Инвестиции с помощью AI на рынках акций и криптовалют: данные и ограничения

Сводка

В этом обзоре оценивается применение AI к акциям, биржевым фондам, централизованным рынкам криптовалют, бессрочным фьючерсам и активности в блокчейне. Путь к инвестиционной доходности представлен как последовательность этапов: данные на конкретный момент времени должны поддерживать надёжный сигнал, практически применимые позиции, исполнимые ордера и положительную доходность с поправкой на риск после издержек. Среди рассмотренных подходов — машинное обучение, модели временных рядов и языка, обучение с подкреплением и автоматизированные агенты. Наиболее заметный прогресс отмечен в прогнозировании, анализе текста, проектировании портфелей и исследовательских процессах.

Обзор обнаруживает меньше открытых данных, подтверждающих устойчивую чистую прибыльность. Исторические результаты могут искажаться утечкой данных, многократным отбором стратегий, эффектом выживших, неудачными сравнениями, торговыми издержками, ограничениями площадок и ограниченной ёмкостью. Также отмечаются снижение прогностической силы, исправление ошибок заглядывания в будущее, неоднозначные перспективные результаты и нехватка аудированных данных о капитале в реальной торговле. Криптовалюты требуют анализа с учётом особенностей рынка, поскольку спотовая торговля, бессрочные фьючерсы и децентрализованные площадки отличаются денежными потоками и условиями исполнения. В обзоре не найдено подтверждённого подхода с использованием AI, который обеспечивал бы устойчивую чистую альфу при разных режимах и уровнях ёмкости. Для более качественной оценки нужны данные на конкретный момент времени, цели, связанные с торговыми решениями, совместные тесты портфеля и исполнения, контролируемая адаптация, проспективная оценка и надлежащий надзор; эти практики улучшают доказательную базу, но не гарантируют доходность.

Ключевые идеи

• Возможности AI в прогнозировании и поддержке рабочих процессов развились сильнее, чем доказательства устойчивой прибыльности.
• Практически полезный инвестиционный сигнал должен пройти весь путь от информации на конкретный момент времени до исполнимой доходности с учётом издержек.
• Утечка данных, эффекты отбора, слабые эталоны, трудности реализации и ограниченная ёмкость могут подорвать исторические результаты.
• Данные по акциям и криптовалютам следует интерпретировать с учётом различий в структуре рынков и денежных потоках.
• Проспективное тестирование и совместная оценка портфеля, исполнения и надзора усиливают доказательства, но не гарантируют прибыль.

Теги

# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.