Прогнозування грошових потоків банку з використанням інтелектуальних систем

Ключові слова: ризик, інтеграція, машинне навчання, ліквідність, фінансова стійкість банку, система ризик-менеджменту банку

Анотація

Оцінка поточного стану державного боргу є основою для формування ефективної боргової політики, яка повинна бути орієнтована на забезпечення макроекономічної стабільності та сприяння соціальному добробуту населення. Актуальність питання зростання державного боргу виходить за межі теоретичного дискурсу, охоплюючи також практичний вимір - сферу економічного управління.

Постановка проблеми. Застосування інструментів аналітичної оцінки державного боргу є ключовим чинником у підвищенні результативності боргового управління, забезпеченні стійкості державних фінансів та формуванні довгострокової стратегії економічного розвитку в умовах воєнної економіки. Проведене дослідження за 2019 – 2024 рр. підтверджує тренд до зростання боргу, а також дефіцит бюджету до ВВП в умовах озброєного конфлікту.

Нерозв’язані аспекти.  У  воєнний період, коли економіка функціонує в умовах надзвичайної напруги, особливого значення набуває системний аналіз боргових зобов’язань, що дозволяє не лише вчасно виявляти та мінімізувати фіскальні ризики, але й раціонально використовувати доступні фінансові ресурси для стимулювання економічного зростання.

Мета статті. Оцінка  сучасного стану державного боргу, а також  інструментів управління ним в умовах військового стану.

Основний матеріал. Система управління державним боргом України - сукупність інституцій, механізмів, інструментів та процесів, спрямованих на залучення, обслуговування й погашення державних запозичень, а також на забезпечення боргової стійкості держави в умовах воєнних і кризових викликів. Об’єктом дослідження є  процес оцінки державного боргу.

У дослідженні використано комплекс загальнонаукових теоретичних методів. Системний аналіз застосовано для виявлення основних критеріїв і чинників ефективності управління державним боргом. Метод індукції використано під час збору, систематизації та опрацювання даних, що забезпечило формування аналітичної основи дослідження.

 Висновки. Результати дослідження свідчать, що зростання боргового навантаження зумовлює необхідність перегляду фіскальної політики, оптимізації джерел фінансування дефіциту бюджету та підвищення ефективності використання запозичень. Запропоновано формування цілісної боргової стратегії, орієнтованої на фіскальну відповідальність, економічну стійкість і післявоєнне відновлення. 

Практична цінність отриманих результатів полягає у встановленні основних напрямків управління державним боргом, що дозволить мінімізувати  ризики, а також максимально використати наявні ресурси та можливості для післявоєнного розвитку економіки.

Завантаження

##plugins.generic.usageStats.noStats##

Біографії авторів

Валерія Кочорба, Харківський національний університет ім. В. Н. Каразіна

Кандидат економічних наук, доцент

Юлія Коломієць , Харківський національний університет імені В. Н. Каразіна

здобувач PhD 

Посилання

Romanieiev, O. (2025). Upravlinnia likvidnistiu. Fondexx. Retrieved from: https://fondexx.com.ua/blog/upravlinnya-likvidnistyu [In Ukrainian]

Ali, R. (2025, February 19). The 8 top data challenges in financial services (with solutions). NetSuite. Retrieved from: https://www.netsuite.com/portal/resource/articles/financial-management/data-challenges-financial-services.shtml

Azzopardi, C. (2025, March 3). From resistance to readiness: Managing organisational change in the AI era. KPMG International. Retrieved from: https://kpmg.com/mt/en/home/insights/2025/03/from-resistance-to-readiness-managing-organisational-change-in-the-ai-era.html

Big Data in banks: what it is and what the benefits are for the banking sector. (2021, May 17). Kyivstar Hub. Retrieved from: https://hub.kyivstar.ua/articles/big-data-v-bankah-shho-cze-take-j-u-chomu-koristi-dlya-bankivsikogo-sektoru

Bukhari, A. H., Raja, M. A. Z., Sulaiman, M., Islam, S., Shoaib, M., & Kumam, P. (2020). Fractional neuro-sequential ARFIMA-LSTM for financial market forecasting. IEEE Access, 8, 71326–71338. DOI: https://doi.org/10.1109/ACCESS.2020.2987629

Chen, W., Hussain, W., Cauteruccio, F., & Zhang, X. (2024). Deep learning for financial time series prediction: A state-of-the-art review of standalone and hybrid models. Not Listed – Awaiting Journal Creation, 139(1), 187–224. Retrieved from: https://acuresearchbank.acu.edu.au/item/909xw/deep-learning-for-financial-time-series-prediction-a-state-of-the-art-review-of-standalone-and-hybrid-models

Cochennet, B., & Sen, P. (2025). ROI in AI: Measure value to deliver value. Slalom. Retrieved from https://www.slalom.com/us/en/insights/roi-ai-measure-value-deliver-value

Kaiwei, J., & Xinbei, L. (2023). Bank digital transformation, bank competitiveness and systemic risk. Frontiers in Physics, 11. https://doi.org/10.3389/fphy.2023.1297912

Nolan, M. (2025, February 27). AI in financial services 2025: Key insights from NVIDIA’s latest survey. Avato. Retrieved July 10, 2025, from https://avato.co/ai-in-financial-services-2025-key-insights/

Sakshi, S. (2025). How is agentic AI transforming liquidity & risk management. HighRadius. Retrieved July 11, 2025, from https://www.highradius.com/resources/Blog/agentic-ai-in-liquidity-risk-management/

Ślepaczuk, R. (2025). Hybrid models for financial forecasting: Combining econometric, machine learning, and deep learning models. arXiv. Retrieved July 1, 2025, from https://arxiv.org/html/2505.19617v1

Weytjens, H., Lohmann, E., & Kleinsteuber, M. (2021). Cash flow prediction: MLP and LSTM compared to ARIMA and Prophet. Electronic Commerce Research, 10. Retrieved July 14, 2025, from https://www.researchgate.net/publication/334575706_Cash_flow_prediction_MLP_and_LSTM_compared_to_ARIMA_and_Prophet

Опубліковано
2025-12-31
Цитовано
Як цитувати
Кочорба, В., & Коломієць , Ю. (2025). Прогнозування грошових потоків банку з використанням інтелектуальних систем. ФІНАНСОВО-КРЕДИТНІ СИСТЕМИ: ПЕРСПЕКТИВИ РОЗВИТКУ, 4(19), 25-36. https://doi.org/10.26565/2786-4995-2025-4-02
Розділ
Банки сучасного та майбутнього