Россия
В статье рассмотрены архитектурные и методологические ограничения языковых моделей (LLM) в сфере финансовой аналитики. Проанализированы особенности архитектуры LLМ моделей и показано их несоответствие свойствам финансовых данных. На основе современных исследований проведено сравнение LLM и ансамблевым алгоритмов при различных объемах выборки. Установлено, что LLM модели сталкиваются с проблемами при крупных и несбалансированных объемах данных, в отличие от ансамблевых подходов.
LLM, Transformers, нейронные сети, ансамблевые алгоритмы, ROC-AUC, Accuracy, F-1 score, XGBoost, CatBoost, Random Forest, SMOTE
1. Холлманн Н., Мюллер С., Пурукер Л. и др. Точные прогнозы на основе небольших данных с использованием табличной модели // Nature 637. 2025. C. 319-326. DOI:https://doi.org/10.1038/s41586-024-08328-6.
2. Кострева М., Фурман О., Фурман Р., Томчак С., Зиеба М. Полезны ли базовые модели для прогнозирования банкроства? // 39-я конференция по нейронным системам обработки инофрмации. NeurlPS 2025. Семинар: Генеративный ИИ в финансах. 2025. DOI:https://doi.org/10.48550/arXiv.2511.16375.
3. Сумин, В. И. Использование ситуационного моделирования в разработке систем принятия решений для сложных организационных систем / В. И. Сумин, А. С. Кравченко, А. В. Толкачев // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 71-79. – DOIhttps://doi.org/10.12737/2219-0767-2024-69-77. – EDN FBBHJO.
4. Мактум Т., Пулграм Н., Чандградкар В., Патхак П. Соланки А. Машинное обучение для прогнозирования банкротства в сфере корпоративных финансов с использованием понятный методов ИИ // Informatica 49. C. 15-26. 2025. DOI:https://doi.org/10.31449/inf.v49i15.6745.
5. Локанан М.Е., Рамзан С. Прогнозирование финансовых проблем компаний, котирующихся на бирже TSX, с использованием алгоритмов машинного обучения // Front Artif Intell v. 7. 2024. DOI:https://doi.org/10.3389/frai.2024.1466321.
