СИНТЕТИЧЕСКИЕ ДАННЫЕ КАК ОСНОВА САМООБУЧАЮЩЕЙСЯ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ ДЛЯ БАНКОВ: МОДЕЛИРОВАНИЕ КЛИЕНТСКОГО ПОВЕДЕНИЯ И УЧЁТ МАКРОЭКОНОМИЧЕСКИХ ФАКТОРОВ

Аскеров Заур Ханахмедович

Разработка современных интеллектуальных рекомендательных систем в банковской сфере сталкивается с ограниченным доступом к реальным клиентским данным, обусловленным юридическими и этическими барьерами. В данной работе предложен методологический подход к созданию самообучающейся рекомендательной системы, основанный на комплексной генерации синтетических данных. Представлены архитектура системы и структура мультиагентной модели, имитирующей транзакционное, депозитное и инвестиционное поведение клиентов. Генерация данных осуществляется с использованием языковых моделей, стохастических процессов и процедурного моделирования на основе поведенческих профилей. Отдельное внимание уделено интеграции макроэкономических индикаторов (курсы валют, цены на сырьё, процентные ставки) в синтетическую среду для формирования реалистичных сценариев финансовой нестабильности. Проведён визуальный и статистический анализ сгенерированной выборки, подтверждающий её пригодность для обучения нейросетевых моделей и алгоритмов обучения с подкреплением. Предложенный подход обеспечивает воспроизводимость, масштабируемость и безопасность данных при разработке финансовых ИИ-систем.

Ключевые слова:синтетические данные, рекомендательные системы, обучение с подкреплением, мультиагентное моделирование, банковские технологии, аномальное поведение клиентов, макроэкономические факторы, генерация данных, имитационное моделирование, интеллектуальные системы.