Роль и Применение FinTech, Искусственного Интеллекта и Big Data в Стратегическом Управлении Инвестиционным Портфелем на Российском Фондовом Рынке (2024–2025 гг.)

метки: Модель, Портфель, Финансовый, Анализ, Https, Управление, Система, Решение

Актуальность, Цели и Современный Контекст Рынка

Ключевой вызов для современного инвестиционного менеджмента заключается в необходимости адаптации классических, статичных методологий к беспрецедентно динамичной и технологически насыщенной среде. Российский фондовый рынок (Московская Биржа, MOEX) переживает период кардинальной трансформации, движимый двумя силами: массовым притоком розничных инвесторов и взрывным развитием финансовых технологий (FinTech).

Актуальность настоящего исследования определяется тем, что классические подходы к управлению портфелем, разработанные в середине XX века, демонстрируют недостаточную робастность в условиях высокой волатильности и информационного шума, характерного для цифровой эпохи. Необходимо провести глубокий академический анализ того, как именно искусственный интеллект (ИИ), Big Data и алгоритмические торговые системы могут быть интегрированы в процессы принятия инвестиционных решений для повышения их эффективности и надежности.

Наш анализ опирается на актуальные данные Московской Биржи. По состоянию на сентябрь 2025 года, количество физических лиц, имеющих брокерские счета на MOEX, достигло рекордных 38,6 млн человек. Более того, частные инвесторы стали доминирующим игроком: их доля в объеме торгов акциями и паями биржевых фондов составила внушительные 65%. Этот факт не только подчеркивает актуальность темы, но и ставит перед управляющими компаниями новую задачу: как обеспечить эффективное управление активами в условиях, когда рынок всё сильнее подвержен поведенческим факторам и информационным потокам. Именно анализ этих поведенческих факторов становится критически важным для прогнозирования внезапных рыночных шоков.

Цель работы — разработка исчерпывающих аналитических рекомендаций по стратегическому и тактическому управлению инвестиционным портфелем, основанных на интеграции передовых FinTech-решений и современных эконометрических моделей, адаптированных для российского фондового рынка.

Структура работы последовательно раскрывает теоретические основы трансформации моделей (MVO, VaR, CVaR), анализирует практическое применение FinTech (алготрейдинг, анализ сентимента) в российской практике и завершается критическим обзором регуляторных вызовов и новых требований к компетенциям финансового менеджера.

Анализ, оценка и оптимизация управления дебиторской и кредиторской ...

... инструменты финансового менеджмента. Теоретико-правовые основы дебиторской и кредиторской задолженности Углубленный анализ управления задолженностью требует четкого понимания ее экономической природы, места в финансовой ... здесь упускается? Чрезмерное снижение концентрации ДЗ может быть достигнуто за счет работы с множеством мелких, менее надежных контрагентов, что парадоксальным образом увеличивает ...

Теоретико-методологическая трансформация классического портфельного менеджмента под влиянием FinTech

Эволюция модели Марковица (MVO) в условиях Big Data

Классическая модель Марковица (Markowitz, 1952) является краеугольным камнем современной теории портфеля. Она направлена на поиск оптимальной структуры активов, минимизирующей риск (дисперсию доходности) при заданном уровне ожидаемой доходности или, наоборот, максимизирующей доходность при заданном уровне риска.

Традиционный подход к MVO предполагает использование исторических данных для оценки входных параметров:

1. Ожидаемая доходность каждого актива ($\mu_{i}$).
2. Ковариационная матрица ($\Sigma$), отражающая взаимосвязь доходностей активов.

Ключевой недостаток классической MVO, который долгое время критиковался в академической среде, — это ее чрезмерная чувствительность к входным данным. Небольшие изменения в оценках μ или Σ могут привести к радикально иным, часто неробастным, оптимальным портфелям.

В условиях fintech и Big Data этот недостаток преодолевается за счет перехода от статичных, основанных на истории оценок, к динамическим, прогнозным параметрам, генерируемым алгоритмами машинного обучения (ML) и искусственного интеллекта.

Нейронные сети, рекуррентные нейронные сети (RNN) и алгоритмы глубокого обучения способны анализировать не только исторические цены (как это делает классическая эконометрика), но и терабайты неструктурированных данных: корпоративные отчеты, новостные ленты, социальные сети. Это позволяет ML-алгоритмам формировать более точные и робастные прогнозные оценки:

• Прогноз μ: ML-модели могут предсказывать ожидаемую доходность активов с учетом макроэкономических индикаторов, отраслевого сентимента и даже внутренней финансовой отчетности, что значительно повышает качество прогноза по сравнению с простым усреднением исторических данных.
• Прогноз Σ: Использование ML в сочетании с передовыми эконометрическими моделями (такими как GARCH) позволяет более точно моделировать динамическую ковариацию между активами, особенно в периоды рыночных шоков.

Таким образом, FinTech не отменяет MVO, а модернизирует ее, заменяя ее самые слабые звенья (статичные входные данные) на робастные, динамические оценки, что позволяет управляющему портфелем строить более устойчивую и действительно эффективную границу портфелей. Неужели классический финансовый менеджер, вооруженный только историческими данными, способен сегодня конкурировать с системами, способными обрабатывать миллиарды точек данных в режиме реального времени?

Современные меры риска: От VaR к когерентному CVaR

Для количественной оценки риска инвестиционного портфеля ключевыми инструментами остаются Value-at-Risk (VaR) и Conditional Value-at-Risk (CVaR).

Экономическое моделирование проекта инвестиционной политики предприятия: ...

... риск, ориентация на инновации и максимальную доходность. Консервативный: Низкий риск, ориентация на проверенные проекты, направленные на поддержание текущих позиций. Методологические принципы и стандарты оценки ... на государственную поддержку, потребовалось бы применение более сложной, многокритериальной модели оценки, утвержденной Приказом МЭР 2024 года. Это демонстрирует, что выбор методологии ...

Value-at-Risk (VaR) — это статистическая мера, определяющая максимальный потенциальный убыток, который портфель не превысит с заданной вероятностью (α) на определенном временном горизонте ($T$).
Для доверительного уровня α (например, 95% или 0,05) при условии нормального распределения доходностей, VaR может быть выражен формулой:

VaR_α(R) = r_Tx - Z_α * σ_Tx

Где:

• $r_{Tx}$ — ожидаемая доходность портфеля за период $T$.
• $\sigma_{Tx}$ — стандартное отклонение доходности портфеля за период $T$.
• $Z_{\alpha}$ — квантиль стандартного нормального распределения, соответствующий уровню доверия $\alpha$. Например, для 95% ($1 — \alpha = 0.95$) $Z_{\alpha} \approx 1.645$.

Пример расчета: Для портфеля с ежедневным стандартным отклонением ($\sigma$) в 2% и горизонтом в 10 дней, 99% VaR составит: VaR = 2.33 * 0.02 * √10 ≈ 0.147. Это означает, что с вероятностью 99% убытки за 10 дней не превысят 14,7% от стоимости портфеля.

Однако VaR имеет существенный методологический недостаток: он не является когерентной мерой риска, поскольку не выполняет свойство субаддитивности (полуаддитивности).

Это означает, что риск объединенного портфеля (VaR_A+B) может быть больше, чем сумма рисков его отдельных частей (VaR_A + VaR_B), что противоречит фундаментальному принципу диверсификации. Кроме того, VaR не дает представления о размере потерь, превышающих пороговое значение.

Conditional Value-at-Risk (CVaR), или Ожидаемый Дефицит (Expected Shortfall), устраняет эти недостатки. CVaR определяется как среднее значение убытков, которые превышают уровень VaR.

Ключевое преимущество CVaR заключается в том, что это когерентная мера риска, которая всегда удовлетворяет свойству субаддитивности. Оптимизация портфеля на основе CVaR, а не VaR, заставляет управляющего учитывать не только вероятность наступления экстремального события, но и его масштаб, что особенно критично для долгосрочной стабильности портфеля и предотвращения катастрофических потерь (Black Swan events).

Именно переход к CVaR демонстрирует сдвиг в философии риск-менеджмента: от простого измерения вероятности неудачи к обязательному планированию последствий этой неудачи.

Прогнозные модели волатильности с использованием семейства ARCH

Для повышения точности оценки VaR и CVaR, особенно в условиях рынка с выраженной гетероскедастичностью (когда волатильность не является постоянной), критически важно использовать прогнозные эконометрические модели.
Модели семейства ARCH (Autoregressive Conditional Heteroscedasticity), а также их обобщение GARCH (Generalized ARCH), позволяют моделировать условную дисперсию доходностей, которая изменяется во времени.

Формула условной дисперсии для модели GARCH(1,1):

σ²_t = ω + α · ε²_{t-1} + β · σ²_{t-1}

Где:

• $\sigma_{t}^{2}$ — прогноз условной дисперсии на период $t$.
• $\omega$ — константа.
• $\varepsilon_{t-1}^{2}$ — квадрат ошибки прогноза (информация о волатильности, полученная из предыдущего периода).
• $\sigma_{t-1}^{2}$ — условная дисперсия, наблюдаемая в предыдущем периоде.
• $\alpha$ и $\beta$ — весовые коэффициенты, определяющие, насколько сильно дисперсия зависит от шоков ($\alpha$) и от прошлой дисперсии ($\beta$).

Применение ARCH-моделей позволяет финансовому менеджеру получить не статичное, а динамическое, прогнозное значение волатильности ($\sigma_{Tx}$), что при подстановке в формулы VaR и CVaR обеспечивает существенно более точную и оперативную оценку риска, адекватно отражающую текущую рыночную конъюнктуру. Это гарантирует, что риск-параметры будут своевременно пересчитываться в моменты высокой неопределенности, например, при выходе критически важных макроэкономических данных.

FinTech-инновации и Алгоритмический Трейдинг в Российской Инвестиционной Практике

Инструментарий и платформы MOEX

Инфраструктура Московской Биржи предоставляет широкий спектр торговых и аналитических инструментов, однако на российском рынке до сих пор наблюдается сосуществование классических и ультрасовременных платформ.

Платформа	Тип	Ключевой Функционал	Преимущества в FinTech-среде
QUIK	Классический десктопный терминал	Обработка данных в реальном времени, внебиржевая торговля, сложный анализ.	Широкая интеграция с внешними алготрейдинговыми системами, API для стороннего ПО, высокая надежность.
Проприетарные системы (Тинькофф, БКС)	Веб/Мобильные приложения	Удобный интерфейс, доступ к акциям, фьючерсам, валютам, упрощенная аналитика.	Доступность для розничного инвестора, быстрая интеграция ИИ-советников и чат-ботов.
Трейд Радар (MOEX)	Информационно-торговый терминал (Профучастники)	Агрегация данных Группы МБ, чат для профучастников, модуль TradingView.	Централизованная аналитика, доступ к данным биржи, интеграция передовых инструментов технического анализа.
TradingView	Сторонний графический анализ	Более 100 индикаторов, возможность написания собственных стратегий на языке Pine Script.	Стандарт де-факто для технического анализа, легко интегрируется с торговыми платформами.

Терминал QUIK сохраняет свою актуальность как основной инструмент для профессиональных участников и алгоритмических трейдеров благодаря своей надежности и широким возможностям интеграции. Однако проприетарные мобильные решения, такие как «Тинькофф Инвестиции», доминируют в сегменте розничных инвесторов, обеспечивая удобство и скорость совершения сделок.

Знаковым событием стало появление в декабре 2023 года терминала «Трейд Радар» от самой Московской биржи. Его интеграция с аналитикой Группы МБ и модулем TradingView демонстрирует тенденцию к централизации качественного аналитического инструментария и его предоставлению профессиональным участникам для повышения эффективности принятия решений.

Применение Big Data и Анализа Настроений (Sentiment Analysis)

Внедрение алгоритмического трейдинга (алготрейдинга) позволяет финансовому менеджеру обеспечить:

1. Скорость исполнения: Минимизация задержки (latency) между получением сигнала и совершением сделки.
2. Эмоциональную нейтральность: Исключение человеческих ошибок и психологического фактора.
3. Сложность стратегий: Реализацию комплексных стратегий (HFT, арбитраж) с учетом множества параметров.

Big Data и анализ настроений (sentiment analysis) являются ключевыми источниками входных данных для алгоритмов. Анализ сентимента — это процесс извлечения и интерпретации эмоционального окраса текстов (новостей, отчетов, сообщений в социальных сетях) для прогнозирования реакции рынка.

Исследования, проведенные на российском фондовом рынке в период 2019–2023 гг., подтверждают существенное влияние сентимента из социальных сетей (например, X) на динамику и волатильность рынка. Однако самое важное открытие заключается в том, что значимым фактором формирования стадного поведения инвесторов является не только общий уровень сентимента, но и расхождение мнений пользователей инвестиционных онлайн-платформ. Если мнения сильно поляризованы, это может стать триггером для нерациональных действий части инвесторов, особенно при работе с акциями, характеризующимися меньшей средней доходностью. Управляющий, использующий Big Data, может интегрировать эти поведенческие факторы в свои ML-модели, создавая гибридные стратегии, которые корректируют прогнозы, полученные из фундаментального и технического анализа, с учетом ожидаемой реакции толпы. Это позволит значительно снизить риск, связанный с непредсказуемой реакцией широкой массы розничных инвесторов.

Корпоративные кейс-стади внедрения ИИ в финансовом секторе РФ

Российские финансовые гиганты активно используют ИИ не только для торговых, но и для операционных целей, что в конечном итоге повышает общую эффективность бизнеса и качество обслуживания клиентов-инвесторов.

Компания	Область внедрения ИИ	Результаты и Экономический Эффект (2023–2024 гг.)
Сбербанк	Оптимизация контакт-центров (маршрутизация звонков корпоративных клиентов)	Экономический эффект в 300 млн рублей (2023 г.). Среднее время маршрутизации сокращено в 3,5 раза (до 18 сек.).
ВТБ	Чат-боты и голосовые помощники (обслуживание клиентов)	Разрешение около 70% обращений клиентов без участия оператора. Число обращений к чат-боту достигло 3 млн запросов в месяц (середина 2024 г.).
Финам	Инвестиционные скринеры	Запуск сервиса «Finam AI-Скринер», использующего ИИ для помощи инвесторам в отборе активов и формировании инвестиционных идей.

Эти кейс-стади демонстрируют, что FinTech-инновации уже приносят измеримый финансовый результат в России, подтверждая, что ИИ является не просто модным трендом, а стратегическим инструментом для повышения эффективности.

Регуляторные Вызовы и Трансформация Компетенций Финансового Менеджера

Проблема «Черного Ящика» ИИ и необходимость развития SupTech

Одним из самых острых ограничений при внедрении сложных ИИ-систем в управление активами является проблема «черного ящика» (Black Box Problem).

Сложные нейросети, особенно глубокие, принимают решения на основе нелинейных взаимосвязей, которые часто не поддаются прямому логическому объяснению.

Эта непрозрачность создает серьезные проблемы для регуляторов и управляющих:

1. Комплаенс и Регуляторный Риск: В случае сбоя или некорректного решения алгоритма, управляющая компания или брокер не могут предоставить убедительное объяснение причин, лежащих в основе этого решения, что нарушает требования регуляторов к прозрачности и подотчетности.
2. Системный Риск: Невозможность понять, почему ИИ принимает то или иное решение, может привести к формированию скрытых системных рисков.

В ответ на этот вызов Банк России и другие регуляторы вынуждены активно развивать технологии регуляторного надзора (SupTech — Supervisory Technology).

SupTech направлен на использование ИИ и Big Data для мониторинга деятельности финансовых институтов, автоматизации проверки отчетности и выявления потенциальных угроз. Стремительное распространение технологий «не оставляет регуляторам пространства для инерции», требуя проактивного внедрения технологически подкованных надзорных систем, ведь отказ от понимания алгоритмов означает отказ от контроля над финансовой стабильностью.

Роль Ассоциации ФинТех (АФТ) и государственное регулирование

Российское законодательство активно адаптируется к FinTech-реалиям, в частности, через регулирование цифровых финансовых активов (ЦФА) и утилитарных цифровых прав (УЦП).

Ключевую роль в интеграции передовых технологий играет Ассоциация ФинТех (АФТ). Показательным является пилотный проект по использованию отечественного генеративного ИИ (Large Language Models, LLM).

В ходе второго этапа, завершенного летом 2024 года, было протестировано 17 гипотез:

• Точность распознавания темы в диалогах пользователей превысила 75%.
• Эффективность автоматизации поиска информации в базах данных с применением подхода RAG (Retrieval-Augmented Generation) также составила более 75%.

Эти метрики доказывают высокий потенциал LLM в автоматизации аналитической работы, что является важным сигналом для управляющих компаний, заинтересованных в повышении эффективности работы с информацией и документацией.

Новые требования к компетенциям и кадровый дефицит

Цифровая трансформация фундаментально меняет профиль современного финансового менеджера. Требования смещаются от традиционных знаний финансового учета и классической статистики к владению Hard Skills в области информационных технологий.

Ключевые Hard Skills, необходимые сегодня:

• Анализ больших данных (Big Data).
• Владение алгоритмами машинного обучения (ML) и статистическим программированием (Python, R).
• Понимание архитектуры облачных сервисов и решений для хранения данных.
• Знание эконометрических моделей волатильности (GARCH).

Одновременно возрастает потребность в Soft Skills, таких как Agile-управление, способность к быстрому прототипированию решений и адаптации к постоянно меняющейся инфраструктуре принятия решений.

К сожалению, этот сдвиг происходит на фоне острого кадрового дефицита в России. По данным Банка России, к концу 2024 года 69% предприятий столкнулись с нехваткой персонала. В банковской и финансовой отрасли этот дефицит наиболее критичен именно в стратегически важных областях: ИТ, ИИ, кибербезопасности и аналитике. Это является ключевым вызовом: даже при наличии технологий, отсутствие квалифицированных специалистов, способных их внедрять и контролировать, ограничивает темпы цифровой трансформации инвестиционного менеджмента.

Заключение и Практические Рекомендации

Проведенный анализ подтверждает, что управление инвестиционным портфелем на российском фондовом рынке в 2024–2025 гг. переживает радикальную трансформацию, движимую FinTech-инновациями. Классические методологии не исчезают, но подвергаются глубокой модернизации: статичные параметры MVO заменяются динамическими прогнозами, генерируемыми ML, а мера риска VaR уступает место более робастной и когерентной CVaR, точность которой повышается за счет применения ARCH/GARCH моделей.

Инфраструктура MOEX и российские корпоративные кейс-стади (ВТБ, Сбербанк, АФТ) демонстрируют, что ИИ и Big Data уже обеспечивают измеримый экономический и операционный эффект. В то же время, активный рост розничных инвесторов (до 38,6 млн) и их высокая доля в торгах (65%) подчеркивают важность учета поведенческих факторов и анализа сентимента, особенно расхождения мнений, для прогнозирования стадного поведения.

Практические рекомендации для управляющих компаний и финансового менеджмента:

1. Гибридизация Моделей Оптимизации: Не отказываться от MVO, а интегрировать ее с ML-алгоритмами для получения робастных прогнозных оценок μ и Σ. Оптимизацию портфеля следует проводить с использованием CVaR в качестве целевой функции риска, что обеспечивает большую устойчивость к экстремальным рыночным событиям.
2. Инвестиции в Прогнозную Эконометрику: Обязательное использование моделей семейства ARCH/GARCH для динамической оценки волатильности. Эти модели должны быть интегрированы в системы бэк-тестирования для обеспечения актуальности VaR и CVaR.
3. Использование Поведенческих Данных: Включить в алгоритмические стратегии модули анализа сентимента и расхождения мнений (sentiment divergence) из открытых источников и инвестиционных платформ, чтобы заблаговременно корректировать позиции в ожидании поведенческих шоков.
4. Снижение Регуляторного Риска ИИ: При внедрении сложных нейросетей необходимо применять методы Explainable AI (XAI), чтобы обеспечить прозрачность и объяснимость решений для инвесторов и регулятора, минимизируя проблему «черного ящика».
5. Приоритет Кадровому Развитию: Учитывая критический дефицит ИТ-специалистов, управляющим компаниям следует инвестировать в переподготовку существующих финансовых менеджеров, смещая фокус их компетенций на Hard Skills в области Big Data, ML и Python-программирования для автоматизации аналитических процессов.

Направления дальнейших исследований должны быть сосредоточены на разработке унифицированных стандартов XAI для российского финансового рынка, а также на создании гибридных моделей, объединяющих классические финансовые модели с LLM для автоматического анализа регуляторных документов и новостных потоков в режиме реального времени. Чтобы оставаться конкурентоспособными, финансовые институты должны осознать, что успешное управление портфелем сегодня требует равного владения как теорией финансов, так и передовыми технологиями.

Список использованной литературы

1. Финансовый менеджмент: Учебник для вузов / Под ред. акад. Г.Б. Поляка. 2-е изд., перераб. и доп. М.: ЮНИТИ-ДАНА, 2004. 527 с.
2. Финансы предприятий: Учебник для вузов / Н.В. Колчина, Г.Б. Поляк, Л.П. Павлова и др.; Под ред. проф. Н.В. Колчиной. 2-е изд., перераб. и доп. М.: ЮНИТИ-ДАНА, 2002. 447 с.
3. Финансы: Учебник / Под ред. проф. М.В. Романовского, проф. О.В. Врублевского, проф. Сабанти. 2-е изд., перераб. и доп. М.: Юрайт-Издат, 2006. 426 с.
4. Шарп У., Александер Г., Бэйли Дж. Инвестиции: Пер. с англ. М.: ИНФРА-М, 2001. 1028 с.
5. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. СПб.: Питер, 2002. 672 с.
6. Лукасевич И.Я. Анализ финансовых операций. Методы, модели, техника вычислений: Учеб. пособие для вузов. М.: Финансы, ЮНИТИ, 1998. 400 с.
7. Орлова И.В. Экономико-математические методы и модели. Выполнение расчетов в среде EXCEL / Практикум: Учебное пособие для вузов. М.: ЗАО «Финстатинформ», 2000. 136 с.
8. Ермоленко К.Ю. Управление инвестиционным портфелем в условиях современных информационных технологий: Дис. … канд. экон. наук: 08.00.13. Санкт-Петербург, 2004. 122 с. URL: http://www.lib.ua-ru.net/disser/ru/code-08.00.13.html
9. Зайченко Д.Н. Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий: Дис. … канд. экон. наук: 08.00.13. Москва, 2000. 172 с. URL: http://www.lib.ua-ru.net/disser/ru/code-08.00.13.html
10. Никонова И. Ценные бумаги для бизнеса: Как повысить стоимость компании с помощью IPO, облигационных займов и инвестиционных операций. М.: Альпина Бизнес Букс, 2006. URL: http://www.e-xecutive.ru/knowledge/review/762184
11. Недосекин А.О. Монотонные портфели и их оптимизация // Аудит и финансовый анализ. 2002. №2. URL: http://sedok.narod.ru/s_files/PF_Article_4.zip
12. Сивальнева Н.Н. Лекции по теории инвестиций.
13. ГОДОВОЙ ОТЧЕТ 2024. Московская Биржа. URL: https://moex.com
14. ИИ — за, ИИ — против. bosfera.ru. URL: https://bosfera.ru
15. Модели портфельного инвестирования с применением асимметричных мер риска и генетических алгоритмов. cyberleninka.ru. URL: https://cyberleninka.ru
16. Московская биржа: новации, тренды и возможности. unecon.ru. URL: https://unecon.ru
17. Московская биржа: число розничных инвесторов превысило 31 млн человек. Boomin.ru. URL: https://boomin.ru
18. МВФ предупредил, что ИИ может превратиться в «черный ящик» для регуляторов. frankmedia.ru. URL: https://frankmedia.ru
19. МЕТОДИКИ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ РИСКОВ НА ОСНОВЕ VAR: СРАВНИТЕЛЬНЫЙ АНАЛИЗ. cyberleninka.ru. URL: https://cyberleninka.ru
20. Оценка VaR портфеля ценных бумаг с применением ARCH-моделей. cyberleninka.ru. URL: https://cyberleninka.ru
21. Преимущества и ограничения алгоритмического трейдинга. HatMarket. URL: https://hatmarket.ru
22. Розничные инвесторы стали более активными на бирже. Банк России. URL: https://cbr.ru
23. Торговые терминалы для Московской биржи 2024. CScalp. URL: https://fsr-develop.ru
24. ТОП-9 торговых терминалов для биржи MOEX на Октябрь 2025. trading-terminal.ru. URL: https://trading-terminal.ru
25. ТРАНСФОРМАЦИЯ МЕНЕДЖМЕНТА В УСЛОВИЯХ ЦИФРОВОЙ ЭКОНОМИКИ. cyberleninka.ru. URL: https://cyberleninka.ru
26. Трансформация компетенций менеджера в условиях цифровой экономики. rea.ru. URL: https://rea.ru
27. Цифровые активы и цифровая валюта в расчетах (часть 1).

    vc.ru. URL: https://vc.ru

28. Цифровые компетенции специалистов финансового рынка для среднего профессионального образования. asprof.ru. URL: https://asprof.ru
29. Цифровые навыки финансовых специалистов в 2023 году: что нужно уметь и как этому научиться. finacademy.net. URL: https://finacademy.net
30. Частные инвесторы в сентябре вложили в ценные бумаги на Мосбирже рекордные 317 млрд рублей. mail.ru. URL: https://mail.ru
31. http://www.lt-group.ru (Сайт компании LT Group).
32. http://ru.wikipedia.org (Сайт Википедии – свободной энциклопедии).
33. http://www.quik.ru (Официальный сайт информационно-торговой системы QUIK).
34. http://www.netinvestor.ru/architect.aspx (Сайт системы NetInvestor).
35. http://www.finansmag.ru/64399 (Сайт журнала «Финанс»).
36. http://www.alfadirect.ru/download/files/Gualt.pdf (Сайт системы «Альфа-директ»).
37. http://www.micex.ru (Сайт ММВБ).
38. http://www.bcs-express.ru (Сайт аналитики финансовой группы БКС).
39. http://www.spbex.ru (Сайт ОАО «Санкт-Петербургская Биржа»).