Часто мы представляем финансовые рынки как воплощение хладнокровной логики, управляемой сложнейшими уравнениями, фундаментальным анализом и алгоритмами высокой производительности. Говорят, сэр Исаак Ньютон, обанкротившись во время краха Южноморской компании, признал: «Я могу предсказать траекторию небесных тел, но не иррациональность человечества».
Три столетия спустя новые исследования позволяют по-новому взглянуть на эту «иррациональность». Изучив свежие научные работы — от фМРТ-исследований трейдеров до моделирования рыночных пузырей при помощи масштабных языковых моделей — мы рассматриваем рынок не просто как абстракцию, а как отражение человеческой биологии, усиленное социальными алгоритмами.
Ниже мы исследуем нейронные механизмы принятия решений, оценим, насколько «внутреннее чутьё» подкреплено статистикой, разберёмся, почему алгоритмы не создают пузыри, и узнаем, как математика пытается формализовать феномен «хайпа».
1. Нейрофоркастинг: нейронаука против интуиции
В одном эксперименте участникам — профессиональным инвесторам с опытом более 19 лет — предложили спрогнозировать динамику акций на год вперёд, предоставив полный пакет информации: профиль компании, графики котировок, фундаментальные метрики и отчёты Bloomberg.
Публикация на bioRxiv показала, что осознанные прогнозы экспертов оказались почти случайными — средняя точность составила всего 52,6%.
Тем не менее фМРТ-сканирование выявило, что активность прилежащего ядра (NAcc) во время анализа чётко коррелировала с реальным ростом акций.
- Сигнал NAcc был существенно выше при оценке бумаг, чьи котировки впоследствии выросли, чем у тех, что упали (t = 2.92, p = 0.005 при просмотре профиля и t = 2.65, p = 0.011 при анализе графика).
- Модель, основанная только на данных активности NAcc, предсказывала рынок с точностью 68,18% (p = 0.011), тогда как прогнозы, построенные на фундаментальных показателях или субъективных оценках инвесторов, не выходили за рамки случайности.
Вывод: Нейронный сигнал отражает верные шаблоны, однако в ходе рационального обдумывания он искажается из-за когнитивных искажений и перегруженности данными.
2. Проблема ИИ: почему алгоритмы не создают пузыри
С развитием больших нейросетей возник вопрос: как поведут себя чисто рациональные агенты? Исследователи из Caltech и Вирджинского университета запустили симуляцию рынка с участием GPT-4, Claude 3.5 и других LLM-моделей.
Результат оказался неожиданным: ИИ ведут себя по-настоящему рационально. В сценариях, где люди обычно формируют спекулятивные пузыри, модели (особенно GPT-4 и Claude 3.5) торговали близко к фундаментальной стоимости (MSE < 1.0) и не проявляли «стадного инстинкта».
Лингвистический анализ стратегий показал, что люди оперируют эвристиками вроде «купить на дне» и «продать на хаях», тогда как ИИ рассуждают в терминах «внутренней стоимости» и «дивидендного дохода». Исключение составила GPT-3.5, иногда создававшая небольшие пузыри, но не сравнимые с человеческими крахами.
3. Страх как движущая сила: как напугать ИИ
Чтобы приблизить поведение ИИ к реальному рынку, учёные из Токийского университета внедрили в агентные модели контекстно-зависимые искажения восприятия потерь.
Люди оценивают «потери» относительно исторического максимума, а не цены приобретения: падение с пика вызывает «боль» даже при чистой прибыли и стимулирует к продаже.
Для эмуляции этого эффекта разработали архитектуру FCLAgent, где в промпт включали данные о предыдущих максимумах и нереализованной прибыли, а агенту поручали подробно объяснять свои эмоции: «Пожалуйста, поясните причину и опишите своё эмоциональное состояние максимально подробно».
Добавление поля all time high price заставляло модель продавать по мере приближения цены к пикам, воспроизводя страх коррекции. После этого симуляция начала отражать реальные аномалии: чем ближе к максимуму, тем ниже будущая доходность.
4. Эхо-камеры: социальный мультипликатор
Если нейроны и ИИ создают разные паттерны, то что же дестабилизирует рынок? Ответ кроется в структуре коммуникаций.
Специалисты из Бристольского университета показали, что иерархические эхо-камеры усиливают волатильность. Моделирование продемонстрировало, что асимметричное распространение позитивных новостей (когда их распространяют быстрее, чем негативные) подпитывает пузыри, создавая резонанс мнений, оторванный от фундаментальных данных.
5. Формула хайпа: модель HLPPL
Можно ли описать хаос цифрами? Учёные из Университета Джонса Хопкинса предложили расширение классической LPPL-модели — HLPPL (Hyped Log-Periodic Power Law).
Модель HLPPL дополняет «физику» поведенческими метриками, извлекаемыми из новостного потока при помощи NLP:
- Индекс хайпа: доля внимания СМИ к активу относительно рынка.
- Sentiment Score: тональность сообщений.
Бэктест на акциях рынка недвижимости США (2018–2024) показал: стратегия, учитывающая разрыв между ценой и «хайпом» (Dual-Stream Transformer), приносила в среднем 34,13% годовых с коэффициентом Шарпа 1,19.
Важное замечание: исторические бэктесты не гарантируют будущей эффективности. Ограниченность выборки и риск переоптимизации остаются высокими, но методика интересна как инструмент количественной оценки влияния медиа на цену.
Резюме
- Биология первична. Нейроны улавливают закономерности точнее сознания, но осознанный анализ фильтрует сигнал.
- ИИ требует «очеловечивания». Чистая рациональность не формирует пузыри без внедрения когнитивных искажений.
- Социальная физика. Кризисы порождаются не фундаментом, а резонансом мнений в эхо-камерах.
Сложность рынка заключается не в недостатке данных, а в том, что он рождается из нашей биологии и социальных инстинктов — факторов, которые сложно уложить в линейные модели.
1. Leo van Brussel et al., “Brain activity of professional investors signals future stock performance”
3. R. Hashimoto et al., “Agent-Based Simulation of a Financial Market with Large Language Models”
