Вместе с тем, как отмечают Е. Д. Шаманаев и Е. А.
Разумовская, классическая диверсификация, несмотря на доказанную эффективность в снижении совокупного риска, нуждается в адаптации к современным высоковолатильным рынкам [1]. В частности, в периоды рыночных шоков существенно возрастает корреляция между ранее слабо связанными актива-ми, что делает традиционные портфельные модели менее результативными. Кроме того, усложнение финансовых инструментов и появление цифровых активов с непрогнозируемой динамикой вынужда-ют пересматривать предпосылки о стационарности и нормальном распределении доходностей, исполь-зуемые в базовых моделях, чтобы обеспечить учет нелинейных взаимодействий, а также различных психологических и поведенческих факторов, все чаще влияющих на поведение инвесторов.
Преимуществами классических методов остают-ся их строгая математическая база и относительно простая интерпретация результатов. Марковицова оптимизация и CAPM обеспечивают прозрачный механизм определения эффективных портфелей, а VaR при корректных входных данных дает нагляд-ную оценку потенциальных потерь. Однако в усло-виях современных быстрых изменений рынка, когда цена актива может существенно меняться в течение нескольких часов или даже минут (особенно на криптовалютных платформах), жесткие статисти-ческие предпосылки классических моделей нередко перестают работать должным образом. Статичность заложенных в них допущений затрудняет своевременную переоценку рисков и доходностей.
Таким образом, хотя традиционные портфельные теории заложили основу методологических подходов к оценке и диверсификации риска, они требуют существенной модернизации при переходе к более сложным многофакторным рыночным реалиям. Переход к цифровым активам, возрастающая взаимозависимость финансовых рынков, поведенческие аспекты инвестирования и автоматизация трейдинговых стратегий подталкивают специали-стов к поиску расширенных инструментов, к числу которых все чаще относят методы искусственно-го интеллекта, способные учитывать нелинейную структуру данных и быструю смену рыночных тенденций, позволяя выходить за рамки классических допущений и более гибко реагировать на волатильность.
Современные методы ИИ все более активно про-никают в финансовый сектор, в частности за счет расширения возможности решений таких задач, как оценка рисков и оптимизация инвестиционных портфелей. Машинное обучение (ML) и глубокое обучение (Deep Learning) показывают высокую эффективность благодаря способности моделировать сложные нелинейные отношения в данных, возникающие вследствие рыночной волатильности, новостных шоков и поведенческих факторов. Так, зарубежными исследователями приводится срав-нительный анализ различных алгоритмов, среди которых SVM и Random Forest позволяют получать относительно интерпретируемые результаты, тогда как нейронные сети типа LSTM лучше работают с временными рядами, так как учитывают сезонные и циклические факторы [2]. Кроме того, методы обучения с подкреплением (reinforcement learning, RL) дают возможность не только прогнозировать, но и принимать решения об управлении портфелем в режиме реального времени, автоматизируя процесс ребалансировки. Дальнейшее развитие данной концепции, представленное в совместном исследова-нии ученых США и Китая, демонстрирует успешное применение Deep Q-Learning (DQN) на рынке цифровых активов – алгоритм адаптируется к изменчи-вым условиям криптовалютного рынка и повышает точность прогнозов за счет постоянного совершен-ствования стратегии на исторических и синтетиче-ских данных [3].
Наряду с классическими нейронными сетями и алгоритмами машинного обучения растущий интерес вызывает использование нейронечетких моделей и гибридных систем, упрощающих работу с размытыми, неточными или неполными данными. А. Г. Пыркин подробно описывает подход на основе нейронечеткой логики, позволяющий объединить преимущества традиционных нейронных сетей (способность к обучению и обобщению) с механизмами нечеткой логики (гибкое представление экспертных знаний и работа с лингвистическими переменными) [4]. Такой симбиоз обеспечивает более высокую робастность и корректность оценок рисков в ситуациях, когда исходные данные харак-теризуются значительной неопределенностью или отсутствуют в полном объеме. Кроме того, нейронечеткие системы лучше адаптируются к резким изменениям рынка, что особенно важно при выборе оптимального состава портфеля на высоковола-тильных платформах.
Дополняя совокупность рассмотренных мето-дов, отметим, что робоэдвайзеры представляют собой практический инструмент автоматизации инвестиционного процесса. Исследование Н. И. Ломакина и соавторов отражает опыт применения метода «случайный лес» (Random Forest) для формирования рекомендаций по покупке и продаже активов, тем самым способствуя повышению инвестиционной активности населения [5]. Робоэдвайзеры снижают барьеры для входа в финансовые рынки, делают инвестиции доступнее и упрощают выбор подходящих инструментов на основе сложных аналитических расчетов. Сочетание ML-алгоритмов типа Random Forest с элементами глубокого обучения открывает перспективу создания многоком-понентных систем, автоматически реагирующих на рыночные сигналы и обладающих потенциалом более тонкой настройки, чем классические механизмы портфельной оптимизации.
Вопросы внедрения искусственного интеллек-та в финансовую сферу тесно связаны с проблемой модельных рисков и необходимостью адекватного правового регулирования. Как подчеркивает И. Л. Кирилюк, современные ИИ-модели могут выступать в роли так называемых черных ящиков, когда внутренние механизмы принятия решений и расчета показателей остаются непонятны не только рядовым инвесторам, но и самим разработчикам [6]. Подобная непрозрачность способна привести к ошибочным инвестиционным стратегиям и подрыву доверия к новой технологии. В связи с этим важно выстраивать систему независимого аудита алгоритмов, применяя тестирование устойчивости к рыночным шокам и оценку корректности исполь-зуемых данных.
Не менее существенным остается вопрос этики, прозрачности и объяснимости решений, принимаемых на основе ИИ. Исследователи из разных стран делают вывод в совместной работе, что для крупных финансовых институтов непонятный алгоритм становится потенциальным источником репутаци-онных и операционных рисков, так как акционеры и регуляторы ожидают четкой аргументации инвести-ционных действий [7]. В условиях цифровых рынков, особенно при обращении криптовалют, проблема усложняется еще и отсутствием устоявшейся нормативноправовой базы, что затрудняет массовое внедрение автоматизированных советников. В таких ситуациях разработка поясняющих модулей (Explainable AI) и постоянное обновление алгоритмов в соответствии с изменяющимися правилами торгов и требованиями регуляторов представляют-ся ключевыми шагами к повышению уровня дове-рия и эффективности применения искусственного интеллекта [8].
А. Михайлов и М. Бхатти исследовали взаи-мосвязь между динамикой портфеля цифровых финансовых активов, финансовым управлением на основе искусственного интеллекта, ВВП, ценами государственных облигаций и объемом торгов. На материалах российского рынка, включавших 218 выпусков ЦФА и 416 дневных наблюдений за март 2022 – октябрь 2023 г., авторы применили эконометрические методы и нечеткую логику. Установлено, что высокая волатильность ограничивает устойчивость ценовой премии, а развитие ИИ-инструментов может повысить качество долгосрочного портфельного управления [9].
С. Барыкин и соавторы предложили гибридную модель HPCS, реализующую концепцию цифрового двойника ипотечного заемщика. Модель объединя-ет традиционные показатели кредитного риска PD, LGD и EAD с трансакционным и поведенческим индексами TRI и ARI; веса определяются методом CRITIC, а данные нормализуются устойчивым к выбросам способом. Проверка на выборке из 1 млн ипотечных кредитов показала, что при охвате 10% портфеля HPCS выявляет на 3,8 процентного пун-кта больше ожидаемых потерь, чем ранжирование только по вероятности дефолта [10].
А. Михайлов, Н. Соколинская и А. Ньянгарика рассмотрели оптимизацию стратегии carry trade, основанной на заимствовании в валютах с низкими процентными ставками и инвестировании в более доходные валюты энергетических и развивающихся экономик. Авторы учитывали процентный диф-ференциал, валютный импульс, трансакционные издержки и отношение инвестора к риску. Результаты показывают, что эффективность стратегии существенно зависит от рыночной волатильности и денежно-кредитной политики; после 2014 г. роль валюты финансирования все заметнее переходила от доллара США и иены к евро [11].
У. Алим и соавторы изучили влияние политической стабильности на доходность и волатиль-ность фондового рынка Пакистана за 2004–2018 гг. С использованием моделей GARCH, GARCH-M и EGARCH подтверждено статистически значимое влияние политической стабильности на рыночную динамику. При этом отрицательные политические шоки вызывают более сильное увеличение волатильности, чем положительные события сопоставимого масштаба. Работа подчеркивает необходимость включения политических и макроэкономических факторов в интеллектуальные системы оценки инвестиционного риска [12].
Д. Рахадиан и соавторы разработали гибридную нейронечеткую модель выбора целей применения производных финансовых инструментов в развива-ющихся экономиках. Модель сочетает анализ мимических реакций экспертов, квантовые сферические нечеткие множества, усовершенствованный метод M-SWARA и TOPSIS. Наиболее обоснованной целью использования деривативов признано хеджирование, тогда как спекулятивные операции характери-зуются повышенным риском; среди исследованных стран наивысшую оценку получила китайская экономика, а Россия заняла второе место [13].
Х. Динчер и соавторы предложили интегрированный подход к управлению портфелями циф-ровых финансовых активов, объединяющий эконометрическое моделирование и нейроквантовые нечеткие методы принятия решений. Исследова-ние охватывает 708 российских выпусков ЦФА и 714 дневных наблюдений за март 2022 – декабрь 2024 г. Подход позволяет одновременно оценвать влияние ИИ-финансового менеджмента, ВВП, государственных облигаций и торговой активно-сти, а также ранжировать факторы формирования долгосрочного портфеля при высокой неопределенности [14].
В другой работе Д. Рахадиан и соавторы оценили факторы эффективности фондового рынка, связанные с финансовыми инновациями. Для определения причинно-следственных связей и приоритетов использовались квантовые сферические нечеткие множества, DEMATEL и TOPSIS. Наиболее значимым фактором признаны налоговые преимущества, особенно для долгосрочных инвестиций; также важную роль играет качество финансовой системы. Авторы связывают такие меры с ростом устойчивости рынка, снижением спекулятивной активности и повышением доверия инвесторов [15].
Ш. Чен, К. Сиалм и Д. Сюй на основе регуля-торной отчетности инвестиционных консультан-тов, вакансий и описаний стратегий фондов про-анализировали распространение ИИ в управлении активами США. На выборке из 7 896 хеджфондов за 2006–2024 гг. показано, что ИИ-фонды заметно превосходили традиционные фонды в ранний пери-од, однако после 2017 г. преимущество практически исчезло. Одновременно доходности ИИ-фондов оказались менее синхронными с результатами конкурентов, что не подтверждает предположение о неизбежном усилении стадного поведения. Работа демонстрирует как потенциал ИИ, так и постепен-ное ослабление эффекта по мере распространения технологий [16].
Сравнительный анализ подходов к использованию искусственного интеллекта в управлении инвестиционными портфелями
При сравнении методов ИИ с классическими моделями (Марковица, CAPM, VaR и др.) в первую очередь обращают внимание на такие параметры, как точность прогнозов, устойчивость к волатильности рынка и сложность внедрения. ИИ-алгоритмы, в частности машинное обучение (Random Forest, SVM) и глубокое обучение (LSTM, DQN), часто демонстрируют более высокую точность в прогнозировании краткосрочных и среднесрочных колебаний стоимости активов. А. М. Фахим и соавторы подтверждают данный тезис, приводя сравнительный анализ нескольких ML-моделей по метрикам Sharpe Ratio, волатильность и «годовая доходность – результаты», показывают, что ИИ-методы превышают показатели классических статистических моделей, особенно в условиях быстро меняющихся рыночных трендов [2]. Тем не менее сложность внедрения таких систем возрастает, поскольку требуются большая вычислительная мощность, а также професси-ональные навыки в области программирования и анализа данных.
Устойчивость к волатильности рынка рассматри-вается как одно из наиболее значимых преимуществ ИИ. В периоды кризисных явлений или резких скачков ликвидности адаптивные алгоритмы, обучающиеся в режиме реального времени, способны своевременно перестраивать стратегию инвестирования [2, 3]. Классические же методы зачастую опираются на стационарные допущения, нарушающиеся при экстремальных изменениях на рынке. В результате такие традиционные портфельные модели могут недооценивать или переоценивать риск. При этом важно понимать, что повышенная гибкость ИИ-решений может сопровождаться трудностями в их интерпретации: инвесторам требуется ясное понимание логики принятых алгоритмом решений, чтобы оценивать возможные риски и соответствие выбранной стратегии нормам корпоративного управления.
С точки зрения объяснимости классические модели (например, модель Марковица) обладают относительно прозрачными предпосылками: структура корреляции активов и поиск точки оптимального соотношения «риск – доходность» легко интерпретируются. В ИИ-алгоритмах, особенно в глубоких нейронных сетях, конечная логика распределения активов может быть скрыта в многослойной архитектуре весовых коэффициентов, что усложняет ее понимание. Впрочем, развитие техно-логий Explainable AI (XAI) дает надежду на посте-пенное устранение этого недостатка. Исследования подчеркивают, что выработка единых подходов к расшифровке моделей становится ключевым фактором при их принятии регуляторами и крупными институциональными инвесторами [6].
Выявление ограничений и пробелов в существующих исследованиях
Несмотря на очевидные успехи, исследования в области применения ИИ к управлению портфелями демонстрируют ряд ограничений. Одним из наибо-лее перспективных, но все еще недостаточно изученных направлений выступают гибридные системы, сочетающие, к примеру, нейронечеткие модели с методами reinforcement learning. Подобная инте-грация может повысить устойчивость к неточным исходным данным и одновременно расширить воз-можности динамической адаптации к изменениям рыночной среды. Однако в литературе пока не представлено унифицированных экспериментальных сценариев и общепринятых метрик, позволяющих однозначно сравнивать подобные гибридные решения друг с другом и с классическими моделями.
Дополнительным препятствием служит нехватка прозрачности и объяснимости, которую особен-но подчеркивают исследования [4, 8]. Расширенное внедрение ИИ может натолкнуться на непринятие со стороны органов регулирования и крупных инве-сторов, если алгоритмы не будут обладать понятными механизмами принятия решений и контроля за модельными рисками. Отсутствие стандартизированной методологии тестирования приводит к тому, что различные исследования применяют несовместимые выборки данных, используют разные временные периоды и метрики [17]. Следовательно, результаты оспариваются либо не могут быть вос-произведены в условиях другого рынка.
Обоснование выводов и перспективы дальнейших исследований
Анализ показывает, что методы ИИ уже подтвер-дили свою эффективность в задачах управления инвестиционными портфелями, обеспечивая более высокие показатели Sharpe Ratio, а также более успешную адаптацию к рыночной волатильности. Вместе с тем долгосрочная стабильность этих реше-ний, особенно в периоды глобальных кризисов, пока не имеет обширной эмпирической проверки. Регулятивные требования, касающиеся аудита и про-зрачности алгоритмов, продолжают формировать-ся, что делает процесс масштабного внедрения ИИ в финансовые компании одновременно перспективным и рискованным.
Классические методы, описанные Е. Д. Шаманаевым и Е. А. Разумовской, попрежнему пользуются доверием у многих институциональных инвесторов благодаря математической стройности и проверен-ности временем [1]. Однако в условиях цифровых рынков и высоковолатильных инструментов тради-ционные подходы зачастую не успевают за быстротой изменений. Интеллектуальные системы, способные в режиме реального времени адаптироваться и пересматривать структуру портфеля, явно превосходят классические модели по скорости реакции и возможности учитывать нелинейные факторы.
Следовательно, текущее состояние исследований в области искусственного интеллекта применительно к инвестиционным портфелям отражает пере-ходный этап: ИИ-решения продемонстрировали эффективность на отдельных выборках и в определенных рыночных условиях, но нуждаются в унифицированных методах валидации, а также в прозрачной правовой и нормативной базе. Расширение сферы применения подобных технологий возможно лишь при условии, что рынок будет обладать достаточным уровнем понимания функционирования ИИ и предоставит инструменты для объективного контроля модельных рисков. Без решения вопро-сов объяснимости, этики и стандартизации нельзя рассчитывать на устойчивое и всеобщее признание алгоритмического управления портфелем.
ЗАКЛЮЧЕНИЕ
Применение искусственного интеллекта в управлении инвестиционными портфелями показывает высокую эффективность, особенно в условиях растущей волатильности рынков и усложнения финансовых инструментов. Алгоритмы машинного обучения и глубокого обучения (Random Forest, LSTM и Deep Q-Learning) позволяют более точно оценивать риски и адаптироваться к изменяющимся рыночным условиям. Тем не менее ряд ограничений, например, недостаточная прозрачность моделей и объяснимость решений,отсутствие унифицированных стандартов тести-рования, сдерживают масштабное внедрение таких технологий.
Развитие интеллектуальных систем управления инвестициями требует не только совершенствова-ния технологических подходов, но и создания нормативно-правовой базы, обеспечивающей безопасность и прозрачность алгоритмов. Дальнейшие исследования должны быть направлены на интеграцию методов объяснимого ИИ (Explainable AI), разработку гибридных моделей и формирование стандартов оценки их эффективности [18].
СПИСОК ЛИТЕРАТУРЫ
1. Шаманаев Е. Д., Разумовская Е. А. К вопросу о формировании инвестиционного портфеля // Эксперт: теория и практика. 2021. № 1 (10). С. 46–49.
2. Faheem M. A., Aslam M., Kakolu S. Artificial Intelligence in Investment Portfolio Optimization // International Journal of Science and Research. 2022. № 6 (1). С. 335–342.
3. Cheng Q. et al. Optimizing Portfolio Management and Risk Assessment in Digital Assets Using Deep Learning for Predictive Analysis // ArXiv preprint. 2024 [Электронный ресурс] – URL: https://arxiv.org/abs/2402.15994.
4. Пыркин А. Г. Подходы к определению инвестиционных рисков на основе нейронечеткого моделирова-ния // Гуманитарные, социально-экономические и общественные науки. 2024. № 2. С. 145–150.
5. Ломакин Н. И. и др. Разработка робоэдвайзера на основе искусственного интеллекта по методу «Слу-чайный лес» как фактор повышения инвестиционной активности населения // π-Economy. 2023. Т. 16,№ 3. С. 7–21.
6. Кирилюк И. Л. Модельные риски в финансовой сфере в условиях использования искусственного интел-лекта и машинного обучения // Russian Journal of Economics and Law. 2022. Т. 16, № 1. С. 40–50.
7. Sutiene K. et al. Enhancing portfolio management using artificial intelligence: literature review // Frontiers in Artificial Intelligence. 2024. Т. 7. С. 1371502.
8. Проскуряков А. Ю. Аспекты создания методологии управления цифровыми финансовыми активами //Статистика и экономика. 2023. Т. 20, № 4. С. 44–54.
9. Mikhaylov A., Bhatti M. I. M. The link between DFA portfolio performance, AI financial management, GDP, government bonds growth and DFA trade volumes // Quality & Quantity. 2024. – DOI: 10.1007/s11135-024-01940-8.
10. Barykin S., Shulga A., Dinets D., Mikhaylov A. Digital twin-enhanced credit risk prioritization in mortgage portfolios: a hybrid model approach // Quality & Quantity. 2026. – DOI: 10.1007/s11135-026-02579-3.
11. Mikhaylov A., Sokolinskaya N., Nyangarika A. Optimal Carry Trade Strategy Based on Currencies of Energy and Developed Economies // Journal of Reviews on Global Economics. 2018. Vol. 7, P. 582–592. – DOI: 10.6000/1929-7092.2018.07.54.
12. Alim W., Khan N. U., Zhang V. W., Cai H. H., Mikhaylov A., Yuan Q. Influence of political stability on the stock market returns and volatility: GARCH and EGARCH approach // Financial Innovation. 2024. Vol. 10, Art. 139. – DOI: 10.1186/s40854-024-00658-8.
13. Rahadian D., Firli A., Dinçer H., Yüksel S., Mikhaylov A., Ecer F. A hybrid neuro fuzzy decision-making approach to the participants of derivatives market for fintech investors in emerging economies // Financial Innovation. 2024. Vol. 10, Art. 37. – DOI: 10.1186/s40854-023-00563-6.
14. Dinçer H., Yüksel S., Mikhaylov A., Ivanyuk V. An integrated analysis for digital financial assets and artificial intelligence-based financial management using AI-based neuro quantum picture fuzzy rough sets and econometric modeling // Financial Innovation. 2025. Vol. 11. Art. 122. – DOI: 10.1186/s40854-025-00793-w.
15. Rahadian D., Firli A., Dinçer H., Yüksel S., Mikhaylov A. Analysing the financial innovation-based characteristics of stock market efficiency using fuzzy decision-making technique // Financial Innovation. 2025. Vol. 11. Art. 43. – DOI: 10.1186/s40854-024-00716-1.
16. Chen S., Sialm C., Xu D. X. The Growth and Performance of Artificial Intelligence in Asset Management //NBER Working Paper. 2026. № 35273.
17. Santos G. C. et al. Portfolio optimization using artificial intelligence: a systematic literature review // Exacta. 2024. Т. 22. № 3. С. 766–787.
18. Бойтуш О. А., Смородина Е. А. Перспективы внедрения искусственного интеллекта в системе финан-сового менеджмента // Вестник Академии знаний. 2024. № 5 (64). С. 455–458.
