ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В АНАЛІЗІ ФІНАНСОВОЇ ЗВІТНОСТІ: СИСТЕМАТИЧНИЙ ОГЛЯД ОСТАННІХ ДОСЯГНЕНЬ, ПРАКТИКА ЗАСТОСУВАННЯ ТА ПЕРСПЕКТИВА МАЙБУТНІХ ДОСЛІДЖЕНЬ
Анотація
В статті досліджується шлях трансформації аналізу фінансової звітності з використанням такого елементу штучного інтелекту як великі мовні моделі (ВММ) через інтеграцію наративних (текстових) і кількісних даних. Зосередившись на публікаціях останніх п’яти років, було визначено перелік рецензованих статей, робочіх документів та матеріалів конференцій з провідних баз даних (Scopus, Web of Science, SSRN та Google Scholar). У статті виокремлено чотири основні сфери, в яких ВММ продемонстрували особливу перспективність: виявлення ризиків і шахрайства, наративне узагальнення та аналіз настроїв, екологічна, соціальна та управлінська звітність (ЕСУП) і звітність зі сталого розвитку, а також інтеграція текстових розкриттів з традиційними бухгалтерськими показниками. Ці моделі – від універсальних трансформаторів (наприклад, GPT, BERT) до спеціалізованих фінансових варіантів (наприклад, FinBERT) – часто перевершують попередні підходи машинного навчання в завданнях, що вимагають тонкого лінгвістичного розуміння, але стикаються з такими проблемами, як адаптація до домену, інтерпретованість і потенційні упередження моделі. Узагальнюючи існуючі дослідження, ми спостерігаємо зростаючу тенденцію до використання доменних ВММ, які можуть обробляти як неструктурований текст (наприклад, річні звіти, виноски), так і структуровані фінансові дані, тим самим пропонуючи аудиторам, аналітикам та інвесторам більш глибоке розуміння і трактування результатів такого аналізу. Однак емпіричні дані свідчать про серйозні проблеми, пов'язані з доступністю, відтворюваністю та дотриманням нормативних вимог. У висновках запропоновано напрями майбутніх досліджень, зокрема розробка стандартизованих пакетів фінансової звітності для підготовки надійних ВВМ, вдосконалення інструментів пояснюваності, придатних для прийняття рішень на високому рівні, а також вивчення етичних та управлінських рамок для зменшення ризиків алгоритмічної упередженості. Загалом, цей огляд підкреслює трансформаційний потенціал ВММ для бухгалтерського обліку та фінансів, водночас застерігаючи від некритичного застосування цих моделей в чутливих умовах. Великі мовні моделі (ВММ) трансформують фінансовий аналіз шляхом покращеного виявлення ризиків, запобігання шахрайству, аналізу настроїв та звітності ЕСУП. Вони інтегрують текстові та кількісні дані, покращуючи аудит та аналіз фінансової звітності. Трансформаторні НЛП-моделі, такі як FinBERT, дають змогу глибше зрозуміти фінансові документи, забезпечуючи більш точне прийняття рішень у фінансовому секторі.
Посилання
Li, F. (2010). The information content of forward-looking statements in corporate filings – A Naïve Bayesian machine learning approach. Journal of Accounting Research, no. 48(5), pp. 1049–1102.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL).
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, pp. 5998–6008.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding with unsupervised learning. OpenAI Technical Report.
Radford, A., Wu, J., Child, R., et al. (2019). Language models are unsupervised multitask learners. OpenAI Technical Report.
Araci, D. (2019). FinBERT: Financial sentiment analysis with pre-trained language models. arXiv preprint arXiv-1908.
Nguyen, T., Miller, S., & Humphrey, C. (2022). Detecting material misstatements in 10-K filings using FinBERT. Auditing: A Journal of Practice & Theory, no. 41(4), pp. 103–125.
Liang, J., Chen, L., & Li, R. (2022). Transformer-based summarization of corporate annual reports. Expert Systems with Applications, no. 201.
Khan, A., Zhao, Y., & Xu, B. (2023). ESG disclosure analysis with transformer-based NLP. Journal of Sustainable Finance & Investment, no. 12(3), pp. 233–247.
BehnamGhader, P., Adlakha, V., Mosbach, M., Bahdanau, D., Chapados, N., & Reddy, S. (2024). LLM2Vec: Large Language Models Are Secretly Powerful Text Encoders. arXiv-2404.
Molnar, C. (2019). Interpretable Machine Learning. Lulu.com.
