ИИ-агенты в системе управления бюджетной ликвидностью

ВВЕДЕНИЕ

Управление бюджетной ликвидностью является одной из ключевых функций государственного казначейства. В Российской Федерации эту функцию выполняет Федеральное казначейство, обеспечивая ежедневное прохождение свыше 800 миллионов транзакций на общую сумму более 120 трлн руб. в год через ГИИС «Электронный бюджет», которая с 2026 года стала обязательной технологической платформой бюджетного процесса. В настоящее время к «Электронному бюджету» подключены свыше 265 тысяч организаций [1].

Начиная с 2008 года, когда были осуществлены первые операции по размещению временно свободных средств федерального бюджета на банковских депозитах, Казначейством России была проведена масштабная работа по запуску целой линейки инструментов размещения временно свободных денежных средств, которая к настоящему моменту охватила все основные высоколиквидные сегменты отечественного финансового рынка. Современный портфель российского государственного кэш-менеджмента включает финансовые инструменты размещения временно свободных средств (банковские депозиты), привлечения ликвидности (операции репо, бюджетные кредиты), сглаживания ликвидности (операции с иностранной валютой). Однако, по мнению экспертов, «… предел экстенсивного развития достигнут …» [2]. Иными словами, в среднесрочной и долгосрочной перспективе главным направлением совершенствования системы управления ликвидностью в государственном секторе становится оптимизация работы существующих инструментов и внедрение новых технологических решений, в том числе в процессы прогнозирования и таргетирования остатков на Едином казначейском счете (далее – ЕКС).

Между тем действующая система прогнозирования остатков ЕКС, основанная на экстраполяции и методе экспертной оценки [17], не позволяет достичь высокой точности прогнозов. Это ограничивает возможности проактивного размещения свободных остатков, создает риск кассовых разрывов и снижает эффективность операций по управлению ликвидностью. Для сравнения: Турция, последовательно применяющая методы машинного обучения, снизила отклонение ежедневных остатков ЕКС от прогнозного значения с 0,8% (в 2020 г.) до 0,3% (в 2024 г.) при целевом пороге менее 0,5% [3].

Актуальность перехода к интеллектуальным инструментам управления ликвидностью усиливается необходимостью решения задачи ускоренного внедрения ИИ в ключевые отрасли, включая государственное управление, поставленной Президентом Российской Федерации В.В. Путиным на совещании по вопросам развития технологий искусственного интеллекта 10 апреля 2026 г. [4] Международный координационный совет по вопросам управления государственными финансами PEMPAL также определил развитие практики прогнозирования ликвидности с использованием ИИ в качестве приоритетного направления работы на 2026-2030 гг. [5]

Цель настоящего исследования – систематизировать мировой опыт применения ИИ-агентов в государственном секторе и обосновать целесообразность его применения в практике управления ликвидностью Российской Федерации.

Обзор научной литературы показал, что отечественные исследователи рассматривают различные аспекты управления ликвидностью, в основном с точки зрения обеспечения финансовой устойчивости бюджетов различного уровня [12, 27, 9], в том числе за счет привлечения долговых инструментов для решения проблемы кассовых разрывов [3, 21, 4]. Немало работ посвящено вопросам централизации денежных потоков государства в целях эффективного управления свободной бюджетной наличностью [19, 10, 13, 1]. Многие отечественные и зарубежные авторы обосновывают положение о том, что решение вопросов эффективного управления общественными финансами на современном этапе невозможно осуществлять без применения искусственного интеллекта [26, 14, 22, 24, 23, 25] и машинного обучения [28]. Однако остаются недостаточно исследованными вопросы повышения качества прогнозирования остатков ЕКС, что на данном этапе технологического развития государства не представляется возможным без применения возможностей искусственного интеллекта. Вопросы применения возможностей искусственного интеллекта в российской практике государственного кэш-менеджмента рассматриваются в работе Исаева Э.А. и др. [6]. Авторами предложена модель Единого казначейского окна – интегрированной платформы управления государственными денежными потоками на базе ГИИС «Электронный бюджет», которая консолидирует в едином контуре функции бюджетного планирования, казначейского исполнения бюджета, бухгалтерского учета и формирования отчетности. Модель включает 6 блоков, в том числе модули ИИ-прогнозирования остатков ЕКС и модуль цифрового аудита, решающий вопросы обеспечения кибер-безопасности операций в сфере управления ликвидностью.

В контексте управления государственными финансами под ИИ-агентом понимается автономная программная система, способная воспринимать данные из внешней среды (транзакционные потоки, бюджетная отчетность, макроэкономические индикаторы), принимать решения на основе заданных целей или обученных моделей и выполнять действия – формировать прогнозы, маркировать аномалии, рекомендовать инструменты размещения – без непрерывного участия человека [6]. Принципиальное отличие агентного ИИ от классических аналитических систем состоит в его способности к многошаговому планированию: ИИ-агент не просто обрабатывает запрос, но итеративно уточняет свое решение с учетом поступающей обратной связи.

В практике казначейств ИИ-агенты находят применение по трем основным направлениям: (1) агент-«детектор» – непрерывно мониторит транзакционный поток и выявляет отклонения от нормы; (2) агент-«прогнозист» – строит кратко- и среднесрочные оценки остатков ЕКС или кассовых разрывов; (3) агент-«классификатор» – сопоставляет документы, платежные поручения или статьи расходов с регуляторными справочниками. Именно эти три направления прослеживаются в международной и российской практике применения ИИ-агентов.

Для исследования мировой практики применения ИИ-агентов в государственном секторе использован метод структурированного сравнительного анализа. Отбор стран осуществлялся по критериям: наличие верифицированного опыта внедрения ИИ-решений в казначейскую или бюджетную функцию, публичная доступность данных и репрезентативность различных ИИ-моделей.

Большинство применяемых в России прогнозных инструментов относится к классу моделей динамического стохастического общего равновесия (DSGE), которые, обладая строгой теоретической основой, демонстрируют ограниченную точность при фрагментарных данных, высокой волатильности и санкционных шоках: их жесткие допущения (рациональные ожидания, совершенные рынки, равновесие) часто расходятся с эмпирической реальностью [8]. В связи с этим в работе предложен альтернативный подход – методика прогнозирования на основе резервуарных вычислений (модель RC), разработанная и апробированная группой ученых Финансового университета. Ключевые преимущества модели RC применительно к прогнозированию остатков ЕКС: значительно меньшие вычислительные требования по сравнению с другими моделями, что критично для ежедневного переобучения в казначействе; способность работать с короткими и фрагментарными рядами (российские данные после 2022 г. имеют разрывы из-за санкций и приостановки торгов); многочастотность – позволяет объединять ежедневные платежные потоки и месячные макропоказатели без потери качества; нелинейная память (спектральный радиус >1) фиксирует долгосрочные тренды, включая сезонность налоговых периодов; возможность ежедневного переобучения без GPU. Апробация модели RC на прогнозировании доходов федерального бюджета показала точность 96–99% на краткосрочном (трехмесячном) горизонте.

Практика применения ИИ-агентов в государственном секторе: зарубежный и отечественный опыт

Мировой опыт свидетельствует о том, что применение ИИ-агентов в государственном секторе концентрируется в трех основных направлениях. Их систематизация представлена в табл. 1.

Таблица 1 – Основные направления применения ИИ в государственном секторе

Направления использования	Характеристика
1. Прогнозирование и управление ликвидностью	Внедренные в систему ИИ-агенты анализируют исторические данные, текущие обязательства и макроэкономические индикаторы. Максимальный эффект наблюдается в управлении ликвидностью, позволяя перейти от ориентации на фактические остатки к прогнозу с учетом всех факторов на несколько недель вперед. Это позволяет государству заранее планировать размещение свободных средств или привлечение ликвидности, минимизируя кассовые разрывы.
2. Автоматизация бюджетного контроля	Первый опыт применения ИИ в государственном управлении в России (совместный проект Минфина и Сбербанка) – внедрение AI-агента в процесс заполнения заявок на финансирование от ФОИВ для сверки соответствия КБК и планируемых мероприятий. ИИ сигнализирует об ошибках и автоматически маркирует проблемные документы. В результате скорость проверки сократилась с 3-х до 1 дня.
3. Борьба с аномалиями и фродом	AI-агенты эффективны в выявлении нестандартных транзакций. Системы мониторинга аномалий анализируют поведение платежей и автоматически сигнализируют, если операция выходит за рамки стандартного шаблона, снижая риск несанкционированных или ошибочных трат, выполняя роль «второй линии защиты»).

Источник: составлено автором на основе: Ирина Окладникова. Бюджетный разум: AI помогает управлять госфинансами. URL: https://minfin.gov.ru/ru/press-center/?id_4=40048-byudzhetnyi_razum_ai_pomogaet_upravlyat_gosfinansami (дата обращения 12.09.2026); DHS Management Directorate – AI Use Cases. Spending Analysis and Budget Execution Risk (SABER) Model. URL: https://www.dhs.gov/ai/use-case-inventory/mgmt (дата обращения 12.09.2026)

Максимальный эффект от внедрения ИИ наблюдается в управлении ликвидностью: именно здесь переход от обработки фактических остатков к прогнозу с учетом всего комплекса факторов формирует качественно новые управленческие возможности. Не менее значим эффект в сфере обнаружения аномалий, где AI-системы выступают «второй линией защиты» и позволяют выявлять ошибочные или подозрительные транзакции до их окончательного исполнения [15]. Детальный сравнительный анализ практики применения ИИ-агентов в государственном секторе приведен в таблице 2.

Таблица 2 – Сравнительный анализ применения ИИ-агентов в государственном секторе

Страна	Применяемое ИИ-решение	Основная выполняемая функция	Характеристика
Российская Федерация	AI-агент Минфина России (совместный проект со Сбербанком) (2025 г.)	Проверка заявок на соответствие КБК	Инструмент ускорения логики (если «А», то «Б»). Система не генерирует смыслы, направлена лишь на проверку соответствия
	ИИ-агенты Федерального казначейства (2025 г.)	Анализ соответствия бюджетных расходов мероприятиям национальных проектов	Ускорение рутинных работ
Страны GCC (ОАЭ)	ASCEND (Дубай) + Программа анализа соответствия нормативным требованиям (2025 г.)	Юридический комплаенс, анализ соответствия закону, контроль госпроектов	Используются LLM (Large Language Models) и генеративный ИИ. Анализируют сложные юридические тексты и понимают контекст законов, а не просто ищут совпадение кода. Это позволяет AI-агентам выносить суждения о соответствии сложным нормативным актам, а не только справочникам.
Грузия	AI Payment Risk Detection (МВФ/Минфин)	Выявление аномалий и ошибок в ЕКС (красный / зеленый каналы)	Внедрение ИИ непосредственно в процесс Treasury Single Account (ЕКС)
Южная Корея	Модель BOKI (Bank of Korea Intelligence, Банк Кореи), 2024 г.	Анализ макроданных, поддержка решений по ключевой ставке, работа с документами (оцифровка)	Собственная экосистема ИИ, которая помогает анализировать макроэкономические индикаторы для принятия решений по ключевой ставке, оцифровывая исторические рукописные документы. В мировой практике таких прецедентов на уровне ЦБ / Минфина пока не зафиксировано.
США	Чат-боты, в том числе с технологией обработки информации на естественном языке (NLP, Natural Language Processing).	Проверка отчетов Федеральной системы данных о закупках IRS (FPDS) на соответствие информации в контрактных документах, поиск мошенничества, растрат, злоупотреблений в федеральных программах	Анализ больших массивов текста и изображений; Автоматизация рутинных операций, анализ данных, выявление нестандартных транзакций.
Бразилия	Многоагентные системы (Dynamics 365 и Azure). 2021 г.	Горячая линия Казначейства, интеграция с микросервисами, генерация ответов по базе знаний	1. Аналитика данных – ML-модели для переклассификации бюджетных расходов; 2. Мульти-агентская система поддержки для бюджетополучателей, позволяющая снимать значительную часть нагрузки с Казначейства без найма новых сотрудников.
Индия	AI-агенты платежной системы (2022 г.)	Принимают и отправляют платежи через автоматизированную инфраструктуру, включающую RBI-одобренные платежи, банковские API и токенизацию [7]	В режиме реального времени осуществляется автоматизированный (до 85%) платежный и казначейский контроль, учет налоговых и неналоговых поступлений, формирование счетов и автоматическое генерирование финансовых отчетов
Китай	Технология «Интернет Плюс», ИИ-агент 2.0, система «Yimeng Insight»	Интеллектуальная поддержка для анализа проблем и обоснования решений, взаимодействие между ведомствами, распознавание запросов и их маршрутизация	Сбор информации в режиме реального времени в целях финансового контроля, автоматизация рутинных работ
Турция	Цифровой инструмент Kurgan, ИИ-агенты Минфина Турции, 2025 г.	Контроль государственных расходов	Выявление использования поддельных счетов-фактур, расширенная финансовая аналитика государственных расходов

Источник: составлено автором по: Davit Gamkrelidze, Giorgi Mchedlishvili, Graham Prentice, Alok Verma. AI-Powered Treasury: Georgia’s Innovative Approach to Managing Payment Risks, 2024. URL: https://blog-pfm.imf.org/en/pfmblog/2024/09/ai-powered-treasury (дата обращения 12.09.2025); BOK becomes first central bank to deploy in-house AI. URL: https://www.koreaherald.com/article/10660054 (дата обращения 12.09.2025); Karla Rocha, Kalina Porto, Vitor Fabel. AI is Enhancing Fiscal Transparency in Brazil, 2024. URL: https://blog-pfm.imf.org/en/pfmblog/2024/12/ai-is-enhancing-fiscal-transparency-in-brazil (дата обращения 12.09.2025); AI Agent Payments in India: The Complete Infrastructure Guide (2026). URL: https://dev.to/umangbuilds/ai-agent-payments-in-india-the-complete-infrastructure-guide-2026-11am?ysclid=mtzju5vqw2415819060 (дата обращения 12.09.2025); Davit Gamkrelidze, Giorgi Mchedlishvili, Graham Prentice, Alok Verma. AI-Powered Treasury: Georgia’s Innovative Approach to Managing Payment Risks, 2024. URL: https://blog-pfm.imf.org/en/pfmblog/2024/09/ai-powered-treasury; (дата обращения 12.09.2025); [5, 16]

Проведенный анализ позволяет выделить три устойчивые архитектурные модели применения ИИ в государственном секторе:

«Встроенный» ИИ (embedded AI) – системы, непосредственно интегрированные в операционный контур казначейства для автоматической проверки соответствия и санкционирования. Наиболее показателен опыт Грузии, внедрившей разделение платежного потока на «зеленый канал» (автоматическая обработка ИИ-агентом) и «красный канал» (верификация с участием казначея). Достигнутая точность отклонения подозрительных платежей составляет 80%, прирост централизованно обрабатываемых операций – 33% [8].

«Совещательный» ИИ (advisory AI) – системы, поддерживающие принятие решений на основе анализа больших массивов данных. Банк Кореи разработал собственную экосистему Sovereign AI, функционирующую исключительно во внутреннем контуре. Это позволяет анализировать макроэкономические индикаторы для принятия решений по ключевой ставке и обеспечило оцифровку около 1,4 млн внутренних документов, пригодных для обучения ИИ [9].

«Экосистемный» ИИ (ecosystem AI) – модели, в которых ИИ встраивается в сквозную цифровую платформу, охватывающую весь цикл бюджетного исполнения. Пример Индии демонстрирует, как внедрение AI-агентов в систему UPI/DBT позволило перейти к модели распределения бюджетных ассигнований с подтверждением доведения каждого транша до конечного получателя, сэкономив в 2021–2022 гг. около 1,2 млрд долларов США [5].

Единой проблемой, присущей всем рассмотренным практикам вне зависимости от уровня технологического развития страны, является качество исторических данных и обеспечение их безопасности. По оценке KPMG, ИИ работает эффективно только при условии получения качественных данных, а основными препятствиями для внедрения AI-агентов остаются их сбор, систематизация и сопоставимость в динамике [10]. Опыт Минфина России подтверждает это: самым трудоемким этапом при настройке AI-агента оказалась не разработка алгоритма, а сбор и гармонизация более 10 тысяч уникальных кодов бюджетной классификации, менявшихся на протяжении нескольких лет [11].

Таким образом, Россия и зарубежные страны движутся в одном технологическом направлении, однако с разной архитектурой решений. Если страны Персидского залива (GCC) и Россия преимущественно развивают «встроенный» ИИ для бюджетного контроля, США и Корея – «совещательные» консультационные системы, то Индия, Турция и Китай формируют сквозные цифровые экосистемы.

Внедрении ИИ-агентов в управление ликвидностью ЕКС

На текущем этапе в Федеральном казначействе последовательно выстраивается целостная интеллектуальная система управления государственными финансами. Перечень внедренных и внедряемых AI-моделей систематизирован в таблице 3.

Таблица 3 – Внедренные и внедряемые модели ИИ в Федеральном казначействе

Модель ИИ	Бизнес-процесс	Сфера применения	Стадия внедрения
Модель распознавания договоров и спецификаций и модель построения цепочек кооперации	Первичная обработка входящей документации	1) автоматизированное выявление рисков завышения цен государственных контрактов (в том числе цепочки кооперации)	В стадии разработки и пилотирования. Ожидаемое сокращение сроков анализа контрактов в 2 раза за счет обработки сканированных документов
		2) антифрод-система для выявления в режиме реального времени подозрительных операций ПОД/ФТ	Внедрена
		3) автосанкционирование платежей участников расширенного казначейского сопровождения. Включает анализ соответствия работ, нормативов прибыли и фактически выполненных работ с применением большой языковой модели (LLM), OCR и NER.	В стадии разработки и пилотирования. Разрабатывается для проверки соответствия фактически поставленных ТРУ данным раздельного учета при расширенном казначейском сопровождении.
Модель прогнозирования рисков отзыва	Раннее выявление невостребованных остатков денежных средств, которые не будут использованы до конца текущего года	Прогноз невостребованных остатков на счетах ГРБС, РБС и ПБС в целях управления ликвидностью	нет
Модель прогнозирования ликвидности	Таргетирование остатка денежных средств на ЕКС	Прогнозирование группы рядов в форме достоверных интервальных оценок для последующего инвестирования свободных остатков	нет
Модель прогноза рисков неисполнения мероприятий национальных проектов	Система инцидент-менеджмента до реализации риска	Использует кросс-системные данные из централизованного хранилища (DWH). Разработаны предупредительные индикаторы риска просрочки контрольных точек. Система инцидент-менеджмента реагирует на потенциальные риски до их реализации.	Внедрена. 100% контрольных точек анализируются ИИ. В результате количество инцидентов несвоевременного закрытия контрольных точек сократилось на 40%
Модель поиска связи показателей и мероприятий национальных проектов	Контроль достижения национальных целей развития	Построена на базе LLM с применением технологии RAG (Retrieval Augmented Generation). Обеспечивает выявление влияния изменений в проектах на показатели национальных целей развития.	Внедрена. Анализ 100% параметров НП и ГП, полный логический анализ всех взаимосвязей занимает 33 часа (при ручном сравнении – 4 года работы 38 экспертов)
Голосовой помощник навигации и поиска информации на дашбордах и AI- ассистент LLM-моделей	1) Система управления 3D-витринами в Координационном центре Правительства РФ;	Распознает голосовые команды на естественном языке с использованием синонимов для поиска информации по проектам, объектам	внедрена
	2) поиск оперативных ответов на вопросы сотрудников	Оперативное получение сотрудниками информации по нормативно-правовому регулированию, работе ИТ-систем, помощь при санкционировании платежей.	В стадии разработки и пилотирования. Ожидаемые эффекты: увеличение доли обращений, обрабатываемых без участия сотрудника контактного центра, с 10% до 50% в 2025–2026 гг., сокращение времени обработки обращения на 20% (с 2,5 до 2 минут).

Источник: составлено автором на основе [2]

Из приведенных данных следует, что Федеральное казначейство прошло путь от единичных AI-решений к формированию мультиагентной системы (МАС), объединяющей разнородные модели в единый операционный контур. Уже внедренные агенты демонстрируют значимые эффекты: количество инцидентов несвоевременного закрытия контрольных точек национальных проектов сократилось на 40%, а полный логический анализ взаимосвязей всех их параметров, на который раньше потребовалась бы работа 38 экспертов в течении 4-х лет, теперь выполняется за 33 часа [2].

Важно отметить, что цифровизация в целом уже приносит ощутимые результаты в управлении ликвидностью: внедрение системы казначейских платежей и системы быстрых платежей позволило сократить время прохождения платежей с 2–3 часов до 5–10 минут; роботизация обработки платежей обеспечивает уровень автоматизации до 70–80%; API-интеграция с ERP-системами клиентов ускоряет зачисление средств в 50–100 раз [12]. Однако максимальный эффект от цифровизации денежных потоков может быть достигнут только при условии перехода от разрозненных инструментов к единой архитектуре данных и решений.

Положительный опыт применения ИИ-агентов в практике деятельности Министерства финансов Российской Федерации и Федерального казначейства обосновывает применение ИИ-технологий на одном их важнейших участков государственного кэш-менеджмента – прогнозировании остатков ЕКС. Следует заметить, что проблема повышения точности прогнозирования остатков ЕКС является достаточно актуальной не только для отечественной, но и мировой практики. Так, по заявлению Координационного совета PEMPAL, развитие практики управления и прогнозирования ликвидности, а также использование потенциала новых технологий, особенно ИИ, для повышения качества прогнозирования ликвидности будет оставаться актуальным для программы работы в 2026–2030 гг. [13]

Российская практика прогнозирования остатков ЕКС осуществляется на основании приказа Казначейства России от 31.03.2020 №13н [17] с применением метода экспертной оценки и экстраполяции. При этом учитываются: показатели кассового плана исполнения федерального бюджета на текущий финансовый год, сведения, предоставляемые участниками процесса прогнозирования (финансовыми органами субъектов Российской Федерации, органами управления ГВФ), уточняющая информация ФК (об операциях по управлению остатками средств на ЕКС и иных данных) [18]. Прогнозирование осуществляется в модуле прогнозирования подсистемы управления денежными средствами в ГИИС «Электронный бюджет», который с 2026 года стал обязательной технологической платформой консолидации всей финансовой информации государства, необходимой для прогнозирования остатков ЕКС. На текущем этапе система обрабатывает 800 миллионов операций ежедневно, управляя потоками в 120 трлн руб. в год. К ней подключены свыше 265 тыс. организаций. [14] Таким образом, «Электронный бюджет» способен работать с колоссальными объемами данных, в том числе исторических, что является критическим условием любого прогнозирования. Вместе с тем, несмотря на активно внедряемые механизмы обработки больших данных и элементы машинного обучения, точной модели кассового прогнозирования пока не создано [11]. Точность прогнозирования обеспечивается комбинацией аналитических методов, регулярной проверкой данных, межведомственным взаимодействием и использованием имеющихся в распоряжении информационных технологий.

Достижение высокого уровня точности прогнозных данных невозможно без применения возможностей программирования. Зарубежная практика показывает, что применение методов программирования позволяет достичь высокой точности прогнозирования остатков ЕКС. Так, например, в Турции с 2020 г. по 2024 г. фактическое отклонение ежедневных остатков средств ЕКС от прогнозного снизилось с 0,8% до 0,3% соответственно [15]. При этом основной акцент Турция делает не на прогнозирование остатков ЕКС, а на контроль за расходами по принципу «снизу-вверх», установив для государственных учреждений специальный KPI – показатель эффективности системы заявок на получение денежных средств. Качество таких заявок влияет на программирование и прогнозирование ликвидности, что, в свою очередь, сказывается на управлении ликвидностью и операционных расходах. Для прогнозирования потоков средств тестируются модели машинного обучения, такие как CatBoost, LightGBM, ARIMAX, SARIMAX, а также классические модели регрессии и Prophet. Для оценки точности прогнозов установлены четкие количественные ориентиры (KPI): целевое отклонение дневного прогноза остатка средств – менее 0,5%, по месячным доходам и расходам – менее 4% и 3% соответственно. [16]

Большая часть прогнозных инструментов, используемых в России, относится к моделям динамического стохастического общего равновесия (DSGE). Данные модели учитывают существенное количество показателей, однако рассчитаны на жесткие теоретические допущения (рационального ожидания, совершенные рынки, равновесие), поэтому часто не соответствуют эмпирическим данным и неспособны достоверно предсказывать кризисные явления. В связи с этим, представляется целесообразной апробация новой методики прогнозирования остатков ЕКС на основе резервуарных вычислений и сетей Арнольда Колмогорова (модель RC). Модель RC является чисто эмпирическим, самообучаемым методом машинного обучения без структурных уравнений, который адаптируется к реальным данным любой частоты и не требует предположений о фундаментальных механизмах экономики, что в условиях фрагментарных данных, нестабильности и санкционных ограничений обеспечивает более высокую точность прогноза. Методика предложена и апробирована группой ученых Финансового университета на прогнозировании доходов федерального бюджета [7]. Она является альтернативной применяемому Минфином России методу прогнозирования бюджета SARMA/SARIMA и основана на дискретном вейвлет-преобразовании.

Модель включает несколько этапов: 1) формирование входных данных (ежедневные остатки на ЕКС, денежный и долговой рынок, внешние факторы, макропоказатели); 2) предобработка данных (выявление пропускной способности, приведение данных к единому ежедневному ряду, проверка на стационарность, снижение мультиколлинеарности, РСА, нормировка); 3) формирование двух резервуаров: Резервуар 1 – ежедневные факторы, Резервуар 2 – макроэкономические и иные данные; 4) подбор гиперпараметров (экспериментально); 5) обучение и валидация.

Результаты апробации модели RC на прогнозировании доходов бюджета Российской Федерации доказали возможность доведения точности классических методов прогнозирования до 96–99%, особенно на краткосрочном (трехмесячном) периоде. Адаптация данного метода к прогнозированию остатков ЕКС будет способствовать росту эффективности и результативности операций по управлению бюджетной ликвидностью.

Модель RC имеет ряд преимуществ по сравнению с действующими подходами: 1) требует значительно меньше вычислительных ресурсов, чем LSTM, что критично для ежедневного переобучения в казначействе; 2) способна работать с короткими и фрагментарными рядами (российские данные после 2020 г. имеют разрывы из-за приостановки торгов, санкций); 3) многочастотность: остатки ЕКС зависят от ежедневных платежей и месячных макропоказателей – модель позволяет объединять их без потери качества; 4) нелинейная динамика и память: спектральный радиус >1 позволяет модели удерживать информацию о долгосрочном тренде (например, сезонность налоговых периодов); 5) вычислительная эффективность: возможность переобучать модель ежедневно без использования GPU [17] делает модель практически применимой в существующей ИТ-инфраструктуре ФК.

Считаем, что метод резервуарных вычислений (модель RC) является перспективным инструментов для прогнозирования остатков ЕКС, обеспечивающая при правильной настройке гиперпараметров и предобработке данных, значительное повышение точности прогнозирования по сравнению с классическими моделями SARIMA. Кроме того, качественное прогнозирование остатков ЕКС позволит применять сценарные методы подбора финансовых инструментов размещения и привлечения в зависимости от рассчитанного «коридора» (минимальных и максимальных значений остатков ЕКС) [20]. Еще одним перспективным направлением представляется внедрение ИИ-агентов для осуществления непрерывного анализа (мониторинга) эффективности операций кэш-менеджмента на основе аналитической информации о ежедневном (подекадном, ежемесячном, ежеквартальном, ежегодном) размещении свободных остатков средств ЕКС, в том числе в разрезе финансовых инструментов. Это позволит получать информацию не только о доходности операций управления ликвидностью ЕКС, но и на основании исторических данных анализировать и прогнозировать оптимальное соотношение применяемых финансовых инструментов (структуру портфеля) для получения максимального дохода. Пока возможность внедрения такого инструмента затруднено ввиду отсутствия взаимодействия, как между различными подразделениями Федерального казначейства, отвечающими за формирование необходимой информации, так и недостаточного взаимодействия в вопросах формирования структуры финансовых инструментов между Федеральным казначейством, Минфином России и Центральным банком.

Выводы

В исследовании обоснованы и предложены новые подходы к ИИ-прогнозированию остатков на ЕКС, что позволит повысить точность кратко- и среднесрочных прогнозов за счет обработки больших данных в режиме реального времени и создаст основу для реализации концепции «нулевого остатка». Внедрение ИИ-агентов позволит осуществлять функцию автоматизированного анализа эффективности операций по управлению остатками ЕКС, осуществлять ежедневный мониторинг и прогнозирование эффективной структуры финансовых инструментов (в настоящее время набор финансовых инструментов, суммы и сроки размещения остатков ЕКС определяются рекомендациями Минфина России и Банка России).

Результаты проведенного исследования дают возможность сформулировать концепцию «интеллектуального государственного кэш-менеджмента» как качественно нового этапа в управлении бюджетной ликвидностью. Если реактивная модель основана на регистрации фактических остатков ЕКС и последующем принятии решений о размещении, то проактивная интеллектуальная модель предполагает опережающее прогнозирование «коридора» значений, автоматический выбор оптимальных инструментов и непрерывный AI-мониторинг их эффективности.

[1] ГИИС «Электронный бюджет»: как устроена система управления государственными финансами России. URL: https://www.klerk.ru/blogs/kaznahelp/670853/ (дата обращения: 12.09.2026).

[2]Из выступления ректора Финансового университета при Правительстве Российской Федерации С. Е. Прокофьева на собрании по случаю пятилетия Межрегионального управления Федерального казначейства в сфере управления ликвидностью 11.12.2025 года. URL: https://www.fa.ru/university/press-center/stanislav-prokofev-pozdravil-mezhregionalnoe-ufk-v-sfere-upravleniya-likvidnostyu-s-5-letiem (дата обращения 12.09.2026 г.)

[3] Can B. Cash Forecasting for Treasury Cash Management in Türkiye. Presented at the PEMPAL TCOP Thematic. URL: https://www.pempal.org/sites/default/files/event/attachments/4_cash_forecasting_turkiye_eng.pdf (дата обращения: 12.09.2026).

[4] Путин поручил сформировать национальный план внедрения ИИ. URL: https://ria.ru/20260410/putin-2086445858.html (дата обращения: 20.04.2026).

[5] PEMPAL. Истории успеха. Эффективное использование единого казначейского счета и временно свободных средств. URL: https://www.pempal.org/ru/effektivnoe-ispolzovanie-edinogo-kaznacheyskogo-scheta-i-vremenno-svobodnykh-sredstv (дата обращения: 12.09.2026).

[6] Aldasoro I., Desai A. AI agents for cash management in payment systems. BIS Working Papers. 2025. № 1310. URL: https://www.bis.org/publ/work1310.pdf

[7] AI Agent Payments в Индии: как построить полную инфраструктуру в 2026? URL: https://dzen.ru/a/aeFdF4dP7i9xCLf2

[8] Gamkrelidze D., Mchedlishvili G., Prentice G., Verma A. AI-Powered Treasury: Georgia's Innovative Approach to Managing Payment Risks, 2024. URL: https://blog-pfm.imf.org/en/pfmblog/2024/09/ai-powered-treasury (дата обращения 12.09.2026)

[9] BOK becomes first central bank to deploy in-house AI. URL: https://www.koreaherald.com/article/10660054 (дата обращения 12.09.2026)

[10] KPMG: разрыв в ИИ достигает 40 пунктов. Лидеры строят контроль, остальные – просто внедряют. https://www.realdigital.kz/ru/kpmg-ai-finance-2026-razryv-kontrolya/ (дата обращения 12.09.2026)

[11] Окладникова И. Бюджетный разум: AI помогает управлять госфинансами. URL: https://minfin.gov.ru/ru/press-center/?id_4=40048-byudzhetnyi_razum_ai_pomogaet_upravlyat_gosfinansami (дата обращения 12.09.2026)

[12]Цифровизация Федерального казначейства. URL:https://www.tadviser.ru/index.php/Статья:Цифровизация_Федерального_казначейства_РФ (дата доступа 12.09.2026)

[13] PEMPAL. Истории успеха. Эффективное использование единого казначейского счета и временно свободных средств. URL: https://www.pempal.org/ru/effektivnoe-ispolzovanie-edinogo-kaznacheyskogo-scheta-i-vremenno-svobodnykh-sredstv (дата доступа 12.09.2026)

[14] ГИИС «Электронный бюджет»: как устроена система управления государственными финансами России. URL: https://www.klerk.ru/blogs/kaznahelp/670853/#chapter-ot-idei-k-realnosti-kak-poyavilas-sistema (дата обращения 12.09.2026)

[15] Measuring Cash Management Performance: Case of Türkiye. PEMPAL Treasury Community of Practice. Available at: https://www.pempal.org/measuring-cash-management-performance-case-turkiye (дата обращения 12.09.2026)

[16] Can B. (2024). Cash Forecasting for Treasury Cash Management in Türkiye. Presented at the PEMPAL TCOP Thematic. URL: https://www.pempal.org/sites/default/files/event/attachments/4_cash_forecasting_turkiye_eng.pdf (дата обращения 12.09.2026)

[17] Графический процессор (GPU или Graphics Processing Unit) — это один из видов микропроцессоров. Он управляет памятью видеокарт и ускоряет вывод графики на экран устройства.