ШТУЧНИЙ ІНТЕЛЕКТ У ФІНАНСОВИХ ТЕХНОЛОГІЯХ: МЕТОДИ, ЗАСТОСУВАННЯ ТА СУЧАСНІ ТЕНДЕНЦІЇ

Анотація

У цьому дослідженні систематизовано сучасні методи генеративного штучного інтелекту, зокрема великих мовних моделей (LLM), та проаналізовано підходи до їх застосування у галузі фінансових технологій. Проведено узагальнення існуючих стратегій використання LLM у FinTech, включаючи zero-shot, few-shot, fine-tuning, Retrieval-Augmented Generation (RAG) та навчання моделей з нуля. Виконано порівняльний аналіз їх вартості та складності впровадження, визначено найбільш відповідні варіанти інтеграції LLM в залежності від типу прикладної задачі. У роботі представлено алгоритм автоматичного ребалансування інвестиційного портфеля, який поєднує класичну портфельну теорію Марковіца (MPT), прогнозування цін фінансових інструментів використовуючи LSTM-мережі та аналіз сигналів технічного аналізу. Запропоновано розширену версію алгоритму ребалансування, яка доповнює традиційні кількісні методи двома LLM-компонентами (модуль аналізу ринкових настроїв та модуль обробки фінансової звітності). Інтеграція зазначених компонентів забезпечує можливість обробки неструктурованих даних, таких як фінансові новини, публікації в соціальних мережах, квартальні та річні фінансові звіти компаній, тощо. Використання таких даних дозволяє суттєво розширити вхідний набір даних моделей прогнозування цін, що може підвищити якість прийнятих інвестиційних рішень. Спираючись на проаналізовані наукові публікації, показано, що поєднання технічних та фундаментальних фінансових показників з оцінкою ринкових настроїв сприяє підвищенню точності прогнозування цін на фінансові інструменти. В роботі обґрунтовано перспективність використання запропонованого методу ребалансування інвестиційного портфелю у автоматизованих системах фінансового консультування (Robo-Advisor). Зазначено основні обмеження дослідження, насамперед, необхідність практичної перевірки алгоритму ребалансування на реальних ринкових даних. Визначено напрями подальших досліджень, пов’язані з експериментальною перевіркою запропонованої моделі на історичних даних різних періодів та подальшу оптимізацію LLM-компонентів спираючись на результати експериментів.