На рынке много компаний, но время инвестора ограничено. ИИ помогает сократить список: найти эмитентов с заданной динамикой выручки, уровнем долга или денежным потоком, сравнить их по единым критериям и выделить необычные сочетания показателей. Результат такого поиска — повод открыть документы, а не сигнал купить акцию.
Идея становится инвестиционным тезисом только после ответов на несколько вопросов. Откуда взяты числа? Почему компания выглядит дешёвой или растущей? Что может помешать бизнесу? Учитывает ли цена бумаги эти обстоятельства? Три эксперта показывают, на каких этапах ИИ ускоряет работу и где способен укрепить ошибочную гипотезу. Отдельно мы разобрали проверку отчётности и ограничения ценового прогноза.
Скрининг: найти кандидатов, а не победителей
Первый шаг — одинаковые условия для всех компаний. Можно попросить модель найти эмитентов, у которых растёт выручка, сохраняется положительный свободный денежный поток и долг не превышает заданный порог. Затем полезно показать, какая компания не прошла фильтр и почему. Такая таблица экономит время на поиске, но ничего не говорит о качестве бизнеса без контекста.
Лариса Арбатова описывает, как ИИ помогает обрабатывать большой поток сведений и выделять объекты для дальнейшего анализа:
На наш взгляд, одно из главных преимуществ ИИ в инвестиционном анализе - скорость работы и возможность обработки больших объемов информации. Он может за минуты обработать десятки отчетов, сопоставить выручку, прибыль, долговую нагрузку и денежные потоки, проанализировать новости и помочь найти отклонения от нормы, которые аналитику стоит изучить подробнее.
Но исследования показывают и ограничения. В Finance Agent Benchmark ИИ проверяли на 537 реальных задачах, подготовленных специалистами банков. Лучший результат составил лишь 46,8% правильных ответов.
При этом исследование 2026 года показало, что использование GenAI аналитиками связано с более высокой точностью прогнозов прибыли, особенно при большой рабочей нагрузке.
Мы используем ИИ для поиска, обработки и структурирования информации, сравнения данных и поиска гипотез. Но далее все обязательно проверяется по первоисточникам с участием специалистов компании. Такой подход позволяет экономить значительную часть времени при выполнении рутинных задач.
Подтверждает эту позицию и CFA Institute, который в 2026 году также отметил, что инвестиционные компании пока не готовы переходить к полной автоматизации без человеческого контроля.
Поэтому доверять ИИ самостоятельный прогноз цены акции не стоит. Его сильная сторона сегодня - помочь быстрее увидеть то, что затем требует профессиональной проверки и оценки.
Сила этого подхода — в масштабе и повторяемости процедуры. Слабое место — входные данные. Если в одной строке таблицы показатели группы по МСФО, а в другой данные отдельного юридического лица, порядок в рейтинге будет обманчивым. Та же проблема возникает, когда модель сравнивает годовую прибыль одной компании с квартальной прибылью другой или не замечает крупную разовую статью.
Поэтому после первого отбора стоит проверить не только лидеров списка, но и сам фильтр. Почему выбраны именно эти показатели? Что он пропускает: качество управления, зависимость от одного клиента, низкую ликвидность акций, предстоящие расходы? Изменение порога может полностью переставить компании местами, хотя их бизнес за минуту не изменился.
Из списка — к проверяемой гипотезе
Для каждой оставшейся бумаги нужен короткий тезис в условной форме: «если компания сохранит маржу и снизит долг, текущая оценка может оказаться привлекательной». Затем — аргументы против. Рост выручки сам по себе не означает роста стоимости: он может потребовать таких вложений, что свободных денег у бизнеса не останется.
Дмитрий Исаков, основатель Lender Invest, считает поиск и сопоставление данных одной из сильных сторон ИИ, но предупреждает об уверенных ошибках и о том, что модель не должна принимать итоговое решение:
По теме: ИИ для финансового анализа: какие нейросети выбрать для отчетности, акций, Excel и инвестиционного…
ИИ в 2026 — базовый стандарт для 90% инвесторов. Но это не магический шар, а супер-ассистент, который занимается рутиной, перерабатывать массивы данных, находит скрытые паттерны.
Что ИИ перерабатывает отлично:
Альтернативные данные — сопоставит отчёт с спутниковыми снимками складов и отзывами в соцсетях за секунды.
Аудит документов — найдёт иглу в стоге сена, а через NLP распознает неуверенность топ-менеджмента в стенограммах.
Бенчмаркинг — сравнит 10 конкурентов по 20 метрикам за пару минут.
Три триггера: доверять или проверять?
Финансовая отчётность — ВЫСОКАЯ степень доверия, но с верификацией! Точность до 91.6%, ловит нестыковки и манипуляции. Но подвержен галлюцинациям — может перепутать EBITDA с операционкой. Проверять следует ключевые цифры по первоисточнику!
Прогноз цены — НИЗКАЯ степень доверия! На бэктестах до 73% на коротких дистанциях. Но «чёрные лебеди» — катастрофа: ИИ не знает, что делать с пандемией. Переобучение и эффективность рынка тоже в игре.
Поиск идей (скрининг) — ВЫСОКАЯ степень доверия! Задать промпт для ИИ типа «найди сектор здравоохранения с растущей маржой и долгом ниже среднего» — получишь шорт-лист с аргументами.
Системные ошибки: галлюцинации с уверенной защитой фейков, слепое пятно без live-данных, эмоциональные волны политических, экогомических новостей.
Резюме: ИИ — лучший аналитик-стажёр: он не устает, читает миллионы страниц, без жадности и страха. Но без человеческой интуиции и контроля — доверять ему рискованно. Доверить можно генерацию идей и рутину, но не кнопки «Купить/Продать».
В его комментарии полезно разделены три уровня доверия. Свести длинный документ и собрать метрики — одна задача. Предложить набор кандидатов — следующая. Назвать конкретную бумагу к покупке и цену входа — совсем другая степень ответственности. Переход между этими уровнями должен сопровождаться новой проверкой, а не только новым запросом к модели.
Практически это означает проверку первоисточника для каждой цифры, на которой держится тезис: отчётность, корпоративное сообщение, дата публикации и выбранный период. Отдельно нужно посмотреть, что произошло после отчётной даты. Хорошая таблица за прошлый год не учитывает событие, которое изменило бизнес сегодня.
Попросите модель спорить с вашей идеей
Самая незаметная ловушка появляется ещё до ответа ИИ — в формулировке вопроса. «Докажи, что акция недооценена» предлагает модели рамку, в которой положительный вывод уже задан. Получив связное объяснение, инвестор рискует принять его за независимое подтверждение собственной мысли.
Предприниматель Вадим Камашев сталкивался с таким эффектом в операционных решениях. Он предлагает искать причины провала гипотезы и проверять саму постановку задачи:
Что ИИ действительно умеет.
Он хорошо работает там, где задача — прочитать много и свести к структуре. Разобрать отчётность на составляющие, вытащить из сотни страниц изменения к прошлому периоду, сверить формулировки, подготовить вопросы к менеджменту. Это действительно экономит дни, и здесь я лично ему доверяю — правда, с оговоркой, что цифры потом сверяю с первоисточником.
Я торгую зубными пастами и серебряными украшениями, финансы у меня не биржевые, а операционные, но задача та же: прочитать много и не пропустить важное.
По теме: Hyperliquid закрыла рынки Anthropic и OpenAI: что произошло с AI-активами на бирже
Где он ошибается (и это не там, где зачастую ждешь 😊).
Обычно боятся выдумок, галлюцинаций: модель сочинила цифру — её видно, проверил и отбросил. Но, на мой взгляд, опаснее другое: когда ИИ-модель соглашается с вами.
Я интересуюсь темой сикофантии ИИ (поддакивание). Так вот, в медицинском эксперименте, опубликованном в Scientific Reports в январе 2026 года, точность ответов падала со 100% при нейтральном вопросе до 45%, если пользователь ссылался на собственную память, и до 1%, если та же неправда подавалась со ссылкой на некий авторитет. При этом, что важно, уверенность модели не снижалась. В работе Anthropic один вопрос "вы уверены?" ронял точность до 27%.
Можно перевести это на инвестиционный разбор. Аналитик приходит к ИИ с гипотезой: "компания недооценена, проверь". Он не спрашивает, недооценена ли она, — он сообщает, что недооценена. Дальше модель честно рассуждает внутри этой рамки. Фактов не искажает, считает верно, вывод подтверждает то, с чем человек пришёл. Проверять нечего, и поэтому проверка не срабатывает.
И ещё одно, про самооценку. В эксперименте METR опытные разработчики выполняли задачи с ИИ на 19% дольше, чем без него, — и при этом были уверены, что справились на 20% быстрее. Разрыв между фактом и ощущением — 39 пунктов. Вывод простой: ощущение эффективности — плохой измеритель.
Можно ли доверять отчётности, прогнозу цены и поиску идей.
Разделю. Отчётность — да, как быстрому читателю, но каждую цифру, которая идёт в решение, я лично беру из первоисточника. Прогноз цены — нет: ИИ убедительно расскажет любой сценарий, включая тот, который вы ей подсказали интонацией вопроса. Поиск идей — да, но как генератор гипотез, а не как их подтверждение. И здесь разница принципиальная: гипотезу вы потом обязаны попытаться убить, атаковать, фальсифицировать по методу Поппера.
Например, в моём розничном бизнесе ChatGPT прекрасно подготовил бизнес-план открытия магазина на севере Москвы и посчитал высокую EBITDA, потому что я не попросил проверить саму идею, рамку вопроса. А когда я попросил проверить идею, ИИ так же уверенно ее поставил под сомнение и посоветовал не открыввать магазин на предложенных условиях.
Как я с этим работаю.
У меня 4 правила, все довольно простые.
Я не прошу оценить — прошу найти 3 причины, по которым решение провалится. Отдельно спрашиваю, что не так с самой постановкой вопроса: можно прекрасно решить неправильно поставленную задачу. Важное отдаю второй модели другого вендора с прямым заданием атаковать первый ответ (обычно я работаю в Claude, и поэтому атаковать прошу ChatGPT). И считаю согласие модели не подтверждением, а отсутствием информации — это, наверное, главное, что я понял за полгода глубокого погружения в вайб-кодинг.
Инвестиционное решение отличается от моего торгового только ценой ошибки. Механика та же: если в вашей схеме не осталось того, кому невыгодно с вами согласиться, ИИ эту роль не закроет. Он её украсит.
Для инвестидеи это можно превратить в отдельный этап. После положительного разбора спросите модель, какие три факта сделали бы покупку ошибкой, какие данные она не видит и какая компания служит разумной альтернативой. Затем проверьте эти возражения в документах, а не просите ту же модель выбрать «окончательно правильный» ответ. Согласие системы с пользователем не заменяет встречной проверки.
В результате работы должен остаться не список «лучших акций от ИИ», а несколько прозрачных досье: исходные показатели с датами и ссылками, инвестиционный тезис, доводы против него и условия пересмотра. Если невозможно восстановить расчёт или найти документ, идея возвращается на этап проверки отчётности. Решение о риске для портфеля принимает человек.
