовность к риску. Более совершенные системы могут учитывать денежные потоки, обязательства, потребности в ликвидности, налоговые условия и запланированные финансовые обязательства, чтобы составить более детальную картину соответствия инвестиционных решений потребностям клиента.

Это может позволить компаниям выявлять случаи, когда портфель клиента перестает отражать его текущее положение дел или когда активы, размещенные на нескольких счетах, приводят к непреднамеренной концентрации. Консультанты также могут использовать сводки, сгенерированные с помощью искусственного интеллекта, для подготовки к встречам и сосредоточения обсуждений на решениях, наиболее актуальных для клиента, вместо того чтобы тратить время на сбор информации вручную.

Качество персонализации зависит от качества исходных данных. Многие компании по-прежнему хранят информацию о клиентах в разрозненных системах, а данные о частных активах и семейных структурах могут быть задокументированы несогласованно. ИИ может анализировать полученные данные, но не в состоянии исправить все упущения или определить, выдержат ли заявленные клиентом предпочтения в условиях резкого падения рынка. Даже более подробная рекомендация может оказаться неподходящей, если она основана на неполной информации.

Управление рисками представляет собой более убедительный пример применения

Портфельный риск — одна из областей, в которой искусственный интеллект может принести наиболее очевидную практическую пользу. Инструменты машинного обучения позволяют отслеживать изменения волатильности, корреляции, ликвидности и концентрации портфеля, что дает компаниям возможность быстрее выявлять возникающие риски. Кроме того, они могут способствовать проведению сценарного анализа, сравнивая поведение различных активов в предыдущие периоды рыночного стресса.

Такие инструменты ценны тем, что риски зачастую возникают в различных категориях, которые в традиционной отчетности рассматриваются отдельно. Портфель может включать акции, облигации и частные инвестиции, которые все зависят от одной и той же экономической ситуации, хотя и классифицируются как разные классы активов. ИИ может помочь выявить эту скрытую общую подверженность риску, анализируя более широкий спектр взаимосвязей.

Тем не менее исторический анализ имеет свои ограничения. Модели, обученные на данных о предыдущих кризисах, не могут в полной мере предсказать события, обусловленные иными причинами или характеризующиеся иной рыночной структурой, а корреляции зачастую меняются именно тогда, когда инвесторам они нужны больше всего. Поэтому специалистам по рискам необходимо сочетать результаты моделирования со стресс-тестами, основанными на ситуациях, которые не фигурируют в имеющихся данных. Искусственный интеллект может улучшить систему раннего предупреждения, но он не способен определить все возможные источники убытков.

Экономия затрат зависит от перепроектирования

Инвестиционные компании рассчитывают, что искусственный интеллект позволит сократить расходы за счет автоматизации проверки документов, подготовки отчетности, сверки данных и отдельных аспектов обслуживания клиентов. Эта экономия может оказаться значительной в организациях, где высококвалифицированные сотрудники по-прежнему тратят много времени на выполнение рутинных задач. В результате портфельные менеджеры и консультанты смогут уделять больше внимания анализу, разработке стратегий и поддержанию отношений с клиентами.

Экономия не достигается автоматически, поскольку для эффективного функционирования технологии компаниям необходимо инвестировать в инфраструктуру данных, кибербезопасность, системную интеграцию и обучение персонала. Применение ИИ к разрозненным базам данных может создать дополнительный уровень сложности, а не устранить его. Внешние поставщики также влекут за собой затраты на лицензирование и зависимость от них, которые необходимо оценивать с учетом ожидаемого повышения эффективности.

Наиболее убедительные бизнес-обоснования начинаются с четко определённого процесса и измеримого результата. Сокращение времени, необходимого для подготовки отчёта по портфелю, поддаётся оценке, равно как и снижение количества ложных предупреждений о несоответствии требованиям. Общие планы по трансформации управления инвестициями с помощью ИИ сложнее поддаются проверке и с большей вероятностью приведут к дорогостоящим экспериментам без явной отдачи.

Человеческое суждение становится более заметным

ИИ часто представляют как способ исключить эмоции и человеческие предубеждения из инвестиционных решений. Систематические правила действительно могут помешать портфельному менеджеру отказаться от стратегии из-за краткосрочного страха или привязаться к конкретной инвестиции. Однако модели по-прежнему отражают человеческие решения относительно данных, целей и ограничений, используемых при их построении.

Исследователи определяют, какой исторический период следует учитывать, как следует измерять риск и какие результаты должна оптимизировать система. Таким образом, предвзятость может проникать в систему не столько через интуицию трейдера, сколько через саму конструкцию модели. Сотрудники также могут подвергаться «предвзятости автоматизации», принимая рекомендацию только потому, что она выглядит математически сложной, даже если лежащие в ее основе допущения являются слабыми.

Роль портфельного менеджера теперь заключается в интерпретации результатов и их критическом анализе. Специалисты должны достаточно хорошо понимать систему, чтобы распознавать, когда полученные результаты противоречат экономической логике, когда данные недостоверны или когда из-за изменения рыночных условий модель утратила актуальность. Человеческое суждение не исчезло из этого процесса; его роль теперь заключается в том, чтобы решать, в каких случаях не следует следовать рекомендациям системы.

Регламент принимается в соответствии с решением

Управление портфелем с использованием искусственного интеллекта по-прежнему подпадает под те же обязательства в отношении соответствия интересам клиента, фидуциарных обязанностей и раскрытия информации, что и традиционное консультирование. Компания не может переложить ответственность на алгоритм в случае, если рекомендация является нецелесообразной или модель приводит к пагубным последствиям. Регулирующие органы будут ожидать от организаций документального подтверждения того, как системы влияют на принятие решений и кто несет ответственность за их утверждение.

Вопрос объяснимости приобретает особую важность, когда ИИ затрагивает интересы конкретного клиента. Инвесторам не обязательно понимать все технические расчёты, но они должны иметь возможность получить понятное объяснение того, почему тот или иной портфель или рекомендация являются подходящими. Высокосложные модели могут обеспечивать лишь незначительное улучшение прогнозной эффективности, при этом затрудняя предоставление такого объяснения.

Таким образом, компании сталкиваются с необходимостью выбора между сложностью и контролем. В некоторых случаях более простая модель, понятная сотрудникам и регулирующим органам, может оказаться более полезной, чем более точная система, поведение которой невозможно достоверно объяснить или подвергнуть критическому анализу.

Проблемы безопасности сдерживают темпы внедрения

Системы управления портфелем на основе искусственного интеллекта требуют доступа к конфиденциальным данным о рынке, клиентах и сделках. Это создает риски, связанные с конфиденциальностью, кибербезопасностью и использованием услуг внешних поставщиков технологий. Данные по управлению активами могут раскрывать информацию о семейных отношениях, деловых интересах, налоговом положении и планируемых сделках, что делает утечку информации особенно опасной.

Организации должны иметь четкие правила, определяющие, какие системы могут получать доступ к информации о клиентах, где осуществляется обработка данных и могут ли внешние поставщики использовать их для обучения других моделей. Кроме того, необходимо не допускать, чтобы сотрудники вводили конфиденциальную информацию в инструменты, не одобренные для использования в финансовой сфере.

Кибербезопасность — это лишь часть проблемы. Компании должны быть готовы к некорректным результатам, перебоям в работе сервисов и вероятности манипулирования моделью с помощью поддельных данных. Операционная устойчивость предполагает способность выявлять проблемы и продолжать работу даже в случае недоступности автоматизированных систем.

Конкурентное преимущество смещается в сторону внедрения

Инструменты искусственного интеллекта становятся всё более доступными, что снижает вероятность того, что один лишь доступ к этой технологии обеспечит устойчивое преимущество. Конкурирующие компании могут приобрести аналогичные модели, вычислительные мощности и рыночные данные, а это означает, что дифференциация будет всё в большей степени зависеть от конфиденциальной информации, эффективной интеграции и качества контроля со стороны человека.

Крупные организации могут воспользоваться преимуществами обширных наборов данных и команд специалистов, в то время как более мелкие компании могут получить доступ к передовым возможностям через внешние платформы. Последние получают доступ по более низкой цене, но теряют часть контроля над инфраструктурой и разработкой моделей. В обоих случаях ценность системы зависит от того, интегрирована ли она в инвестиционный процесс, а не добавлена в качестве отдельной функции.

В последнем исследовании PwC по управлению активами и капиталом отмечается, что ведущие компании внедряют такие технологии, как искусственный интеллект и передовые аналитические инструменты, в основу инвестиционной деятельности, дистрибуции и обслуживания клиентов, а не используют их исключительно в качестве вспомогательных средств. Это различие отражает следующий этап внедрения: конкурентное преимущество будет заключаться в перестройке рабочих процессов и принятии решений с учетом технологий, а не в простом объявлении о том, что искусственный интеллект используется.

Управление портфелем по-прежнему сопряжено с неопределённостью

В ближайшие три–пять лет искусственный интеллект будет продолжать проникать в такие сферы, как научные исследования, управление рисками, обслуживание клиентов и управление портфелями. Инструменты на основе естественного языка улучшат доступ к информации, а модели машинного обучения помогут компаниям контролировать более крупные и сложные портфели. Эти изменения, вероятно, сделают инвестиционные организации более оперативными и масштабируемыми.

Они не сделают рынки предсказуемыми. Цены отражают меняющиеся ожидания, политические решения и поведение людей, а закономерности, выявленные на основе исторических данных, могут ослабевать, как только инвесторы начнут торговать с их учетом. ИИ может повысить вероятность принятия обоснованного решения, но он не может гарантировать результат или определить, какие риски следует принять инвестору.

Таким образом, наиболее надежная модель не является ни полностью автоматизированной, ни полностью зависящей от индивидуального суждения. Машины могут обрабатывать информацию, выявлять закономерности и обеспечивать соблюдение правил управления портфелем, в то время как люди оценивают, имеет ли полученный результат экономический смысл и по-прежнему ли он соответствует интересам клиента. Искусственный интеллект меняет механизмы управления портфелем, но именно дисциплинированное распределение активов, четкая подотчетность и понимание неопределенности будут и впредь определять, приведет ли этот механизм к лучшим инвестиционным результатам.