Изкуственият интелект има все по-ключова роля във финансовия сектор.

Алгоритмичната търговия, основана на машинно обучение, вече съставлява 60–70% от обема на сделките с акции в САЩ и на други големи световни пазари.

Големите езикови модели (LLM) все по-често се използват от дребните инвеститори за финансови съвети. Агентните системи, способни да изпълняват задачи автономно с минимален човешки надзор, скоро ще разширят още повече присъствието на AI във финансовия сектор.

Тъй като технологията става все по-дълбоко вградена във финансовото вземане на решения, възниква един критичен въпрос: какви рискове може да създаде тя за финансовата стабилност?

Това анализират от ЕЦБ в публикация в официалния си блог, като финансовите експерти дават отговор с подробен анализ на перспективите.

Кристин Лагард: Стейбълкойните не са начин за по-голяма привлекателност на еврото

Подход, базиран на симулация

Икономическата теория предполага, че финансовата нестабилност може да бъде резултат от изтичане на капитали от големи инвеститори. Това може да бъде предизвикано от собствените им опасения относно икономическите фундаменти, от действията на други инвеститори или и от двете.

ЕЦБ улавя тази динамика в стилизирана игра за обратно изкупуване на дялове от взаимни фондове. В тази рамка провежда експерименти, в които множество независими и напълно автономни агенти с изкуствен интелект, действащи като инвеститори, трябва да решат дали да продадат дяловете си от фонда. Анализират се техните реакции и последствията за финансовата стабилност.

Съществуващите системи за изкуствен интелект могат да бъдат разделени на две широки категории въз основа на архитектурата им, т.е. на начина, по който вземат решения.

На първо място са системите за усилващо обучение, често използвани в алгоритмичната търговия, които разчитат на итеративно обучение чрез проби и грешки при вземането на решения. В симулациите ЕЦБ използва алгоритми за Q-learning (QL).

Втората категория се състои от големи езикови модели (LLM), които, за разлика от първата, генерират решения чрез разсъждения, като използват контекста, предоставен в подсказката, и се опират на модели, научени по време на обучението им.

Най-новите AI модели могат да застрашат световната банкова система, предупреждават финансови експерти

Основното заключение е, че финансовата стабилност в ерата на изкуствения интелект може да зависи толкова от самата му архитектура, колкото от икономическата среда, отразена в нивото на икономическите фундаменти.

Резултатите на ЕЦБ подчертават значителни разлики между двете архитектури на изкуствения интелект.

Всички Q-learning инвеститори координират и изкупуват, дори когато икономическите фундаментални показатели са силни и не оправдават изкупуване. За разлика от тях, LLM инвеститорите никога не изкупуват, когато икономическите фундаментални показатели са силни. Решенията им обаче са по-непредсказуеми, тъй като те се затрудняват да се координират действията си, когато фундаменталните показатели са на средно ниво.

Банката вече не е дестинация, а банкирането е миг. Какво следва за финансовото ни бъдеще

Как архитектурата на изкуствения интелект обяснява обратните изкупувания

Прекомерните обратни изкупувания, генерирани от QL алгоритмите, произтичат от модел на обучение, наречен „ефектът на горещия котлон“ (Denrell и March, 2001).

Когато съществува риск от неплатежоспособност, ако инвеститорите не изкупят дяловете си, те се излагат на риск от нулева възвръщаемост, докато изкупуването им осигурява малка, но сигурна такава. В резултат всеки епизод на неизпълнение, който алгоритъмът преживява по време на своето учене чрез проби и грешки, намалява стойността, която QL инвеститорите приписват на запазването на инвестицията, и ги стимулира да изкупят.

Макар и да подсказва способността на QL алгоритмите да се координират, този резултат е съществено различен от колаборативното поведение в литературата за алгоритмично ценообразуване (например Calvano et al., 2020; Dou et al., 2025; и Colliard et al., 2026). В тези статии агентите на изкуствения интелект се съгласуват по отношение на частно оптималния резултат, който води до „печеливша за всички“ ситуация. Тук, напротив, координацията между QL алгоритмите ги затваря в частно вредно равновесие от типа „губеща за всички“, тъй като всички те се втурват да изтеглят средствата си.

По-опасен от ядрена бомба? Новият модел на Anthropic тревожи банки и правителства

Големите езикови модели (LLM) са изправени пред различно предизвикателство.

Тъй като те не се учат от реализирани резултати чрез многократни опити и грешки, поведението им не се влияе от риска от неизпълнение. Непредсказуемостта им обаче произтича от достигането до различни „убеждения“. Тази вариация не е грешка, а характеристика на процеса на разсъждение, която отразява факта, че икономическата теория, която LLM използват, не предоставя еднозначна прогноза.

Техните „шумни“ отговори отразяват т.нар. теоретична неопределеност. В експеримента на ЕЦБ LLM-ите формират различни убеждения относно действията на другите LLM-инвеститори, въпреки че са идентични и получават едни и същи инструкции. Това се случва, защото подсказката не им предоставя основа за избор между множество правдоподобни убеждения, така че конкуриращите се отговори изглеждат еднакво вероятни.

Причината за непредсказуемостта на решенията на големите езикови модели (LLM) подсказва възможен начин за преодоляване на липсата на координация между тях и свързаната с това финансова нестабилност.

ЕЦБ: Европейският бизнес използва широко AI – но инвестира ограничено в него

Когато липсва критерий за избор между еднакво валидни убеждения, частната (т.е. недостъпна за обществеността) „шумна“ информация за фундаменталните показатели може да послужи като ориентир за очакванията (Goldstein и Pauzner, 2005), като помага на участниците на пазара да избират между конкуриращи се реакции.

Експериментите на ЕЦБ потвърждават това.

Предоставянето на различни LLM на неточни сигнали относно икономическите фундаментални показатели прави техните убеждения подобни и води до това да предприемат едно и също действие.

За разлика от тях, QL инвеститорите не реагират на такива сигнали, тъй като тяхното поведение се формира чрез проби и грешки, а не колко точна е информацията за икономическите фундаментални показатели.

Все по-широкото използване на AI агенти при вземането на финансови решения може да промени начина, по който възникват уязвимости във финансовата система, отбелязва ЕЦБ.

AI модели нарушават инструкции и укриват информация, за да „спасяват“ други системи за изкуствен интелект

Системите, основани на обучение, могат да предизвикат екстремни събития, подобни на панически изтегляния на депозити, докато системите, основани на логическо мислене, могат да създадат рискове поради по-слаба координация и по-ниска предсказуемост.

С все по-дълбокото навлизане на AI във финансовото вземане на решения разбирането на тези разлики и на механизмите зад тях, ще бъде от съществено значение за оценката на последиците за финансовата стабилност и за разработването на подходящи политически мерки.

Това има последствия за всички заинтересовани страни, от дребни инвеститори до регулатори.

Тъй като разбирането на инструментите за AI и на основната архитектура става все по-важно за информираното вземане на финансови решения, дребните инвеститори може да се нуждаят от технологична, в допълнение към финансовата грамотност, допълва банката.

Луис де Гиндос, ЕЦБ: Изкуственият интелект изглежда неудържим, но оценките могат да претърпят корекции

Финансовите институции може да се наложи да знаят дали и как техните клиенти използват инструменти за AI като част от управлението на риска.

А на регулаторните органи може да се наложи да включат показатели за технологична компетентност в рамките за защита на инвеститорите, наред с традиционните показатели като толерантност към риска и финансови познания, например във въпросниците, изисквани съгласно Директивата за пазарите на финансови инструменти (MiFID).

Осигуряването на защита за финансовата стабилност може да изисква и инструменти за проектиране на пазара, като прекъсвачи на търговията, за да се ограничи прекомерното изтегляне на инвестиции при пазарни сътресения, допълва в заключение ЕЦБ.