Предмет. Скоринговые системы с искусственным интеллектом как фактор стабильности и устойчивости кредитования в финансовых институтах. Цели. Провести сравнительный анализ финансовых показателей скоринговых систем с элементами нейросетевых технологий с классическими банковскими системами оценки заемщика и на этой основе определить возможности и необходимость использования систем с искусственным интеллектом в кредитных организациях. Методология. Использован метод совокупной стоимости владения, а также методы логического, сравнительного и статистического анализа. Результаты. Проведен всесторонний и комплексный анализ развития нейросетевых технологий в финансовых институтах. Дана оценка мирового рынка данных технологий. Проанализировано влияние нейросетевых технологий на прибыль финансовых институтов. Рассмотрены основные направления применения искусственного интеллекта в финансовой сфере. Проведен анализ использования нейросетевых технологий в банковских скоринговых системах, позволяющих обеспечить значительное снижение рисков при выдаче кредитов. Оценена эффективность внедряемых скоринговых систем с нейросетевыми технологиями. Предложена модель установления эффективности системы оценки заемщика на базе метода совокупных затрат, которая позволяет сравнить расходы на внедрение классической скоринговой системы и с использованием искусственного интеллекта. Выводы. Полученные результаты могут быть применены российскими банковскими учреждениями для комплексного обоснования оценки по внедрению скоринговых систем с искусственным интеллектом в практику оценки заемщиков при выдаче кредитов.
Koroleva E. Attitude towards using FinTech services: Digital immigrants versus digital natives. International Journal of Innovation and Technology Management, 2022, vol. 19, no. 8, 2250029. DOI: 10.1142/S0219877022500298 EDN: CJRJQW
Арбатская Д.Е., Родионов Д.Г., Унгвари Л., Конников Е.А. Сравнительный анализ подходов к моделированию изменений на финансовых рынках технологического сектора экономики // Мягкие измерения и вычисления. 2024. Т. 74. № 1-1. С. 71–82. DOI: 10.36871/2618-9976.2024.01.007 EDN: AQCNCR
Ahmad A.Y.B.A., Tiwari A., Nayeem M.A. et al. Artificial Intelligence Perspective Framework of the Smart Finance and Accounting Management Model. International Journal of Intelligent Systems and Applications in Engineering, 2024, vol. 12, no. 4, pp. 586–594.
Lyukevich I., Agranov A., Lvova N., Guzikova L. Digital experience: How to find a tool for evaluating business economic risk. International Journal of Technology, 2020, vol. 11, no. 6, pp. 1244–1254. DOI: 10.14716/ijtech.v11i6.4466 EDN: CIFTFA
Apsilyam N.M., Shamsudinova L.R., Yakhshiboyev R.E. The application of artificial intelligence in the economic sector. Central Asian Journal of Education and Computer Sciences (CAJECS), 2024, vol. 3, no. 1, pp. 1–12.
Koroleva E. FinTech entrepreneurial ecosystems: Exploring the interplay between input and output. International Journal of Financial Studies, 2022, vol. 10, iss. 4. DOI: 10.3390/ijfs10040092 EDN: WJVKBN
Сидорин А.А.1 Полякова А.А., Дударева А.Б., Кожанчикова Н.Ю. Совершенствование методики оценки кредитоспособности потенциальных заемщиков // Russian Journal of Agricultural and Socio-Economic Sciences. № 7. С. 102–107. DOI: 10.18551/rjoas.2017-07.11 EDN: XPXHTV
Абдуллаев Н.А. Перспективы внедрения современных технологий искусственного интеллекта в скоринговые системы // Экономика и финансы (Узбекистан). 2023. № 1. С. 39–49. DOI: 10.34920/EIF/VOL_2023_ISSUE_1_6 EDN: LELIED
Тен В.В. Проблемы анализа кредитоспособности заемщика // Банковское дело. 2006. № 3. С. 49–51. EDN: HTWPRT
Горелая Н.В. Оценка кредитоспособности заемщика в системе регулирования кредитными рисками // Управление корпоративными финансами. 2005. № 6. С. 30–41. EDN: HUXGHV
Родионов Д.Г., Конников Е.А., Мугутдинов Р.М. Системный анализ конкурентоспособности цифрового предприятия в рамках информационной среды // Экономические науки. 2020. № 193. С. 394–401. DOI: 10.14451/1.193.394 EDN: WBMKJQ
Huang Z., Che C., Zheng H., Li C. Research on Generative Artificial Intelligence for Virtual Financial Robo-Advisor. Academic Journal of Science and Technology, 2024, vol. 10, no. 1, pp. 74–80. DOI: 10.54097/30r2kk80 EDN: WZLWWV
Giudici P., Centurelli M., Turchetta S. Artificial Intelligence risk measurement. Expert Systems with Applications, 2024, vol. 235, 121220. DOI: 10.1016/j.eswa.2023.121220 EDN: EYDHEQ
Akour I., Alzyoudb M., Alquqa E.K. et al. Artificial intelligence and financial decisions: Empirical evidence from developing economies. International Journal of Data and Network Science, 2024, vol. 8, pp. 101–108. DOI: 10.5267/j.ijdns.2023.10.013 EDN: WHLGYH
Rodionov D., Koshelev E., Van Lo.T.H. Model of cross-financing for research and development costs in a federal district. Sustainable Development and Engineering Economics, 2023, iss. 2, pp. 24–38. DOI: 10.48554/SDEE.2023.2.2 EDN: LFOVZE
Hidayat M., Defitri S.Yu., Hilman H. The Impact of Artificial Intelligence (AI) on Financial Management. Management Studies and Business Journal (PRODUCTIVITY), 2024, vol. 1, no. 1, pp. 123–129. DOI: 10.62207/s298rx18 EDN: EEPHTH
Ivanov V.V., Lvova N.A., Saksonova S., Lyukevich I.N. Digital accessibility in the context of preference for financial services. Petersburg University Journal of Economic Studies, 2023, vol. 39, no. 2, pp. 179–197. DOI: 10.21638/spbu05.2023.202 EDN: XUJACI
Егоров И.А., Кондратьев В.Ю. Методика анализа совокупной стоимости владения (TCO) // Инновации и инвестиции. 2022. № 11. С. 183–187. EDN: NJBWZV
