ИИ‑системы хорошо справляются с потоками большой мощности, снижая риск механических ошибок при копировании. К таким операциям относятся:

• автоматический сбор цен, оборотов и справочной информации по инструментам, включая обновление корпоративных событий, идентификаторов, статусов листинга из структурированных источников;
• консолидация нескольких структурированных источников, например нескольких биржевых площадок, нескольких площадок раскрытия отчетности.

ИИ масштабирует существующие методики контроля качества данных, сокращает ручной труд и ускоряет загрузку новых массивов. Задачи, с которыми может помочь ИИ:

• обнаружение пропусков, выбросов и противоречивых значений в исторических рядах цен и объемов, автоматическое предложение способа обработки (интерполяция, отсечение, пометка как аномалии);
• нормализация форматов: приведение кодов инструментов, валют, единиц измерения к единому стандарту;
• сопоставление эмитентов и инструментов между системами: распознавание того, что один и тот же эмитент фигурирует под разными именами или тикерами в разных базах.

Это именно подсказки, а не окончательные инвестиционные рекомендации:

• фильтрация новостных потоков, выделение релевантных для конкретных бумаг событий, оценка потенциального влияния на котировки;
• первичный разбор корпоративной отчетности, выступлений менеджмента и регуляторных публикаций с извлечением ключевых фактов и рисков.

Дополнение к классическим системам учета рисков и аналитики. ИИ поможет ускорить работу и увеличить объем обработанных данных, опираясь на заданные людьми правила и ограничения. Здесь речь уже идет больше о машинном обучении — алгоритмических моделях, обученных на статистике, методах оптимизации, линейной алгебре:

• расчет стандартных метрик (волатильность, корреляции, ликвидность, базовые факторы риска) по инструментам;
• построение скринингов и рэнкингов: отбор эмитентов по заранее заданным критериям, мониторинг событий по watchlist-спискам.

Даже если NLP‑система выдает сигнал «у эмитента Х вышла негативная новость, вероятно падение котировок», эксперт обязан оценить контекст. Последствия неверной интерпретации могут быть значительными, особенно в период повышенной волатильности. Аналитик превращает сырые сигналы ИИ в целостную картину — выбирает временной горизонт, глубину просадки, учитывает нетипичные факторы и принимает на себя ответственность за рекомендацию.

• определение того, какие именно вопросы мы задаем ИИ: предсказание цен, кластеризация эмитентов, раннее обнаружение аномалий в отчетности;
• выбор компромисса между точностью, интерпретируемостью и устойчивостью модели в конкретном регуляторном контуре. Далеко не всегда самая продвинутая по техническим характеристикам нейросеть будет приемлема с точки зрения риска и комплаенса.

Банк России прямо подчеркивает, что организации должны выстраивать систему управления связанными с ИИ рисками, соизмеримую характеру и масштабу применения технологий. Это включает в себя независимую валидацию моделей, регулярный пересмотр параметров, стресс‑тестирование и документирование ограничений. Эксперты по рискам и моделям должны оценивать устойчивость решений к сдвигам данных, риски переобучения, чувствительность к входным параметрам и последствия ошибок в условиях реального рынка.

В Кодексе этики по ИИ Банк России рекомендует обеспечивать прозрачность, возможность отказа клиента от автоматизированного решения и понятную ответственность за использование этих технологий. Решения об уровне автоматизации, глубине профилирования клиентов, использовании спорных метрик (например, косвенных признаков) принимает не алгоритм, а руководители, профильные специалисты и комплаенс‑функция.

Использование структурированных данных по финансовым инструментам и контрагентам минимизирует риски и позволяют передавать больше рутинных задач искусственному интеллекту. Это надежный фундамент, на котором ИИ может строить прогнозы и сигналы поверх уже очищенных и стандартизированных данных.

Однако ответственность за выбор поставщика, верификацию его данных (если таковой нет у провайдера), оценку полноты покрытия несет организация. Эксперт должен понимать лимиты любой витрины — от задержек обновлений до возможных несовпадений по атрибутам — и использовать ИИ‑инструменты для сравнения и контроля, а не слепо доверять любому источнику.

Можно выделить две зоны автоматизации контрольного слоя данных:

• выявление расхождений между данными нескольких источников или источников и первоисточников, проверка статистического соответствия временных рядов самим себе и общим рыночным трендам, формирование отчетов для ручного разбора.
• бэктестинг построенных математических и алгоритмических моделей и риск‑метрик на основе унифицированных данных с последующей экспертной настройкой и валидацией.

Для освобождения от рутины в таких проверках могут быть применены инструменты как генеративного ИИ, так и классического машинного обучения. Но вывод и финальное принятие решения остаются за человеком. То есть подобный симбиоз ИИ и человека — это, скорее всего, новый стандарт работы с большими массивами информации.

• Базовая проверка данных

Цель — убедиться в том, что цифры и факты, которые использовал ИИ, соответствуют реальности. Идея — быстро выявить подозрительные значения и понять, куда смотреть человеку (отчетность, биржа, поставщик данных).

Промпт 1. Проверка исходных чисел

«Я работаю с финансовыми данными по российскому рынку ценных бумаг. Проверь, пожалуйста, корректность следующих числовых показателей:

• что это за показатель (как он обычно определяется);
• нормальные диапазоны значений и типичные «ред-флаги»;
• какие альтернативные источники данных обычно используют (биржи, поставщики данных, бухгалтерская отчетность, регуляторная отчетность).

Список показателей:

• [метрика, эмитент, период: например, ROE ПАО X за 2024 год, маржа по МСФО и т.п.];
• …

«Сформируй вывод в формате: “показатель — что означает — какие значения выглядят реалистично — когда нужно перепроверить по первоисточнику”».

Промпт 2. Сверка версий одного и того же значения

•  «Есть расходящиеся значения одного и того же показателя по эмитенту/инструменту: версия А: [описание, источник];
• версия Б: [описание, источник];
• (по желанию) версия В: [описание, источник].

Помоги:

1) разобрать, чем могут отличаться методики расчета (МСФО/РСБУ, консолидированная/отдельная отчетность, разные базы данных и т.д.);

2) сформулировать список конкретных проверок для эксперта: на что в отчетности или в метаданных источника посмотреть в первую очередь, чтобы понять, какую версию считать приоритетной;

3) выделить случаи, когда автоматический выбор “правильного” значения лучше запрещать и всегда передавать на ручной контроль».

2. Фактчекинг текстов и отчетов (в том числе для публикаций)

Цель — довести тексты (статьи, аналитику, презентации) до состояния, когда каждый факт опирается либо на данные, либо на явно помеченное мнение.

Промпт 3. Разметка фактов vs мнений

«Вот текст аналитической записки/статьи:

[вставьте текст]

Разметь его:

1) выдели предложения, содержащие проверяемые факты (цифры, даты, регуляторные нормы, формулировки документов, количественные утверждения);

2) выдели предложения, которые являются интерпретацией, оценочным суждением или предположением;

3) для каждого фактического утверждения предложи типичный источник проверки (официальная статистика, отчетность эмитента, биржа, поставщик данных, регуляторный документ);

4) отметь фразы, которые выглядят как факт, но на деле основаны на оценке/обобщении и должны быть переформулированы (“по нашему мнению”, “по оценке команды” и т.д.)».

Промпт 4. Проверка ссылок на регуляторные требования

Цель — не допустить, чтобы ИИ «сочинил регулятора», а вы потом это случайно опубликовали.

«В тексте ниже есть упоминания регуляторных требований, докладов и кодексов по применению ИИ и работе с финансовыми данными:

[вставьте текст]

Мне нужно:

1) выделить все отсылки к регуляторным документам (ЦБ РФ, законы, подзаконные акты, кодексы, методические рекомендации);

2) для каждой отсылки сформулировать:

• какое именно требование/принцип на самом деле имеется в виду;
• насколько корректно оно пересказано (есть ли искажения, чрезмерные упрощения);
• нужно ли добавить уточнение или оговорку, чтобы избежать неправильного толкования.

3) предложить более аккуратные формулировки там, где текст слишком категоричен или неточен с юридической точки зрения».