Снимка: iStock

Представете си инвестиционен експеримент с необичайно проста инструкция. Давате на три системи с изкуствен интелект по 500 долара, разрешавате им да търгуват акции и борсово търгувани фондове и всяка сутрин им поставяте една и съща задача: „Направи колкото можеш повече пари.“ Няма инвестиционен комитет, няма портфолио мениджър, който да одобрява сделките, няма човек, който да решава кога да се влиза и излиза. Единственото допълнително условие е в края на всеки ден портфейлът отново да бъде 100% в кеш. Точно това прави Condor Capital Wealth Management с Claude на Anthropic, Gemini на Alphabet и ChatGPT на OpenAI. Резултатът след първите три дни не е революция. Claude печели 2.9%, Gemini 0.9%, а ChatGPT губи 0.7%. По-интересното обаче не е кой печели състезанието от три дни, а как трите системи стигат до тези резултати.

Експериментът идва в момент, когато автоматизираната търговия чрез AI агенти вече започва да излиза от лабораторията. След като Robinhood отвори възможност за agentic trading през май, над 150 000 клиенти са създали подобни сметки, а AI агентите използват инструментите на платформата почти 30 млн. пъти дневно. Само месец след отварянето на подобна функционалност за всички потребители на Public са били създадени около 20 000 агента, които вече управляват повече от 200 млн. долара активи. Webull също позволява свързването на AI модели, а Interactive Brokers и eToro отварят свои интерфейси за подобна автоматизация. Следователно въпросът вече не е дали AI ще получи достъп до брокерските сметки. Това вече се случва. Въпросът е какво ще прави, когато получи достъп до тях.

Първият отговор засега не е особено впечатляващ. Claude и ChatGPT започват да търсят в интернет какво правят печелившите трейдъри и в крайна сметка изграждат нещо, наподобяващо елементарна momentum стратегия. Те търсят акции със силно движение и се опитват да използват краткосрочната инерция. Gemini избира още по-тесен подход: проверява пазара само няколко пъти дневно, не използва stop-loss и за целия експеримент търгува единствено Nvidia. Това трудно може да бъде наречено доказателство за някаква нова форма на машинен инвестиционен интелект. По-скоро виждаме как общи езикови модели, получили твърде обща задача, възпроизвеждат част от добре познатото човешко поведение на пазара.

Това всъщност е първият важен извод от експеримента. Изкуственият интелект не получава автоматично инвестиционно предимство само защото е изкуствен интелект. Ако задачата е лошо формулирана, резултатът може да бъде също толкова посредствен, колкото при човек без ясна система. „Направи колкото можеш повече пари“ не определя риск, максимално допустима загуба, инвестиционен хоризонт, размер на позициите, допустима волатилност, критерии за вход или условия, при които една теза трябва да бъде прекратена. Агентът трябва сам да запълни всички тези празни пространства. И го прави с информацията, която намира и интерпретира. Не е особено изненадващо, че резултатът наподобява поведението на неопитен трейдър, който първо прочита в интернет как се прави momentum trading, а след това започва да го прилага.

И все пак в поведението на Claude се появява нещо далеч по-интересно. Агентът сам си определя десет проверки на пазара дневно и започва да води своеобразен инвестиционен дневник. В един от дните купува в горната част на силен скок след отварянето на пазара и впоследствие продава на загуба. Самата загуба няма особено значение. Важното е какво се случва след нея. Claude записва грешката в инструкциите, които подготвя за собственото си бъдещо поведение. На следващия ден, когато отново вижда силно движение при отварянето, отменя две поръчки, вместо да преследва цената. С други думи, системата не просто отчита, че е загубила пари. Тя свързва загубата с конкретно поведение, формулира правило и променя следващото си действие.

Точно тук започва истински интересната част на agentic investing. Почти всеки инвеститор знае, че не трябва да преследва акция след вертикално движение. Почти всеки знае, че трябва предварително да определя риска си и да анализира собствените си грешки. Проблемът е, че хората систематично нарушават правилата, които самите те са създали. Страхът от пропусната възможност, загубите, прекалената увереност след няколко успешни сделки и желанието бързо да бъде възстановена загубена сума променят поведението. Машината няма това оправдание. Ако успее надеждно да свърже дадено действие с лош резултат и да превърне наблюдението в постоянно правило, предимството ѝ може да не идва от по-добрата прогноза за следващата акция, а от по-последователното управление на собственото поведение.

Разбира се, три дни и по 500 долара са практически безполезни за оценяване на инвестиционна стратегия. Разлика между +2.9%, +0.9% и -0.7% за подобен период може да бъде чист шум. Няма достатъчно сделки, няма различни пазарни режими, няма сериозен drawdown и няма начин да разберем дали наблюдаваното поведение ще остане стабилно след 100 или 1 000 решения. Condor също изрично предупреждава, че експериментът е нарочно опростен. При значително по-подробни инструкции и постоянно обновявани правила агентите вероятно могат да работят по-добре. Но точно тук възниква парадоксът: колкото по-добър и по-прецизен става агентът, толкова повече инвестиционна компетентност се изисква от човека, който го настройва.

Това може да се окаже един от най-големите проблеми пред масовото използване на инвестиционни агенти. Човекът, който действително има нужда някой друг да управлява парите му, обикновено не иска да дефинира максимален drawdown, режимни филтри, правила за sizing, критерии за ликвидност, условия за промяна на тезата и допустима концентрация. А човекът, способен да изгради такава система добре, вероятно вече притежава значителна част от знанията, които агентът трябва да автоматизира. Condor формулира проблема много точно: в сегашния си вид агентът може да бъде най-полезен именно за хората, които имат най-малка нужда от помощ.

Вторият експеримент на Condor показва и другата страна на технологията. Когато Claude, ChatGPT и Gemini получават далеч по-традиционна задача да създадат портфейл 60/40 от акции и облигации и сами да определят ребалансирането, трите системи стигат почти до еднакъв скучен резултат. Избират само няколко евтини индексни фонда на Vanguard и iShares, като и трите включват Vanguard Total Stock Market ETF и Vanguard Total International Stock ETF. Това е почти противоположно на представата за свръхактивен AI, който извършва стотици сложни сделки. Когато задачата е дългосрочно управление на диверсифициран портфейл, моделите независимо един от друг стигат до една от най-старите идеи в инвестирането: ниски разходи, широка диверсификация и сравнително малко действия.

Това подсказва, че най-големият ефект на AI върху инвестирането може да не бъде способността да предвижда утрешната цена. Значително по-реалистично е агентите да автоматизират огромна част от процеса около самото решение: наблюдение на стотици компании, четене на отчети, сравняване на оценки, следене на предварително определени условия, ребалансиране, данъчна оптимизация, документиране на решенията и проверка дали инвеститорът не нарушава собствените си правила. Машината не е необходимо да знае накъде ще се движи S&P 500 утре, за да има огромна стойност. Достатъчно е да премахне част от човешката непоследователност и оперативната тежест.

И точно затова ранните резултати от експеримента на Condor не трябва да се четат като състезание Claude срещу Gemini срещу ChatGPT. След три дни няма победител и няма доказано инвестиционно предимство. Има обаче първи поглед към нещо много по-интересно: системи, които вече могат да наблюдават пазара, да вземат решения, да подават поръчки, да оценяват резултатите и поне в елементарна форма да променят собственото си бъдещо поведение.

Истинската граница ще бъде премината, когато тази последна стъпка стане надеждна. Не когато AI направи една добра сделка, а когато след хиляди решения започне да разбира кои негови правила работят, при какви условия работят и кога престават да работят. Тогава инвестиционният агент вече няма просто да изпълнява стратегия. Той ще започне да натрупва собствена история на решения, грешки и последствия.

Засега брокерите на Wall Street действително могат да бъдат спокойни. Claude е направил 2.9%, Gemini 0.9%, а ChatGPT е загубил 0.7%. Това не е революция. Но фактът, че един от агентите е направил грешка, записал е защо я е направил и на следващия ден е отказал да я повтори, може да се окаже много по-важен от тези три числа.

Защото бъдещето на AI в инвестирането вероятно няма да започне с машина, която винаги знае коя акция ще поскъпне. Може да започне с машина, която помни защо вчера е сгрешила.

Дисклеймър: Материалът има информационен и аналитичен характер и не представлява инвестиционен съвет, препоръка за покупка или продажба на финансови инструменти или прогноза за бъдещото движение на пазарите.