Искусственный интеллект умеет за минуты пройти по отчёту, который человек читал бы несколько часов. Он найдёт выручку, долг и денежный поток, сопоставит периоды и предложит объяснение изменений. Но скорость чтения не равна качеству инвестиционного вывода: между найденной цифрой и решением о покупке акции остаются проверка источника, понимание бизнеса и оценка ожиданий рынка.
Здесь важно разделить три задачи. Извлечь данные из отчётности — одна работа. Объяснить, почему показатели изменились, — другая. Решить, оправдывает ли состояние компании текущую цену акции, — третья. Чем дальше по этой цепочке, тем опаснее принимать уверенный ответ модели без собственной проверки. Пять экспертов объясняют, где ИИ экономит время и в какой момент аналитик должен остановиться и открыть первоисточник. О прогнозе цены и поиске инвестиционных идей — в других частях серии.
Сначала — черновая работа с данными
Большая часть подготовки к анализу повторяется от компании к компании. Нужно собрать отчёты за несколько периодов, найти одинаковые строки, проверить динамику долга и денежного потока, прочитать пояснения к необычным изменениям. ИИ особенно полезен там, где задача задана точно: «сравни выручку за два года и покажи страницы, с которых взяты значения».
Такой запрос не требует от модели угадывать будущую цену бумаги. Он превращает её в инструмент первичного поиска и сортировки данных. Доцент Финансового университета Юлия Бузыкова описывает именно эту границу применения:
ИИ уже сегодня неплохо справляется с рутиной аналитика: разбирает финансовую отчётность, сравнивает мультипликаторы сотен компаний, фильтрует новостной поток и находит аномалии в данных. На скрининге и первичном отборе идей он экономит часы работы. Но доверять ему прогноз цены не стоит. Модели учатся на истории, а рынок живёт в настоящем: в нештатных ситуациях — санкции, резкая смена ставки, корпоративные события — алгоритм уверенно ошибается. Нейросети склонны «додумывать» цифры, поэтому любые данные из ИИ нужно перепроверять по первоисточнику.
В своей работе использую ИИ для автоматизации сбора отчётности. На современном этапе искусственный интеллект берёт на себя черновую работу аналитика, но доверять ему решения преждевременно. Инвестиционное решение и ответственность за него остаются за человеком.
В её подходе выигрыш измеряется временем, которое аналитик не тратит на механический сбор цифр. Это время можно направить на вопросы сложнее: почему выросла прибыль, сопровождается ли она притоком денег, не изменилась ли структура долга. Если модель возвращает число без ссылки на конкретный отчёт и период, экономия быстро исчезает — документ приходится искать заново.
Генеральный директор «Декодики» Наталья Кошеляева расширяет эту мысль. Первичная обработка помогает заметить отклонение, но не раскрывает его причину сама по себе: один и тот же рост затрат может означать расширение бизнеса, разовый расход или ухудшение экономики продукта.
Искусственный интеллект можно рассматривать как инструмент для работы с финансовой информацией, но с некоторыми оговорками. Его сильная сторона - скорость работы с большими массивами данных. ИИ может помочь собрать и систематизировать информацию из разных источников, провести первичный анализ и выделить то, что требует внимания специалиста.
Использовать ИИ при работе с финансовой отчетностью можно прежде всего на этапе первичной обработки и анализа. Он способен сопоставить показатели за разные периоды, найти нужные значения, выявить изменения и обратить внимание специалиста на потенциальные отклонения. Но итоговые выводы необходимо проверять: модель может некорректно интерпретировать данные или не учесть особенности конкретной компании и отрасли.
Еще осторожнее стоит относиться к прогнозированию стоимости акций. На цену влияет не только финансовое состояние компании, но и макроэкономическая ситуация, решения регуляторов, корпоративные события, новости и поведение участников рынка. Поэтому прогноз ИИ стоит воспринимать как один из возможных сценариев, а не как готовый ответ о будущем изменении цены.
Для поиска инвестиционных идей ИИ может быть полезен как инструмент предварительного отбора. Например, быстро проанализировать большой массив компаний по заданным критериям и выделить те, которые стоит изучить подробнее. Но дальше необходима проверка исходных данных, рисков и сделанных выводов. ИИ позволяет сократить объем информации, который человеку приходится обрабатывать вручную, но не снимает с него ответственность за итоговое инвестиционное решение.
В «Декодике» мы придерживаемся похожего подхода к использованию технологий: автоматизируем процессы, где есть большие объемы информации и повторяющиеся операции. ИИ и другие цифровые инструменты могут существенно ускорить сбор, обработку и первичный анализ данных. Но там, где требуется оценка рисков, понимание контекста и ответственность за результат, окончательное решение должно оставаться за специалистом.
Поэтому полезный результат работы ИИ — не фраза «компания стала сильнее», а список проверяемых наблюдений: какой показатель изменился, в каком периоде, где он раскрыт и какие объяснения нужно проверить. Для сравнения компаний дополнительно нужен единый периметр: нельзя незаметно сопоставить консолидированные данные группы с отчётом одного юридического лица.
Почему связный ответ ещё не анализ
Ошибку бывает трудно заметить именно потому, что ответ выглядит стройным. Модель может правильно назвать выручку, но перепутать период; верно посчитать отношение долга к прибыли, но взять показатели из разных стандартов отчётности. Повторный запрос не гарантирует исправления: другой вариант ответа может быть столь же убедительным и столь же неверным.
Доцент Финансового университета Аксана Тургаева обращает внимание на эту нестабильность, особенно когда разговор переходит от поиска данных к финансовым расчётам:
ИИ действительно может анализировать любой текст, а новостной фон, освещающий рейтинг акций не является проблемой для него. На аналитическую работу с помощью ИИ уходит несколько минут, что позволяет сократить время.
ИИ легко распознают красные влаги в техническом анализе, АI-агенты определяют уровни поддержки, сопоставляют разные акции. Однако, при множестве запросов на один и тот же вопрос ИИ допускает ошибки, в особенности касающиеся финансовых расчетов и выдает несколько ответов. АI-агент настроен на исторические данные, а при изменениях ставок, совершает ошибки. ИИ имеет привычку придумывать цифры, источники данных, что требует дополнительной работы человека с полученной информацией.
Высокий уровень доверия к ИИ можно отнести суммаризацию отчетности, извлечение метрик (анализ около 200 показателей сокращается до минут). Как показал эксперимент «Финам Арена» высокий уровень доверия к ИИ относится чтение новостного фона и сентимента. К среднему уровню доверия относим поиск инвестиционных идей, автономную торговлю (не сливает депозит, но стабильно обыгрывать рынок не может).
К низкому уровню доверия можно отнести прогнозирование цен, т.к. модель путается при смене режима ставок, также финансовые расчеты (57-99% ошибок), оценку рисков, т.к. ИИ не может заменить профессиональные системы.
ИИ – это инструмент, который можно использовать в качестве аналитического ассистента, экономящего время, но заменить человеческое суждение не может. В результате совместной работы ИИ и человека количество ошибок уменьшается по сравнению при работе каждого в отдельности.
Практическое следствие простое: проверять нужно не общий вывод, а узловые числа, на которых он держится. Если оценка компании зависит от свободного денежного потока, проверьте состав денежных поступлений и капитальных затрат. Если решает долговая нагрузка, посмотрите, какой именно долг и какой период прибыли использованы в расчёте. Спор двух ответов модели нельзя разрешить третьим ответом без обращения к документу.
Трейдер Илья Макар подробно разбирает более тонкую проблему: модель может прочитать верные строки, но неверно понять их экономический смысл. Например, рост чистой прибыли из-за переоценки актива и рост прибыли от обычных продаж по-разному говорят о перспективах бизнеса.
Короткий ответ, с которого стоит начать
Да, искусственный интеллект уже анализирует акции — но не так, как это рисует реклама. Он не «видит будущее» и не заменяет аналитика. Он ускоряет чтение, сравнение и проверку гипотез. Решение по деньгам по-прежнему принимает человек, который понимает, чего машина не знает.
По теме: ИИ для финансового анализа: какие нейросети выбрать для отчетности, акций, Excel и инвестиционного…
Вопрос «можно ли доверять ИИ» слишком широкий. Доверять чему именно? Сводке отчёта — с оговорками. Точечному прогнозу цены на следующую неделю — нет. Списку идей для самостоятельной проверки — да, если относиться к нему как к черновику, а не к приказу.
ИИ в рынке — это не оракул. Это очень быстрый стажёр с отличной памятью и привычкой говорить уверенно даже тогда, когда данных не хватает.
Что искусственный интеллект умеет уже сейчас
За последние два-три года произошёл сдвиг не в магии прогноза, а в объёме рутины, которую можно снять с человека.
1. Читать быстрее человека
Годовой отчёт крупной компании — это сотни страниц плюс расшифровка звонка с аналитиками. Человек читает это часами. Модель за минуты выделяет: что изменилось в выручке и марже, какие сегменты растут, о чём руководство говорит осторожно, какие риски повторяются из квартала в квартал. Это не оценка бизнеса. Это сжатие текста.
2. Сравнивать много объектов по одной рамке
Если дать модели одинаковый чек-лист — рентабельность, долг, оборотный капитал, динамика свободного денежного потока, оценка относительно отрасли — она быстро разложит десять бумаг в таблицу. Человек потом видит отклонения. Без рамки модель начинает «рассказывать историю» и теряет точность.
3. Искать повторяющиеся технические картины
На графике ИИ хорошо замечает то, что формализуется: уровни, расхождения индикаторов, сжатие волатильности, типичные фигуры. Он не «чувствует» рынок. Он считает совпадения. Если несколько независимых признаков смотрят в одну сторону, это не гарантия движения. Это повод внимательнее посмотреть на бумагу.
4. Держать дисциплину, которой человеку не хватает
Модель не устаёт к вечеру пятницы и не мстит рынку после убытка. Она не увеличивает позицию «чтобы отыграться». Для системного подхода это ценность не меньше, чем скорость расчётов.
В повседневной работе я использую модели именно так: как ускоритель чтения и как сито. Сначала широкий просмотр рынка, затем ручная проверка того, что выглядит осмысленным. В проекте Oracle Trading мы каждый день прогоняем такой контур по большому числу инструментов — акциям, валютам, сырью, крипте — и смотрим не «угадал / не угадал», а где машина сэкономила время, а где уверенно выдала чепуху.
Где он ошибается — и ошибается характерно
Ошибки ИИ в финансах редко выглядят как явная глупость. Они выглядят как связный абзац с цифрами. Именно поэтому им легко поверить.
Галлюцинации
Модель может придумать коэффициент, которого нет в отчёте, сослаться на несуществующий стандарт учёта, перепутать год или взять цифру соседней компании. В русскоязычной практике уже фиксировали случаи, когда сеть подставляла неверную ставку налога и ссылалась на бухгалтерские стандарты, которых не существует. Внешне текст оставался гладким.
Путаница в смысле цифр
Низкий P/E или P/B модель иногда читает как «плохой показатель», хотя для стоимости это может быть как раз сигнал дешевизны — или, наоборот, ловушка убывающего бизнеса. Она путает разовую прибыль с операционной, не отделяет эффект курсовых разниц, не чувствует качество выручки. Формулу посчитать может. Экономический смысл — не всегда.
Устаревшие знания и обрыв данных
Если модель не подключена к свежей ленте и исходным файлам отчётности, она опирается на память обучения. На рынке память быстро протухает: дивиденд отменили, совет директоров сменился, регулятор вынес предписание, бумага пережила сплит. Рекомендация без проверки «что случилось на этой неделе» почти бесполезна.
Самоуверенность
Человек в сомнении пишет «не уверен». Модель чаще пишет законченный вывод. Это свойство обучения: системы поощряют полный ответ, а не признание пробела. В инвестициях такая интонация опаснее самой ошибки.
Слепота к новому
Любая модель обучена на прошлом. Чёрный лебедь, внезапная санкция, авария на производстве, смена режима на рынке — этого нет в исторических рядах в том виде, в каком событие происходит сейчас. Машина хорошо достраивает знакомое. Она плохо встречает незнакомое.
Можно ли доверять ИИ финансовую отчётность
Доверять как калькулятору и как читателю черновика — да. Доверять как аудитору и как единственному источнику цифр — нет.
Хороший рабочий порядок такой. Берёте исходный отчёт — PDF эмитента, отчётность с сайта раскрытия, пресс-релиз. Просите модель: выписать ключевые строки, посчитать рентабельность, сравнить квартал к кварталу, отметить одноразовые статьи, составить список вопросов к менеджменту. Затем сами сверяете три-четыре опорных числа с первоисточником. Если они сошлись — сводке можно пользоваться. Если модель «досчитала» строку, которой не было во входе, отчёт выбрасываете.
Отдельно стоит сказать про российскую и международную отчётность. РСБУ, МСФО и управленческие цифры живут по разным правилам. Модель легко смешивает периметры консолидации, путает выручку группы и материнской компании, не замечает, что прибыль выросла из-за переоценки, а не из-за продаж. Это не порок конкретной сети. Это предел текстовой модели, которой не задали жёсткую учётную схему.
Исследования последних лет показывают любопытную деталь: машинное обучение чуть лучше случайного блуждания предсказывает прибыль, если его сажают на понятную бухгалтерскую рамку вроде разложения рентабельности, а не «скармливают всё подряд». Иными словами, интеллект здесь не в замене финансиста, а в масштабировании его логики. Без рамки точность падает.
Правило простое: цифру, на которой вы готовы поставить деньги, модель не имеет права произносить первой. Сначала документ эмитента, потом машина, потом снова человек.
Можно ли доверять ему прогнозирование цены
Коротко: нет, если под прогнозом имеется в виду «через десять дней бумага будет стоить столько-то». Да, если под прогнозом имеется в виду набор сценариев и уровней, при которых тезис жив или умер.
Цена акции — это не продолжение графика. Это встреча новых фактов с ожиданиями людей, которые эти факты ещё не знают. Ни одна модель не держит в себе завтрашний заголовок. Поэтому честный ИИ-анализ говорит не «купите, будет рост на 12%», а «при сохранении текущего режима ближайшая зона спроса там-то, зона слома идеи там-то, математическое ожидание сделки выглядит так, риск на капитал — такой».
Технический анализ в этом смысле машине даётся лучше фундаментального предсказания цены. Уровни, средние, волны, объём — всё это правила и геометрия. Их можно формализовать. Но и здесь работает вероятность, а не судьба. Один и тот же паттерн в тренде и во флэте означает разное. Модель, которая не определяет режим рынка, рисует красивые цели на пустом месте.
Академические работы 2025–2026 годов в целом сходятся. Языковые модели неплохо читают заголовки и иногда угадывают направление первой реакции рынка на новость. Хуже у них получается предсказывать дальнейший дрейф. На бенчмарках уровня младшего аналитика даже сильные модели часто не дотягивают до устойчиво высокой точности. Универсальные чат-боты в независимых проверках ошибаются или вводят в заблуждение примерно в каждом третьем финансовом ответе, если их не привязать к живым данным.
Отсюда практический вывод. Прогноз цены от ИИ полезен как карта местности. Бесполезен как навигатор, который обещает довезти без пробок и аварий.
Можно ли доверять поиск инвестиционных идей
Здесь польза максимальна — при одном условии: идея и решение разделены.
Модель отлично справляется с черновой работой охотника за идеями. Просмотреть сотню бумаг шире, чем успеет человек. Найти, где одновременно дешёвая оценка, растущая маржа и спокойный баланс. Заметить, что новости по сектору стали однотонно негативными, а цена уже давно это заложила. Собрать список «странных» расхождений: выручка растёт, а денежный поток нет; руководство говорит о рекорде, а запасы раздуваются.
По теме: Hyperliquid закрыла рынки Anthropic и OpenAI: что произошло с AI-активами на бирже
Дальше начинается работа, которую машина имитирует, но не выполняет. Нужно понять ликвидность бумаги, состав акционеров, качество корпоративного управления, календарь событий, налоговые и санкционные ограничения, то, как идея сидит в уже существующем портфеле. Нужно спросить: что я буду делать, если тезис не сработает за месяц? За квартал?
В моей практике лучшие идеи от моделей почти никогда не приходили в виде готовой рекомендации «покупай». Они приходили в виде короткого списка аномалий. Дальше я открывал отчёт, график старшего таймфрейма, новости за две недели — и в половине случаев откладывал идею. Это нормально. Сито и должно отсеивать.
Как это выглядит в реальной работе
Журналисты часто спрашивают: а вы сами пользуетесь? Да. Не как кнопкой «заработай», а как частью контура.
Сезон отчётности. Перед публикацией отчёта крупного эмитента модель готовит список того, что рынок уже заложил, и вопросов, на которые стоит смотреть в релизе. После публикации — за пять минут собирает расхождения факт / ожидание. Я сверяю три строки: выручку, операционную прибыль, свободный денежный поток. Если сеть ошиблась в одной, остальное перепроверяю целиком.
Ежедневный обзор рынка. Вместо того чтобы вручную открывать десятки графиков, я сначала смотрю, где несколько признаков сложились вместе: направление старшего таймфрейма, уровень, импульс, объём. Это не сигнал к сделке. Это очередь: вот эти пять инструментов сегодня имеют право на внимание.
Разбор чужой идеи. Коллега или читатель присылает тезис. Модель помогает быстро собрать противную сторону: какие факты идею ломают. Это полезнее, чем ещё один абзац в её пользу. Хороший анализ начинается с попытки себя опровергнуть.
Контроль самой модели. Самый частый рабочий приём — попросить систему показать, из каких чисел она сделала вывод, и тут же открыть первоисточник. Там, где ссылки нет, доверия нет. В Oracle Trading мы сознательно оставляем человека последним звеном: машина готовит разбор со сценариями, стопом и целями, сделку открывает только пользователь. Это не красивость. Это признание предела технологии.
Отдельный пример, который хорошо иллюстрирует границы. Универсальная сеть легко оставляет в портфельном совете бумагу «дивидендной», хотя собрание акционеров дивиденд уже отменило. Человек, который читал одну новость, этого не сделает. Машина, которая не сходила в свежую ленту, сделает — и сделает уверенным тоном. Поэтому любой портфельный совет без проверки событий последних дней я считаю неанализом.
Три уровня доверия — чтобы не путать инструменты
Удобно держать в голове простую шкалу.
Высокое доверие. Сжатие длинного текста, перевод, сравнение компаний по заранее заданным полям, поиск упоминаний риска в отчёте, формальный технический чек-лист, подготовка вопросов к отчётности.
Среднее доверие. Черновик инвестиционной идеи, сценарный коридор цены, оценка тональности новостей, предварительный скрининг рынка. Всё это требует человеческой приёмки.
Низкое доверие. Точечный прогноз цены, готовая портфельная рекомендация «под ключ», интерпретация спорной учётной политики, вывод о качестве менеджмента, обещание доходности.
Путаница начинается, когда человеку продают третий уровень под видом первого. «Наш ИИ знает, куда пойдёт акция» — это не анализ. Это маркетинг, на который регуляторы в разных странах уже прямо предупреждают инвесторов.
Что из этого следует инвестору и читателю
Искусственный интеллект уже изменил ремесло анализа акций. Он убрал часть скучной работы и расширил ширину обзора. Он не отменил неопределённость рынка и не снял с человека ответственность за капитал.
Если пользоваться моделями как увеличительным стеклом — выигрываете время и реже пропускаете очевидное. Если пользоваться ими как заменой мышления — получаете уверенные ошибки на скорости, недоступной обычному аналитику.
Мой рабочий принцип за эти годы не усложнился. Машина предлагает. Человек проверяет первоисточник, считает риск и нажимает кнопку. Там, где этой второй половины нет, анализа тоже нет — есть только текст, похожий на анализ.
Развёрнутый комментарий Макара показывает, почему «проверить цифры» недостаточно. Нужно проверить, к чему цифра относится: к группе или отдельной компании, к текущей деятельности или разовой статье, к завершённому периоду или прогнозу. В публичных раскрытиях эти документы могут соседствовать: например, Московская биржа публикует отчётность группы по МСФО отдельно от других видов отчётности. Без указания стандарта сравнение легко становится бессмысленным.
Как поставить ИИ задачу, которую можно проверить
Тим Зинин приводит пример применения модели за пределами рынка акций: она помогла найти необычные позиции в строительной смете. Принцип тот же, что и при чтении отчёта эмитента: инструмент подсвечивает место, которое заслуживает внимания, а не выносит окончательный вердикт.
Я инженер, а не трейдер, поэтому отвечу со стороны технологии, без инвестиционных советов.
Что ИИ умеет уже сейчас: читать длинные документы и находить аномалии в цифрах. Пример из нашей практики: прогнали через модель строительную смету, и она нашла позиции с завышенными ценами, которые влияли на итоговую стоимость. С финансовой отчётностью задача похожая — модель быстро вытащит показатели, сравнит периоды, покажет расхождения. Это честная работа помощника-аналитика.
Где модель ошибается: прогноз цены. Она уверенно и складно объяснит любое движение акции задним числом, но предсказать рынок не может — там слишком много факторов, которых нет в тексте. Уверенный неверный ответ — главный риск.
Поиск идей — рабочая зона: модель переберёт отрасли и метрики быстрее человека, но каждую идею нужно проверять по первоисточнику.
Итог: чтение отчётности и поиск идей ИИ доверять можно — как первый черновик. Решение о деньгах остаётся за человеком, после проверки цифр руками.
Хороший запрос начинается с исходного файла, периода и перечня показателей. Попросите выписать значения в таблицу вместе с номером страницы или названием раздела, отдельно отметить отсутствующие данные и не заполнять пробелы догадками. Затем выберите три–пять цифр, от которых зависит инвестиционный тезис, и сверьте их в первоисточнике. Если хотя бы одна ключевая цифра ошибочна, пересчитайте связанные выводы, а не исправляйте одну ячейку в готовом тексте.
Ограничения видны и в формальной проверке технологий. В исследовании Finance Agent Benchmark модели решали 537 задач финансового анализа по документам SEC; лучший результат в этой конкретной проверке составил 46,8%. Это не универсальная оценка точности любого ИИ в любой отчётности. Исследование показывает, насколько сильно результат зависит от задачи и почему убедительная форма ответа не служит доказательством верного расчёта.
После сверки отчётности остаётся рыночный вопрос: что инвесторы уже ожидают от компании и заложено ли это в котировки. Даже сильный отчёт не обещает роста акции. Эту границу между разбором бизнеса и прогнозом цены важно сохранить и при использовании ИИ.
