Исследование посвящено комплексному анализу трансформации инвестиционного менеджмента под влиянием технологий искусственного интеллекта и больших данных, формирующих новую парадигму принятия инвестиционных решений. В работе прослеживается эволюция подходов к управлению инвестициями от традиционных аналитических методов, основанных на фундаментальном и техническом анализе, к высокочастотной алгоритмической торговле и далее к интеллектуальным системам, способным к самообучению и адаптации. Особое внимание уделяется изменению роли человеческого фактора в инвестиционном процессе, где функции аналитика трансформируются в направлении интерпретации результатов машинного обучения и определения стратегических границ автоматизированных систем. Исследование раскрывает механизмы интеграции технологий больших данных в инвестиционный менеджмент, позволяющие обрабатывать многомерные массивы структурированной и неструктурированной информации из разнородных источников, включая финансовые отчеты, новостные потоки, социальные медиа и альтернативные данные. Проанализированы ключевые алгоритмические подходы машинного обучения, применяемые в инвестиционном анализе: от классификации и регрессии до глубокого обучения и генеративных моделей. Систематизированы преимущества и ограничения различных методов с точки зрения интерпретируемости результатов, требований к обучающим данным, вычислительной сложности и робастности в условиях волатильности рынков. В работе раскрыты архитектурные особенности современных систем поддержки инвестиционных решений, построенных на принципах гибридного интеллекта, сочетающих алгоритмические и эвристические компоненты. Представлена типология таких систем с выделением уровней автономности в зависимости от степени человеческого контроля над инвестиционным процессом. Исследование выявляет трансформацию управления рисками в цифровую эпоху, где традиционные метрики дополняются методами сценарного моделирования, стресс-тестирования на основе исторических и синтетических данных, а также инструментами раннего предупреждения, основанными на анализе слабых сигналов. На основе проведенного анализа предложена концептуальная модель технологически ответственного инвестиционного менеджмента, интегрирующая принципы управления алгоритмическими рисками, этического использования искусственного интеллекта и обеспечения устойчивости к технологическим сбоям.
The study is devoted to a comprehensive analysis of the transformation of investment management under the influence of artificial intelligence and big data technologies, which form a new paradigm for making investment decisions. The work traces the evolution of approaches to investment management from traditional analytical methods based on fundamental and technical analysis to high-frequency algorithmic trading and further to intelligent systems capable of self-learning and adaptation. Particular attention is paid to the changing role of the human factor in the investment process, where the analyst's functions are transformed in the direction of interpreting machine learning results and defining strategic boundaries of automated systems. The study reveals the mechanisms of integrating big data technologies into investment management, allowing to process multidimensional arrays of structured and unstructured information from heterogeneous sources, including financial statements, news feeds, social media and alternative data. The key algorithmic approaches of machine learning used in investment analysis are analyzed: from classification and regression to deep learning and generative models. The advantages and limitations of various methods are systematized in terms of interpretability of results, requirements for training data, computational complexity and robustness in conditions of market volatility. The paper reveals the architectural features of modern investment decision support systems built on the principles of hybrid intelligence, combining algorithmic and heuristic components. A typology of such systems is presented, highlighting the levels of autonomy depending on the degree of human control over the investment process. The study reveals the transformation of risk management in the digital age, where traditional metrics are complemented by scenario modeling, stress testing based on historical and synthetic data, and early warning tools based on the analysis of weak signals. Based on the conducted analysis, a conceptual model of technologically responsible investment management is proposed, integrating the principles of algorithmic risk management, ethical use of artificial intelligence and ensuring resilience to technological failures.