Нейробиология рынка: Почему наш мозг торгует лучше нас, а ИИ слишком скучен для биржи

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 ^[1] 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 ^[2] 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 ^[3].

​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 ^[4].

3. Страх как двигатель торговли: Как напугать нейросеть

​Чтобы приблизить поведение ^[5] ИИ к реальному, исследователям из Токийского университета пришлось принудительно внедрять в агентов когнитивные искажения, в частности – контекстно-зависимое неприятие потерь^[3].

​У людей восприятие ^[6] «потери» зависит от точки отсчета. Часто такой точкой становится не цена покупки, а исторический максимум. Если цена падает с пика, инвестор чувствует боль ^[7] потери, даже оставаясь в плюсе, и стремится продать актив.

​Чтобы эмулировать это поведение ^[8], исследователи разработали архитектуру FCLAgent. В промпт агента намеренно добавлялась информация об историческом контексте, чтобы спровоцировать «человеческую» реакцию ^[9] на близость цены к пику.

​Исследователи подавали агенту структурированную информацию, акцентируя внимание ^[10] на исторических максимумах и нереализованной прибыли:

Агенту давалась инструкция анализировать эту информацию и объяснять свои эмоции ^[11] (!): “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 ^[12] 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:

1. Hype Index (Индекс хайпа): Доля внимания медиа к активу относительно рынка в целом.

2. ​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 ^[13] 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 ^[14] приводит к интересным выводам:

1. ​Биология первична. На уровне нейронов мы способны оценивать вероятность успеха лучше, чем нам кажется, но сознание работает как фильтр с потерями.

2. ​ИИ требует «очеловечивания». Чтобы моделировать реальные экономические процессы, нам приходится учить алгоритмы нашим страхам и когнитивным искажениям. «Чистый» интеллект ^[15] слишком стерилен для рынка.

3. ​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.

1. Leo van Brussel, L. D., et al. “Brain activity of professional investors signals future stock performance” ^[16]

2. Henning, T., et al. “LLM Agents Do Not Replicate Human Market Traders: Evidence From Experimental Finance” ^[17]

3. Hashimoto, R., et al. “Agent-Based Simulation of a Financial Market with Large Language Models” ^[18]

4. Bohorquez, G., & Cartlidge, J. “Simulation of Social Media-Driven Bubble Formation in Financial Markets using an Agent-Based Model with Hierarchical Influence Network” ^[19]

5. Cao, Z., et al. “Identifying and Quantifying Financial Bubbles with the Hyped Log-Periodic Power Law Model” (Johns Hopkins University) ^[20]