Представьте, вы решили сформировать инвестиционный портфель и наняли перспективного инвестсоветника. А тот ошибается при счете и не отличает верные данные от «шума» при сборе информации.
Причем этот инвестиционный советник активно «консультирует» в разных странах и к нему обращается все больше розничных инвесторов: в России – 33%, в Южной Корее – 68%.
Речь идет об искусственном интеллекте. Большие языковые модели, такие как ChatGPT, могут быстро собрать и проанализировать огромные объемы информации. Но насколько разумно людям полагаться на ИИ при принятии инвестиционных решений?
Авторы нового исследования сравнили инвестиционные портфели, составленные человеком и ИИ из одинаковых активов. Результаты показали:
🔘 ИИ не соблюдает указанные ему ограничения.
Например, сумма весов активов в портфеле может оказаться больше 100%.
🔘 Для его надежности критически важен источник данных.
В отличие от человека, ИИ пока не может оценить достоверность источника или заметить явный выброс. Он принимает данные «как есть» и строит на их основе выводы, тем самым увеличивая масштабы ошибок.
🔘 ИИ часто допускает математические ошибки.
Модели неплохо справляются с простыми вычислениями (например, рассчитать среднеарифметическую доходность портфеля), но ошибаются в сложных (например, в вычислении абсолютной доходности и расчете коэффициента Шарпа).
При этом ошибки ИИ в расчетах возникают на уровне вычислительных операций, но не базовой логики. Языковые модели работают как «статистические угадыватели» – они предсказывают следующий токен (слово, число) на основе закономерностей в обучающих данных: модель не «решает уравнение», а «генерирует ответ, похожий на правильный».
Поэтому ИИ можно использовать, например, для сравнительного анализа «лучше/хуже» или объяснения концепций. ИИ эффективен как вспомогательный инструмент, однако полагаться на его автономные решения рискованно из-за проблем с точностью, интерпретацией данных и соблюдением правил.