JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT JOURNAL OF MONETARY ECONOMICS AND MANAGEMENT 2782-4586 2949-1851 111167 10.26118/2782-4586.2025.69.26.025 Научные статьи SCIENTIFIC ARTICLES Научные статьи Artificial intelligence in the financial sector: an analysis of contemporary trends and implementation practices in Russia Искусственный интеллект в финансовом секторе: анализ современных трендов и практик внедрения в России Головань Софья Андреевна Golovan' Sof'ya Andreevna

кандидат экономических наук;

candidate of economic sciences;

 Иркутский государственный университет путей сообщения Irkutsk State University of Railway Transport 06 01 2026 06 01 2026 11 192 198 26 12 2025 https://jomeam.ru/en/nauka/article/111167/view

Статья посвящена комплексному анализу современных направлений применения технологий машинного обучения и искусственного интеллекта в финансовой сфере. На основе систематизации научных исследований выделены ключевые области внедрения алгоритмов МО: алгоритмический трейдинг, риск-менеджмент и прогнозирование финансовых временных рядов. Особое внимание уделено сравнительному анализу эффективности различных архитектур нейронных сетей, включая модели с механизмами внимания и глубокого обучения. В работе представлены результаты эмпирического исследования внедрения ИИ-технологий в российских финансовых организациях на основе данных Банка России и Ассоциации Финтех. Выявлено, что наиболее распространенными направлениями применения являются предиктивная аналитика (95% опрошенных), тогда как интеллектуальная роботизация процессов охватывает лишь 53% финансовых институтов. Сформулированы перспективные направления развития технологий в финансах, включая разработку методов, устойчивых к экстремальным рыночным условиям и повышение интерпретируемости моделей для усиления доверия со стороны регуляторов.

This article provides a comprehensive analysis of current applications of machine learning and artificial intelligence technologies in the financial sector. Based on a systematic review of scientific research, key areas for implementing ML algorithms are identified: algorithmic trading, risk management, and financial time series forecasting. Particular attention is paid to a comparative analysis of the effectiveness of various neural network architectures, including models with attention mechanisms and deep learning. The paper presents the results of an empirical study of AI technology implementation in Russian financial institutions based on data from the Bank of Russia and the Fintech Association. It is found that the most common application areas are predictive analytics (95% of respondents), while intelligent process automation covers only 53% of financial institutions. Promising areas for technological development in finance are identified, including the development of methods resilient to extreme market conditions and increased model interpretability to enhance regulatory confidence.

 машинное обучение искусственный интеллект финансовые рынки алгоритмический трейдинг риск-менеджмент нейронные сети Банк России Финтех machine learning artificial intelligence financial markets algorithmic trading risk management neural networks Bank of Russia Fintech

Liu X., Chen J. QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning //arXiv preprint arXiv:2508.20467. – 2025. Liu X., Chen J. QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning //arXiv preprint arXiv:2508.20467. – 2025. Barzykin A. et al. Optimal Quoting under Adverse Selection and Price Reading //arXiv preprint arXiv:2508.20225. – 2025. Barzykin A. et al. Optimal Quoting under Adverse Selection and Price Reading //arXiv preprint arXiv:2508.20225. – 2025. Zhu Z. et al. FinCast: A Foundation Model for Financial Time-Series Forecasting //arXiv preprint arXiv:2508.19609. – 2025. Zhu Z. et al. FinCast: A Foundation Model for Financial Time-Series Forecasting //arXiv preprint arXiv:2508.19609. – 2025. Lai S. Is attention truly all we need? An empirical study of asset pricing in pretrained RNN sparse and global attention models //arXiv preprint arXiv:2508.19006. – 2025. Lai S. Is attention truly all we need? An empirical study of asset pricing in pretrained RNN sparse and global attention models //arXiv preprint arXiv:2508.19006. – 2025. Michańków J. Forecasting Probability Distributions of Financial Returns with Deep Neural Networks //arXiv preprint arXiv:2508.18921. – 2025. Michańków J. Forecasting Probability Distributions of Financial Returns with Deep Neural Networks //arXiv preprint arXiv:2508.18921. – 2025. Применение искусственного интеллекта на финансовом рынке //Доклад Банка России для общественных консультаций. Москва. – 2025. Primenenie iskusstvennogo intellekta na finansovom rynke //Doklad Banka Rossii dlya obschestvennyh konsul'taciy. Moskva. – 2025. Применение технологий искусственного интеллекта на финансовом рынке //Исследование Ассоциации ФинТех. Москва. – 2023. Primenenie tehnologiy iskusstvennogo intellekta na finansovom rynke //Issledovanie Associacii FinTeh. Moskva. – 2023. Головань, С. А. Теоретические подходы к определению рисков стартап проектов / С. А. Головань, В. В. Беднарж // Актуальные вопросы современной экономики. – 2022. – № 11. – С. 351-357. – EDN JBXSAE. Golovan', S. A. Teoreticheskie podhody k opredeleniyu riskov startap proektov / S. A. Golovan', V. V. Bednarzh // Aktual'nye voprosy sovremennoy ekonomiki. – 2022. – № 11. – S. 351-357. – EDN JBXSAE.