На фоне широкомасштабного применения искусственного интеллекта во всех отраслях и сферах деятельности, отмечается успешное использование моделей глубокого обучения в банковской сфере для достижения целей устойчивого развития (ЦУР). В этой связи прогнозирование устойчивости банковской системы обуславливает актуальность данного исследования в современных условиях. При этом наиболее эффективным методом прогнозирования все чаще становятся нейросети для формирования прогнозов требуемых параметров в финансовом и банковском секторах. Цель настоящего исследование состоит в том, чтобы сформировать модель глубокого обучения (DL-модель) «Random Forest Regression» которое позволит получить прогнозное значение параметра «Прирост активов, %» и в последующем сравнить его с прогнозом, полученным на основе VaR-модели, в основе которой лежат статистические методы. Научная новизна – в том, что предложенный подход позволяет ликвидировать «научный разрыв», представляя собой приращение научного знания в области прогнозирования устойчивого развития банковской системы. В настоящем исследовании выдвинута и доказана гипотеза, что, можно получить прогноз параметра «Прирост активов, %» в целях устойчивого развития банковской системы, используя DL-модель «Random Forest Regression». Практическая значимость обусловлена тем, что результаты исследования могут быть рекомендованы к использованию на практике для обеспечения устойчивого развития коммерческих банков и банковской системы в целом. На основе проведенного исследования были получены следующие результаты. Исследования показали, что наблюдается положительная сильная связь между результативным признаком «target» («Прирост активов, %») и факториальным признаком Х10 «Частота запроса в Google, %», при этом величина коэффициента составила 0,902. Наблюдается относительно сильная положительная связь у признака Х4 «Доля активов банков в ВВП» 0,396. В итоге нейросеть DL-модель сформировала прогноз прироста активов в 2025 году 6,56%, VaR-модель показала 84,53%, метод экспертных оценок указал на 2,05%.
Against the background of the widespread use of artificial intelligence in all industries and areas of activity, the successful use of deep learning models in the banking sector to achieve sustainable development goals (SDGs) is noted. In this regard, forecasting the sustainability of the banking system determines the relevance of this study in modern conditions. At the same time, neural networks are increasingly becoming the most effective forecasting method for generating forecasts of the required parameters in the financial and banking sectors. The purpose of this study is to form a deep learning model (DL model) "Random Forest Regression" which will allow obtaining the forecast value of the parameter "Asset growth, %" and subsequently compare it with the forecast obtained on the basis of the VaR model, which is based on statistical methods. Scientific novelty is that the proposed approach allows eliminating the "scientific gap", representing an increase in scientific knowledge in the field of forecasting the sustainable development of the banking system. In this study, we put forward and proved the hypothesis that it is possible to obtain a forecast of the parameter "Asset growth, %" for the purposes of sustainable development of the banking system using the DL-model "Random Forest Regression". The practical significance is due to the fact that the results of the study can be recommended for use in practice to ensure sustainable development of commercial banks and the banking system as a whole. Based on the study, the following results were obtained. The studies have shown that there is a positive strong relationship between the resulting feature "target" ("Asset growth, %") and the factorial feature X10 "Query frequency in Google, %", while the coefficient value was 0.902. There is a relatively strong positive relationship for the feature X4 "Share of bank assets in GDP" 0.396. As a result, the neural network DL-model formed a forecast of asset growth in 2025 of 6.56%, the VaR model showed 84.53%, the expert assessment method indicated 2.05%.