Мы привыкли считать финансовые рынки вершиной рациональности, где правят бал сложные математические модели, фундаментальные показатели и алгоритмическая эффективность. По легенде сэр Исаак Ньютон, потеряв состояние на крахе «Компании Южных морей», заметил: «Я могу рассчитать движение небесных тел, но не безумие людей».
Спустя триста лет современные исследования предлагают новое объяснение природе этого «безумия». Проанализировав серию свежих научных работ – от сканирования мозга профессиональных трейдеров до симуляций рыночных пузырей с помощью больших языковых моделей – мы можем взглянуть на рынок под другим углом: не как на абстракцию, а как на проекцию человеческой биологии, усиленную социальными алгоритмами.
В этой статье мы разберем анатомию финансовых решений, выясним, подтверждается ли «внутренняя чуйка» статистически, почему роботы проигрывают людям в создании кризисов и как математика пытается формализовать понятие «хайп».
1. Нейрофоркастинг: Статистика против сознания
Начнем с эксперимента, который ставит под сомнение эффективность экспертных прогнозов. Ученые взяли группу опытных инвесторов (средний стаж в индустрии – более 19 лет) и попросили их предсказать динамику акций через год, предоставив полный набор данных: профиль компании, графики цен, фундаментальные показатели и новости из терминалов Bloomberg[1].
Результаты, опубликованные в bioRxiv, показали, что сознательные прогнозы профессионалов оказались на уровне случайного угадывания (средняя точность 52,6%).
Однако фМРТ-сканирование, проводимое во время принятия решений, выявило интересную закономерность. Активность в прилежащем ядре – области мозга, связанной с системой вознаграждения – достоверно предсказывала будущий успех акций.
Статистика исследования говорит сама за себя:
-
Активность NAcc была значимо выше для акций, которые в итоге показали рост, по сравнению с убыточными (t-статистика = 2.92, p = 0.005 на этапе просмотра профиля компании; t = 2.65, p = 0.011 на этапе графика цен).
-
Модель, построенная только на данных активности мозга (NAcc), предсказывала рынок с точностью 68,18% (значимо выше случайного уровня, p = 0.011), тогда как модели, основанные на фундаментальных показателях или сознательных прогнозах самих инвесторов, не преодолели порог случайности.
Вывод: Мозг экспертов считывает паттерны и формирует прогноз на нейронном уровне, но в процессе сознательного анализа этот сигнал, по-видимому, зашумляется когнитивными искажениями или переизбытком данных[1].
2. Проблема ИИ: Почему роботы не умеют надувать пузыри
На фоне развития нейросетей возникает вопрос, что будет если заменить иррациональных людей на ИИ. Исследователи из Калтеха и Вирджинии проверили это, запустив торговую симуляцию с участием агентов на базе GPT-4, Claude 3.5 и других моделей[2].
Результат оказался контринтуитивным: ИИ слишком рациональны. В условиях, где люди обычно создают спекулятивные пузыри и панику, LLM-агенты (особенно GPT-4 и Claude 3.5) торговали близко к фундаментальной стоимости актива (MSE < 1.0) и не демонстрировали склонности к «стадному поведению».
Лингвистический анализ стратегий показал: люди оперируют эвристиками («купить на дне», «продать на хаях»), в то время как ИИ строят рассуждения вокруг «внутренней стоимости» и «дивидендов». Единственным исключением стала модель GPT-3.5, которая иногда демонстрировала инерцию и надувала небольшие пузыри, но они были далеки от масштабов человеческих крахов.
Оказывается, для симуляции реального рынка алгоритмам не хватает специфических человеческих багов мышления.
3. Страх как двигатель торговли: Как напугать нейросеть
Чтобы приблизить поведение ИИ к реальному, исследователям из Токийского университета пришлось принудительно внедрять в агентов когнитивные искажения, в частности – контекстно-зависимое неприятие потерь[3].
У людей восприятие «потери» зависит от точки отсчета. Часто такой точкой становится не цена покупки, а исторический максимум. Если цена падает с пика, инвестор чувствует боль потери, даже оставаясь в плюсе, и стремится продать актив.
Чтобы эмулировать это поведение, исследователи разработали архитектуру FCLAgent. В промпт агента намеренно добавлялась информация об историческом контексте, чтобы спровоцировать «человеческую» реакцию на близость цены к пику.
Исследователи подавали агенту структурированную информацию, акцентируя внимание на исторических максимумах и нереализованной прибыли:
Агенту давалась инструкция анализировать эту информацию и объяснять свои эмоции (!): “Please explain the reason and your emotion in as much detail as possible“.
Наличие поля all time high price в контексте заставляло модель менять паттерн поведения и продавать активы при приближении к пикам, имитируя страх коррекции .
После такой «настройки» симуляция начала воспроизводить реальные рыночные аномалии, такие как отрицательная корреляция между близостью к историческому максимуму и будущей доходностью.
4. Эхо-камеры: Социальный мультипликатор
Если индивидуальный мозг может быть интуитивно точен, а ИИ – рационален, то что дестабилизирует систему? Ответ – в топологии коммуникаций.
Исследование из Бристольского университета показало, что иерархическая структура соцсетей работает как усилитель волатильности. Моделирование подтвердило, что асимметричные эхо-камеры (где позитивные новости распространяются агрессивнее негативных) являются топливом для пузырей. В таких сетях информация не просто передается, а резонирует, создавая самоподдерживающуюся иллюзию роста, оторванную от фундаментальных показателей[4].
5. Формула Хайпа: Модель HLPPL
Можно ли математически описать этот хаос? Исследователи из Университета Джонса Хопкинса предложили модель HLPPL (Hyped Log-Periodic Power Law).
Классическая модель LPPL описывает пузырь как сверхэкспоненциальный рост с лог-периодическими колебаниями. Вот как выглядит это уравнение, описывающее приближение критической точки (краха):
Новая модель HLPPL добавляет к этой «физике» поведенческие факторы, извлекаемые из новостного потока с помощью NLP:
-
Hype Index (Индекс хайпа): Доля внимания медиа к активу относительно рынка в целом.
-
Sentiment Score: Тональность новостей.
Бэктесты на акциях сектора недвижимости США (2018–2024 гг.) показали, что стратегия, использующая разрыв между ценой и «хайпом» (через Dual-Stream Transformer), показала среднегодовую доходность 34,13% и коэффициент Шарпа 1.19.
Disclaimer: Важно понимать, что результаты бэктестов на исторических данных (и на специфическом периоде 2018–2024 гг.) не гарантируют будущей доходности. Выборка ограничена конкретным сектором, и, как любое моделирование, может содержать ошибку или переоптимизацию под историю. Однако как исследовательский инструмент для количественной оценки влияния медиа на цену, подход выглядит интересно.
Резюме
Взгляд на рынок через призму нейробиологии и машинного обучения приводит к интересным выводам:
-
Биология первична. На уровне нейронов мы способны оценивать вероятность успеха лучше, чем нам кажется, но сознание работает как фильтр с потерями.
-
ИИ требует «очеловечивания». Чтобы моделировать реальные экономические процессы, нам приходится учить алгоритмы нашим страхам и когнитивным искажениям. «Чистый» интеллект слишком стерилен для рынка.
-
Социальная физика. Рыночные цунами рождаются не из фундаментальных показателей, а из резонанса мнений в эхо-камерах соцсетей.
Рынок остается сложным для прогнозирования не из-за недостатка данных, а потому что он является сложной производной от нашей биологии и социальных инстинктов – факторов, которые пока сложно уложить в линейные уравнения.
3. Hashimoto, R., et al. “Agent-Based Simulation of a Financial Market with Large Language Models”
Автор: la__vita__felice
