Подходы к нейросетевому анализу бухгалтерской отчетности | Вестник Томского государственного университета. Экономика. 2025. № 71. DOI: 10.17223/19988648/71/14

Подходы к нейросетевому анализу бухгалтерской отчетности

В условиях цифровизации экономики и усложнения финансовой среды возрастает потребность в более точных, масштабируемых и интеллектуальных инструментах анализа бухгалтерской отчетности. Традиционные методы, основанные на детерминированных моделях, расчетах финансовых коэффициентов и экспертной интерпретации, утрачивают эффективность при работе с большими объемами неоднородных данных, а также демонстрируют ограниченную способность к выявлению скрытых закономерностей и прогнозированию рисков. В этом контексте применение методов искусственного интеллекта, в частности нейросетевых моделей, становится актуальным направлением как научного, так и прикладного исследования в сфере бухгалтерского учета. Настоящая статья посвящена методологическим аспектам применения нейросетевых моделей в анализе бухгалтерской отчетности. В работе проведён обзор актуальных международных публикаций, посвящённых применению нейронных сетей для прогнозирования финансовых показателей, диагностики финансовой несостоятельности, выявления мошенничества и аномалий в учётных данных. Особое внимание уделено методам обработки и стандартизации входных данных, выбору архитектуры модели и процессу обучения. Рассмотрена: примеры использования нейросетей в международной и отечественной практике, выявлены преимущества нейросетей, включая повышение точности классификации, снижение ошибок прогнозирования, расширение охвата данных, ускорение анализа и выявление новых паттернов, недоступных традиционным методам. Автор заявляет об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 1

Ключевые слова

бухгалтерская отчетность, нейронные сети, финансовый анализ, цифровая трансформация, искусственный интеллект, выявление аномалий, прогнозирование показателей

Авторы

ФИО	Организация	Дополнительно	E-mail
Поправко Инна Викторовна	Воронежский государственный университет	доцент кафедры экономической безопасности и бухгалтерского учета, доцент, кандидат экономических наук	ipopravko@mail.ru

Всего: 1

Ссылки

Kim A., Muhn M., Nikolaev V. Financial Statement Analysis with Large Language Models // arXiv preprint arXiv. 2024. 2407. 17866. doi: 10.48550/arXiv.2407.17866 (дата обращения: 28.05.2025).

Болотов Р.О., Суглобов А.Е. О применении нейронных сетей для оценки финансовой устойчивости компаний // Russian Journal of Management. 2020. Т. 8, № 1. С. 106-110. doi: 10.29039/2409-6024-2020-8-1-106-110 (дата обращения: 28.05.2025).

Huang H., Yuan Y. Automated Financial Statement Analysis Based on Deep Learning Neural Networks // Frontiers in Artificial Intelligence and Applications. 2025. № 391. Р. 847853. doi: 10.3233/FAIA241179 (дата обращения: 28.05.2025).

Coakley J.R., Brown C.E. Artificial Neural Networks in Accounting and Finance: Mod eling Issues // International Journal of Intelligent Systems in Accounting, Finance & Management. 2000. Vol. 9. Р. 119-144. doi: 10.1002/1099-1174(200009)9:3<119::AID- ISAF165>3.0.CO;2-9. URL: https://download.clib.psu.ac.th/datawebclib/e_resource/trial_da-tabase/WileyInterScienceCD/pdf/ISAF/ISAF_1.pdf (дата обращения: 28.05.2025).

Chen Y., Guo J., Huang J., Lin B. A novel method for financial distress prediction based on sparse neural networks with L1/2 regularization // International Journal of Machine Learning and Cybernetics. 2022. № 13. Р. 2089-2103. doi: 10.1007/s13042-022-01566-y (дата обращения: 28.05.2025).

Bi W., Xu B., Sun X., Wang Z., Shen H., Cheng X.Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks // arXiv preprint arXiv: 2023. 2301. 13492. doi: 10.48550/arXiv.2301.13492 (дата обращения: 28.05.2025).

Giantsidi S., Tarantola C. Deep Learning for Financial Forecasting: A Review of Recent Advancements // SSRN. 2025. doi: 10.2139/ssrn.5263710 (дата обращения: 28.05.2025).

Lipelis M. Bridging Financial Forecasting and Budget Management: New Approaches for Modern Enterprises // Scientific Journal of Bielsko-Biala School of Finance and Law. 2025. № 29 (1). doi: 10.19192/wsfip.sj1.2025.5 (дата обращения: 28.05.2025).

Artene A.E., Domil A.E. Neural Networks in Accounting: Bridging Financial Forecasting and Decision Support Systems // Electronics. 2025. № 14 (5). Р. 993. doi: 10.3390/electronics14050993 (дата обращения: 28.05.2025).

Rahayu D.V., Widuri R. Artificial Neural Network Methodology in Financial Statements Fraud: An Empirical Study in the Property and Real Estate Sector // Risk Governance & Control: Financial Markets & Institutions. 2025. № 15 (1). Р. 237-248. doi: 10.22495/rgcv15i1sip9 (дата обращения: 28.05.2025).

Muller R., Schreyer M., Sattarov T., Borth D. RESHAPE: Explaining Accounting Anomalies in Financial Statement Audits by enhancing SHapley Additive explanations // arXiv preprint arXiv. 2022. 2209. 09157. doi: 10.48550/arXiv.2209.09157 (дата обращения: 28.05.2025).

Bieganowski B., Slepaczuk R. Supervised Autoencoder MLP for Financial Time Series Forecasting // arXiv preprint arXiv. 2024. 2404. 01866. doi: 10.48550/arXiv.2404.01866 (дата обращения: 28.05.2025).

Li W., Liu X., Zhou S. Deep Learning Model Based Research on Anomaly Detection and Financial Fraud Identification in Corporate Financial Reporting Statements // Journal of Combinatorial Mathematics and Combinatorial Computing. 2024. Vol. 123. Р. 343-355. doi: 10.61091/jcmcc123-24.

Zhang Y., Yang X. Bridging Language Models and Financial Analysis // arXiv preprint arXiv. 2025. 2503. 22693. doi: 10.48550/arXiv.2503.22693.

Schreyer M., Hemati H., Borth D., Vasarhelyi M.A. Federated Continual Learning to Detect Accounting Anomalies in Financial Auditing. arXiv preprint arXiv: 20222210.15051. DOI: 10.48550/arXiv.2210.15051 (дата обращения: 28.05.2025).

Yang L., Li J., Dong R., Zhang Y., Smyth B. NumHTML: Numeric-Oriented Hierarchical Transformer Model for Multi-task Financial Forecasting // arXiv preprint arXiv. 2022. 2201. 01770. doi: 10.48550/arXiv.2201.01770 (дата обращения: 28.05.2025).

Elend L., Tideman S.A., Lopatta K., Kramer O. Earnings Prediction with Deep Learning // arXiv preprint arXiv. 2020. 2006. 03132. doi: 10.48550/arXiv.2006.03132 (дата обращения: 28.05.2025).

Wang C., Wang Y. Stock return prediction with multiple measures using neural network models // Financial Innovation. 2024. № 10. Р. 72. doi: 10.1186/s40854-023-00608-w (дата обращения: 28.05.2025).

Trinh V. Applicability of Deep Neural Networks in Business Decision Making and Market Prediction Investment // arXiv preprint arXiv. 2024. 2502. 00151. doi: 10.48550/arXiv.2502.00151 (дата обращения: 28.05.2025).

Scherrmann M., Elsas R. Earnings Prediction Using Recurrent Neural Networks // arXiv preprint arXiv. 2023. 2311. 10756. doi: 10.48550/arXiv.2311.10756 (дата обращения: 28.05.2025).

Durairaj M., Mohan B.H.K. A convolutional neural network based approach to financial time series prediction // Neural Computing and Applications. 2022. № 34. Р. 13319-13337. doi: 10.1007/s00521-022-07143-2 (дата обращения: 28.05.2025).

Golbayani P., Wang D., Florescu I. Application of Deep Neural Networks to Assess Corporate Credit Rating // arXiv preprint arXiv. 2020. 2003. 02334. doi: 10.48550/arXiv.2003.02334 (дата обращения: 28.05.2025).

Shabani M., Tran D.T., Magris M., Kanniainen J., Iosifidis A. Multi-head Temporal Attention-Augmented Bilinear Network for Financial Time Series Prediction // arXiv preprint arXiv. 2022. 2201. 05459. doi: 10.48550/arXiv.2201.05459 (дата обращения: 28.05.2025).

Cuervo R. Predictive AI for SME and Large Enterprise Financial Performance Management // arXiv preprint arXiv. 2023. 2311. 05840. doi: 10.48550/arXiv.2311.05840 (дата обращения: 28.05.2025).

Piven A. Analysis of Financial Reports in Companies Using Machine Learning // Financial Markets, Institutions and Risks. 2023. № 7 (4). Р. 135-154. doi: 10.61093/fmir.7(4).135-154.2023 (дата обращения: 28.05.2025).

Zim M.N.F. Harnessing Graph Neural Networks for Enhanced Fraud Detection in Financial Transactions // arXiv preprint arXiv. 2025. 2503. 22681. DOI: 10.48550/arXiv.2503.22681 (дата обращения: 28.05.2025).

Zouaghia Z., Kodia Z., Ben Said L. SMAPF-HNNA: A novel Stock Market Analysis and Prediction Framework using Hybrid Neural Network Architectures Across Major U.S. Indices // International Journal of Data Science and Analytics. 2025. doi: 10.1007/s41060-025-00811-1 (дата обращения: 28.05.2025).

Wang J., Zhang S., Xiao Y., Song R. A Review on Graph Neural Network Methods in Financial Applications // arXiv preprint arXiv. 2021. 2111. 15367. doi: 10.48550/arXiv.2rn.15367 (дата обращения: 28.05.2025).