ҚАРЖЫ ТЕХНОЛОГИЯЛАРЫНДАҒЫ ГЕНЕРАТИВТІ ЖАСАНДЫ ИНТЕЛЛЕКТ

Генеративті жасанды интеллект (ЖИ) синтетикалық деректерді жасау, болжамдық аналитиканы жетілдіру және күрделі міндеттерді автоматтандыру арқылы қаржылық технологияларды (FinTech) түрлендіруде. Мақалада қаржы саласындағы деректердің жетіспеушілігі мен үнемі өзгеріп отыратын алаяқтық үлгілері жағдайында дәстүрлі машиналық оқыту модельдерінің шектеулері қарастырылады. Біз несиелік скорингті, алаяқтықты анықтауды және қаржылық құжаттарды автоматтандыруды жетілдіруге арналған генеративті қарсылас желілерді (Generative Adversarial Networks, GAN), үлкен тілдік модельдерді (Large Language Models, LLM) және вариациялық автоэнкодерлерді (Variational Autoencoders, VAE) біріктіретін жаңа гибридті тәсілді ұсынамыз. Біздің әдіс деректер жиынтықтарын теңгерімдеу үшін синтетикалық деректер генерациясында шартты кестелік GAN-ды (Conditional Tabular GAN, CTGAN), транзакциялық деректердегі аномалияларды анықтау үшін VAE-ні және түсінікті есептер мен құжаттарды қалыптастыру үшін LLMді қолданады. Эксперименттік нәтижелер GAN арқылы толықтырылған деректер негізінде оқытылған модельдердің теңгерімсіз деректер жиынтықтарында несиелік скоринг бойынша AUC көрсеткішін 8%ға, ал алаяқтықты анықтау бойынша F1-өлшемін 18%-ға арттырғанын көрсетті. Арнайы сәйкестік қабаты демографиялық әділетсіздікті 37%-ға төмендетті. Зерттеу нәтижелері мұқият әзірленген генеративті ЖИ жүйесінің FinTech қосымшаларында модельдердің өнімділігін, әділеттілігін және операциялық тиімділігін айтарлықтай жақсарта алатынын, сонымен қатар маңызды этикалық және реттеушілік мәселелерді шешуге ықпал ететінін растайды.

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).