Влияние цифровой трансформации фондового рынка на модели риск-ориентированного инвестирования

Введение

Актуальность исследования обусловлена тем, что современный этап развития общества характеризуется стремительным распространением цифровых технологий, которые трансформируют экономические и социальные отношения. Искусственный интеллект (ИИ), платформенные бизнес-модели, алгоритмические системы обработки данных становятся неотъемлемой частью хозяйственной деятельности и повседневной жизни. В этих условиях усиливается концентрация технологических ресурсов и контроля над ними, что приводит к формированию новых форм зависимости и перераспределению экономической власти.

Целью данной статьи является разработка модели риск-ориентированного инвестирования в условиях структурной трансформации фондового рынка России с учетом ESG-факторов.

Анализ и прогнозирование основных видов рисков фондовых инструментов проводили ряд российских ученых [10, 11, 12], однако использование методов искусственного интеллекта в этом вопросе еще не нашел своего отражения. Кроме того, работах Милькиной А., Симоновой О., Федорова П. и других [1, 5, 8, 9] исследуется рынок цифровых активов, мы расширим эти исследования построением моделей чувствительности и влияния цифровых переменных (ИИ, ЦФА) на показатели доходности и рисков.

Согласно гипотезе, автор исходит из предположения, что усиление концентрации технологического контроля и применение инструментария искусственного интеллекта (ИИ) способствует росту структурного неравенства и формированию новой модели иерархии доступа к ресурсам цифровой экономики, которая активно применяется на современном фондовом рынке.

Материалы и методы

Для эмпирической проверки выдвинутой гипотезы применён комплексный подход количественного моделирования с использованием инструментов анализа данных. Эмпирическую основу исследования составил структурированный массив данных по 1200 российским публичным компаниям (идентификация эмитентов анонимна). В выборку включены показатели торговой активности за 2024–2025 гг., что позволило учесть поведение рынка в условиях повышенной волатильности [2,15].

В модели использованы следующие переменные:

1) Digital_Score - интегральный показатель цифровой зрелости (0–100 баллов), включающий оценку готовности эмитента к выпуску цифровых финансовых активов;

2) ESG_Score - рейтинг устойчивого развития по методике RAEX-2024 [6];

3) Retail_Share - доля розничных инвесторов в структуре free-float;

4) показатели доходности: Return_Baseline (базовый сценарий) и Return_Risky (стресс-сценарий).

Обработка данных и моделирование стресс-тестов (flash crashes) выполнены в среде Jupyter Notebook с применением языка Python. Использованы библиотеки pandas, numpy, matplotlib, seaborn [14].

Основная часть

В ходе исследования был построен график зависимостей, где область, обозначенная пунктирной линией, представлена эмитентами с высоким уровнем цифровой адаптации (рис.1). Эти участники рынка преимущественно концентрируются в верхнем правом секторе графика. Для компаний технологического и телекоммуникационного профиля характерен диапазон доходности 45–70%, что превышает рыночный ориентир.

Рис. 1. Корреляция цифровой трансформации и доходности активов (2024-2026)

Источник: составлено автором на основе данных RAEX [6], Мосбиржи [15].

Далее, исследуем компании по цифровой зрелости, т.е. активности в использовании искусственного интеллекта в операциях на фондовом рынке. Расчеты показали, что средняя доходность лидеров в этом направлении равна 45,91%, средняя доходность отстающих равна 19,22%. Разница превышает двукратный разрыв по относительным значениям, что свидетельствует о наличии статистически значимого эффекта цифровой адаптации на финансовые результаты. Полученные данные подтверждают структурную неоднородность доходности в зависимости от уровня цифрового развития компаний.

Установленный по данным разрыв в средней доходности между крайними группами, превышающий двукратное значение, указывает на значимую роль технологического компонента в формировании рыночной стоимости и динамики капитализации эмитентов. Указанный результат согласуется с предположением о том, что уровень цифровой зрелости выступает одним из ключевых факторов, определяющих различия в инвестиционной результативности компаний в рассматриваемый период.

Во втором блоке анализа рассмотрено влияние поведенческого ориентира, заданного уровнем ESG-рейтинга. Для сопоставления устойчивости активов по квартилям ESG-скоринга применена диаграмма размаха (boxplot; рис. 2), позволяющая отразить медианные значения, межквартильный размах и характер распределения доходностей внутри каждой группы.

Рис. 2. Устойчивость активов в зависимости от ESG-рейтинга

Источник: составлено автором на основе данных рейтингового агентства RAEX [6].

Результаты квартильного анализа ESG-рейтинга демонстрируют выраженные различия в распределении доходности активов. Компании, отнесённые к нижнему квартилю (19,99 – 38,0 баллов), характеризуются значительной вариативностью показателей: наблюдаются как эпизоды отрицательной доходности, так и существенные просадки.

В рамках программной симуляции стресс-теста, отражающего алгоритмический шок, секторальные результаты обобщены в Таблице 1.

Таблица 1

Усредненные метрики устойчивости и доходности в стресс-сценариях по секторам экономики

Представленные данные показывают, что традиционные отрасли при высокой доле розничного участия (в отдельных сегментах до 61% во free-float), прежде всего сырьевой и потребительский сектора, в условиях ухудшения ликвидности формируют отрицательную доходность, достигающую 8,7%.

Иная траектория наблюдается в секторах инновационной экономики -информационных технологиях, финансовом секторе и телекоммуникациях, где в стресс-сценарии сохраняются положительные значения доходности [3,7,13]. Это указывает на более высокую способность данных отраслей выдерживать рыночные потрясения.

Таблица 1 фиксирует выраженное расслоение: для IT, финансов и телекоммуникаций характерны повышенные значения цифровой зрелости (Digital_Score 64-78 баллов). Именно в этих секторах показатель доходности в риск-режиме (Return_Risky) остаётся в положительной зоне и варьируется от +11,2% до +18,4% даже при моделировании флэш-крэша (flash crash) и массовых распродаж со стороны розничных инвесторов.

В противоположность этому капиталоёмкие отрасли - сырьевой сектор, промышленность и энергетика демонстрируют более низкие параметры цифрового развития: средний Digital_Score не превышает 45 баллов. Для них также характерна высокая концентрация розничного капитала, достигающая 58,1% во free-float. При возникновении алгоритмического шока доходность активов данных отраслей уходит ниже нулевой отметки; глубина снижения составляет от −4,5% до −8,7%.

Совокупность результатов подтверждает, что наличие развитой производственной базы само по себе не обеспечивает устойчивость капитализации в условиях цифровых и поведенческих шоков, тогда как уровень цифровой зрелости и структура держателей оказываются значимыми факторами рыночной устойчивости.

Именно в рамках завершающего этапа моделирования сформирован синтетический «Цифровой портфель», включающий эмитентов с высокими значениями Digital_Score и ESG_Score. Отбор осуществлялся алгоритмически на основе заданных пороговых параметров, что позволило минимизировать влияние субъективных факторов при формировании структуры активов.

Для оценки чувствительности портфеля к различным траекториям рыночной трансформации построены сценарные модели (рис. 3, рис. 4).

Рис. 3. Прогноз доходности фондового рынка РФ по сценариям трансформации (2026)

Источник: составлено автором на основе данных Мосбиржи [15].

Расчёты показывают, что при благоприятной макроэкономической конфигурации средняя доходность достигает 41,17%. В базовом сценарии показатель составляет 33,15%, что соотносится со среднерыночной динамикой, выявленной в предыдущих разделах исследования (таблица 2).

Таблица 2

Результаты прогноза доходности, выявленные из прогнозирования в среде Python

Представленная в таблице агрегированная сводка количественно уточняет графическую визуализацию. Видно, что даже при переходе от оптимистичного к базовому сценарию снижение доходности носит умеренный характер, что указывает на относительную устойчивость сформированного портфеля. Данный результат логично продолжает выводы о значимости цифровых и ESG-факторов в структуре рыночной доходности и создаёт основу для анализа риск-сценария, рассматриваемого далее.

Рис. 4. Сравнительная устойчивость портфеля в условиях структурного шока (2026)

Источник: составлено автором на основе данных Мосбиржи [15].

Для получения дополнительной прогнозной оценки рисков исследуемых фондовых инструментов используем собственную корреляционную модель.

В основу модели легли исходные данные по 250 компаниям [15]. Из них 50 показывают низкую доходность, остальные 200 используют цифровой портфель и устойчивы. Зависимой переменной B присвоили 1 для первых и 0 для вторых. Поскольку низкая доходность - это неприемлемая степень принятия инвестиционного решения, модель используют для оценки риска её падения.

В общем виде корреляционная модель может быть представлена следующим образом:

, (1)

Сначала в модель включала расширенный набор финансовых показателей. Затем провели предварительный анализ: проверили корреляцию между переменными, оценили значимость коэффициентов и отсеяли незначимые факторы. Главное внимание уделили тому, насколько хорошо модель различает устойчивые по доходности компании и те, кто в группе риска.

В результате была получена сокращённая корреляционная модель, включающая три статистически значимых фактора:

Z = 10.15378 – 0.429217X1 – 40.0540X6 – 6.34886M10, (2)

где X1 – натуральный логарифм от выручки, X1 – коэффициент автономии, M10 – коэффициент обновления производственных фондов.

Для получения итоговой вероятности используется логистическая функция:

, (3)

Полученное значение P - это модельная вероятность того, что доходность компании снизится. Чем ближе к нулю, тем ниже риск и тем надёжнее положение. Чем ближе к единице, тем выше риск ухудшения. Если P меньше 0,5, компанию можно считать условно устойчивой. Если больше 0,5, это сигнал о повышенной вероятности перехода в финансово неустойчивое состояние.

Далее выполним расчет показателей построенной корреляционной модели на данных по эмитентам с высоким уровнем цифровой адаптации [6,15], чтобы оценить риск снижения финансовой устойчивости исследуемых компаний в 2023-2025 гг. (табл. 3).

Таблица 3

Результаты корреляционной модели

Во все годы значение f(z) держалось заметно ниже 0,2, а это низкий риск потери финансовой устойчивости. Лучше всего ситуация была в 2023 году. В 2024 риск чуть подрос, а в 2025 снова снизился, но так и остался в пределах низкого уровня.

Заключение

Таким образом, в результате проведенного исследования была разработана модель риск-ориентированного инвестирования в условиях цифровой трансформации фондового рынка России с учетом ESG-факторов.

На выборке из 1200 компаний эмпирически доказано, что интеграция метрик цифровой зрелости (Digital Score) и критериев устойчивого развития (ESG Score) существенно снижает волатильность инвестиционного портфеля в стресс-сценариях. Также доказан синергетический эффект внедрения цифровых финансовых активов (ЦФА) как инновационного инструмента диверсификации фондирования, защищающего капитализацию от шоков.