Использование нейросетей в прогнозировании и финансовой аналитике – это не увлекательная игрушка для стартапов. Сегодня искусственный интеллект – незаменимый помощник в том, что касается подсчетов, проверок и прогнозов.
В этой статье предлагаем 10 по-настоящему действенных промптов, которые уже протестированы на реальных примерах – финансовых документах из открытых источников. Для обзора мы взяли ряд нейросетей из агрегатора GPTunneL, и вот что у нас получилось.
Для анализа использовалась нейросеть GPT-5. В качестве тестируемого документа мы взяли годовой отчет ПАО «МТС» за 2024 год (PDF). При постановке задачи мы прописали следующий промпт:
«Во вложенном PDF находится годовой отчет МТС за 2024 год. Используя нейросети для анализа финансов, выдели ключевые показатели (выручка, прибыль, EBITDA, долги). Сравни с 2023 годом и сделай 3 вывода для частного инвестора простыми словами».
В первую очередь модель корректно извлекла интересующие цифры:
Кроме того, нейросеть объяснила, почему сократилась прибыль, а также сделала выводы, которые окажутся полезными для инвесторов. А ознакомиться с этим примером подробнее можно по ссылке.
Здесь мы тестировали Claude Sonnet 4.5 как финансовый помощник. Для наглядности воспользовались документом russia_macro_2005_2021.csv – специально подготовленным облегченным файлом с ВВП и CPI за 2005–2021 годы. Документ пришлось сжимать, компилировать и форматировать, поскольку с большим исходником ИИ не справился. Промпт, который мы задали нейросети для анализа финансов:
«Во вложенном CSV-файле находятся макроэкономические данные по России за 2005–2021 годы. Используя нейросети для анализа финансов, проанализируй динамику ВВП и CPI, построй прогноз на 2022–2023 и объясни, какие факторы могут повлиять на отклонения от базового сценария. Представь результат в виде таблицы и короткого комментария простым языком».
С генерации логичного анализа Claude справился неплохо. Нейросеть подметила рост ВВП до 2013 года, падение после санкций и восстановление к 2021-му. Также ИИ предоставил прогноз относительно экономических показателей, например:
Однако результат мы получили не сразу. Изначально модель не смогла «проглотить» большой CSV, поэтому информацию пришлось буквально «разжевывать». И это основательная проблема: в реальной работе мало кто захочет потратить час, чтобы вручную обработать огромный массив данных.
Вывод: при корректном промпте Claude Sonnet 4.5 дает хорошие результаты, но только при условии, что ему предоставляют файлы малого объема.
А посмотреть, как работает модель, можно в этом диалоге.
В качестве тестируемой модели мы взяли Perplexity Sonar Pro. Документ, который использовался в обзоре, – МСФО-отчет ПАО «ГМК Норильский никель» за 2021 год (PDF). Чтобы протестировать модель, мы применили промпт:
«Проанализируй PDF-отчет по МСФО и с помощью нейросетей для финансов найди аномалии: скачки затрат, рост долгов, падение маржи. Составь таблицу из 5 метрик и добавь рекомендации по каждой».
Perplexity Sonar Pro продемонстрировал замечательные результаты. Чтобы проанализировать файл, модели понадобилось всего 3–5 секунд. Нейросеть, не требуя дополнительных уточнений, ввыполнила задачу:
Выручка, операционные расходы, CAPEX, долг и маржа детально описаны, а выводы соответствуют фактической динамике. Главное, модель не просто распознала информацию, но и корректно обработала контекст, налоги, пошлины, социальные выплаты и риски капитальных вложений.
Чтобы подробнее изучить отчет от Perplexity, переходите по ссылке.
Следующая модель обзора – DeepSeek V3.1. Чтобы протестировать нейросеть и эффективность промпта, мы воспользовались документом «Аналитический обзор банковского сектора Банка России за II квартал 2025 года» (PDF). Задача, которую мы задали искусственному интеллекту:
«Представь сценарий: инфляция +2 %, ставка ЦБ без изменений. Используя нейросети для анализа финансов и инвестиций, смоделируй влияние на банковский сектор: прибыль, капитал, риски дефолтов. Представь результаты в виде 3 сценариев (оптимистичный, базовый, стресс)».
DeepSeek V3.1 предоставил один из самых развернутых и технически грамотных отчетов. Модель моментально углубилась в контекст документа и описала три гипотетических сценария, в которых объяснила логику влияния инфляционного шока. Каждый сценарий, предоставленный DeepSeek V3.1, – это конкретные цифры. Например, нейросеть предполагает снижение прибыли до -15 % в базовом варианте и до -40 % в стрессовом.
Анализ от DeepSeek V3.1 по уровню ничем не уступает обзору отраслевого специалиста. ИИ не только перечислил факты, но и продемонстрировал взаимосвязи между ставкой, инфляцией, рисками и поведением банков. Ответ получился содержательным, точным, хотя для человека, далекого от финансовой сферы, возможно, чересчур подробным.
Прочитать отчет от нейросети можно тут.
LlaMA 4 Scout – еще одна модель, которую мы использовали в обзоре. Мы предложили нейросети проанализировать годовой отчет ПАО «МТС» за 2024 год (PDF). Вот какой промпт мы задали:
«В приложенном PDF находится годовой отчет МТС за 2024 год. Используя нейросети для финансов и инвестиций, оцени ориентировочную стоимость компании методом DCF, но с упрощенным алгоритмом – без громоздких расчетов. Найди ключевые показатели (выручка, OIBDA, чистая прибыль, CAPEX, чистый долг), оцени свободный денежный поток (FCF) и рассчитай примерный EV. Если данных нет, укажи, где их можно найти».
LlaMA 4 Scout выполнил задачу на приемлемом уровне. Модель безошибочно поняла, каких результатов от нее ждут, и определила, какие данные отсутствуют. При этом выдуманных показателей нейросеть в отчет не подставляла. Например, ИИ вычленил выручку – ₽ 184,3 млрд, предложил, где искать цифры, которых не хватает: разделы «Финансовый обзор», «Инвестиции в развитие бизнеса» и «Долговая нагрузка».
LlaMA 4 Scout не стал просчитывать DCF «наобум»:
Однако всей информации из документа модель извлечь не смогла, что ставит под сомнение точность оценки. Узнать больше можно из этого диалога.
Следующий промпт мы тестировали на Grok 4. В качестве обрабатываемого документа взяли vix-daily.csv. Задача, которую мы поставили перед нейросетью:
«В приложенном CSV находятся исторические данные по индексу волатильности VIX (Date, VIXOpen, VIXHigh, VIXLow, VIXClose). Используя нейросети для финансов, выполни анализ динамики рыночного страха и спокойствия за последние 10 лет. Выдели 5 дней с самыми сильными скачками, объясни их причины, рассчитай средние значения и определи, находится ли рынок в фазе страха или спокойствия».
Grok 4 Fast показал, что умеет работать быстро и точно. Буквально несколько секунд понадобилось искусственному интеллекту, чтобы вычленить интересующую информацию и соотнести пики волатильности с реальными событиями. Grok 4 внес в таблицу важные факторы последних лет:
Нейросеть не просто обозначила даты, но и написала небольшие комментарии, в которых указала причины роста «индекса страха».
Далее Grok рассчитал среднее значение VIX за последние 12 месяцев (15,8 пункта) и сравнил с историческим (18,2). Также ИИ отметил, что сейчас рынок находится в фазе спокойствия и повышенного аппетита к риску. Мы увидели четкий, аналитически обоснованный и структурированный ответ.
Чтобы убедиться в этом лично, проходите в тестовый чат.
Мы не могли обойти вниманием и модель Gemini 2.5 Pro. Чтобы ее опробовать, мы загрузили два файла: data-20180226-structure-20160704.csv – данные Минстроя РФ и data_20250701t1305_structure_20170820t0000.csv – данные Минтранса РФ. Мы попросили ИИ провести сравнение и задали ему следующий промпт:
«Сравни исполнение бюджета Минстроя и Минтранса по двум CSV-файлам. Покажи, где был перерасход (фактические расходы выше плана) и где, наоборот, деньги не были освоены. Сделай таблицу с тремя статьями перерасхода и тремя статьями экономии, добавь процент исполнения и короткий комментарий по каждой. В конце напиши общий вывод – у кого дисциплина исполнения бюджета лучше и какие статьи стоит оптимизировать».
Gemini 2.5 Pro довольно быстро и логично обработал оба документа. Он без ошибок установил, какой файл относится к какому ведомству, корректно разобрался в терминологии, а также предоставил четкую сравнительную характеристику. Нейросеть, например, отметила, что формально перерасхода бюджета нет. Кроме того, ИИ предоставил данные по максимальному и минимальному освоению средств (99,5–99,6 %, 42–70 %).
Отчет оказался понятным, со структурированной таблицей и содержательным анализом, в котором отражены в том числе и рекомендации для обоих министерств. А оценить работу Gemini можно по этой ссылке.
Следующую задачу мы решили выполнить с помощью Mistral Small 3.1. Мы предложили нейросети документ API_BN.KLT.DINV.CD_DS2_en_csv_v2_130180.csv – данные Всемирного банка о прямых иностранных инвестициях в Россию (2004–2023 гг.). ИИ получил следующий запрос:
«Используй CSV-файл Всемирного банка о прямых иностранных инвестициях (FDI) в Россию. Проанализируй динамику инвестиций за последние 20 лет: когда был рост, спад и восстановление. Покажи средний объем инвестиций, минимальное и максимальное значения, оцени волатильность и сделай короткий вывод. В конце составь таблицу с 5 рекомендациями, как снизить риски и улучшить структуру притока инвестиций, в стиле нейросетей для финансов и инвестиций».
Mistral Small 3.1 справился с поставленной задачей на отлично. Нейросеть быстро выделила периоды роста и сокращения инвестиций, корректно обозначила пики (2007 и 2012 годы) и кризисные спады (2008–2009, 2014–2015 и 2020–2023). Модель не просто выстроила понятную временную шкалу, но и объяснила причины, по которым возникли те или иные тенденции:
Базовый плюс Mistral – структурированная аналитика с подробными рекомендациями относительно того, как увеличить инвестиционный поток: налоговые льготы, совершенствование правовой базы, использование ИИ для прогноза рисков и т. д. Для более детального знакомства с отчетом воспользуйтесь этой ссылкой.
Для обзора мы взяли нейросеть Claude Haiku 4.5. Чтобы оценить модель, мы загрузили документ trade_summary_russia_2020_2024.csv. Промпт, который мы применили для решения этой задачи:
«В файле – усредненные данные по торговле в России за 2020–2024 годы. Используя нейросети как финансового помощника, сделай короткое резюме для инвестора: где рост/спад, что поддерживает рубль и внутренний спрос, какие риски. В конце – 3–4 вывода и рекомендации по сегментам торговли».
Haiku сгенерировал доступный для понимания вывод. Модель отметила, что выросло количество торговых сетей, уменьшился процент розничных продаж. Кроме того, сократились прибыль и сальдо. Также ИИ предложил ряд рекомендаций: сосредоточиться на крупных федеральных сетях, активнее развивать электронную коммерцию, импортозамещение.
Существенный минус Haiku – невозможность работать с большими объемами информации. Мы были вынуждены компилировать файл вручную, а промпт – упрощать. Смотрите пример отчета в соответствующем чате.
И последний промпт в нашем обзоре мы решили протестировать на модели GPT-5 Nano. Для испытания мы взяли oil_fx_russia_2019_2024.csv – данные по нефти, курсу USD/RUB и индексу Мосбиржи за 2019–2024 годы. Промпт, который мы предложили искусственному интеллекту:
«В файле – данные о средней цене нефти Brent, курсе USD/RUB и индексе Мосбиржи за 2019–2024 годы. Используя нейросети для анализа финансов и инвестиций, найди, как связаны цена нефти, курс рубля и рынок акций. Рассчитай корреляции, выведи таблицу и опиши результаты в трех коротких абзацах простыми словами».
GPT-5 Nano довольно быстро и с высокой точностью обработал данные и предложил реалистичные коэффициенты взаимозависимости:
Модель заострила внимание инвесторов на том, что в последние годы курс рубля все меньше зависит от стоимости нефти, а при расчете перспектив и рисков стоит учитывать в том числе и другие факторы: санкции, ограничения, денежную политику.
К минусам модели можно отнести трудности, связанные с обработкой большого исходника. ИИ смог проанализировать только сжатый CSV, изначальный датасет World Bank + GitHub оказался слишком объемным для нейросети.
Тем не менее с результатом работы ИИ можно ознакомиться здесь.
ИИ – отличное решение для анализа финансовых документов. Нейросеть может предоставить сравнительные характеристики, сформулировать рекомендации, обозначить риски. Главное – задать грамотный промпт, который будет четко отражать цели анализа.
