Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В современной глобальной экономике системный кризис формируется не через прямое выпадение конечных товаров, а через нарушение промежуточных производственных звеньев, обеспечивающих связность отраслей.
Энергетика, нефтехимия и базовая химия выступают инфраструктурным слоем мировой экономики. По оценкам International Energy Agency, нефтехимия уже сегодня формирует около 14% мирового спроса на нефть и является крупнейшим источником его долгосрочного роста.
Их дестабилизация приводит не к линейному снижению выпуска, а к каскадному разрушению производственных цепочек.
В этих условиях риск определяется не масштабом первичного шока, а архитектурой межотраслевых зависимостей, в рамках которой локальное нарушение трансформируется в системный сбой.

Экономика как система межотраслевых зависимостей
Глобальная экономика функционирует как взаимосвязанная сеть, где каждая отрасль одновременно является:
— потребителем промежуточной продукции;
— поставщиком для следующих звеньев цепи.
Это означает, что устойчивость системы определяется не состоянием отдельных отраслей, а согласованностью всей цепочки производства. Данный принцип эмпирически подтверждается в рамках моделей межотраслевого баланса и сетевых шоков, где показано, что даже локальные сбои способны формировать значимые макроэкономические колебания через сеть связей. В данной структуре возникает ключевой эффект: выпадение одного критического компонента делает невозможным выпуск конечной продукции независимо от доступности всех остальных ресурсов. Таким образом, риск носит не аддитивный, а дискретный характер где система перестаёт функционировать при нарушении отдельных узлов.

Энергетика как первичный узел кризиса
Нефть и газ в современной экономике выполняют двойную функцию:
— источник энергии;
— сырье для нефтехимии и базовой химии.
По данным International Energy Agency, на газ приходится около 23–24% мировой генерации электроэнергии, при этом в ряде регионов (включая страны Азии и Европы) зависимость существенно выше. Нарушение поставок или переработки углеводородов приводит к двум параллельным эффектам:
— ограничению генерации электроэнергии;
— сокращению производства химических промежуточных продуктов.
Энергетический дефицит, в свою очередь, перераспределяется через механизм нормирования, при котором в первую очередь ограничиваются наиболее энергоёмкие отрасли. Практическое подтверждение данного механизма наблюдалось в период энергетического кризиса 2022 года в Европе, когда рост цен на газ привёл к частичной остановке алюминиевых и химических производств (данные отраслевых ассоциаций и Eurostat). Это формирует первый уровень каскада:
энергетика → промышленность → материалы.

Нефтехимия и химия как инфраструктура производства
Базовые нефтехимические и химические продукты (полимеры, аммиак, метанол, ароматические углеводороды) являются фундаментом широкого спектра отраслей. По данным PlasticsEurope, мировой объём производства пластмасс превышает 400 млн тонн в год, при этом значительная часть продукции формируется из ограниченного набора базовых полимеров (полиэтилен, полипропилен, ПВХ). Ключевая особенность этих цепочек заключается в низкой изменяемости ряда компонентов.
Например:
— производство синтетического каучука зависит от ограниченного набора исходных веществ;
— удобрения завязаны на аммиачную цепочку;
— пластики и синтетические волокна формируются через узкий набор нефтехимических продуктов.
По оценкам Food and Agriculture Organization и International Fertilizer Association, около 80–90% производства азотных удобрений основано на аммиаке, синтез которого напрямую зависит от природного газа. В результате формируется эффект технологического «узкого горлышка», при котором дефицит одного промежуточного вещества блокирует производство целых групп товаров.

Эффект «недостающего компонента»
В отличие от классической модели дефицита, где снижение доступности ресурса приводит к пропорциональному снижению выпуска, в межотраслевых цепочках действует иной механизм.
Производство конечного продукта требует одновременного наличия всех критических компонентов.
Следовательно:
— даже частичный дефицит одного элемента может остановить выпуск;
— перераспределение потоков становится ограниченным;
— система не может компенсировать выпадение через альтернативные источники в краткосрочном периоде. Данный эффект получил эмпирическое подтверждение в период пандемии COVID-19, когда дефицит полупроводников привёл к снижению выпуска автомобилей на миллионы единиц по всему миру, несмотря на доступность остальных компонентов (данные OECD и отраслевых ассоциаций автопрома). Этот эффект приводит к тому, что сокращение производства трансформируется в непропорционально более сильное снижение выпуска.

Взаимозамкнутые производственные цепочки
Химическая и промышленная системы не являются линейными. Они представляют собой сеть взаимозависимых цепочек. Многие из этих цепочек замыкаются через одни и те же базовые компоненты (например, ароматические углеводороды и аммиак), что усиливает эффект синхронного нарушения.
Это означает, что кризис приобретает сетевую природу. Частичное восстановление становится затруднительным, поскольку:
— отсутствуют необходимые промежуточные компоненты;
— нарушены сопряжённые цепочки;
— производственные контуры теряют согласованность.

Нарушение энергетических и химических цепочек последовательно транслируется в другие сектора:

Металлургия
Энергоёмкость производства делает отрасль одной из первых, попадающих под ограничения.
Например, производство алюминия является одной из наиболее энергоёмких отраслей промышленности, где электроэнергия формирует значительную долю себестоимости (по данным World Steel Association и отраслевых источников). Сокращение выпуска базовых металлов влияет на:
— машиностроение;
— энергетику;
— транспортную инфраструктуру.

Строительство и промышленность
Зависимость от полимеров, смол и металлов приводит к снижению выпуска строительных материалов и оборудования.

Сельское хозяйство
Химическая цепочка через аммиак и удобрения формирует зависимость агросектора от энергетики.
По данным Food and Agriculture Organization, удобрения являются одним из ключевых факторов урожайности, а их дефицит напрямую влияет на объем производства продовольствия.

Транспорт и логистика
Химические компоненты участвуют в обеспечении функционирования транспорта, включая системы экологического контроля (например, растворы на основе мочевины для дизельных двигателей).

Текстильная промышленность
Высокая доля синтетических волокон делает отрасль зависимой от нефтехимии.
По данным Textile Exchange, синтетические волокна составляют около 65–70% мирового текстильного производства, из которых полиэстер — более 50%. Сбои в поставках сырья транслируются в:
— снижение производства тканей;
— нарушение экспортных моделей стран с высокой отраслевой концентрацией.

Системные параметры ключевых узлов экономики

Таблица 1. Количественные характеристики инфраструктурных отраслей

Источник: обобщение данных International Energy Agency, Food and Agriculture Organization, International Fertilizer Association, PlasticsEurope, World Steel Association

Представленные параметры демонстрируют, что ключевые узлы системы характеризуются высокой степенью концентрации и низкой взаимозаменяемостью, что усиливает вероятность каскадного распространения шока при нарушении даже одного из элементов.

Каскадный механизм и обратные связи
По мере распространения шока формируются вторичные эффекты:
— сокращение занятости;
— снижение инвестиций;
— рост долговой нагрузки;
— ухудшение финансовой устойчивости компаний.
Эти процессы создают петли обратной связи, усиливающие первоначальный шок. В результате кризис перестаёт быть следствием внешнего события и становится самоподдерживающейся системой.

Смещение источника риска
На уровне поверхностного восприятия кризис связывается с конкретным событием.
Однако структурный анализ показывает, что:
— первичный шок лишь активирует уязвимость;
— ключевой риск формируется в архитектуре взаимосвязей;
— масштаб последствий определяется структурой системы.
Таким образом, источник риска смещается: не событие → а связность экономики.

Практический вывод
Анализ системного кризиса требует смещения фокуса:
— с оценки отдельных рынков → на анализ межотраслевых зависимостей;
— с объемов дефицита → на критичность компонентов;
— с текущих показателей → на архитектуру производственных цепочек.

Заключение
Глобальная экономика не является совокупностью независимых рынков.
Она представляет собой связанную систему, в которой энергетика, нефтехимия и химия формируют инфраструктурный уровень, обеспечивающий функционирование всех остальных отраслей. Нарушение этого уровня приводит не к локальным сбоям, а к каскадному разрушению производственных цепочек, усиливаемому обратными связями и ограниченной заменимостью компонентов. Следовательно, системный кризис возникает не в точке первичного шока, а в процессе его распространения по сети межотраслевых зависимостей. В этих условиях устойчивость экономики определяется не объемом ресурсов, а способностью системы сохранять связность при нарушении отдельных узлов.

Исследовательская база
В основе анализа лежат исследования в области межотраслевых связей, системного риска, энергетической экономики и глобальных производственных цепочек, а также подходы к анализу сетевых эффектов в условиях дефицита ресурсов и нарушений поставок:

Leontief, W. — Input-Output Economics
Acemoglu, D., Carvalho, V., — Network Origins of Aggregate Fluctuations
Baqaee, D., Farhi, E. — The Macroeconomic Impact of Microeconomic Shocks
International Energy Agency (IEA) — The Future of Petrochemicals
International Energy Agency (IEA) — World Energy Outlook
World Bank — Commodity Markets Outlook
International Fertilizer Association (IFA) — Fertilizer Outlook and Supply Chains
PlasticsEurope — Plastics the Facts
Textile Exchange — Materials Market Report
World Steel Association — Steel Statistical Yearbook
McKinsey & Company — Risk, Resilience, and Rebalancing in Global Value Chains
Baldwin, R., Freeman, R. — Supply Chain Contagion Waves
BIS — Global value chains and systemic risk
OECD — Interconnected Economies: Benefiting from Global Value Chains

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В современной практике анализа контрагентов формируется системное искажение: инвестор оценивает не экономическую реальность компании, а цифровую модель её присутствия.
Реестры, судебные базы и медиасреда создают структурированное информационное поле, которое воспринимается как объективное отражение деятельности.
Однако данные представляют собой не факты в чистом виде, а сигналы, сформированные в рамках различных систем учёта и информационных процессов.
В результате риск возникает не вследствие недостатка информации, а в результате искажения её интерпретации.
Ключевая уязвимость формируется не на уровне данных, а на уровне архитектуры их преобразования в решение.

Иллюзия прозрачности цифровой среды
Цифровизация корпоративной информации привела к формированию эффекта полной наблюдаемости компании. Наличие записей в реестрах, судебных решений и медиа публикаций интерпретируется как признак прозрачности и достоверности. Однако данная прозрачность носит конструктивный характер.
Наблюдаются следующие особенности:
— данные формируются в различных институциональных системах;
— отражают фиксацию событий, а не их экономическую природу;
— обладают временными лагами;
— могут быть выборочно представлены или управляемы;
— не агрегируются в единую аналитическую структуру.
В результате формируется разрыв между:
— наблюдаемостью компании;
— её фактическим состоянием.
Указанные свойства формируют эффект структурной прозрачности, при котором полнота представления подменяет достоверность содержания.

Смещение источника инвестиционного риска
В традиционной логике анализа предполагается следующая зависимость:
данные → анализ → решение
Данная модель исходит из предположения, что данные являются объективной основой, а риск возникает при их недостаточности.
В цифровой среде фактически реализуется иная структура:
цифровой сигнал → интерпретация → решение
Это означает, что:
— данные перестают быть нейтральными;
— интерпретация становится центральным элементом анализа;
— ошибка возникает до момента принятия решения.
Сформулированные положения могут быть представлены в виде единой аналитической конструкции, отражающей переход от наличия данных к формированию интерпретационной ошибки и последующим инвестиционным последствиям.

Рисунок 1. Архитектура формирования интерпретационного риска в цифровой среде

Источник: составлено автором на основе анализа цифровых следов и реестровых данных, а также подходов к интерпретации информации в условиях неопределённости

Как показано на рисунке, ключевым элементом всей конструкции выступает уровень интерпретации, в рамках которого происходит преобразование цифровых сигналов в управленческое или инвестиционное решение. Именно на данном этапе формируется основное искажение, определяющее последующее качество аналитического вывода. Таким образом, риск возникает не на уровне данных как таковых, а на уровне их интерпретации, что требует пересмотра архитектуры аналитической процедуры.

Цифровой след как поведенческий механизм
Цифровой след не является статическим набором данных.
Он представляет собой динамическую систему сигналов, отражающих поведение субъекта в информационной среде.
Ключевые наблюдаемые эффекты:
— аномальные всплески информационной активности;
— удаление или трансформация данных;
— формирование управляемых репутационных контуров;
— нетипичная динамика судебных и корпоративных событий.
В этом контексте цифровой след выполняет двойную функцию:
— фиксирует события;
— отражает стратегию поведения субъекта.
Таким образом, анализ цифровых данных требует перехода:
от фиксации фактов → к интерпретации поведения
В этом смысле цифровой след выступает наблюдаемым прокси поведенческой модели, позволяющим фиксировать не только факты, но и стратегию действий субъекта.

Архитектура искажения инвестиционного решения
Инвестиционное решение формируется как результат последовательной обработки сигналов. На каждом этапе возникают собственные искажения. Следовательно, искажение носит не случайный, а системный характер, воспроизводимый при повторении аналитической процедуры.

Ограничения аналитической практики
В отсутствие формализованной модели анализа возникают системные ограничения:
— сигналы рассматриваются изолированно;
— интерпретация зависит от субъективного опыта;
— значимость факторов определяется интуитивно;
— результаты не воспроизводимы.
В результате происходит подмена анализа процедурой чтения данных.
Это приводит к тому, что:
— увеличивается уверенность в выводах;
— снижается их фактическая обоснованность.
Данная ситуация может быть охарактеризована как эффект псевдоанализа, при котором формальная работа с данными подменяет аналитическую процедуру.

Где возникает реальный риск
На уровне поверхностного восприятия инвестиционная ошибка связывается с некорректным выбором контрагента. Однако структурный анализ показывает, что уязвимость формируется значительно раньше на этапе построения аналитической логики.
Ключевые проблемы:
— гипотеза не формализована;
— допущения не зафиксированы;
— отсутствует сценарная проверка;
— параметры риска не определены количественно.
Следовательно, риск возникает не в объекте анализа, а в архитектуре принятия решения.

Практический вывод
Эффективный анализ контрагента требует смещения фокуса не с поиска информации, а на контроль логики её интерпретации.
Это предполагает:
— формализацию аналитической гипотезы;
— структурирование источников данных;
— разделение сигналов и их причин;
— сценарную проверку;
— количественную оценку риска.

Заключение
Цифровизация не устраняет неопределённость инвестиционного анализа, а трансформирует её структуру. Если ранее ключевым ограничением выступал дефицит информации, то в настоящее время основным источником риска является искажение её интерпретации. В этих условиях устойчивость инвестиционного решения определяется не объёмом данных, а качеством архитектуры их преобразования в аналитический вывод. Таким образом, инвестиционный риск в цифровой среде представляет собой функцию интерпретации, а не объёма доступных данных.

Исследовательская база
В основе анализа лежат методы исследования цифровых следов и реестровых данных, а также авторская интерпретация механизмов формирования инвестиционного риска в условиях цифровой среды:

Kahneman, D. — Thinking, Fast а Slow
Barber, B., Odean, T. — Trading Is Hazardous to Your Wealth
Tetlock, P. — Expert Political Judgment
Taleb, N. — The Black Swan
Shiller, R. — Irrational Exuberance
FATF — Risk-Based Approach Guidance
OECD — Principles of Corporate Governance
BIS — Principles for effective risk data aggregation and risk reporting (BCBS 239)
OECD — Guidelines for Multinational Enterprises

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В инвестиционной практике устойчивость результатов часто интерпретируется как признак надёжности стратегии. Однако повторяемость доходности не является доказательством наличия устойчивой закономерности.
Наблюдаемая стабильность может формироваться как следствие структуры данных, особенностей выборки и параметров модели. В этом случае инвестор имеет дело не с устойчивой стратегией, а с воспроизводимой ошибкой.
Следовательно, ключевой риск возникает не на уровне результата, а на уровне оценки его устойчивости.

Иллюзия воспроизводимости
Исторические данные создают основу для выявления закономерностей. На этой базе формируются модели, демонстрирующие устойчивый результат на ретроспективных данных. Однако данная устойчивость обладает рядом особенностей:
— формируется на ограниченной выборке;
— зависит от параметров модели;
— может быть следствием случайных совпадений;
— не гарантирует сохранения в будущем.
В результате воспроизводимость становится функцией прошлого, а не индикатором будущей эффективности.

Статистическая редукция неопределённости
Ключевым механизмом формирования ложной устойчивости выступает редукция распределения результатов к точечному значению.

Рис. 1. Расхождение между точечной оценкой и распределением возможных результатов

Источник: адаптировано на основе материалов Банка России с аналитической интерпретацией распределения результатов в инвестиционных моделях


Инвестиционное ожидание, как правило, формируется в виде конкретного значения показателя, которое воспринимается как базовый сценарий. Однако фактический результат носит вероятностный характер и представлен распределением значений, в рамках которого возможны отклонения различной величины и направленности. Даже при наличии прогнозного диапазона неопределённость не устраняется, а лишь частично формализуется. При этом распределение остаётся асимметричным и зависит от структуры факторов, лежащих в основе модели. Таким образом, устойчивость, наблюдаемая в ретроспективе, может быть следствием того, что модель фиксирует центральную часть распределения, игнорируя его хвостовые риски.

Статистическая природа ложной устойчивости
Финансовые данные представляют собой сочетание сигнала и шума. В условиях высокой вариативности даже случайные комбинации факторов могут формировать устойчивые на вид результаты. Ключевые источники искажения:
— переобучение модели;
— смещение выборки;
— эффект выживших стратегий.
Каждый из указанных факторов приводит к тому, что модель начинает отражать структуру данных, а не экономическую закономерность. Данный эффект согласуется с ранее рассмотренными механизмами искажений данных и их интерпретации, при которых аналитическая модель воспроизводит не реальность, а её формализованное представление.

Ошибка интерпретации устойчивости
На уровне восприятия инвестор осуществляет логическую подмену:
наблюдаемая стабильность → ожидаемая предсказуемость
Данная подмена приводит к завышенной уверенности в модели и снижению критичности анализа. Поведенческие механизмы усиливают данный эффект: стабильный результат закрепляется в памяти как подтверждение корректности решения, даже если он носит случайный характер. В результате устойчивость начинает восприниматься как свойство модели, а не как характеристика конкретного набора данных.

Режимность финансовых систем
Финансовые рынки не являются стационарными системами. Изменения макроэкономических условий, ликвидности, регулирования и поведения участников приводят к смене режимов. Модель, сформированная в одном режиме, может демонстрировать устойчивость на исторических данных, но терять применимость при изменении условий. Таким образом, устойчивость результата носит локальный характер и ограничена рамками наблюдаемого периода.

Передача ошибки в инвестиционное решение
Ошибка оценки устойчивости трансформируется в последовательную цепочку:
модель → сигнал → уверенность → решение → убыток
На каждом этапе усиливается исходное искажение, что приводит к системной ошибке, воспроизводимой при повторении аналитической процедуры.

Практический вывод
Корректная оценка инвестиционной модели требует перехода от анализа результата к анализу его распределения и условий формирования. Это предполагает:
— проверку вне выборки;
— стресс-тестирование;
— сценарный анализ;
— декомпозицию источников доходности;
— оценку зависимости от рыночного режима.
Таким образом, ключевой задачей становится не поиск устойчивого результата, а проверка структуры неопределённости, лежащей в его основе.

Заключение
Инвестиционная устойчивость не является свойством наблюдаемого результата. Она представляет собой характеристику модели в контексте изменяющейся среды и распределения возможных исходов. В этих условиях основным источником риска становится не ошибка в данных или гипотезе, а некорректная интерпретация вероятностной природы результата. Следовательно, надёжность инвестиционного решения определяется не повторяемостью результата, а качеством анализа его статистической структуры.

Исследовательская база
В основе анализа лежат исследования в области статистической природы финансовых рынков, устойчивости инвестиционных моделей и поведенческих факторов интерпретации результатов, а также институциональные подходы к работе с неопределённостью:

Taleb, N. — The Black Swan
De Prado, M. — Advances in Financial Machine Learning
Lo, A. — Adaptive Markets Hypothesis
Harvey, Liu, Zhu — … and the Cross-Section of Expected Returns
Kahneman, D. — Thinking, Fast and Slow
Банк России — Основные направления единой государственной денежно-кредитной политики на 2024–2026 годы

Андрей Ротко — аналитик по инвестиционным решениям и рискам
при участии: к.э.н. Липин А.С.

Ключевой вывод
Инвестиционное решение представляет собой гипотезу о будущем состоянии финансовой системы.
Ключевой риск возникает не вследствие недостатка информации, а в результате некорректной интерпретации наблюдаемых данных в условиях статистического шума.
Количественные методы не устраняют неопределённость, а позволяют управлять вероятностью ошибки.
Следовательно, устойчивость инвестиционного результата определяется не объёмом данных, а качеством процедуры их интерпретации.

Инвестиционное решение как статистическая гипотеза
Любая инвестиционная идея представляет собой утверждение о будущем поведении финансовых переменных, которое может быть формализовано в виде статистической гипотезы. Наблюдаемые данные содержат одновременно сигнал и случайные отклонения, что исключает возможность прямого отождествления результата и закономерности. В этих условиях формируется ключевое ограничение анализа:
— наблюдаемое отклонение может носить случайный характер;
— интерпретация результата зависит от выбранной модели;
— результат не эквивалентен устойчивости стратегии.
Превышение доходности относительно рынка не является достаточным основанием для вывода о наличии альфы, поскольку может быть реализовано в рамках случайного распределения.

Рисунок 1. Архитектура статистического решения

Источник: составлено на основе материалов «Количественные методы в финансах»

Принятие инвестиционного решения может быть представлено как последовательность этапов, включающая формулирование гипотезы, определение уровня значимости, анализ данных, проведение тестирования и интерпретацию результата. Ключевым элементом данной структуры выступает уровень значимости, который задаёт допустимый уровень риска ошибки и определяет строгость принимаемого решения.Таким образом, статистическая процедура отражает не только свойства данных, но и предпочтения инвестора в отношении риска.

Рисунок 2. Ошибки I и II рода в инвестиционном решении

Источник: адаптация теории статистического тестирования гипотез

Процесс принятия решения связан с вероятностью ошибок двух типов.
Ошибка первого рода возникает при отклонении нулевой гипотезы при её истинности и приводит к вложению капитала в неработающую стратегию. Ошибка второго рода связана с непринятием альтернативной гипотезы при её истинности и выражается в упущенной доходности. Выбор уровня значимости формирует компромисс между данными типами ошибок и определяет структуру риска инвестиционного решения.

Рисунок 3. Трансформация данных в инвестиционное решение

Источник: авторская модель, разработанная на основе методологии ROTKO

Финансовые данные представляют собой сочетание сигнала и шума, где задача анализа заключается в выделении устойчивых закономерностей. Шум формируется за счёт случайных отклонений, сезонности и единичных событий, не отражающих фундаментальных характеристик системы. Выделение сигнала требует применения количественных методов, однако сам по себе сигнал не является достаточным основанием для принятия решения. Ключевым этапом становится интерпретация, в рамках которой статистический результат преобразуется в инвестиционное действие.

Ограничения количественного анализа
Статистические методы не обеспечивают достоверного знания о будущем состоянии системы. Их функция заключается в снижении вероятности ошибок, а не в гарантии результата. Любой вывод зависит от:
— выбранной модели;
— параметров оценки;
— структуры данных.
Таким образом, количественный анализ задаёт рамки интерпретации, но не устраняет неопределённость.

Смещение источника риска
На уровне наблюдаемого результата инвестиционная ошибка воспринимается как следствие неверного выбора актива. Однако структурный анализ показывает, что ключевая уязвимость формируется на этапе интерпретации данных и построения гипотезы. При отсутствии формализации и количественной оценки параметров решение формируется как интерпретация, а не как результат анализа. В этих условиях риск смещается с уровня информации на уровень логики её обработки.

Практический вывод
Основная задача инвестора заключается не в увеличении объёма информации, а в контроле структуры инвестиционного решения. Это предполагает:
— формализацию гипотезы;
— фиксацию допущений;
— количественную оценку риска;
— проверку устойчивости результата.
Таким образом, инвестиционный процесс трансформируется в систему интерпретации данных.

Заключение
Инвестиционное решение всегда остаётся гипотезой, а его устойчивость определяется качеством проверки, а не глубиной уверенности. Количественные методы позволяют ограничить вероятность ошибки, но не устраняют неопределённость.

Исследовательская база
В основе анализа лежат классические и современные исследования в области инвестиционного анализа, теории портфеля и количественных методов, а также прикладные подходы к интерпретации статистических моделей в финансовом контексте.

Bodie, Kane, Marcus — Investments
Elton, Gruber, Brown, Goetzmann — Modern Portfolio Theory
DeFusco et al. — Quantitative Investment Analysis
Касимов, Аль-Натор, Колесников — Основы финансовых вычислений
Кремер, Путко — Эконометрика
Материалы CFA Institute
Липин А.С., к.э.н. — Количественные методы финансов

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
Финансовая отчетность традиционно воспринимается как объективное отражение состояния компании, однако, в действительности она представляет собой конструкцию, формируемую в рамках допустимых методологических и нормативных допущений.
В этих условиях ключевое значение приобретает не столько чтение отчетности, сколько понимание механизмов ее формирования и потенциальных искажений. Отсутствие такого понимания приводит к систематическим ошибкам в инвестиционной оценке поскольку инвестор опирается на показатели, не в полной мере отражающие экономическое содержание операций.
Аналитическая задача, таким образом, смещается от интерпретации показателей к анализу их происхождения и условий формирования.

Отчетность как система допущений
Финансовая отчетность формируется не как прямая фиксация экономической реальности, а как результат применения набора правил, принципов и допущений. Каждый показатель является следствием последовательных решений, связанных с признанием, оценкой и классификацией операций. Таким образом, отчетность представляет собой модель структурированную интерпретацию деятельности компании, а не ее непосредственное отражение.

Зоны допустимой вариативности учета
Система учета допускает множественность корректных решений как на уровне стандартов, так и на уровне профессионального суждения. Различия между РСБУ и МСФО, а также выбор методов оценки формируют пространство допустимой вариативности. В результате одна и та же экономическая деятельность может быть отражена различными способами без нарушения нормативных требований.

Рис. 1. Цепочка трансформации экономической деятельности в отчетность и последующее восприятие инвестором

Источник: авторская интерпретация на основе исследований в области финансового анализа

Представленная последовательность демонстрирует, что отчетность формируется как результат многоступенчатой трансформации, на каждом этапе которой возникают элементы выбора. Именно эта последовательность создает основу для последующих искажений.

Точки формирования искажения
Искажение возникает не на этапе анализа — а на этапе формирования отчетности. Ключевые зоны включают признание выручки, оценку активов, формирование резервов и консолидацию. Каждая из этих зон содержит элементы выбора и оценки — что делает их источником потенциального отклонения от экономической сути.

Формально корректная, но экономически искажённая отчетность
Соответствие стандартам не гарантирует соответствие экономической реальности. Возможна ситуация, при которой отчетность является полностью корректной с точки зрения нормативных требований — но при этом искажает фактическое финансовое состояние бизнеса. Таким образом, корректность и достоверность представляют собой различные категории.

Рис. 2. Ключевые зоны формирования вариативности и субъективности учетных показателей

Источник: авторская модель ROTKO

Таким образом, искажения носят не случайный, а структурный характер, поскольку заложены в самой логике формирования отчетности и усиливаются на этапе интерпретации.

Налоговое планирование как источник структурного искажения
Дополнительным фактором, усиливающим структурные искажения отчетности, выступает налоговое планирование. Налоговая оптимизация влияет на структуру операций и распределение финансовых потоков. В рамках допустимых инструментов изменяется логика признания доходов и расходов, что приводит к трансформации показателей отчетности. В результате финансовая модель компании начинает отражать не только экономическую деятельность, но и стратегию налогового управления.

Искажение как источник ошибки инвестиционной модели
Инвестиционный анализ строится на показателях отчетности и воспроизводит их структуру. При наличии искажений модель усиливает их, формируя иллюзию точности. Ошибка на уровне исходных данных трансформируется в ошибку оценки и далее в ошибку инвестиционного решения.

Рис. 3. Последовательная передача ошибки от данных к финальному решению

Источник: авторская модель ROTKO

На следующем уровне к структурным искажениям добавляются поведенческие эффекты восприятия. Последовательность передачи искажения показывает, что ошибка не возникает на этапе принятия решения, а является следствием накопления отклонений на предыдущих уровнях анализа.

Поведенческая ошибка инвестора
Инвестор склонен воспринимать числовые показатели как объективную основу анализа что снижает критичность восприятия. Отсутствие декомпозиции показателей приводит к подмене анализа чтением и усиливает влияние структурных искажений. В результате данные принимаются как факт, а не как результат учетной интерпретации.

Методология корректного анализа
Корректный анализ требует перехода от интерпретации показателей к анализу их происхождения. Это включает исследование учетной политики, выявление зон вариативности и реконструкцию экономической модели компании. Задача аналитика отделить экономическое содержание от учетной формы.

Рис. 4. Накопление расхождения в процессе трансформации данных

Источник: авторская модель ROTKO

В этих условиях ключевой задачей анализа становится не работа с итоговыми показателями, а восстановление связи между отчетностью и экономической реальностью.

Заключение
Финансовая отчетность представляет собой результат структурных решений в рамках учета и налогового планирования. Ошибки инвестиционного анализа возникают не из-за отсутствия информации, а вследствие неверной интерпретации уже имеющихся данных. Понимание архитектуры формирования отчетности позволяет перейти от анализа показателей к анализу их происхождения что является ключевым условием устойчивого инвестиционного решения.

Исследовательская база
В основе анализа лежат исследования в области качества финансовой отчетности, управления прибылью и влияния учетной политики на инвестиционные решения, а также подходы российской школы финансового анализа, рассматривающие отчетность как систему интерпретации:

Dechow, Sloan — Earnings Management
Healy, Wahlen — Earnings Management Literature
Beneish — Detection of Earnings Manipulation
IFRS Framework — Conceptual Framework
Вахрушина — Анализ финансовой отчетности
Шеремет, Негашев — Финансовый анализ организаций
Бороненкова, Мельник, Чепулянис — Комплексный финансовый анализ

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В инвестиционной практике устойчиво наблюдается парадокс: по мере роста опыта и объёма капитала снижается не вероятность ошибки, а способность к её своевременному распознаванию.
Опытные инвесторы совершают ошибки не вследствие дефицита информации, а в результате искажённого восприятия собственных решений. Память усиливает успешные кейсы, положительная обратная связь закрепляет модель поведения, социальная среда подтверждает гипотезу, а избыток информации формирует иллюзию контроля.
В результате инвестор оценивает не качество решения как такового, а согласованность собственной интерпретации.
Ключевой риск возникает не на уровне выбора актива, а на уровне архитектуры инвестиционного решения и логики его формирования.

Иллюзия качества решений
Инвестиционная компетентность традиционно связывается с опытом, доступом к информации и развитым аналитическим инструментарием. Предполагается, что накопление этих факторов приводит к повышению качества принимаемых решений.
Однако в действительности наблюдается иное: опыт не устраняет ошибку, а трансформирует её природу.
Начинающий инвестор чаще ошибается вследствие нехватки данных и ограниченности моделей. Опытный инвестор вследствие переоценки собственной логики и устойчивости сформированных интерпретаций.
В результате формируется структурный разрыв между:
— фактическим качеством решения;
— субъективной уверенностью в его корректности.

Рисунок 1. Дивергенция субъективной уверенности и фактического качества инвестиционных решений

Источник: концептуальная модель, адаптированная на основе исследований поведенческих финансов

Представленная зависимость отражает ключевое расхождение между субъективной уверенностью и фактическим качеством решений.
По мере накопления опыта инвестор усиливает уверенность в собственной логике, тогда как объективная устойчивость решений не демонстрирует сопоставимого роста.

Память как механизм искажения

Инвестор не хранит прошлые решения в объективной форме. Память функционирует как реконструктивная система, в рамках которой одни элементы усиливаются, а другие подавляются.
Наблюдаются следующие устойчивые эффекты:
— успешные решения запоминаются лучше, чем нейтральные или отрицательные;
— логика прошлых действий частично реконструируется задним числом;
— положительный опыт трансформируется в устойчивую уверенность.
В результате прошлый результат перестаёт быть фактом и превращается в интерпретацию, влияющую на будущие решения.

Обратная связь и рост уверенности

Положительный инвестиционный результат выполняет не только финансовую, но и когнитивную функцию: он закрепляет модель поведения и усиливает внутреннюю согласованность решений.При этом эффект носит асимметричный характер:
— один успешный кейс усиливает уверенность сильнее, чем несколько нейтральных результатов;
— неудачи интерпретируются как отклонения, а не как сигнал к пересмотру модели.
Формируется устойчивая динамика, при которой уровень субъективной уверенности растёт быстрее, чем фактическое качество решений.

Социальное подтверждение как фактор риска

В сегменте HNWI инвестиционные решения формируются в контексте социальной среды: рекомендации, закрытые деловые сети, advisory-структуры.Это создаёт эффект социального подтверждения: гипотеза, поддержанная несколькими источниками, воспринимается как более надёжная.Однако данные источники часто являются коррелированными:
— используют схожие аналитические модели;
— реагируют на единый информационный фон;
— транслируют близкие по структуре интерпретации.
В результате формируется коллективная уверенность при отсутствии независимой проверки. Совпадение мнений интерпретируется как подтверждение гипотезы, хотя фактически может отражать структурную взаимосвязь источников.

Рисунок 2. Формирование коллективной уверенности при отсутствии независимой валидации

Источник: коррелированные источники (консультанты, социальная среда, аналитические модели)

Следовательно, согласованность внешних оценок не гарантирует независимости анализа, а может отражать структурную взаимосвязанность источников. В этих условиях совпадение мнений усиливает уверенность инвестора, не снижая фактический уровень неопределённости.

Иллюзия контроля через информацию
Современная инвестиционная среда характеризуется высокой доступностью данных, что формирует ощущение глубины анализа и управляемости процесса принятия решений.При этом увеличение объёма информации не приводит к пропорциональному росту качества выводов. Напротив, информация нередко выполняет функцию подтверждения уже сформированной позиции.
В частности, она:
— усиливает исходную инвестиционную гипотезу за счёт селективного восприятия;
— направляет внимание на подтверждающие сигналы при игнорировании альтернативных;
— снижает вероятность пересмотра позиции.
В результате формируется иллюзия контроля: глубина анализа начинает восприниматься как индикатор надёжности решения, тогда как фактическая устойчивость гипотезы может оставаться неизменной или снижаться.Таким образом, неопределённость не устраняется, а трансформируется из недостатка информации в искажение её интерпретации.Представленный процесс можно рассмотреть как последовательную трансформацию исходного информационного сигнала, в рамках которой каждый этап аналитической обработки вносит собственные искажения.

Рисунок 3. Трансформация инвестиционного сигнала от данных к решению и накопление искажений

Источник: авторская модель ROTKO

Модель указывает на принципиальный сдвиг: источник инвестиционного риска смещается с уровня информации на уровень её интерпретации. В этих условиях критическим становится не доступ к данным, а способность контролировать структуру их преобразования в решение.

Где возникает реальный риск
На поверхности инвестиционная ошибка выглядит как результат некорректного выбора актива. Однако структурный анализ показывает, что уязвимость формируется значительно раньше — на этапе построения инвестиционной логики. Ключевые проблемы:
— гипотеза не формализована;
— допущения не зафиксированы;
— отсутствует сценарная проверка;
— параметры риска не определены количественно.
Таким образом, риск возникает не в самом инструменте, а в архитектуре решения.

Практический вывод
Основная задача инвестора заключается не в увеличении объёма информации и не в ускорении реакции на рынок. Ключевая задача — контроль структуры собственного решения. Это предполагает:
— формализацию инвестиционной гипотезы;
— фиксацию ключевых допущений;
— проведение сценарного анализа;
— проверку логики независимым взглядом.

Роль независимой аналитики
В условиях системных когнитивных искажений возникает необходимость внешнего уровня контроля.
Его функция заключается в следующем:
— проверка логики инвестиционного решения;
— выявление скрытых уязвимостей;
— тестирование альтернативных сценариев;
— снижение влияния поведенческих факторов.
Таким образом, аналитика выполняет не функцию генерации рекомендаций, а функцию защиты от ошибок.

Заключение
Опыт и доступ к информации не устраняют инвестиционный риск, а трансформируют его.
Память усиливает уверенность, положительный результат снижает критичность, социальная среда подтверждает гипотезу, а информация формирует иллюзию контроля. В этих условиях устойчивость капитала определяется не объёмом знаний, а качеством архитектуры инвестиционных решений. Следовательно, ключевая задача инвестора заключается не в поиске информации, а в контроле логики формирования собственного решения.

Исследовательская база
В основе анализа лежат исследования в области поведенческих финансов и когнитивной психологии инвестиционных решений, а также авторская интерпретация указанных эффектов:

Barber, Odean — Overconfidence and Trading
Review of Financial Studies — Investor Memory
Review of Financial Studies — Memory and Markets
American Economic Association — Social Interaction and Investor Behavior
American Economic Association — Financial Advisors and Bias

Андрей Ротко — аналитик по инвестиционным решениям и рискам
под научным руководством: д.ю.н. Астанин В.В.

Ключевой вывод
Формальная корректность финансового инструмента не гарантирует его инвестиционную надёжность.
В условиях сложных юридических конструкций риск возникает не на уровне документа, а на уровне процедуры его проверки и интерпретации полученных данных.
Даже при соблюдении всех нормативных требований инвестиционное решение может быть ошибочным, если не анализируется экономическое содержание сделки и поведенческая структура контрагентов.

Иллюзия юридической надёжности
В инвестиционной практике часто используется простое допущение: если инструмент соответствует законодательству, значит он безопасен. Такое восприятие основано на отождествлении юридической корректности и экономической надёжности. Однако на практике это не так. Финансовый инструмент, включая вексель, представляет собой юридическую форму обязательства, а не гарантию его исполнения. Он может полностью соответствовать установленным требованиям, но при этом не отражать реального экономического содержания сделки. В результате возникает принципиальный разрыв:
— документ является юридически корректным;
— обязательство при этом может быть фактически неисполнимым.
Именно в этом разрыве формируется инвестиционный риск.

Кейс — вексель как модель ошибки
В рамках анализа был рассмотрен конкретный простой вексель, используемый в потенциальной сделке. Проведённая проверка выявила совокупность признаков, формирующих высокий уровень риска. При этом принципиально важно, что значительная часть этих признаков не выявляется на уровне формального чтения документа, поскольку он воспроизводит внешние атрибуты юридической корректности. Иными словами, объект анализа изначально представлен в форме, которая воспринимается как валидная, что создаёт предпосылки для ошибки интерпретации. Указанная ситуация может быть проиллюстрирована на примере рассматриваемого инструмента.

Рисунок 1. Формально корректный вексель как объект инвестиционного анализа (лицевая и оборотная стороны векселя)

Источник: материал кейса; авторская интерпретация структуры документа и факторов риска

Как видно из представленного документа, он содержит полный набор визуальных и формальных признаков, традиционно ассоциируемых с надёжным финансовым инструментом: установленную форму, реквизиты, подписи, печати, а также структурированное текстовое содержание. Однако именно данная полнота оформления формирует иллюзию достоверности, подменяя собой анализ экономической природы обязательства. Дальнейшая проверка выявила совокупность признаков, формирующих высокий уровень риска.
1. Дефекты структуры документа
— указание получателя платежа как «на предъявителя», что противоречит требованиям вексельного законодательства;
— наличие избыточных реквизитов, создающих иллюзию достоверности;
— несоответствия в регистрационных данных.
2. Аномальные параметры обязательства
— номинал в десятки миллиардов рублей;
— привязка к валютному эквиваленту;
— отсутствие обеспечения.
Такая конструкция требует не юридической, а экономической проверки.
3. Разрыв логики обращения
— нарушения в цепочке индоссаментов;
— невозможность подтверждения непрерывности передачи прав.
4. Характеристики контрагентов
Анализ векселедателя и векселедержателя показал:
— признаки фиктивной деятельности;
— отсутствие реальной финансово-хозяйственной активности;
— несоответствие масштаба обязательства ресурсной базе;
— признаки массовой регистрации и номинального управления.
Формально субъекты существовали. Фактически — не обладали способностью исполнить обязательство.

Ключевой поворот анализа
Наиболее важный вывод заключается в следующем: даже при устранении формальных дефектов риск бы не исчез. Это означает, что ошибка возникает не на уровне документа, а на уровне интерпретации полученных данных. Следовательно, наличие документа не снижает неопределённость, а трансформирует её форму.

Архитектура инвестиционной ошибки
Анализ позволяет выделить последовательную модель формирования ошибки, включающую несколько взаимосвязанных уровней, каждый из которых выполняет самостоятельную функцию в процессе принятия инвестиционного решения.
На первом, формальном уровне осуществляется проверка реквизитов и соответствия документа установленным законодательным требованиям, что создаёт у субъекта анализа ощущение контроля и формальной завершённости процедуры.
На втором, операционном уровне проводится анализ структуры сделки, движения инструмента и логики передачи прав, что позволяет частично снизить риск за счёт выявления процедурных несоответствий и разрывов в обращении.
Третий, экономический уровень предполагает оценку способности исполнения обязательства, финансового состояния участников и их ресурсной базы, формируя тем самым приближенную к реальности оценку инвестиционной состоятельности инструмента.
Однако ключевое значение имеет четвёртый, интерпретационный уровень, на котором происходит синтез полученных данных в итоговое решение. Именно на данном этапе возникает основное искажение, определяющее качество инвестиционного вывода.
При отсутствии формализованной аналитической процедуры решение подменяется интерпретацией, что приводит к формированию эффекта псевдоанализа, при котором глубина и объём проведённой проверки воспринимаются как эквивалент надёжности и качества принятого решения.

Практический вывод
Эффективная работа с инструментами подобного типа требует смещения фокуса не с проверки документа, а с контроля логики анализа. Это предполагает:
— разделение юридической корректности и экономической достоверности;
— анализ контрагента как ключевого носителя риска;
— проверку исполнимости обязательства;
— формализацию инвестиционной гипотезы;
— сценарную оценку исходов.
Вексель в данном контексте выступает, как индикатор качества аналитической процедуры.

Заключение
Рассмотренный кейс демонстрирует фундаментальное ограничение инвестиционного анализа — формальная корректность не эквивалентна надёжности. Юридическая структура может быть безупречной, при этом не отражать экономического содержания обязательства и не обеспечивать его исполнимость. В этих условиях устойчивость инвестиционного решения определяется не качеством документа, а качеством его интерпретации. Следовательно, должная осмотрительность не может быть сведена к проверке формы. Она должна рассматриваться как система анализа, в рамках которой контролируется не только объект сделки, но и логика принятия решения.

Методологическая и исследовательская база
В основе анализа лежат методы правового и экономического исследования вексельного обращения, а также авторская интерпретация механизмов формирования инвестиционного риска в условиях формальной валидности финансовых инструментов:

Аузан А.А. — Экономика институтов и снижение неопределённости
Шершеневич Г.Ф. — Курс торгового права
Белов В.А. — Курс вексельного права
Гудков Ф.А. — Вексель — дефекты формы и методики выявления
Шульц В.Л. и др. — Безопасность предпринимательской деятельности
Постановление Пленума ВС РФ и ВАС РФ № 33/14 «О рассмотрении споров, связанных с обращением векселей»
Информационное письмо Президиума ВАС РФ № 18 «Обзор практики разрешения споров с использованием векселей»

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В инвестиционной практике существует ряд устойчивых подходов к интерпретации рыночного движения. Один из них основан на приоритете технической структуры цены и отказе от фундаментальной оценки при покупке актива.
Попытка купить актив по «хорошей цене» нередко приводит к входу в позицию против текущего рыночного движения. В результате инвестор оказывается в ситуации, где:
— отсутствует подтверждение направления;
— отсутствует точка контроля риска;
— поведение замещает стратегию.
Оценка эффективности данного подхода в настоящей записке не проводится. Задача состоит в структурировании его логики и выявлении механизмов такого подхода.

Иллюзия «выгодной цены»
Рассматриваемый подход исходит из предположения, что ключевая ошибка инвестора возникает из переноса бытовой логики в рыночную среду. В повседневной практике снижение цены интерпретируется как улучшение условий сделки. Однако в рамках рыночной динамики снижение цены отражает не «дешевизну», а дисбаланс спроса и предложения в пользу продавца. Таким образом, попытка «поймать дно» приводит к подмене:
— цена воспринимается как возможность;
— тогда как фактически она является индикатором продолжающегося давления.
В логике данного подхода фиксируется принцип: на падающем тренде «выгодная цена» не является основанием для покупки.

Структура рынка: три режима
Для упрощения анализа рынок редуцируется до трёх базовых состояний:
— растущий тренд;
— падающий тренд;
— боковое движение (флэт).
Такое представление позволяет перейти от субъективных ожиданий к наблюдаемой структуре. Флэт рассматривается как функциональный элемент, принимающий различные формы:
— после снижения — как зона стабилизации;
— внутри тренда — как коррекция;
— в завершающей фазе — как распределение.
Отдельно выделяется ситуация узкого флэта после роста, которая интерпретируется как признак сохранения направленного движения.

Механизм формирования убытка
Формирование убытка в рамках рассматриваемого подхода носит не одномоментный, а последовательный характер. Убыток возникает не как следствие отдельного ошибочного входа, а как результат каскадной трансформации инвестиционного решения, в рамках которой каждое последующее действие не компенсирует предыдущую ошибку, а усиливает её.
Первичный риск возникает в момент входа против текущего движения, когда решение принимается исходя из представления о «выгодной цене», а не на основе подтверждённой структуры рынка. При дальнейшем неблагоприятном движении отказ от фиксации убытка приводит к интерпретации рыночного сигнала не как основания для пересмотра гипотезы, а как временного отклонения.
На следующем этапе ошибка усиливается через усреднение позиции, при котором первоначально локальный риск начинает масштабироваться. Рост доли позиции в портфеле приводит к концентрации капитала и трансформации частного убытка в системный риск.
Финальная стадия связана со смещением логики принятия решений: стратегия перестаёт выполнять функцию управления позицией и замещается поведенческой реакцией на уже сформированный убыток.

Рисунок 1. Последовательная трансформация инвестиционной ошибки в убыток

Источник: составлено автором.

Представленная последовательность отражает, что убыток формируется не на финальном этапе, а развивается как накопительный процесс последовательных отклонений от стратегии.

Точка входа как функция подтверждения
Логика открытия позиции в рамках рассматриваемого подхода строится не на выборе «низкой цены», а на последовательном подтверждении движения. Допустимая точка входа рассматривается как результат совокупности условий, включающих наличие направленного движения на старшем таймфрейме, формирование импульса, последующую консолидацию и выход из неё в сторону движения.

Рисунок 2. Последовательность подтверждения допустимой точки входа

Источник: составлено автором.

При таком подходе более высокая цена интерпретируется не как ухудшение условий сделки, а как снижение неопределённости и уменьшение риска ошибочного входа.

Выбор инструмента как источник риска
Отдельный акцент делается на том, что ошибка может формироваться на этапе выбора актива. В рамках подхода выделяются категории повышенного риска:
— низколиквидные инструменты;
— активы с высокой и нерегулярной волатильностью;
— новые размещения без истории торгов;
— производные инструменты с нелинейной динамикой.
В качестве базовой среды рассматриваются активы:
— с высокой ликвидностью;
— с воспроизводимой динамикой;
— с читаемой структурой тренда и коррекции.

Поведенческий фактор
Подход исходит из того, что риск проявляется не только в динамике цены, но и в состоянии участника. Рост убытка при нарушении условия закрытия позиции на заданном уровне риска сопровождается:
— повышением тревожности;
— отказом от фиксации ошибки;
— зависимостью от внешних интерпретаций;
— снижением качества решений.
В этот момент поведение начинает определять логику принятия решений в большей степени, чем выбранная стратегия.

Ограничения фундаментальной интерпретации
В рамках рассматриваемой модели критически оценивается подход, основанный на прогнозировании стоимости актива через фундаментальные показатели. Ключевые ограничения:
— отсутствие точного временного горизонта реализации сценария;
— отсутствие формализованной точки выхода при ошибке;
— игнорирование динамики поведения участников;
— предположение о стабильности внешней среды.
При этом признаётся, что цена формируется как результат взаимодействия множества факторов, выходящих за рамки финансовых показателей.

Заключение
Рассмотренный подход представляет собой одну из моделей покупки актива, в рамках которой приоритет отдается структуре цены и наблюдаемому поведению рынка, а не оценке «справедливой стоимости» актива. Его логика исходит из предположения, что ключевой риск возникает не на уровне цены как таковой, а на уровне интерпретации её движения. В этой связи решение о покупке связывается не с поиском «выгодной цены», а с наличием подтверждённого движения и формализованных условий контроля риска. Таким образом, цена рассматривается не как самостоятельное основание для входа в позицию, а как элемент рыночной структуры.
Эмпирическая проверка эффективности подходов этого класса, выполненная на тестировании 1871 стратегии на рынках России и США, представлена в записке «Технический анализ и инвестиционная ошибка: где заканчивается прогноз и начинается управление риском».

Исследовательская база
В основе анализа лежит структурирование одного из подходов к интерпретации рыночной динамики, а также обобщение поведенческих и теоретических моделей принятия инвестиционных решений:

Murphy, J. — Technical Analysis of the Financial Markets
Nison, S. — Japanese Candlestick Charting Techniques
Kahneman, D. — Thinking, Fast and Slow
Thaler, R. — Misbehaving: The Making of Behavioral Economics
Shiller, R. — Irrational Exuberance
Malkiel, B. — A Random Walk Down Wall Street

Марина Рощина — практикующий советник по репутационному маркетингу

Ключевой вывод
Деловая репутация в современной среде, где доминируют технологии искусственного интеллекта, нейросети, дипфейки перестает быть отражением фактического качества бизнеса и его ценностных установок, всё чаще выступает как управляемый информационный и даже медиа конструкт, генерируемый теми же нейросетями для управления поведением людей. В целом институт репутации подвергается глобальным изменениям, которые необходимо учитывать при осуществлении и реализации инвестиционных проектов, так как формируется разрыв между публичным восприятием образа компании и её реальным положением дел, корпоративной устойчивостью, что увеличивает риск при принятии инвестиционных и управленческих решений.

Изменение природы деловой репутации
Если вспомнить классическое определение, то репутация — это сложившееся мнение, представление о ком-то или чем-то. Если раньше, до появления Интернета и цифровых технологий, личная и деловая репутация человека складывалась на основании реальных дел, поступков и транслировалась из уст в уста, то сейчас на нее влияют различные факторы и люди, которые не сталкивались с продуктом, но «мнение» имеют и при этом им доступны технологии, которые помогают его транслировать с невероятной скоростью. Кроме всего, появился и институт инфлюенсеров, которые создают проплаченный контент в социальных сетях, но не несут никакой ответственности за его соответствие действительности.

Ученые из Массачусетского технологического института проанализировали более 4,5 млн. записей, опубликованных 3 млн пользователей в социальной сети Twitter и обнаружили, что чтобы добиться охвата 1500 человек, правдивой информации требуется в 6 раз больше времени, чем фейку. Вероятность ретвита фальшивой новости в среднем на 70 % выше, чем у настоящей.

В цифровой среде механизм формирования деловой репутации принципиально изменился. Репутация сегодня не столько отражает реальные ценности компании, ее отношение к сотрудникам, партнерам, сколько стала результатом направленных действий специалистов, которые формируют в сети нужный, идеальный образ компании, который может качественно отличаться от реально существующего. Деловая репутация сегодня – это медиа-конструкт, совокупность информационных сигналов о компании, распространяемых в сети. Эти сигналы формируются как специалистами самой компании, так и транслируются внешними участниками — пользователями, медиа, блогерами, инфлюенсерами, амбассадорами и любыми третьими лицами, которые, во-первых, не всегда обладают достоверной информацией, во-вторых, могут быть не заинтересованы в распространении правдивой информации, в-третьих, являются ангажированными компанией лицами и по этой причине не являются независимыми во мнении.

Кейс:
Вспомните недавнюю историю про Додо-пиццу и бездомную собаку Боню, которая иногда приходила к пиццерии погреться от лютых морозов нынешней зимы. Какой был поднят информационный шум в сети Интернет, когда был уволен курьер, заботившийся об этой собаке! Сколько было высказано мнений и предложений к отказу от взаимодействия с брендом, хотя всю правду никто не знал.

Источник: авторская подборка скриншотов из Соцсетей

Интересным и немаловажным является и тот факт, что фактически, как бы громко не призывали в сети Интернет к бойкоту бренда, эта ситуация никак не сказалась на финансовых показателях бренда.

Источник: данные системы dodostats (операционные показатели Dodo Pizza) за период с 20 февраля по 3 марта 2026 года.

Данный кейс демонстрирует, что интенсивность негативного информационного фона не всегда коррелирует с фактическими финансовыми показателями компании. Таким образом, цифровая репутация может выступать как самостоятельный, но не всегда релевантный индикатор устойчивости.

Механизм формирования искажения
Цифровая репутация формируется в условиях информационной среды, характеризующейся высокой плотностью участников, отсутствием прямой связи между достоверностью информации и ответственностью за её распространение, а также алгоритмическим стимулированием вирусного контента. В такой среде информационные сигналы распространяются не по принципу достоверности, а по принципу вовлечённости. Ключевыми источниками искажения выступают управляемый контент (заказные отзывы, платные публикации и рейтинги), пользовательский контент, не основанный на реальном опыте, а также деятельность инфлюенсеров и амбассадоров, формирующих мнение аудитории вне рамок проверки информации. Дополнительную роль играет алгоритмическое усиление отдельных сигналов и распространение фейков, дипфейков и синтетического контента. В результате формируется цифровой образ компании, в рамках которого положительная репутация может быть искусственно создана, а негативная — гипертрофирована. При этом достоверность информации перестаёт быть определяющим фактором её влияния. В таких условиях возникает структурный разрыв между цифровой репутацией как восприятием и фактической устойчивостью бизнеса как экономической реальностью. Этот разрыв не является очевидным и, как правило, не выявляется при поверхностном анализе. Более того, высокая цифровая активность способна формировать иллюзию устойчивости при наличии скрытых операционных и организационных уязвимостей.

Цифровая репутация как источник инвестиционного риска
В описанных условиях цифровая репутация должна рассматриваться не как индикатор качества бизнеса, а как источник искажения информации при его оценке. Для инвестора, партнёра или управленца это означает, что решения, основанные на поверхностном анализе цифрового образа компании, сопряжены с повышенным уровнем риска. К числу ключевых рисков относятся принятие решений на основе искажённого информационного поля, переоценка устойчивости бизнеса, недооценка его операционных и репутационных уязвимостей, а также ошибочная оценка управленческой команды и корпоративной культуры. Особую значимость эти риски приобретают при выборе контрагента, инвестировании в непубличные компании и оценке партнёрских связей, где доступ к проверяемой информации ограничен.

Практические аспекты формирования репутации
Практика показывает, что цифровая репутация определяется не только внешним информационным следом, но и внутренними характеристиками деятельности компании. Ключевое значение имеет соответствие заявленных корпоративных ценностей фактическому качеству продукта или услуги, а также характер коммуникации с клиентами, особенно в ситуациях негативной обратной связи. Существенную роль играет отношение к сотрудникам, которые выступают носителями репутации как в цифровой, так и в офлайн-среде. Дополнительным фактором является участие компании в социальных и общественных инициативах, формирующих её восприятие. При этом пользовательский контент и отзывы оказывают прямое влияние на поведенческие решения, включая решение о покупке или сотрудничестве. Наличие исключительно положительных отзывов, напротив, снижает уровень доверия и формирует заведомо завышенные ожидания.

Управление репутацией как элемент управления рисками
В современных условиях управление цифровой репутацией выходит за рамки маркетинговой функции и становится частью системы управления корпоративными рисками. Эффективная модель управления предполагает постоянный мониторинг информационного поля, анализ источников и структуры репутационных сигналов, а также системную работу с негативной информацией. Не менее важным является контроль соответствия между формируемым публичным образом и фактическим состоянием бизнеса. Отдельное значение приобретает способность компании выстраивать своевременную и прозрачную коммуникацию в кризисных ситуациях, что позволяет снижать негативное воздействие и ограничивать распространение искажённой информации.

Заключение
Цифровая репутация в современной среде перестаёт быть надёжным индикатором устойчивости бизнеса и всё чаще выступает как управляемый информационный конструкт. В этих условиях она должна рассматриваться не как характеристика компании, а как фактор анализа и источник потенциальных искажений при принятии решений. Ключевое значение приобретает способность выявлять и интерпретировать разрыв между публичным восприятием компании и её фактическим состоянием. Игнорирование данного разрыва приводит к ошибкам инвестиционного и управленческого анализа.

Исследовательская база
В основе анализа лежат эмпирические исследования цифровой информационной среды, операционные данные, а также авторские материалы по вопросам репутационного менеджмента и поведенческих факторов:

Vosoughi S., Roy D., Aral S. — The spread of true and false news online // Science. 2018
Рощина Марина. — Цифровая репутация в вопросах и ответах/Шпаргалка брендам: немного о современных репутационных ловушках/Как заработать на репутации
Открытые цифровые источники — социальные сети, пользовательский контент, публичные медиа

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Ключевой вывод
В корпоративной и инвестиционной практике простой вексель воспринимается как надёжный инструмент фиксации обязательства, обладающий высокой степенью юридической определённости.
Однако данное представление является ограниченным, поскольку вексель может использоваться вне своей экономической функции не как средство расчётов, а как инструмент конструирования обязательств.
Анализ расширенной выборки арбитражных дел показывает, что вексель системно используется в схемах, направленных на формирование фиктивной задолженности, трансформацию обязательств и последующее их погашение через зачет. Следовательно, источник риска кроется не в корректности документа, а в архитектуре его использования и логике взаимосвязанных сделок.

Деконструкция исходного представления
Рассматриваемая проблематика развивает ранее сформулированный тезис о том, что формальная корректность финансового инструмента не эквивалентна его экономической надёжности. В отличие от анализа отдельного документа, в настоящей записке фокус смещается на более высокий уровень — архитектуру использования векселя в системе взаимосвязанных сделок, в рамках которой формально валидный инструмент становится элементом конструирования обязательств. На уровне базового восприятия вексель рассматривается как:
— юридически значимое обязательство;
— инструмент с высокой степенью доверия;
— доказательство наличия долга.
Это восприятие основано на его абстрактной природе. Однако эмпирический анализ судебной практики показывает, что данная абстрактность в ряде случаев используется не для обеспечения оборота, а для его искажения.
В рамках исследования была проанализирована выборка из 30 арбитражных дел (2017–2025 гг.), в которых вексель выступал ключевым элементом спорных правоотношений.
Распределение ролей векселя в коммерческих взаимоотношениях:
— 18 случаев — использование векселя в делах о банкротстве (как основание включения требований в реестр);
— 8 случаев — вексель как доказательство исполнения или обязательства (в том числе при отсутствии фактических расчетов);
— 4 случая — прямое оспаривание векселя (признаки подложности, отсутствия экономического основания).
Во всех категориях наблюдается единая закономерность: вексель используется как инструмент легитимации заранее сконструированного результата.

Типовые сценарии использования векселя
Анализ кейсов позволил выделить повторяющиеся модели:
— Имитация задолженности → создание обязательства без движения денежных средств;
— Внутригрупповой оборот → передача векселей между аффилированными структурами;
— Трансформация обязательств → замещение займов и долгов вексельными требованиями;
— Подготовка к банкротству → формирование требований для включения в реестр;
— Завершение через зачет → ключевой элемент большинства конструкций.
Таким образом, вексель выступает не как самостоятельный инструмент, а как элемент более сложной схемы (см. рис. 1).

Рисунок 1. Модель формирования фиктивного вексельного обязательства

Источник: составлен автором по материалам выборки арбитражных дел 2017-2025 гг.

Представленная схема иллюстрирует последовательность этапов, в рамках которых реальное обязательство трансформируется в формально корректную, но экономически искусственную конструкцию. Ключевое значение имеет переход от реального сектора к контуру аффилированных структур, в котором происходит утрата экономического содержания обязательства при сохранении его юридической формы. Вексель в данном процессе выступает связующим элементом, обеспечивающим перенос обязательства и формирование встречного требования. Завершающие этапы модели демонстрируют, что итоговый результат достигается не через исполнение обязательства, а через его трансформацию и последующее погашение, что принципиально меняет характер оценки таких операций в рамках инвестиционного и юридического анализа.

Кейс: дело № А10-5182/2017
Данная модель наглядно реализована в деле № А10-5182/2017 (Арбитражный суд Республики Бурятия, 15.03.2021). В рамках дела установлена последовательность:
— формирование задолженности;
— создание дочернего общества;
— эмиссия векселя без обеспечения;
— внесение в капитал;
— передача векселя кредитору;
— формирование встречного требования;
— зачет обязательств.
В результате задолженность была погашена без движения денежных средств. Суд квалифицировал совокупность действий как притворную конструкцию, направленную на искусственное создание обязательства.

Смещение источника риска
Расширенный анализ показывает, что ошибка в оценке векселя носит системный характер и не ограничивается отдельными случаями недобросовестного поведения. Традиционно внимание сосредоточено на проверке самого документа, анализе его реквизитов и подтверждении права требования, что формирует ощущение достаточности юридической экспертизы. Однако фактический уровень риска проявляется на ином уровне: в структуре сделки, логике взаимосвязанных операций и их экономической цели. В этих условиях становится очевидным, что вексель как инструмент не является источником риска сам по себе. Риск формируется в модели его использования и в той архитектуре, в рамках которой он интегрирован в корпоративные взаимоотношения.

Таким образом, корректная оценка вексельных обязательств требует смещения фокуса анализа. Необходимо рассматривать не отдельный документ, а всю цепочку сделок, в рамках которой он используется, выявлять аффилированность участников, оценивать экономическую целесообразность операций и проверять наличие реального движения денежных средств. Существенное значение приобретает идентификация завершающих элементов конструкции, в частности зачетов, а также учет контекста. При этом стоит учесть возможные признаки банкротства или внутригруппового перераспределения активов. Игнорирование этих аспектов приводит к ситуации, при которой формально корректные конструкции принимаются за экономически обоснованные, что влечет за собой ошибочные управленческие и инвестиционные решения.

Заключение
Проведенный анализ судебной практики подтверждает, что использование векселя в коммерческих взаимоотношениях существенно трансформировалось и вышло за пределы его классической функции. В современных условиях он может выступать инструментом создания обязательств, трансформации задолженности, перераспределения активов и формирования фиктивных требований. Это означает, что устойчивость аналитической оценки определяется не проверкой формы обязательства, а пониманием механизма его формирования и роли в общей структуре сделок. Именно на этом уровне возникает ключевой риск, оказывающий определяющее влияние на принимаемые инвестиционные решения.

Исследовательская база
В основе анализа лежит сопоставление судебной практики, нормативного регулирования вексельного обращения и доктринальных подходов к оценке обязательств, а также авторская интерпретация механизмов формирования фиктивной задолженности в корпоративной среде:

Гражданский кодекс Российской Федерации
ФЗ № 48-ФЗ «О переводном и простом векселе»
Постановление Пленума ВС РФ № 25 от 23.06.2015
Арбитражный суд Республики Бурятия — дело № А10-5182/2017
Арбитражная практика (2017–2025) — выборка дел с вексельными требованиями
Белов В.А. — Ценные бумаги в российском гражданском праве
Суханов Е.А. — Гражданское право: обязательственное право

Андрей Ротко — аналитик по инвестиционным решениям и рискам
С использованием материалов исследования Дмитрия Семёнова (ETPINVEST)

Ключевой вывод
Технический анализ традиционно рассматривается как инструмент прогнозирования рыночного движения. Однако результаты масштабного тестирования стратегий на основе скользящих средних показывают иную картину. В большинстве случаев применение технических сигналов не обеспечивает устойчивого превосходства над пассивным владением активом по доходности, особенно на развитых рынках.
При этом практическая ценность технического анализа проявляется в снижении глубины просадок, формализации инвестиционных решений и ограничении влияния поведенческих искажений инвестора. В этих условиях технический анализ целесообразно рассматривать не как инструмент предсказания будущего, а как механизм управления неопределённостью и контроля инвестиционной дисциплины.

Введение
В аналитической записке «Покупка актива на фондовом рынке: подход, основанный на анализе движения цены» рассматривалась одна из моделей принятия инвестиционного решения, в рамках которой ключевое значение придаётся не оценке справедливой стоимости актива, а наблюдаемой структуре рыночного движения. В основе данного подхода лежит предположение о том, что цена отражает совокупный результат действий участников рынка, а задача инвестора заключается не в прогнозировании будущего, а в выявлении признаков изменения баланса спроса и предложения.
Одним из наиболее распространённых инструментов подобного анализа выступают скользящие средние и построенные на их основе сигналы. Несмотря на многолетнюю популярность данного инструментария, вопрос о его практической эффективности остаётся предметом дискуссий. Сторонники технического анализа рассматривают его как механизм выявления рыночных закономерностей, тогда как критики указывают на отсутствие устойчивых доказательств его способности обеспечивать превосходство над пассивным инвестированием.
В этой связи возникает принципиальный вопрос: если технический анализ действительно не позволяет надёжно прогнозировать рынок, то чем объясняется его сохранение в профессиональной практике на протяжении нескольких десятилетий? Для ответа на него необходимо перейти от обсуждения отдельных примеров к анализу результатов масштабных эмпирических исследований и рассмотреть технический анализ не как набор индикаторов, а как элемент архитектуры инвестиционного решения.

Иллюзия прогнозирования рынка
Одним из наиболее устойчивых представлений инвестиционного сообщества является убеждение, что технический анализ позволяет прогнозировать дальнейшее движение цены. В различных интерпретациях данная идея присутствует как среди частных инвесторов, так и среди профессиональных участников рынка.
В основе такого восприятия лежит естественное стремление человека обнаруживать закономерности в наблюдаемых данных. Если определённая конфигурация графика неоднократно предшествовала росту актива, возникает предположение о существовании причинно-следственной связи между сигналом и будущим результатом.
Однако финансовый рынок представляет собой систему высокой неопределённости, в которой наблюдаемое движение формируется под воздействием большого числа факторов, значительная часть которых не поддаётся прямому наблюдению. В результате возникает фундаментальная проблема интерпретации: инвестор начинает воспринимать вероятностный сценарий как прогноз.
Именно в этой точке формируется первое методологическое искажение. Технический сигнал начинает восприниматься не как один из элементов аналитической процедуры, а как самостоятельное основание для принятия решения. При этом сам факт появления сигнала подменяет собой анализ условий его возникновения и ограничений применимости.
Подобный механизм соответствует ранее рассмотренным эффектам инвестиционной уверенности, при которых наличие формализованного признака снижает критичность восприятия и создаёт иллюзию контроля над неопределённостью.

От дискуссий к проверке гипотез
Несмотря на многолетнюю популярность технического анализа, значительная часть дискуссий вокруг него строится на отдельных успешных или неудачных примерах.
В результате возникает ситуация, при которой сторонники подхода опираются на удачные сделки, а критики на примеры неудачных прогнозов. Подобный формат обсуждения не позволяет оценить фактическую устойчивость метода.
Для преодоления данного ограничения необходим переход от отдельных кейсов к анализу статистически значимых массивов данных. Интересный пример подобного подхода представлен в исследовании Дмитрия Семёнова, включающем тестирование 1871 стратегии на выборке из 1209 американских и 251 российской акции, а также ряда фондовых индексов. Исследование охватывает различные типы скользящих средних, комбинации периодов, фильтры подтверждения сигналов, стратегии золотого креста и иные варианты использования технических индикаторов.
Особый интерес представляет не поиск «лучшей» стратегии, а возможность определить реальную функцию технических инструментов в инвестиционном процессе.

Таблица 1. Параметры исследования

Источник: исследование Семёнов Д. — «Скользящие средние: исследование 1 871 стратегии на 1 460 акциях РФ и США» (ETPINVEST)

Что показали результаты исследования
Полученные данные демонстрируют несколько устойчивых закономерностей.
Во-первых, на американском рынке большинство стратегий, основанных на скользящих средних, уступают классическому подходу Buy & Hold по показателю среднегодовой доходности. Даже лучшие комбинации скользящих средних не обеспечивают превосходства над долгосрочным владением широким набором акций.

Таблица 2. Доходность и максимальная просадка лучших стратегий

Источник: исследование Семёнов Д.

Представленные данные демонстрируют характерный компромисс между доходностью и риском. Несмотря на заметное отставание по показателю CAGR, стратегии на основе скользящих средних позволяют снизить максимальную просадку на 17–18 процентных пунктов по сравнению с пассивным владением активом.
Во-вторых, использование технических фильтров позволяет существенно снизить максимальные просадки инвестиционного портфеля. В ряде случаев снижение глубины просадки достигает десятков процентных пунктов по сравнению с пассивным владением.
В-третьих, результаты существенно зависят от структуры рынка. Параметры, демонстрирующие приемлемые показатели на американском рынке, оказываются менее эффективными на российском. Это свидетельствует об отсутствии универсальных настроек и необходимости учитывать особенности конкретной рыночной среды.
В-четвёртых, наибольшая эффективность наблюдается не на отдельных акциях, а на индексах, где влияние случайных факторов и специфических корпоративных событий оказывается значительно ниже. Именно в индексных стратегиях применение скользящих средних позволяет приблизиться к доходности пассивного владения при заметно меньшем уровне риска.

Таблица 3. Результаты стратегии «Золотой крест» на фондовых индексах

Источник: исследование Семёнов Д.

Наиболее интересный результат исследования наблюдается именно на индексах. Потеря части доходности сопровождается двукратным сокращением максимальной просадки, что позволяет рассматривать технический анализ как инструмент управления риском, а не как способ повышения доходности.
До настоящего момента результаты рассматривались преимущественно через показатели доходности и максимальной просадки на длительном временном горизонте. Однако для инвестора не менее важным является вопрос устойчивости стратегии в периоды рыночного стресса. Именно кризисные фазы позволяют оценить способность инвестиционного подхода ограничивать последствия ошибок и сохранять контроль над риском в условиях высокой неопределённости.

Таблица 4. Поведение стратегии скользящих средних в периоды кризисов

Источник: исследование Семёнов Д.

Представленные данные показывают, что использование скользящих средних не позволяет избежать убытков в периоды кризисов, однако способствует снижению глубины падения капитала. Наиболее заметный эффект наблюдается во время продолжительных нисходящих трендов, когда формализованные правила позволяют своевременно сократить или закрыть позицию. Данное наблюдение дополнительно подтверждает тезис о том, что практическая ценность технического анализа связана прежде всего с управлением риском, а не с повышением доходности.
Во всех рассмотренных кризисах использование фильтра на основе скользящих средних не позволило избежать убытков полностью, однако обеспечило заметное снижение глубины падения капитала. Именно этот эффект объясняет устойчивый интерес инвесторов к подобным стратегиям даже при отсутствии превосходства по доходности.
Полученные результаты позволяют сместить фокус обсуждения с вопроса «работает ли технический анализ?» на вопрос «какую функцию он фактически выполняет в инвестиционном процессе?». Если рассматривать доходность как единственный критерий оценки, многие технические стратегии действительно выглядят неоднозначно. Однако инвестиционная ошибка формируется не только на уровне выбора актива, но и на уровне интерпретации информации и принятия решений. Именно поэтому дальнейший анализ целесообразно перенести из области рыночных сигналов в область поведенческих факторов.

Ограничение когнитивных искажений
Особый интерес представляет влияние технических инструментов на поведенческие аспекты инвестирования. Как показывают исследования в области поведенческих финансов, значительная часть инвестиционных ошибок возникает не вследствие недостатка информации, а вследствие особенностей её интерпретации. Инвестор склонен:
— искать подтверждение уже принятой позиции;
— удерживать убыточные активы дольше рационального срока;
— переоценивать собственные аналитические способности;
— подменять стратегию реакцией на текущие рыночные колебания.
В этих условиях наличие заранее определённых критериев позволяет снизить влияние эмоциональных факторов. Принципиально важно, что скользящая средняя не обладает способностью предсказывать будущее движение цены. Однако она способна выполнять так же функцию ограничивающую свободу интерпретации.

Рисунок 1. Роль технического сигнала в ограничении когнитивных искажений инвестора

Источник: авторская модель ROTKO

Именно эта особенность может объяснять устойчивую популярность технических методов на протяжении нескольких десятилетий, несмотря на отсутствие убедительных доказательств их способности обеспечивать систематическое превосходство по доходности.

Ограничения подхода
Несмотря на практическую полезность отдельных технических инструментов, их возможности имеют объективные ограничения. Технический анализ:
— не устраняет рыночный риск;
— не прогнозирует кризисы с высокой точностью;
— не позволяет определить внутреннюю стоимость актива;
— не заменяет фундаментальный анализ;
— не гарантирует положительный финансовый результат.
Кроме того, эффективность большинства технических сигналов зависит от структуры рынка и может изменяться по мере трансформации поведения участников.
По этой причине использование технических методов требует постоянной проверки и адаптации, а не механического следования исторически успешным настройкам.

Практический вывод

Результаты исследования позволяют рассматривать технический анализ в ином качестве, чем это принято в популярной инвестиционной литературе. Наиболее полезным его применение становится тогда, когда он используется:
— как элемент инвестиционной процедуры;
— как способ фиксации правил принятия решений;
— как инструмент ограничения поведенческих искажений;
— как механизм контроля риска.
Наименее полезным технический анализ оказывается в тех случаях, когда на него возлагается функция прогнозирования будущих ценовых движений или поиска гарантированных точек разворота рынка.
В этих условиях эффективность определяется не самим индикатором, а качеством его интеграции в общую архитектуру инвестиционного решения.

Заключение
Проведённый анализ показывает, что многолетняя дискуссия о способности технического анализа прогнозировать рынок во многом построена на неверной постановке вопроса.
Эмпирические данные свидетельствуют о том, что скользящие средние и производные от них стратегии редко обеспечивают устойчивое превосходство над пассивным инвестированием по доходности. Вместе с тем они способны выполнять функцию снижения глубины просадок, стандартизировать процесс принятия решений и ограничивать влияние поведенческих факторов.
Следовательно, практическая ценность технического анализа определяется не его способностью предсказывать рынок, а возможностью формализовать инвестиционную процедуру и снизить вероятность ошибки инвестора. В этом контексте технический анализ следует рассматривать не как инструмент прогнозирования, а как один из механизмов управления неопределённостью инвестиционного решения.

Исследовательская база
В основе анализа лежат исследования в области технического анализа, поведенческих финансов, количественной оценки торговых стратегий и управления инвестиционными решениями:

Murphy J. — Technical Analysis of the Financial Markets
Nison S. — Japanese Candlestick Charting Techniques
Brock W., Lakonishok J., LeBaron B. — Simple Technical Trading Rules and the Stochastic Properties of Stock Returns
Malkiel B. — A Random Walk Down Wall Street
Kahneman D. — Thinking, Fast and Slow
Thaler R. — Misbehaving: The Making of Behavioral Economics
Shiller R. — Irrational Exuberance
Lo A. — Adaptive Markets Hypothesis
De Prado M. — Advances in Financial Machine Learning
Семёнов Д. — «Скользящие средние: исследование 1 871 стратегии на 1 460 акциях РФ и США» (ETPINVEST)

Думнов Кирилл — архитектор ИИ решений в РБК, Эксперт ИИ в Нетологии

Краткий вывод
На российском рынке после 2022 года информационная среда стала асимметричной и фрагментированной: иностранные аналитические дома покинули локальный рынок, брокерское покрытие многих эмитентов MOEX сократилось, часть корпоративных раскрытий перешла в усечённый формат. AI-агенты способны частично закрыть этот информационный дефицит на уровне скрининга, агрегации данных и мониторинга портфеля. Однако они не заменяют аналитика-человека при интерпретации контекста, работе с закрытыми источниками и принятии ответственных решений.

Контекст и гипотеза
Инвестиционный анализ одна из наиболее информационно насыщенных профессиональных дисциплин. После 2022 года российский рынок оказался в принципиально новой информационной ситуации: иностранные аналитические дома покинули локальный рынок, брокерское покрытие большинства эмитентов MOEX сократилось, а часть корпоративных раскрытий перешла в усечённый формат. Существующие международные LLM-конвейеры — FinRobot, TradingAgents — спроектированы под англоязычные источники и неприменимы «как есть» для работы с MOEX ISS API, e-disclosure.ru и СПАРК-Интерфакс.
Это формирует информационный дефицит: релевантные сигналы по российским эмитентам извлекаются неполно, что снижает качество рекомендаций. Именно в этом разрыве и возникает пространство для кастомной AI-автоматизации не как замены аналитика, а как инструмента восстановления информационной полноты на рынке с объективно сниженным покрытием.
Центральная гипотеза материала: AI-агенты создают измеримое конкурентное преимущество на этапах первичного скрининга, обработки данных и структурирования информации по российским эмитентам, но остаются ненадёжными на уровне интерпретации контекста, работы с закрытыми раскрытиями и принятия ответственных инвестиционных решений. Ключевое ограничение применимости размер и ликвидность эмитента: на малоликвидных бумагах MOEX с разреженным новостным потоком качество рекомендаций агента, по экспертной оценке автора, деградирует значимо сильнее.

Рис. 1. Архитектура мульти-агентного конвейера для российского рынка.

Источник: составлен автором

Возможности. Где AI-агент создаёт ценность на MOEX

Скорость и масштаб первичного скрининга
Традиционный скрининг 50–100 эмитентов MOEX занимает у команды аналитиков несколько недель. AI-агент с подключением к MOEX ISS API и e-disclosure.ru способен выполнить сопоставимый объём работы за часы — сформировать структурированные карточки: мультипликаторы (P/E, EV/EBITDA), долговая нагрузка (Долг/EBITDA), динамика EBITDA, флаги аномалий в раскрытиях. Это не замена глубокого анализа, а радикальное сжатие воронки отбора.
Синтез русскоязычных источников
Мультиагентная LLM-архитектура способна автоматизировать обход русскоязычных источников: MOEX ISS API, e-disclosure.ru, СПАРК-Интерфакс, новостные ленты РБК и Интерфакс. RAG-надстройка поверх векторизованного корпуса корпоративных раскрытий снижает риск галлюцинаций модели, хотя и не устраняет его полностью. Задача, требовавшая недель ручной работы в рамках due diligence по крупным эмитентам, частично автоматизируема: агент формирует информационный граф вокруг эмитента и помогает выявлять противоречия между официальными заявлениями менеджмента и данными из альтернативных источников.
Сравнение с консенсусом российских брокеров
Практическая валидация AI-агента на российском рынке предполагает сопоставление его рекомендаций с консенсус-прогнозом локальных брокеров — Т-Инвестиций, ВТБ Капитала, Сбер CIB, Альфа-Инвестиций. Заявленная в исследовательской программе автора метрика согласованности (статистика Cohen's kappa выше 0,4 на горизонте 3 месяцев по 12–15 ликвидным эмитентам) пока представляет собой гипотезу и ориентир для тестирования, а не опубликованный эмпирический результат с раскрытой методологией.
Мониторинг портфеля в режиме реального времени
Агентные системы могут быть эффективны для непрерывного мониторинга: корпоративные события на e-disclosure.ru, изменения рейтингов АКРА и «Эксперт РА», публикации отчётности, новости о ключевых акционерах через СПАРК. При настройке триггерных условий агент способен генерировать алерты с предварительной оценкой влияния на инвестиционный тезис, разгружая аналитика от рутинного мониторинга.

Рис. 2. Сравнительный профиль компетенций AI-агента и аналитика-человека.

Источник: составлен автором на основе бенчмарков FinGAIA 2025, FAITH 2025.

Структурные барьеры на российском рынке

Галлюцинации и верифицируемость финансовых данных
LLM-системы производят статистически правдоподобный, но не обязательно фактически точный текст. В инвестиционном контексте это означает риск генерации несуществующих финансовых показателей или ошибочных интерпретаций нормативных актов. Опубликованный в 2025 году бенчмарк FAITH (Zhang et al., принят на ICAIF'25) зафиксировал значимую долю ошибок ведущих LLM в задачах извлечения и расчёта показателей по табличным финансовым данным — тестирование проводилось на корпусе годовых отчётов компаний из индекса S&P 500. Прямой перенос этих цифр на российскую отчётность по МСФО или РСБУ является аналогией, а не прямым измерением: структура и состав раскрытий различаются, и фактический уровень ошибок на русскоязычных данных требует отдельной проверки. Тем не менее общий вывод о неприемлемости использования LLM-выводов по финансовым показателям без верификации справедлив независимо от языка и юрисдикции источника.
Специфика российских раскрытий
После 2022 года значительная часть российских эмитентов перешла на публикацию отчётности в усечённом формате: отдельные строки МСФО не раскрываются, сегментная отчётность упрощена, аудиторские заключения задерживаются. Эта информационная асимметрия создаёт разрыв, который AI-агент не может заполнить, он работает с тем, что публично доступно на e-disclosure.ru и в СПАРК. Закрытые данные, неформальные связи акционеров, отраслевые сигналы, не отражённые в открытых источниках, остаются в зоне компетенции аналитика-человека.
Отсутствие неформализованного знания
Опытный аналитик несёт неформализованное знание: интуитивное понимание того, что стоит за стандартными формулировками в российских отчётах, как читать комментарии менеджмента в контексте регуляторного давления, какие отраслевые сигналы значимы. Это знание плохо кодифицируется и не воспроизводится моделью напрямую. Особенно это критично при анализе компаний с государственным участием или непрозрачной структурой акционерного контроля.
Зависимость от размера и ликвидности эмитента
На эмитентах второго и третьего эшелона MOEX с узким раскрытием, разреженным новостным потоком и низким средним дневным объёмом торгов качество работы агента, по наблюдениям практиков, деградирует заметно сильнее, чем на ликвидных «голубых фишках». Это формирует внутрироссийские границы применимости подхода: AI-агент потенциально конкурентен консенсус-прогнозу брокеров прежде всего на ликвидных бумагах с богатым покрытием данных.

Рис. 3. Матрица рисков внедрения AI-агентов на российском рынке.

Риски системного характера

Регуляторный риск
Деятельность по инвестиционному консультированию в России регулируется статьёй 6.1 закона «О рынке ценных бумаг» и нормативными актами Банка России, включая требования к форме индивидуальной инвестиционной рекомендации и к самим инвестиционным советникам. Эти нормы возлагают ответственность за рекомендацию на лицензированного советника — физическое или юридическое лицо, включённое в реестр Банка России. AI-агент не является субъектом права и не может нести такую ответственность. Использование AI-выводов без раскрытия методологии клиенту и без участия лицензированного советника создаёт регуляторный риск для брокера или управляющей компании.
Риск концентрации и стадности
При массовом применении схожих AI-систем участниками рынка MOEX возникает риск корреляции торговых решений. На относительно узком российском рынке с невысокой ликвидностью по ряду бумаг это потенциально способно усиливать волатильность и провоцировать локальные дислокации, если эффективность отдельных агентов будет основана на схожих сигналах и данных
Риск атрибуции ответственности
При ошибочной рекомендации AI-агента неочевидно, кто несёт ответственность: разработчик модели, вендор LLM (зачастую иностранная компания), пользователь системы или инвестиционная компания, её применяющая. Действующее российское законодательство не регулирует этот вопрос напрямую применительно к AI-агентам, что создаёт юридическую неопределённость для участников рынка.
Риск зависимости от иностранных LLM
Большинство производительных LLM-моделей разработаны иностранными компаниями. Изменение условий доступа, дополнительные санкционные ограничения или прекращение поддержки API создают операционный риск для конвейеров, построенных на этих моделях. Развитие отечественных LLM как альтернативы остаётся актуальной, но пока не полностью решённой задачей.
Отдельного внимания заслуживает проблема «автоматизационного доверия» — когнитивного смещения, при котором аналитики склонны придавать избыточный вес выводам автоматизированных систем. В условиях информационного дефицита, характерного для российского рынка после 2022 года, этот эффект особенно опасен: агент может уверенно синтезировать неполные данные, не сигнализируя о существенных пробелах в информации.

Горизонты трансформации на российском рынке

Перспективы AI-автоматизации инвестиционного анализа на MOEX разумно рассматривать через три горизонта. Горизонт 2022–2024 годов — структурный разрыв: уход иностранных аналитиков создал информационный вакуум, пилотные RAG-системы начали его частично заполнять. Горизонт 2024–2026 годов — AI-augmented аналитик: мульти-агентный due diligence на MOEX ISS, e-disclosure и СПАРК, систематическое сравнение с консенсусом Тинькофф, ВТБ, Сбер CIB. Горизонт 2026–2028 годов — частичная автономия: AI-генерация аналитических меморандумов по МСФО-отчётности, формирование позиции ЦБ РФ по AI-советникам, развитие отечественных LLM как альтернативы иностранным моделям.

Рис. 4. Сценарная дорожная карта AI на российском инвестиционном рынке.

Что может сделать инвестор уже сейчас

Ниже представлен пошаговый маршрут для инвестора или аналитика, который хочет начать использовать AI-агента для работы с российскими акциями. Каждый шаг реализуем с минимальными техническими ресурсами.
Шаг 1. Подключиться к MOEX ISS API
MOEX ISS (Informational & Statistical Server) — бесплатный публичный API Московской биржи. Он предоставляет котировки, историю торгов, корпоративные события и состав индексов в формате JSON/XML. Базовых знаний Python достаточно: библиотека apimoex позволяет получить историю цен по тикеру за несколько строк кода. Это фундамент — без ценовых данных агент не может рассчитать показатели качества прогноза и верифицировать рекомендации.
Шаг 2. Собрать отчётность с e-disclosure.ru
Система раскрытия информации Банка России (e-disclosure.ru) содержит обязательные раскрытия российских публичных компаний: годовые и квартальные отчёты, существенные факты, сведения об аффилированных лицах. Скачанные PDF-отчёты интересующих эмитентов можно превратить в локальную векторную базу данных (например, Chroma, FAISS или Qdrant) с помощью LangChain или LlamaIndex. Это основа RAG-надстройки, которая снижает (но не исключает) галлюцинации модели.
Шаг 3. Настроить мульти-агентный конвейер
На базе LangGraph или AutoGen можно реализовать цепочку из нескольких специализированных агентов: агент данных (выгрузка MOEX ISS и разбор PDF с e-disclosure), аналитический агент (расчёт мультипликаторов, извлечение ключевых тезисов из отчётности, анализ тональности новостного потока), агент-рекомендатель (формирование предварительной оценки с обоснованием, не заменяющей решение лицензированного советника). В качестве LLM-ядра используются современные модели, оптимизированные под работу с длинными документами.
Шаг 4. Сравнить с инвестиционными идеями российских брокеров
Имеет смысл регулярно сверять выводы агента с публично доступными инвестиционными идеями ведущих российских брокеров — Т-Инвестиций, ВТБ Мои Инвестиции, Сбер CIB и других. Фиксация расхождений и отслеживание их реализации на горизонте 1–3 месяцев позволяет эмпирически оценить качество работы агента и понять, на каких эмитентах по сегменту, ликвидности, отрасли он работает точнее, а где систематически ошибается.
Шаг 5. Верифицировать критические тезисы вручную
Обязательное правило: любой вывод агента, влияющий на решение о покупке или продаже, требует верификации по первоисточнику на e-disclosure.ru или данным СПАРК. Использовать вывод агента без проверки источника не следует, особенно если речь идёт о числовых показателях или юридически значимых фактах (аффилированность, судебные иски). Эмпирически задокументированный (хотя и не на российских данных) уровень ошибок LLM на финансовой табличной информации не теоретический, а практический риск, который снимается только верификацией.
Практический вывод: начинать стоит с одного эмитента, одного источника, одного агента, далее расширять периметр только после того, как качество выходных данных подтверждено на минимальной конфигурации.

Заключение и практическое значение
Анализ возможностей, ограничений и рисков AI-агентов в контексте российского инвестиционного рынка приводит к выводу, отличному от обеих крайних позиций. AI-агенты на российских источниках это прежде всего инструмент восстановления информационной полноты на рынке с объективно сниженным аналитическим покрытием.
Конкурентное преимущество может возникать у команд, освоивших модель «AI-augmented analyst»: агент берёт на себя скрининг по MOEX ISS, агрегацию данных e-disclosure и мониторинг новостных лент, тогда как аналитик концентрируется на интерпретации контекста, работе с закрытыми источниками и принятии ответственных инвестиционных решений. Участие человека в цикле проверки не формальность, а содержательный этап верификации, требуемый как профессиональной этикой, так и действующим регулированием инвестиционного консультирования.
Ключевое внутрироссийское ограничение: AI-агент потенциально конкурентен консенсус-прогнозу брокеров прежде всего на ликвидных эмитентах первого эшелона с богатым информационным покрытием. На бумагах второго и третьего эшелонов, где раскрытие минимально, а новостной поток разрежен, качество рекомендаций деградирует и это отличает задачу автоматизации на MOEX от аналогичных задач на более информационно насыщенных рынках.

Исследовательская база
В основе анализа лежит сопоставление зарубежных и российских исследований по применению LLM-агентов в финансовом анализе, действующего регулирования инвестиционного консультирования и публичных российских источников данных по эмитентам MOEX:

Федеральный закон № 39-ФЗ «О рынке ценных бумаг», статья 6.1 «Деятельность по инвестиционному консультированию»
Указание Банка России № 5014-У «О порядке определения инвестиционного профиля клиента инвестиционного советника...»
Zhou T., Wang P., Wu Y., Yang H. — FinRobot: AI Agent for Equity Research and Valuation with LLMs
Xiao Y., Sun E., Luo D., Wang W. — TradingAgents: Multi-Agents LLM Financial Trading Framework
Fatouros G., Metaxas K., Soldatos J., Karathanassis M. — MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents
Zhang M., Fu J., Warrier T., Wang Y., Tan T., Huang K. — FAITH: A Framework for Assessing Intrinsic Tabular Hallucinations in Finance
Левитский Е. Б. — Цифровая трансформация на финансовых рынках в современных условиях
Китинов М. Б. — Применение искусственного интеллекта в сфере финансов на основе анализа международного опыта
MOEX ISS API — официальный информационно-статистический сервер Московской биржи
e-disclosure.ru — система раскрытия информации эмитентами эмиссионных ценных бумаг
СПАРК-Интерфакс — система профессионального анализа рынков и компаний

Андрей Ротко — аналитик по инвестиционным решениям и рискам

Вопрос о том, стоит ли покупать ОФЗ в 2026 году, вышел на первый план после того, как Банк России девять раз подряд снизил ключевую ставку — с 21% до 14,25%. При годовой инфляции 5,6% реальная доходность гособлигаций достигла 8–9 процентных пунктов — кратно выше исторической нормы: на длинном горизонте 2003–2024 гг. реальная доходность рублевого долга составляла лишь порядка 1 п.п. годовых. В записке разбирается, насколько устойчива эта возможность, как она соотносится с исторической доходностью акций, облигаций и депозитов за 2003–2024 гг. и какое позиционирование по длине кривой выглядит оправданным с учётом официальной траектории ЦБ и рисков со стороны бюджета.

Ключевой вывод
В базовом сценарии вложения в ОФЗ-ПД, прежде всего в длинный сегмент кривой (10 лет), на горизонте до конца 2026 г. представляются умеренно привлекательными, однако с существенно более осторожной калибровкой ожиданий, чем предполагает рыночный консенсус. Ключевые аргументы:
Во-первых, экономика находится в середине цикла смягчения денежно-кредитной политики: ключевая ставка снижена с пиковых уровней 2024–2025 гг. до 14,25% (решение Совета директоров Банка России от 19 июня 2026 г.). При этом собственный апрельский прогноз регулятора (средняя ставка 13,3–14,0% с 27 апреля до конца 2026 г.) арифметически соответствует уровню порядка 13,0–13,5% на конец года — заметно выше консенсуса аналитических домов (~12%), а в резюме обсуждения июньского решения все участники отметили возможность более высокой траектории, чем в апрельском прогнозе. Направление среднесрочной траектории при этом регулятором не оспаривается: на 2027 г. прогнозируется средняя ставка 8,0–10,0%, на 2028 г. — 7,5–8,5%. Исторический опыт (2019 г.) показывает, что в фазе снижения ставки совокупный доход (total return, TR) по ОФЗ существенно превышает доходность к погашению (YTM) на момент покупки.
Во-вторых, реальная доходность ОФЗ находится на исторически аномально высоком уровне: при годовой инфляции 5,6% (на середину июня 2026 г.) и доходностях 13,4% по 3-летним и 14,7–14,8% по 10-летним выпускам ex-ante реальная доходность составляет порядка 8–9 п.п. Для сравнения: на десятилетнем горизонте 2013–2023 гг. среднегодовая номинальная доходность индекса полной доходности гособлигаций RGBITR составляла лишь около 8–8,5%, а реальная — порядка 0–3%.
В-третьих, короткий сегмент кривой уже в значительной степени отыграл ожидаемое смягчение ДКП (доходности 3-летних бумаг снизились до 13,4%, то есть ниже ключевой ставки), тогда как средний и длинный концы с апрельского заседания, по констатации самого Банка России, выросли за счет увеличения премии за срочность, обусловленной неопределенностью параметров бюджетной политики.
Главная оговорка заключается в том, что премия в длинном конце кривой имеет преимущественно фискальную, а не монетарную природу — Минфин перенес возврат к нулевому первичному структурному дефициту с 2026 на 2029 г. Это означает, что снижение ключевой ставки само по себе не гарантирует снижения длинных доходностей: для реализации сценария высокого TR требуется одновременно и продолжение цикла смягчения, и стабилизация бюджетных ожиданий. При сохранении фискальной премии длинные ОФЗ принесут доход вблизи текущей YTM (~14,5–15%) — результат, конкурентоспособный сам по себе, но без «премии за дюрацию».

Текущая макроэкономическая конфигурация

Ключевая ставка и инфляция
По итогам заседания 19 июня 2026 г. Банк России снизил ключевую ставку на 25 б.п. до 14,25% годовых. Официальный дневной ряд ключевой ставки позволяет точно восстановить хронологию цикла: пиковое значение 21,00% действовало с 28.10.2024 по 06.06.2025, после чего последовали девять последовательных снижений — до 20% (решение от 06.06.2025), 18% (25.07.2025), 17% (12.09.2025), 16,5% (24.10.2025), 16% (19.12.2025), 15,5% (13.02.2026), 15% (20.03.2026), 14,5% (24.04.2026) и 14,25% (19.06.2026), суммарно на 675 б.п. Обращает на себя внимание монотонное затухание темпа смягчения: шаги 100–200 б.п. в первой фазе цикла, стандартные 50 б.п. с октября 2025 г. и минимальный шаг 25 б.п. в июне 2026 г. Эта динамика сама по себе является аргументом против экстраполяции быстрых темпов начала цикла на его завершающую фазу.

Рисунок 1 — Ключевая ставка Банка России, июнь 2024 г. — июль 2026 г.

Годовая инфляция на 15 июня составила 5,6%. Согласно резюме обсуждения (опубликовано 01.07.2026), текущий рост цен в апреле–мае снизился в среднем до 2,1% с.к.г. с 8,7% с.к.г. в 1К26, базовая инфляция — до 4,2% с.к.г. с 6,2% с.к.г.; вместе с тем большинство участников согласились, что устойчивый рост цен оставался в диапазоне 4–5% с.к.г., а значительный вклад в замедление внесли разовые факторы — плодоовощная продукция и укрепление рубля в марте–мае.
Помесячный ряд ключевой ставки и годовой инфляции за январь 2024 г. — май 2026 г. позволяет оценить жесткость ДКП в реальном выражении. Реальная ключевая ставка (номинальная за вычетом текущей инфляции г/г) составляла ~8,6 п.п. в начале 2024 г., достигла максимума цикла ~12,5 п.п. в октябре 2024 г. — в момент повышения номинальной ставки до 21% при еще не достигшей пика инфляции, — затем снизилась до ~10,7 п.п. к марту 2025 г. на фоне разгона инфляции до 10,3% г/г и с тех пор колеблется в диапазоне 9–10,5 п.п. К маю 2026 г. она составляет ~9,2 п.п. Таким образом, девять номинальных снижений ставки сократили реальную жесткость политики лишь умеренно: инфляция замедлялась параллельно ставке, и реальная ставка остается более чем вдвое выше значений начала 2024 г. относительно цели по инфляции (14,5% при цели 4% — это 10,5 п.п. реальной жесткости ex-ante). Для инвестиционного тезиса записки это имеет двоякое значение: с одной стороны, сохраняющаяся высокая реальная ставка объективно поддерживает пространство для дальнейшего смягчения (что признает и ЦБ, характеризуя условия как жесткие); с другой — она же объясняет, почему регулятор может позволить себе минимальные шаги, не рискуя переохлаждением: запас жесткости расходуется медленно.

Рисунок 2 — Ключевая ставка Банка России, инфляция (г/г) и цель по инфляции, январь 2024 г. — май 2026 г.; нижняя панель — реальная ключевая ставка.

Принципиально важны две констатации из резюме обсуждения.
Первая: рассматривались варианты сохранения ставки на 14,50%, снижения на 25 б.п. и на 50 б.п.; выбор минимального шага отражал возросшие проинфляционные риски.
Вторая: все участники отметили, что с учетом имеющихся данных и реализации проинфляционных рисков для стабилизации инфляции на цели может потребоваться более высокая траектория ключевой ставки, чем предполагалось в апрельском прогнозе.
На этом фоне прогнозы аналитических домов на конец 2026 г. (Газпромбанк и SberCIB — 12%, Финам — 12–13%) выглядят оптимистичнее ориентиров самого регулятора и в настоящей записке трактуются как оптимистичный, а не базовый сценарий.

Смежные переменные и баланс рисков по оценке регулятора
Резюме обсуждения от 01.07.2026 фиксирует следующее.
Бюджетная политика. По заявлениям Минфина России, возврат к нулевому первичному структурному дефициту перенесен с 2026 на 2029 г. Участники прямо констатировали: расширение бюджетного импульса ограничивает пространство для дальнейшего смягчения ДКП и может повышать оценку нейтрального уровня ставки.
Кредит и денежная масса ускоряются. Рост портфеля розничных и корпоративных кредитов в апреле–мае ускорился; накопленный рост М2 с начала 2026 г. превысил верхнюю границу диапазона 2016–2019 гг. Отдельные участники допускали, что денежно-кредитные условия стали близки к нейтральным, хотя большинство считало их по-прежнему жесткими.
Разрыв выпуска. Большинство участников считали, что положительный разрыв выпуска закрылся в 1К26; признаков переохлаждения экономики при этом не наблюдается. Рост выпуска в 1П26 оценивается около 0,5% г/г.
Рынок труда. Снижение напряженности замедлилось: сокращение дефицита кадров приостановилось, безработица 2,2% с.к., реальные зарплаты продолжают расти быстрее производительности труда.
Топливный рынок — усилившийся риск с потенциальными вторичными эффектами через издержки и инфляционные ожидания.
Внешние условия и рубль. Пока преобладали дезинфляционные эффекты (высокая экспортная выручка, крепкий рубль); по мере нормализации ситуации на Ближнем Востоке влияние временных факторов будет ослабевать, и проинфляционное влияние внешних условий со временем может усилиться.
По материалам Газпромбанка (июнь 2026 г.) сохраняются оценки: дефицит трудовых ресурсов 5–6 млн чел., форсированная индексация МРОТ (+20,3% в 2026 г.), ожидание ослабления рубля до 87–90 руб./долл. к концу года. Эта конфигурация — низкая текущая инфляция при устойчивой компоненте 4–5% с.к.г. и сместившемся в проинфляционную сторону балансе рисков — определяет асимметрию сценариев для рынка ОФЗ, рассматриваемую далее.

Состояние рынка ОФЗ и позиционирование по длине кривой

Кривая доходности
По данным на июнь 2026 г.:

Обращают на себя внимание два структурных обстоятельства.
Положительный спред 10-летних ОФЗ к ключевой ставке — впервые с лета 2023 г. Обычно в цикле снижения ставки длинные доходности опережающе уходят ниже ключевой ставки, «выкупая» будущее смягчение. Сейчас этого не происходит из-за навеса первичного предложения: программа заимствований Минфина оценивается в ~6,8 трлн руб. (оценка ГПБ), что является прямым следствием расширенного ненефтегазового дефицита. Эмиссия ОФЗ в 2025 г. составила ~8 трлн руб. при общем объеме размещений на локальном рынке свыше 12 трлн руб. Рынок, по сути, требует премию за абсорбирование этого предложения — и именно эта премия составляет значительную часть инвестиционного кейса длинных бумаг.
Крутизна кривой (~130 б.п.) нетипична для середины цикла смягчения, и Банк России в резюме обсуждения от 01.07.2026 дал ей прямую интерпретацию: рост доходностей ОФЗ на среднем и дальнем концах с апрельского заседания отражал увеличение премии за срочность, прежде всего из-за неопределенности относительно параметров бюджетной политики; учитывая эту причину, рост долгосрочных доходностей, по оценке регулятора, не свидетельствовал об ужесточении денежно-кредитных условий. Для инвестора эта констатация имеет двойственное значение. С одной стороны, она подтверждает, что премия в длинном конце — реальная и оплачиваемая, а не статистический артефакт. С другой — фискальная природа премии означает, что ее сжатие привязано не к решениям по ключевой ставке, а к прояснению бюджетной траектории (проект бюджета на 2027–2029 гг., фактическое исполнение заимствований Минфина). Потенциал дальнейшего снижения коротких доходностей при этом ограничен, тогда как длинный конец сохраняет пространство для переоценки — но реализация этого пространства обусловлена фискальным, а не только монетарным фактором.

Структура спроса
База инвесторов локального рынка на 90% представлена банками, физическими лицами, НПФ и ПФР. С начала 2025 г. банки нарастили вложения в ОФЗ на 0,3 трлн руб., пенсионные фонды и физлица — по 0,6 трлн руб. Доля физических лиц во вторичном обороте облигаций выросла с 10% (2021 г.) до 34% (2025 г.) — фактор, повышающий чувствительность рынка к розничным настроениям (в том числе к конкуренции со стороны депозитов), но одновременно обеспечивший замещение ушедшего иностранного спроса. Вложения нерезидентов в ОФЗ выросли лишь на 0,1 трлн руб. — возврата внешнего спроса, сопоставимого с эпохой 2013–2021 гг. (когда доля нерезидентов достигала 24% и выше), не наблюдается, и рассчитывать на него как на драйвер переоценки в обозримой перспективе не следует.

Долгосрочная историческая доходность ОФЗ и сравнение с текущей возможностью

Что показывает длинный горизонт
Индекс полной доходности гособлигаций RGBITR (учитывает купоны и переоценку) на десятилетнем горизонте, завершившемся в 2023 г., обеспечивал среднегодовую доходность порядка 8–8,5% — сопоставимо с депозитами в крупных банках и с корпоративными облигациями (RUCBITR ≈ 7,9% годовых за тот же период). Реальная (за вычетом инфляции) доходность составляла порядка 0–3% годовых. Для сравнения: индекс Мосбиржи полной доходности (с дивидендами) за аналогичный период показывал ~15% годовых номинально, то есть акции на длинном горизонте обеспечивали премию к ОФЗ порядка 6–7 п.п. годовых — классическая премия за риск акционерного капитала.
Из этих данных следует принципиальный вывод: исторически ОФЗ были инструментом сохранения, а не приумножения капитала — их долгосрочная реальная доходность была близка к нулю, а периоды высоких результатов чередовались с периодами убытков.
Данные УК «ДОХОДЪ» за 2003–2024 гг.: 22-летний ряд по классам активов
Дополнительным и более длинным ориентиром служит расчет УК «ДОХОДЪ» по доходности портфелей российских акций и корпоративных облигаций за 2003–2024 гг.

Источники: МосБиржа, Банк России, Росстат; акции — Refinitiv Russia Total Market за 2003 г., далее индекс МосБиржи полной доходности; облигации — IFX-Cbonds за 2003–2019 гг., с 2020 г. Cbonds CBI RU Middle Market Investable

Из этого ряда следуют выводы:
Первое. На 22-летнем горизонте реальная доходность рублевых корпоративных облигаций составила лишь ~1,3 п.п. годовых (9,8% при инфляции 8,5%), депозитов — ~0,1 п.п. Это подтверждает тезис п. 4.1 более длинными данными: рублевый долг исторически был инструментом сохранения капитала, и текущая ex-ante реальная доходность ОФЗ в 8–9 п.п. представляет собой отклонение от нормы кратного масштаба. Премия акций к облигациям (~5,2 п.п. номинально) также согласуется с ранее приведенными десятилетними оценками.
Второе. Максимум коэффициента Шарпа достигается не в «крайних» портфелях, а в смешанных структурах: диапазон 20–40% акций дает Шарп 0,25–0,26 против 0,168 у чистых облигаций и 0,162 у чистых акций. Добавление первых 10% акций к облигационному портфелю повышало среднегодовую доходность с 9,8% до 10,8% при росте волатильности лишь с 7,2% до 9,7%. Для практической части записки (раздел 6) это означает, что даже облигационно-ориентированный мандат выигрывает от ограниченной акционной компоненты на длинном горизонте.

Рисунок 3 — Профиль «риск — доходность» и коэффициент Шарпа портфелей российских акций и корпоративных облигаций, 2003–2024 гг.

Третье. Строка 2024 г. иллюстрирует инверсию иерархии доходностей в фазе жесткой ДКП: депозиты (17,7%) опередили и облигации (5,1%), и акции (1,6%). Инвестиционный кейс длинных ОФЗ-ПД, изложенный в настоящей записке, по существу является ставкой на завершение именно этой фазы — и данные 2003–2024 гг. показывают, что подобные периоды доминирования денежных инструментов исторически были непродолжительными (2008, 2014, 2022, 2024 гг.), а следующие за ними годы (2009, 2015, 2023) относились к лучшим для рисковых и дюрационных активов.
YTM против TR: уроки 2019 и 2021 гг.
Исследуемые материалы содержат показательное сопоставление (данные Мосбиржи):

В 2019 г. совокупный доход по 10-летним ОФЗ (+26,5%) превысил даже прирост индекса Мосбиржи (+15,1%). В 2021 г., напротив, формально «гарантированная» YTM обернулась убытком из-за роста ставок. Вывод методологического характера: для инвестора, не удерживающего бумагу до погашения, определяющим является не YTM, а положение в цикле ДКП. Доходность к погашению фиксируется лишь при удержании до погашения; на более коротких горизонтах доминирует эффект переоценки, пропорциональный дюрации.

Текущая возможность в исторической системе координат
Сопоставление текущих параметров с долгосрочными средними дает следующее:
Номинальная YTM 13,4–14,8% против исторической среднегодовой доходности ОФЗ ~8–8,5%. Даже пассивное удержание до погашения текущих выпусков зафиксирует номинальную доходность в 1,7–1,8 раза выше долгосрочной исторической нормы.
Реальная ex-ante доходность ~8–9 п.п. (при текущей инфляции 5,6%) и ~9–10 п.п. относительно цели ЦБ в 4% — против исторических 0–3 п.п. Это, по-видимому, центральный аргумент записки: даже при частичной реализации проинфляционных рисков запас реальной доходности остается значительным. Именно этот разрыв — текущие 8–9 п.п. против средних 0–3 п.п. на длинном горизонте — стоит за тезисом о реальной доходности, редкой для российского рынка за последние два десятилетия (вынесенным в заголовок). Оговорка: показатель является ожидаемым (ex-ante) и рассчитан относительно текущей и целевой инфляции; фактическая реализованная реальная доходность будет зависеть от инфляции всего периода удержания, а прямое сопоставление ограничено сменой методологии индексов и отсутствием непрерывного 20-летнего ряда именно по ОФЗ (см. п. 4.2).
Сценарный TR по оценкам ГПБ до конца 2026 г. (сценарий со ставкой 12% на конец года, который с учетом апрельского прогноза ЦБ следует считать оптимистичным — см. раздел 5): 10-летние ОФЗ ~21% (при снижении их доходности до 12,5–13,0%), корпоративные флоатеры ~15%, денежный рынок ~13%, 3-летние ОФЗ ~11%. В сценарии, соответствующем собственной траектории ЦБ (ставка ~13,0–13,5% на конец года), преимущество длинных ОФЗ над денежным рынком сохраняется, но сокращается.

Рисунок 5 — Ожидаемый совокупный доход по основным классам рублевых инструментов с фиксированной доходностью до конца 2026 г.

Источник: составлено автором по оценкам Газпромбанка (июнь 2026 г.); прогнозные величины, не являются гарантией результата.

Историческая премия акций к ОФЗ (~6–7 п.п. годовых) в текущей точке цикла временно «сжата»: ожидаемый TR длинных ОФЗ (~21%) сопоставим с типичной долгосрочной полной доходностью российских акций при несопоставимо более низком кредитном и корпоративном риске. Подобные окна на российском рынке исторически были непродолжительными (2015–2016, 2019, вторая половина 2022 г.).

Сценарный анализ и риски
По итогам анализа апрельского прогноза ЦБ и резюме июньского обсуждения сценарная сетка пересмотрена: сценарий, ранее рассматривавшийся как базовый (ставка 12% на конец года), переклассифицирован в оптимистичный, поскольку он лежит ниже ориентиров самого регулятора.
Базовый сценарий (по траектории Банка России). Инфляция за 2026 г. складывается в диапазоне 4,5–5,5%, устойчивая инфляция выходит к ~4% во 2П26; ключевая ставка снижается до ~13,0–13,5% к концу года (в соответствии с апрельским прогнозом средней ставки 13,3–14,0% с 27 апреля до конца года). Этому соответствует и фактическая динамика шагов регулятора: затухание темпа смягчения со 100–200 б.п. в 2025 г. до 25 б.п. в июне 2026 г. (см. Рисунок 1) указывает, что при двух оставшихся до конца года опорных заседаниях с прогнозами (июль и октябрь) и промежуточных заседаниях реалистичный диапазон дальнейшего снижения составляет 75–125 б.п. При этом фискальная премия в длинном конце сжимается лишь частично: доходности 10-летних ОФЗ смещаются в диапазон ~13,5–14,0%. Ориентировочный TR длинных бумаг за оставшуюся часть года — порядка 15–18% в годовом выражении (купон плюс умеренная переоценка); 3-летних — вблизи текущей YTM (~12–13%). Длинные ОФЗ-ПД сохраняют преимущество над денежным рынком, но с меньшим отрывом, чем в оптимистичном сценарии.
Оптимистичный сценарий (консенсус аналитических домов). Проинфляционные риски не реализуются, бюджетные ожидания стабилизируются, ставка снижается до 12%. Доходности 10-летних ОФЗ смещаются к 12,5–13,0%, TR ~21% (оценка ГПБ); 3-летние — к ~11,5%, TR ~11%. Реализация требует одновременно монетарного (продолжение цикла) и фискального (прояснение бюджета-2027) условий.
Рисковый сценарий (прямо обозначен регулятором). Реализуются проинфляционные факторы: бюджетный импульс сверх заложенного, продолжение ускорения кредитования и роста М2, вторичные эффекты топливного рынка, ослабление рубля. Резюме от 01.07.2026 фиксирует, что все участники допускали более высокую траекторию ставки, чем в апрельском прогнозе; в этом сценарии ставка задерживается вблизи 14–14,5%, длинные доходности остаются в диапазоне 14,5–15,5% или несколько выше. TR длинных ОФЗ снижается до уровня купонной доходности (~14–15%) или ниже при умеренном росте доходностей; флоатеры и денежный рынок становятся относительно более привлекательными. Существенно, что даже в этом сценарии убыток по длинным ОФЗ-ПД на годовом горизонте маловероятен: высокий купон создает «подушку», абсорбирующую рост доходностей на ~150–200 б.п.
Хвостовой риск. Внешний шок (нефть, геополитика, санкционная эскалация) с резким ослаблением рубля и возвратом к ужесточению ДКП по образцу 2П2023–2024 гг. Это единственный сценарий, при котором повторяется опыт 2021 г. (отрицательный TR по всей длине кривой). Полностью хеджировать его в рамках рублевого мандата невозможно; частичная защита — комбинирование ОФЗ-ПД с флоатерами и/или квазивалютными инструментами.
Отдельно следует зафиксировать риск предложения и фискальной премии: навес заимствований Минфина (~6,8 трлн руб. по оценке ГПБ) в сочетании с перенесенным на 2029 г. возвратом к нулевому первичному структурному дефициту означает, что даже при снижении ставки длинные доходности могут снижаться медленнее, чем следовало бы из монетарной логики, — что фактически и наблюдается: по констатации ЦБ, с апрельского заседания доходности среднего и дальнего концов выросли при снижении короткого. Ключевые события для мониторинга этого риска — параметры проекта федерального бюджета на 2027–2029 гг. и квартальные планы заимствований Минфина.

Размышления и дополнения

«Инверсия наоборот». Российский рынок несколько лет жил в режиме, когда вся кривая ОФЗ находилась глубоко ниже ключевой ставки — рынок систематически «покупал» будущее смягчение авансом. Возврат 10-летнего сегмента выше ключевой ставки — не только премия за навес предложения, но и признак взросления рынка: цена длинных денег начинает определяться фискальной траекторией, а не только монетарной. Для читателя-практика это означает, что мониторинг квартальных планов заимствований Минфина и параметров бюджета-2027 (где обсуждается сокращение использования нефтегазовых доходов) становится не менее важным, чем мониторинг заседаний ЦБ.
Розничный инвестор как маркетмейкер поневоле. Доля физлиц во вторичном обороте облигаций — 34% против 10% в 2021 г. Поведение этой группы исторически проциклично: пик притока в длинные ОФЗ традиционно приходится на моменты, когда основная переоценка уже состоялась. Текущая фаза (ставка снижена с пика, но переоценка длинного конца не завершена) — редкий период, когда розничный инвестор может действовать «до толпы», а не вместе с ней.
Депозитная альтернатива тает быстрее, чем кажется. По констатации ЦБ (резюме от 01.07.2026), депозитные ставки продолжили снижаться в ответ на смягчение ДКП, а внутри банковских сбережений происходит смещение от срочных депозитов к накопительным счетам. Ставки по вкладам следуют за ключевой с лагом, и на горизонте 12 месяцев при движении ставки к 12–13,5% сместятся к сопоставимым или более низким уровням. ОФЗ-ПД — единственный массово доступный инструмент, позволяющий зафиксировать двузначную рублевую доходность на 10+ лет. В терминах поведенческих финансов это классическая ошибка «якорения» на текущей депозитной ставке: вкладчик сравнивает 14% по ОФЗ с 13–14% по вкладу и не видит разницы, игнорируя реинвестиционный риск вклада.
Асимметрия исходов — с поправкой на фискальную премию. При снижении длинных доходностей на 200 б.п. TR ~21%; при их росте на 100–150 б.п. TR ~5–10% (купон компенсирует переоценку); убыток требует роста доходностей на 250+ б.п., то есть фактического разворота цикла ДКП. Профиль «много выигрываю / мало теряю / убыток лишь в хвостовом сценарии» сохраняется, однако анализ резюме июньского обсуждения смещает распределение вероятностей внутри положительной области: наиболее вероятный исход — не максимальный (~21%), а промежуточный (~15–18%), поскольку сжатие фискальной премии требует прояснения бюджетной политики, а не только снижения ставки.

Практическая конфигурация портфеля (для обсуждения, не является индивидуальной рекомендацией): ядро в 10-летних ОФЗ-ПД как ставка на базовый сценарий; сателлит во флоатерах (новая конвенция) как хедж рискового сценария; ограниченная квазивалютная компонента (замещающие/юаневые выпуски с доходностью 5–8%) как хедж хвостового риска через канал рубля. Короткие ОФЗ-ПД (2–3 года) в текущей точке представляются наименее интересным сегментом: их переоценка в основном состоялась, а YTM уступает денежному рынку. Для инвестора с горизонтом свыше 3–5 лет данные УК «ДОХОДЪ» (п. 4.2) дают дополнительный аргумент в пользу ограниченной акционной компоненты (10–30%): на 22-летнем ряду именно такие смешанные структуры максимизировали коэффициент Шарпа (0,25–0,26 против 0,168 у чистых облигаций), причем текущая фаза цикла — снижение ставки при сжатых мультипликаторах рынка акций — исторически благоприятствовала одновременно и дюрации, и акциям (как в 2009, 2015 и 2023 гг.).

Вывод
По совокупности рассмотренных переменных — официальной траектории ключевой ставки (14,25% на начало июля 2026 г.; апрельский прогноз ЦБ предполагает ~13,0–13,5% на конец 2026 г. и 8,0–10,0% в среднем за 2027 г., с оговоркой регулятора о возможной более высокой траектории), динамики инфляции (текущий рост цен 2,1% с.к.г. в апреле–мае при устойчивой компоненте 4–5% с.к.г. и годовой инфляции 5,6%), текущих доходностей ОФЗ (13,4–14,8%) и их сопоставления с долгосрочными историческими доходностями классов активов (облигации ~8–10% номинально, акции с дивидендами ~15%) — покупка ОФЗ-ПД в средней и особенно длинной части кривой на текущих уровнях обоснована, но с ожиданиями, откалиброванными по траектории регулятора, а не по консенсусу аналитических домов: наиболее вероятный результат по длинным бумагам на горизонте до конца 2026 г. — порядка 15–18% годовых, а не ~21%. Исторически аномально высокая реальная доходность (8–9 п.п.), значительная купонная «подушка» и подтвержденная регулятором среднесрочная траектория снижения ставки формируют запас прочности, которого не было ни в 2021 г. (перед убыточным годом), ни в среднем на длинном горизонте; реализация же максимального сценария зависит от фискального фактора — стабилизации бюджетных ожиданий. Ключевые условия пересмотра позиции: дальнейшее расширение бюджетного импульса и параметры проекта бюджета на 2027–2029 гг., устойчивое (а не коррекционное) ускорение кредитования и денежной массы, закрепление вторичных эффектов топливного шока в инфляционных ожиданиях — то есть именно те факторы, которые Банк России обозначил как основания для более высокой траектории ставки.

Исследовательская база
В основе анализа лежит сопоставление официальных документов и статистики Банка России, рыночных данных Московской биржи и Cbonds, долгосрочных рядов доходности классов активов, а также авторская интерпретация текущей конфигурации кривой ОФЗ и сценариев денежно-кредитной и бюджетной политики:

Банк России — Среднесрочный прогноз по итогам заседания Совета директоров по ключевой ставке 24 апреля 2026 г.
Банк России — Резюме обсуждения ключевой ставки на «неделе тишины» и в ходе заседания Совета директоров 19 июня 2026 г. (опубликовано 01.07.2026)
Банк России — официальный дневной ряд ключевой ставки, cbr.ru (выгрузка по 03.07.2026)
Банк России, Росстат — помесячный ряд ключевой ставки и инфляции (г/г), январь 2024 г. — май 2026 г. (ряд предоставлен заказчиком; ключевая ставка сверена с официальным дневным рядом ЦБ, инфляция за декабрь 2025 г. — с фактом среднесрочного прогноза Банка России)
Минфин России — данные о размещениях ОФЗ и параметрах бюджетной политики
Росстат — данные о динамике потребительских це
Московская биржа — индексы государственных облигаций RGBI/RGBITR, данные о доходностях ОФЗ
Cbonds — данные о структуре и объемах российского долгового рынка
Газпромбанк — «Российский долговой рынок», презентация курса MBA «Управление инвестициями», июнь 2026 г. (А. Кулаков, CFA, FRM)
УК «ДОХОДЪ» — расчеты доходности портфелей российских акций и корпоративных облигаций за 2003–2024 гг. (по данным МосБиржи, Банка России, Росстата)
Прогнозные оценки третьих сторон приведены с указанием источника и не являются гарантией результата. Материал носит аналитический характер и не является индивидуальной инвестиционной рекомендацией.