ГЕНЕРАТИВНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ФИНТЕХЕ

Генеративный искусственный интеллект (ИИ) преобразует финансовые технологии (FinTech), создавая синтетические данные, улучшая прогнозную аналитику и автоматизируя сложные задачи. В данной статье рассматриваются ограничения традиционных моделей машинного обучения при работе с дефицитом данных и развивающимися схемами мошенничества в финансах. Мы предлагаем новую гибридную архитектуру, которая интегрирует генеративно-состязательные сети (Generative Adversarial Networks, GAN), большие языковые модели (Large Language Models, LLM) и вариационные автоэнкодеры (Variational Autoencoders, VAE) для улучшения кредитного скоринга, обнаружения мошенничества и автоматизации финансовых документов. Наш метод использует условную табличную GAN (Conditional Tabular GAN, CTGAN) для генерации синтетических данных и балансировки наборов данных, VAE для обнаружения аномалий в транзакционных данных и LLM для формирования интерпретируемых отчетов и документов соответствия. Экспериментальные результаты показывают, что модели, обученные на данных, дополненных с помощью GAN, достигают увеличения AUC на 8% для кредитного скоринга и улучшения F1-меры на 18% для обнаружения мошенничества на несбалансированных наборах данных. Специальный слой соответствия снизил демографическое смещение на 37%. Исследование подтверждает, что тщательно разработанная система генеративного ИИ может значительно повысить производительность моделей, их справедливость и операционную эффективность в приложениях FinTech, одновременно решая критически важные этические и регуляторные задачи.

1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y. Generative adversarial nets. Advances in Neural Information Processing Systems, 27, 2672–2680 (2014).

2. Xu, L., Skoularidou, M., Cuesta-Infante, A., and Veeramachaneni, K. Modeling tabular data using Conditional GAN. Advances in Neural Information Processing Systems, 32 (2019).

3. Kingma, D.P., and Welling, M. Auto-Encoding Variational Bayes. arXiv preprint arXiv:1312.6114 (2013).

4. Lundberg, S., and Lee, S.-I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 4765–4774 (2017).

5. An, J., and Cho, S. Variational Autoencoder based Anomaly Detection using Reconstruction Probability. SNU Data Mining Lab Technical Report (2015).

6. Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., and Galstyan, A. A Survey on Bias and Fairness in Machine Learning. ACM Computing Surveys, 54 (6), 1–35 (2021).

7. Yang, H., Liu, X.Y., and Wang, C.D. FinGPT: Open-Source Financial Large Language Models. IJCAI Symposium on FinTech (2023).

8. FINRA. Artificial Intelligence (AI) in the Securities Industry. FINRA Regulatory Report (2024). URL: https://www.finra.org.

9. Arora, A., and Aggarwal, N. Generative AI in FinTech: Opportunities and Challenges. Journal of Financial Innovation, 2 (1) (2023).

10. Kim, D.K., et al. Generative models for tabular data: A comprehensive review. International Journal of Automation and Smart Technology (2024).

11. Bank for International Settlements (BIS). Artificial Intelligence in Finance: Developments and Implications. FSI Insights, No. 58 (2025).

12. Ghassemi, M., et al. The False Hope of Current AI for Financial Inclusion. Nature Machine Intelligence, 5, 110–120 (2023).

13. Kim, Y.J., and Kim, S. Anomaly Detection in Financial Transactions Using Hybrid Generative Models. IEEE Access, 10, 54321–54335 (2022).

14. Basel Committee on Banking Supervision (BCBS). Digitalisation of Finance. Bank for International Settlements Discussion Paper (2024).

15. Zhang, X., et al. Evaluating the Privacy Risks of Synthetic Financial Data. Proceedings of the ACM Conference on Computer and Communications Security (2023).

16. Wu, T., Wang, X., Huang, Q., et al. A Survey on Large Language Models for Finance. arXiv preprint arXiv:2306.06031 (2023).

17. Barocas, S., and Selbst, A.D. Big Data’s Disparate Impact. California Law Review (Updated Analytical Review) (2022).

18. Pellerin, F., and Ganev, G. Explainable AI in Fintech: A Regulatory Perspective. Journal of AI and Law, 32 (2024).

19. Singh, R., and Baum, D. Ethical Frameworks for Generative AI in Banking. Finance & Ethics Review (2023).

20. Lopez de Prado, M. Machine Learning for Asset Managers. Cambridge: Cambridge University Press (2021).