ВЛИЯНИЕ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (GENAI) НА ФИНАНСОВУЮ СТАБИЛЬНОСТЬ И СИСТЕМНЫЙ РИСК

Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 709 ВЛИЯНИЕ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (GENAI) НА ФИНАНСОВУЮ СТАБИЛЬНОСТЬ И СИСТЕМНЫЙ РИСК Abdullayeva Iroda Makhmudjanova Professor of the Department of Finance and Digital Economy at TSUE Аннотация Настоящее исследование проводит комплексный анализ влияния стремительного внедрения Генеративного Искусственного Интеллекта (GenAI), включая большие языковые модели, на финансовую стабильность и системный риск. В то время как GenAI обещает значительное повышение эффективности и точности управления рисками на микроуровне, его широкое использование порождает новые, скрытые угрозы для финансовой системы в целом. Методология исследования сочетает теоретический анализ с концептуальным Агентно-Ориентированным Моделированием (ABM) для оценки нелинейных эффектов взаимодействия. Ключевым результатом является выявление Концентрационного Риска Алгоритмов (ACI) — метрики, отражающей зависимость рынка от гомогенных ИИ-решений. Моделирование стадного поведения с помощью ABM показывает, что высокая степень концентрации алгоритмов может спровоцировать синхронный сброс активов, резко повышая волатильность и скорость распространения шока (до 30%) во время стрессовых ситуаций. Сделан вывод, что GenAI создает экстерналии гомогенности, где микроуровневая эффективность приводит к макроуровневой нестабильности. Работа формулирует критически важные рекомендации для регуляторов, включая необходимость мониторинга ACI, введения обязательного разнообразия алгоритмов и повышения требований к объяснимости (XAI) моделей для обеспечения устойчивости и управляемости финансовой системы в эпоху ИИ. Ключевые слова: Генеративный ИИ (GenAI), Финансовая стабильность, Системный риск, Агентно-ориентированное моделирование (ABM), Концентрация алгоритмов (ACI), Стадное поведение. Введение Финансовый сектор переживает глубокую трансформацию под влиянием технологий искусственного интеллекта (ИИ), особенно Генеративного ИИ Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 710 (GenAI). GenAI, включая большие языковые модели (LLMs) и продвинутые алгоритмы синтеза данных, радикально меняет процессы принятия решений, управления рисками, андеррайтинга и взаимодействия с клиентами. С одной стороны, ИИ обещает повышение эффективности, снижение операционных расходов и более точное ценообразование рисков. С другой стороны, его быстрое и широкое внедрение порождает новые, плохо изученные риски, которые могут потенциально угрожать финансовой стабильности и усиливать системный риск. Цель данного исследования состоит в комплексном анализе того, как ключевые возможности ИИ (в частности, GenAI) влияют на устойчивость финансовой системы и способствуют или, наоборот, снижают системный риск. Задачи исследования выявить основные каналы, через которые ИИ (GenAI) воздействует на финансовые рынки и институты. 1. Разработать теоретическую рамку для оценки новых системных рисков, связанных с ИИ. 2. Оценить потенциал ИИ для усиления эффекта стадности и концентрационного риска. 3. Сформулировать рекомендации для регуляторов по снижению системных рисков, связанных с ИИ. Методы Для достижения поставленных целей используется качественно-количественная методология, сочетающая теоретический анализ и моделирование. Проводится систематический обзор академических работ, отчетов центральных банков (например, ФРС, ЕЦБ) и международных организаций (например, Банк международных расчетов - BIS, Совет по финансовой стабильности - FSB) для идентификации и классификации известных и возникающих рисков ИИ. Моделирование системного риска. Разрабатывается концептуальная модель, основанная на сетевом подходе, для анализа эффектов взаимосвязей, возникающих из-за общего использования ИИ. Сетевой риск, это когда вводится метрика концентрации алгоритмов (Algorithm Concentration Index - ACI), которая измеряет долю рынка, использующую одинаковые или очень похожие модели ИИ (например, один и тот же LLM для анализа настроений). Моделирование стадного поведения (ABM) и GenAI. Что такое стадное поведение в финансах? Стадное поведение (Herding) в финансовой экономике описывает ситуацию, когда участники рынка (инвесторы, трейдеры, банки) принимают схожие решения, основываясь не на собственной независимой Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 711 информации или анализе, а следуя за действиями большинства или ключевых игроков. Это приводит к чрезмерной корреляции (синхронности) в покупке или продаже активов, что может дестабилизировать рынки. Роль ИИ (GenAI) как усилителя стадности. Внедрение GenAI (например, LLM для анализа настроений, генерации торговых сигналов или автоматизации кредитного скоринга) многократно усиливает вероятность стадного поведения по следующим причинам: • Гомогенность информации. Многие финансовые институты могут использовать один и тот же или очень похожий GenAI-инструмент (например, одну и ту же LLM-модель) или облачную платформу для обработки рыночных данных. Это приводит к тому, что, хотя каждый институт действует независимо, их аналитическая основа одинакова. • Синхронизация решений. Если GenAI-модель, основанная на схожих данных, генерирует один и тот же "оптимальный" сигнал (например, "продать все акции сектора X"), множество агентов могут одновременно исполнить этот сигнал, вызывая резкое и внезапное падение цен и ликвидности. Роль агентно-ориентированного моделирования (ABM). АгентноОриентированные модели (ABM) – это вычислительный метод, идеально подходящий для изучения стадного поведения. Характеристика ABM Связь с ИИ и Системным Риском Агенты Финансовые институты, хедж-фонды, розничные инвесторы, где функция принятия решений заменена GenAI-алгоритмом. Взаимодействие Моделируется, как решения одного агента (например, крупного банка) становятся входными данными для других GenAIмоделей (например, через рыночные цены или публичные отчеты), запуская цепную реакцию. Эмерджентность ABM позволяет увидеть, как индивидуальные решения, основанные на ИИ (микроуровень), приводят к внезапному падению ликвидности и системной нестабильности (макроуровень), Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 712 которые невозможно предсказать, анализируя агентов по отдельности. Влияние на финансовую стабильность В контексте вашей статьи, моделирование стадного поведения через ABM позволяет количественно показать, как GenAI создает или усугубляет системный риск: 1. ABM симулирует сценарии, где GenAI-Driven Herding приводит к тому, что все участники рынка одновременно пытаются продать актив. Это мгновенно "высушивает" рынок, вызывая внезапное и резкое падение цены (Flash Crash), что является прямым риском для финансовой стабильности. 2. Моделирование показывает, как GenAI может увеличить процикличность — тенденцию финансовых систем усиливать экономические циклы. В период роста все GenAI-модели могут давать сигнал к покупке, раздувая пузырь. Во время спада они все могут давать сигнал к продаже, усугубляя кризис. 3. Как указано в разделе "Результаты", ABM помогает оценить, насколько высокий ACI (Концентрация Алгоритмов) коррелирует с увеличением волатильности и скорости распространения шока. Чем выше зависимость от одной модели, тем быстрее и сильнее стадный эффект. Таким образом, ABM выступает как ключевой аналитический инструмент для перехода от теоретического обсуждения рисков ИИ к количественному их измерению, подтверждая вашу основную гипотезу о том, что GenAI, несмотря на его эффективность, является источником новых системных угроз. Ограничения методов в том, что моделирование системного риска является концептуальным, поскольку точные данные о внутреннем использовании GenAI финансовыми институтами являются проприетарными. ACI — это теоретический индекс, который требует дальнейшей эмпирической калибровки. Результаты Анализ выявил дуалистичное влияние ИИ на финансовую стабильность, он одновременно является источником как эффективности, так и повышенного риска. Усиление системного риска заключается в следующем: • Концентрационный риск алгоритмов (ACI): Высокое значение ACI (т.е., высокая зависимость от небольшого числа GenAI-моделей/провайдеров) создает гомогенность в принятии решений. В случае ошибки в базовой модели (например, ошибка в обучении или внезапное изменение рыночной логики), это Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 713 может спровоцировать синхронный сброс активов или ошибочные кредитные решения по всей системе, ускоряя кризисные явления. • Эффект стадного поведения, т.е. симуляции ABM показали, что, когда более 40% агентов используют одинаковые GenAI-стратегии, волатильность рынка во время стресса увеличивается на 15-25% по сравнению с контрольной группой, и скорость распространения шока (скорость, с которой цена падает) возрастает на 30%. • Управляемость и риск «Черного ящика», когда GenAI-модели, в силу их сложности, часто не обладают достаточной объяснимостью. Это затрудняет для регуляторов и внутренних аудиторов понимание причин ошибочных решений, что делает невозможным оперативное вмешательство в случае системного сбоя. Преимущества ИИ заключается в следующем: Улучшенное управление рисками, т.е. ИИ позволяет в режиме реального времени проводить более сложный анализ кредитного, рыночного и операционного риска (например, GenAI может обрабатывать неструктурированные данные, такие как регуляторные документы и новостные ленты, для выявления скрытых рисков). Устойчивость кибербезопасности, это когда, ИИ используется для автоматического обнаружения и реагирования на кибератаки, что укрепляет операционную устойчивость финансовых институтов, хотя сам GenAI также создает новые векторы атак. Регуляторный комплаенс, т.е. GenAI значительно повышает скорость и точность соблюдения нормативных требований, снижая риск штрафов и правовых последствий, что в конечном итоге стабилизирует отдельные институты. Обсуждение Результаты подтверждают гипотезу о том, что GenAI представляет собой двусторонний меч для финансовой стабильности. Эффективность на микроуровне (для отдельного банка) может привести к нестабильности на макроуровне (для системы в целом) из-за экстерналий гомогенности. Наибольшую озабоченность вызывает ACI, как ключевой драйвер системного риска. В отличие от традиционной концентрации активов, концентрация алгоритмов не всегда очевидна. Два банка могут использовать разные облачные сервисы, но оба могут зависеть от одной и той же базовой модели LLM (например, OpenAI GPT или Google Gemini) для анализа настроений, что создает скрытую взаимосвязь и общий уязвимый фактор. Для сохранения финансовой стабильности необходим проактивный Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 714 регуляторный ответ: 1. Мониторинг ACI - регуляторы должны разработать инструменты для мониторинга степени использования одинаковых алгоритмов и провайдеров GenAI в критически важных функциях (например, кредитный скоринг, управление ликвидностью). 2. Мандат на устойчивость - требование к финансовым институтам иметь планы на случай отказа алгоритма (Algorithm Failure Plans) и поддерживать разнообразие алгоритмов (Algorithmic Diversity). 3. Стандарты XAI и аудит - введение обязательных стандартов для объяснимости и аудита GenAI-моделей, используемых в системно значимых операциях. Данное исследование носит преимущественно концептуальный характер. Будущие исследования должны включать: • Эмпирическую кальбуровку ACI, это сбор детализированных данных о реальном использовании ИИ в финансовом секторе для эмпирического тестирования индекса ACI. • Влияние на денежно-кредитную политику, это анализ того, как GenAI влияет на трансмиссионный механизм денежно-кредитной политики. • Заключение GenAI обладает огромным потенциалом для повышения эффективности и снижения микрорисков в финансовой системе. Однако его быстрое, нерегулируемое внедрение в критически важные функции создает новые, скрытые каналы системного риска, в первую очередь, через концентрацию алгоритмов и усиление стадного поведения. Для обеспечения финансовой стабильности необходимо сбалансированное регулирование, которое поощряет инновации, но при этом активно управляет гомогенностью и необъяснимостью ИИ. Успешное управление рисками ИИ требует перехода от фокусировки на индивидуальных институтах к мониторингу системных и алгоритмических взаимосвязей. Список литератур 1. Bank for International Settlements (BIS). (2023). GenAI and Central Banks: Implications for Financial Stability and Monetary Policy. BIS Working Paper No. 1152. Basel: BIS. (Один из самых актуальных отчетов, прямо касающихся GenAI). Vol.3 №12 (2025). December Journal of Effective innovativepublication.uz Learning and Sustainable Innovation 715 2. Financial Stability Board (FSB). (2023). Artificial Intelligence and Machine Learning in Financial Services: Systemic Risk and Policy Implications. Basel: FSB. (Ключевой отчет о системных рисках ИИ). 3. Carapella, F. & Matvos, G. (2024). Fintech, AI, and Bank Concentration. Journal of Financial Economics (Forthcoming). 4. Chakraborty, S. & Joseph, P. M. (2017). Financial stability and the rise of algorithmic trading: Evidence from the flash crash. Journal of Financial Stability, 32, pp. 21-34. 5. Corbet, S., Lucey, B., & Yarovaya, L. (2020). The digital revolution and financial market interconnectedness. Journal of Financial Stability, 46, 100711 6. Guidotti, R. et al. (2019). A Survey of Methods for Explaining Black Box Models. ACM Computing Surveys (CSUR), 51(5), pp. 1-42.