AlphaAgents: как ИИ-агенты меняют управление портфелем акций

Представьте себе инвестиционного аналитика. Каждый день на него обрушиваются сотни страниц отчётов, звонки компаний, прогнозы, новости и твиты. Он должен из этого хаоса собрать ясную картину и принять решение: покупать, держать или продавать. Но любой человек подвержен когнитивным искажениям: страх потерь, излишняя уверенность, «эффект толпы».

Теперь представьте другую картину. Вместо одного человека работает команда из трёх цифровых экспертов:

один глубоко читает отчёты и разбирается в цифрах,
второй анализирует новости и настроения рынка,
третий считает справедливую цену и оценивает риск.

Они спорят, приводят аргументы, ищут консенсус. В итоге рождается взвешенное решение, быстро, прозрачно и без эмоций.

Именно так устроена система AlphaAgents, которую в августе 2025 года представили исследователи BlackRock. Она показывает, как большие языковые модели в формате мультиагентных систем способны менять управление капиталом.

Дальше я разберу исследование, проведённые эксперименты и объясню, в итоге прибыльные ли такие агенты.

В чём суть подхода

Традиционный анализ акций требует колоссальных усилий: отчёты 10-K и 10-Q, звонки с руководством, прогнозы аналитиков, рыночные новости, финансовые коэффициенты. Аналитики тонут в потоке информации и подвержены когнитивным искажениям, от излишней уверенности до страха потерь (Kahneman, Tversky).

AlphaAgents предлагает вместо этого систему из трёх специализированных ИИ-агентов:

Fundamental Agent: анализирует фундаментальные показатели (отчёты, финансовые метрики, тренды)
Sentiment Agent: работает с новостями и рыночными настроениями
Valuation Agent: оценивает цены и объёмы торгов, даёт взгляд на справедливую стоимость актива

Каждый агент имеет свои инструменты и источники данных. Если их выводы расходятся, запускается внутренняя дискуссия, пока не будет достигнут консенсус. Такой «мини-инвесткомитет» в ИИ-формате снижает вероятность ошибок и «галлюцинаций» моделей.

Эксперименты и результаты

Для теста взяли 15 технологических акций и сравнили несколько стратегий:

портфель, собранный отдельным агентом (фундаментальным или оценочным)
мультиагентный портфель
бенчмарк

🔹 В риск-нейтральном сценарии мультиагентная система превзошла и бенчмарк, и отдельных агентов по доходности и коэффициенту Шарпа. Причина: балансировка краткосрочных сигналов (новости, цены) и долгосрочных факторов (фундамент).

🔹 В риск-аверсном сценарии (ориентация на стабильность и снижение волатильности) все портфели показали более низкие результаты. Они исключили значительную часть технологических бумаг, и именно сектор технологий в этот период демонстрировал бурный рост. Зато мультиагентный портфель имел меньшую просадку и более плавную динамику.

Пример анализа (компания Zscaler)

Плюсы: рост на 13,5% за месяц против +3,8% у S&P500, лидерство в сегменте SaaS-безопасности, сильная команда, положительные итоги годового собрания.
Минусы: высокая волатильность, продажи акций инсайдерами, отрицательная маржа (-14,5%), риски ликвидности.
Вывод: для инвесторов с высокой толерантностью к риску это интересная возможность, для консерваторов лучше ждать.

Такой формат отчёта похож на работу реального аналитика, но создаётся автоматически.

Выводы исследования

Мультиагентные системы усиливают качество анализа: разные точки зрения позволяют избежать однобоких решений.
ИИ помогает снижать влияние когнитивных искажений (например, чрезмерной уверенности или страха потерь).
Риск-профиль можно встроить прямо в агентов через промпт-инжиниринг, и они начинают вести себя как осторожные или нейтральные инвесторы.
Прозрачность решений: все дискуссии агентов логируются и могут быть проверены человеком, что важно для институциональных инвесторов.
Практическая польза: такой ИИ-«инвесткомитет» может стать надстройкой к существующим моделям (например, Mean-Variance Optimization), подавая сигналы для расчёта оптимальных весов в портфеле.

Что это значит для инвесторов и индустрии

Сегодня LLM-агенты выходят за рамки чат-ботов. Они начинают брать на себя часть работы инвестиционных команд, превращаясь в инструменты принятия решений. В будущем такие системы могут интегрироваться в платформы фондов и банков, обеспечивая:

ускоренный скрининг акций
автоматизированные отчёты
снижение эмоционального влияния на выбор бумаг

Иными словами, это шаг к ИИ-ассистированному управлению капиталом, прозрачному, масштабируемому и более объективному.

Доходность на практике: проверка AlphaAgents

Чтобы оценить реальную ценность AlphaAgents, важно задать прямой вопрос: смогли ли они заработать деньги по итогам тестов?

Сравнение стратегий

Бенчмарк: портфель из тех же 15 акций с равными весами.
Одиночные агенты: фундаментальный агент обычно включал больше бумаг (диверсификация), а оценочный агент сокращал портфель до стабильных компаний.
Мультиагентная система: брала лучшие элементы обоих, фильтруя избыточные риски, но сохраняя ростовые истории.

📌 Результат:

В нейтральном рисковом режиме мультиагентный портфель оказался прибыльнее и бенчмарка, и одиночных стратегий. Его Sharpe Ratio был выше, а кумулятивная доходность устойчиво опережала рынок в течение 4 месяцев.
В риск-аверсном режиме мультиагентный портфель уступил рынку по доходности (потому что не взял «ракетные» техи), но выиграл по устойчивости: просадки были ниже, волатильность сглажена. Для институционалов это критично, потому что контроль рисков важнее погони за максимумом.

Почему это важно

Да, агенты прибыльные. Причём они показывают, что умеют зарабатывать выше рынка, если рынок не «перегрет» односторонним трендом.
Главное преимущество: не просто доходность, а объяснимость и прозрачность. В отличие от «чёрных ящиков», мультиагентные системы оставляют протоколы дискуссий и могут быть встроены в реальные процессы принятия решений.
Сравнение с людьми: один аналитик может упустить риск или переоценить рост. Три агента в дискуссии формируют более сбалансированный вывод. Это похоже на работу реального инвесткомитета, только в цифровом виде.

Сравнительная таблица: доходность и риск

Бенчмарк (15 акций)

Доходность: базовый уровень
Sharpe Ratio: 1,0
Волатильность: средняя
Итог: точка отсчёта

Фундаментальный агент

Доходность: чуть выше рынка
Sharpe Ratio: 1,1
Волатильность: средняя
Итог: хорошо диверсифицирует, но размывает результат

Valuation агент

Доходность: близко к рынку
Sharpe Ratio: 0,9
Волатильность: ниже средней
Итог: снижает риск, но упускает рост

Мультиагентная система

Доходность: существенно выше
Sharpe Ratio: 1,3–1,4
Волатильность: сбалансированная
Итог: лучший результат в нейтральном сценарии, умеренный плюс в консервативном режиме

Числа условные, приведены по смыслу эксперимента из статьи BlackRock.

Финальный акцент

История AlphaAgents это шаг к новому поколению инвестиционных систем. Если раньше ИИ был просто инструментом для обработки данных, то теперь он становится полноценным участником дискуссии, похожим на инвестиционный комитет.

Да, агенты показали прибыльность и умение работать с риском. Но самое важное, они делают процесс более прозрачным и защищённым от ошибок человека.

В ближайшие годы мы, скорее всего, увидим, как такие «ИИ-комитеты» будут встроены в реальные процессы фондов и банков. Это не замена аналитикам, а усиление: возможность видеть больше, анализировать быстрее и принимать решения объективнее.

Полное исследование доступно по ссылке - https://arxiv.org/pdf/2508.11152