Дослідження можливості інтеграції блокчейн-технологій та ML-моделей у системах управління фінансовими ризиками

Анотація

У статті досліджено можливість розробки моделі інформаційної технології з використанням інтеграції блокчейн-технології Hyperledger Fabric та ML-моделей для управління фінансовими ризиками. Актуальність дослідження зумовлена зростанням обсягів транзакцій в сучасних фінансових установах, ускладненням фінансових інструментів, впровадженням більш суворих регуляторних вимог, що загострює необхідність забезпечення незмінності та автентичності даних.

Досліджено особливість традиційних централізованих систем управління ризиками, а саме обмеження щодо забезпечення незмінності історичних даних, що створює потенційні ризики маніпуляцій та спотворення аналітичних результатів. Оскільки ML-моделі, які активно застосовуються для кредитного скорингу та виявлення шахрайства, критично залежать від якості вхідних даних, виникає необхідність вирішення науково-прикладної задачі, а саме створення інтегрованої архітектури, яка поєднує гарантії незмінності даних блокчейн-систем із прогностичною потужністю ML-моделей. При підготовці статті проведено аналіз закордонних і вітчизняних публікацій щодо застосування алгоритмів машинного навчання (логістична регресія, Random Forest, XGBoost, Isolation Forest) у фінансовому скорингу та ефективності permissioned-архітектур блокчейн, зокрема Hyperledger Fabric.

Обґрунтовано, що інтеграція блокчейн-рівня як інфраструктури довіри для ML-процесів (provenance, audit trail, integrity of updates, governance) залишається недостатньо формалізованою. Запропоновано трирівневу архітектуру (Data Layer, Analytics Layer, Governance Layer) та формальні визначення простору транзакцій, ML-моделі ризику та формули інтегрованого ризику.

В ході дослідження було використано синтетичний датасет та виконано порівняння ефективності моделейLogistic Regression, Random Forest та XGBoost.

За результатами моделювання виявлено, що модель XGBoost показала найвищі показники, а інтеграція з блокчейн не вплинула на прогностичну ефективність, і в той же час забезпечила повну трасованість рішень та підвищила аудиторську прозорість. Результати мають прогностичний характер і потребують подальшої емпіричної верифікації в умовах реального впровадження у фінансовій установі.