Константин Владимирович КРИНИЧАНСКИЙответственный автор, доктор экономических наук, профессор кафедры финансовых рынков и финансового инжиниринга, главный научный сотрудник Института финансовых исследований финансового факультета Финансового университета при Правительстве Российской Федерации, Москва, Российская Федерация kkrin@ya.ru https://orcid.org/0000-0002-1225-7263 SPIN-код: 3366-2850
Предмет. Эффективность применения искусственного интеллекта в инвестиционных стратегиях на российском и американском фондовых рынках. Цели. Охарактеризовать эффективность использования искусственного интеллекта в построении инвестиционных портфелей и управлении активами с опорой на ключевые метрики инвестиционной эффективности. Методология. Использованы методы анализа и сравнительной оценки: расчет коэффициента «альфа Дженсена», коэффициента «доходность на единицу принятого риска» и стоимости под риском (VaR). Применен инфографический анализ, результаты обработаны с использованием языка программирования R и инструментов визуализации MS Excel. Результаты. Применительно к российскому рынку показано, что только одна из пяти рассмотренных стратегий имеет статистически значимый положительный коэффициент альфа. На американском рынке индекс хедж-фондов, использующих искусственный интеллект, также не показывает существенного преимущества перед широким рынком. Область применения. Результаты исследования важны для развития академических исследований эффектов применения искусственного интеллекта на финансовом рынке. Они могут быть применены при разработке и оптимизации инвестиционных стратегий с использованием искусственного интеллекта, оценке их эффективности для инвесторов. Выводы. Внедрение искусственного интеллекта в инвестиционные стратегии не позволяет значительно повысить доходность инвестиционного портфеля для опережения бенчмарка, однако это может измениться со временем использования таких стратегий.
Chia-Hung W., Yingping Z., Jinchen Y. Two-stage stock portfolio optimization based on AI-powered price prediction and mean-CVaR models. Expert Systems with Applications, 2024, vol. 255, Part B, 124555. URL: Link
Alzaman C. Optimizing portfolio selection through stock ranking and matching: A reinforcement learning approach. Expert Systems with Applications, 2025, vol. 269, 126430. URL: Link
Akdogan Y.M., Anbar A. More than just sentiment: Using social, cognitive, and behavioral information of social media to predict stock markets with artificial intelligence and big data. Borsa Istanbul Review, 2024, vol. 24, sup. 2, pp. 61–82. URL: Link
Kim A., Muhn M., Nikolaev V. Financial Statement Analysis with Large Language Models. URL: Link
Zulkifley M.A., Munir A.F., Abd Sukor M.E., Mohd Shafiai M.H. A Survey on Stock Market Manipulation Detectors Using Artificial Intelligence. Computers, Materials & Continua, 2023, vol. 75, no. 2, pp. 4395–4418. URL: Link
Zhu Q., Han C., Liu S. et al. Artificial intelligence-driven financial innovation: A robo-advisor system for robust returns across diversified markets. Expert Systems with Applications, 2025, vol. 274, 126881. URL: Link
Chopra R., Sharma G.D., Pereira V. Identifying Bulls and bears? A bibliometric review of applying artificial intelligence innovations for stock market prediction. Technovation, 2024, vol. 135, 103067. URL: Link
Ahmed S., Alshater M.M., El Ammari A., Hammami H. Artificial intelligence and machine learning in finance: A bibliometric review. Research in International Business and Finance, 2022, vol. 61, 101646. URL: Link
Chhajer P., Shah M., Kshirsagar A. The applications of artificial neural networks, support vector machines, and long–short term memory for stock market prediction. Decision Analytics Journal, 2022, vol. 2, 100015. URL: Link
Gupta S., Nachappa S., Paramanandham N. Stock market time series forecasting using comparative machine learning algorithms. Procedia Computer Science, 2025, vol. 252, pp. 893–904. URL: Link
Najem R., Fakhouri Amr M., Bahnasse A., Talea M. Advancements in Artificial Intelligence and Machine Learning for Stock Market Prediction: A Comprehensive Analysis of Techniques and Case Studies. Procedia Computer Science, 2024, vol. 231, pp. 198–204. URL: Link
Lin C.Y., Lobo Marques J.A. Stock market prediction using artificial intelligence: A systematic review of systematic reviews. Social Sciences & Humanities Open, 2024, vol. 9, 100864. URL: Link
Gunnarsson E.S., Isern H.R., Kaloudis A. et al. Prediction of realized volatility and implied volatility indices using AI and machine learning: A review. International Review of Financial Analysis, 2024, vol. 93, 103221. URL: Link
Muhammad D., Ahmed I., Naveed K., Bendechache M. An explainable deep learning approach for stock market trend prediction. Heliyon, 2024, vol. 10, iss. 21, e40095. URL: Link
Luo J., Zhu G., Xiang H. Artificial Intelligent based day-ahead stock market profit forecasting. Computers and Electrical Engineering, 2022, vol. 99, 107837. URL: Link
Song Y. Enhancing stock market trend reversal prediction using feature-enriched neural networks. Heliyon, 2024, vol. 10, iss. 2, e124126. URL: Link
Buczynski W., Cuzzolin F., Sahakian B. A review of machine learning experiments in equity investment decision-making: why most published research findings do not live up to their promise in real life. International Journal of Data Science and Analytics, 2021, vol. 11, pp. 221–242. URL: Link
Вахрушев В.Д. Проблемы и перспективы использования и регулирования систем искусственного интеллекта на фондовом рынке // Устойчивое развитие науки и образования. 2022. № 6. С. 29–38. EDN: UKJLNH
Натальсон А.В. Применение искусственного интеллекта для анализа рисков на рынке ценных бумаг // Экономика и управление: проблемы и решения. 2024. Т. 6. № 3. С. 145–150. EDN: PRFGBE
Куликов М.М. Возможности использования инструментов искусственного интеллекта и нейросетей для прогнозирования фондового рынка // Вестник Южно-Российского государственного технического университета (НПИ). Серия: Социально-экономические науки. 2024. Т. 17. № 2. С. 130–137. EDN: SSICUL
Бахтияров Р.Р. Возможности искусственного интеллекта для анализа рынка ценных бумаг // Вестник науки. 2024. Т. 1. № 5. С. 496–500. URL: Link
Колос И.В., Скибенко Г.Г., Томашевская Е.Ю., Щетинина Д.В. Обеспечение диагностики паттернов фондового рынка инструментами искусственного интеллекта // Экономика: теория и практика. 2024. № 2. С. 37–43. EDN: CKWYWQ
Дубков Г.И. Исследование возможностей применения искусственного интеллекта в принятии инвестиционных решений на фондовом рынке // Ученые записки Международного банковского института. 2024. № 1. С. 49–62.
Безсмертная Е.Р., Колганова Е.А. Модификация трехфакторной модели Фамы–Френча и ее применение для оценки эффективности управления портфелями инвестиционных фондов в России // Финансы: теория и практика. 2023. Т. 27. № 2. С. 17–27. EDN: CSWBBT
