УДК 004.9:519.17
DOI: 10.36871/26189976.2026.06-2.011

Авторы

Александр Александрович Русу,
Московский университет Синергия, Москва, Россия

Аннотация

Интенсивное развитие цифровых платежных институтов и перманентное усложнение механизмов маскировки нелегальных финансовых потоков предопределяют объективную неэффективность традиционных систем банковского мониторинга, функционирующих на основе жестких детерминированных правил. В условиях лавинообразного роста объемов транзакционной информации и появления распределенных сетевых схем легализации доходов критически важной научно-практической задачей становится модернизация аналитического аппарата надзорных органов.
Представленное исследование сфокусировано на концептуальном решении проблемы автоматизации детекции подозрительных операций посредством применения передовых методов искусственного интеллекта. Автором предложен и обоснован комплексный методологический подход, базирующийся на переходе от изолированного анализа локальных атрибутов конкретного платежа к пространственно-временному представлению массивов Big Data в виде ориентированных взвешенных мультиграфов. В рамках работы описана архитектура оригинального интеллектуального инструментария, интегрирующего современные алгоритмы классификации и методы глубокого обучения для выявления скрытых топологических аномалий в структурах графовых баз данных.
Научная новизна полученных результатов заключается в разработке гибридной модели, позволяющей с высокой точностью верифицировать латентные циклические связи, транзитные цепочки и фиктивные кластеры, которые умышленно создаются недобросовестными экономическими субъектами для сокрытия конечных бенефициаров. Проведенные в ходе исследования численные эксперименты на реальных массивах расчетных данных наглядно подтверждают высокую вычислительную эффективность спроектированного программного обеспечения. Математическое моделирование позволило зафиксировать кратное снижение уровня ложноположительных срабатываний по сравнению со стандартными классификаторами машинного обучения.
Практическая значимость работы заключается в возможности бесшовной интеграции разработанного аналитического модуля в действующие банковские системы поддержки принятия решений. Это позволит существенно повысить оперативность управления транзакционными рисками и укрепить экономическую безопасность финансовых организаций.

Ключевые слова

большие данные,
графовые структуры,
финансовые аномалии,
интеллектуальный инструментарий,
машинное обучение,
транзакционный анализ,
комплаенс,
экономическая безопасность,
алгоритмы классификации,
сетевые модели.

Список литературы

[1] Баринов В.Р. Применение графовых структур для разработки программного обеспечения в финансово-экономической сфере // XXXVIII международные Плехановские чтения: Сборник статей аспирантов и молодых ученых. 2025. С. 498–503.

[2] Карамушка А.А. Применение алгоритмов классификации для выявления аномальных финансовых операций // Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности: Сборник трудов X Всероссийской научно-технической конференции. 2024. С. 92–95.

[3] Косников С.Н., Айгумов Т. Г., Левошич Н. В., Золкин А. Л. Применение графовых баз данных в системах поддержки принятия решений // Вестник Академии знаний. 2023. № 6(59). С. 244–248.

[4] Михайлова С.С., Халмакшинов Е. А. Алгоритм анализа данных на графовых структурах // Наука и бизнес: пути развития. 2022. № 4(130). С. 25–28.

[5] Обердерфер С.Я. Возможность применения искусственного интеллекта на финансовом рынке // XXXVII международные Плехановские чтения: сборник статей участников конференции. 2024. С. 64–67.

[6] Платунова А.В., Мамышева Е. А., Урзов В. А. Выявление признаков подозрительности в финансово-экономической деятельности организации // Финансовые рынки и банки. 2025. № 7. С. 242–245.

[7] Пуриц Т.Е., Горемыкина Г. И. Графовые модели обучения на больших данных // Информационные технологии и математические методы в экономике и управлении (ИТиММ-2025): Сборник статей XIV Международной научно-практической конференции имени А.И. Китова. 2025. С. 232–239.

[8] Фаткуллин Р.В., Кислицын Е. В. Исследование эффективности использования графовых баз данных для анализа больших данных // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13. № 1. С. 123–142.

[9] Чуваков А.В., Скрипник С. О. Современные подходы к обнаружению аномалий с использованием глубокого обучения // Актуальные проблемы информационной безопасности: Материалы XII Всероссийской научно-практической конференции. 2025. С. 111–114.

[10] Шутько О.А., Попцов А. В., Олисеенко В. Д. Выявление лидеров мнений для анализа сферы искусственного интеллекта с использованием графовой модели // Управленческое консультирование. 2025. № 6(192). С. 111–120.