Використання штучного інтелекту в аналізі фінансової звітності: систематичний огляд останніх досягнень, практика застосування та перспектива майбутніх досліджень

Abstract

UA: В статті досліджується шлях трансформації аналізу фінансової звітності з використанням такого елементу штучного інтелекту як великі мовні моделі (ВММ) через інтеграцію наративних (текстових) і кількісних даних. Зосередившись на публікаціях останніх п’яти років, було визначено перелік рецензованих статей, робочіх документів та матеріалів конференцій з провідних баз даних (Scopus, Web of Science, SSRN та Google Scholar). У статті виокремлено чотири основні сфери, в яких ВММ продемонстрували особливу перспективність: виявлення ризиків і шахрайства, наративне узагальнення та аналіз настроїв, екологічна, соціальна та управлінська звітність (ЕСУП) і звітність зі сталого розвитку, а також інтеграція текстових розкриттів з традиційними бухгалтерськими показниками. Ці моделі – від універсальних трансформаторів (наприклад, GPT, BERT) до спеціалізованих фінансових варіантів (наприклад, FinBERT) – часто перевершують попередні підходи машинного навчання в завданнях, що вимагають тонкого лінгвістичного розуміння, але стикаються з такими проблемами, як адаптація до домену, інтерпретованість і потенційні упередження моделі. Узагальнюючи існуючі дослідження, ми спостерігаємо зростаючу тенденцію до використання доменних ВММ, які можуть обробляти як неструктурований текст (наприклад, річні звіти, виноски), так і структуровані фінансові дані, тим самим пропонуючи аудиторам, аналітикам та інвесторам більш глибоке розуміння і трактування результатів такого аналізу. Однак емпіричні дані свідчать про серйозні проблеми, пов'язані з доступністю, відтворюваністю та дотриманням нормативних вимог. У висновках запропоновано напрями майбутніх досліджень, зокрема розробка стандартизованих пакетів фінансової звітності для підготовки надійних ВВМ, вдосконалення інструментів пояснюваності, придатних для прийняття рішень на високому рівні, а також вивчення етичних та управлінських рамок для зменшення ризиків алгоритмічної упередженості. Загалом, цей огляд підкреслює трансформаційний потенціал ВММ для бухгалтерського обліку та фінансів, водночас застерігаючи від некритичного застосування цих моделей в чутливих умовах. Великі мовні моделі (ВММ) трансформують фінансовий аналіз шляхом покращеного виявлення ризиків, запобігання шахрайству, аналізу настроїв та звітності ЕСУП. Вони інтегрують текстові та кількісні дані, покращуючи аудит та аналіз фінансової звітності. Трансформаторні НЛП-моделі, такі як FinBERT, дають змогу глибше зрозуміти фінансові документи, забезпечуючи більш точне прийняття рішень у фінансовому секторі. EN: This article examines the transformation of financial statement analysis through the integration of Large Language Models (LLMs)—a key component of artificial intelligence—by combining narrative (textual) and quantitative data. Focusing on publications from the past five years, we compiled a selection of peer-reviewed articles, working papers, and conference proceedings from leading databases (Scopus, Web of Science, SSRN, and Google Scholar). The article highlights four key areas where LLMs have demonstrated significant potential: risk and fraud detection, narrative summarization and sentiment analysis, environmental, social, and governance (ESG) and sustainability reporting, and the integration of textual disclosures with traditional accounting metrics. These models, ranging from general-purpose transformers (e.g., GPT, BERT) to domain-specific financial adaptations (e.g., FinBERT), frequently outperform traditional machine learning approaches in tasks requiring fine linguistic understanding. However, they face significant challenges, including domain adaptation, interpretability, and potential model biases. By synthesizing existing research, we observe an increasing trend toward domain-specific LLMs, capable of processing both unstructured text (e.g., annual reports, footnotes) and structured financial data. This provides auditors, analysts, and investors with deeper insights and a more nuanced interpretation of financial information. However, empirical evidence suggests critical issues related to data accessibility, reproducibility, and regulatory compliance. The conclusion outlines key future research directions, including:Developing standardized financial reporting datasets to train reliable financial LLMs,Improving explainability tools to enhance decision-making at high levels, Exploring ethical and governance frameworks to mitigate algorithmic bias risks.Overall, this review underscores the transformative potential of LLMs for accounting and finance, while also cautioning against their uncritical application in sensitive financial environments. Large Language Models (LLMs) are reshaping financial analysis by enhancing risk detection, fraud prevention, sentiment analysis, and ESG reporting. By integrating textual and quantitative data, LLMs improve audit processes and financial statement analysis. Transformer-based NLP models, such as FinBERT, enable deeper comprehension of financial documents, fostering more accurate decision-making in the financial sector.