Евгений Романович Серов, кандидат экономических наук, доцент кафедры экономики, управления и предпринимательства
191023, Санкт-Петербург, Невский пр., д. 60
Evgeniy R. Serov, PhD in Economics, Associate Professor at the Department of Economics, Management and Entrepreneurship
60 Nevskiy Ave., St. Petersburg 191023
Сергей Александрович Васильев, доктор экономических наук, профессор, Советник ректора
191023, Санкт-Петербург, Невский пр., д. 60
Sergey A. Vasiliev, D.Sc. in Economics, Professor, Rector's Advisor
60 Nevskiy Ave., St. Petersburg 191023
Цель. Определение текущих тенденций и ключевых направлений внедрения квантовых технологий в практику управления российскими кредитными организациями для повышения эффективности их деятельности в среднесрочной перспективе.
Задачи. Сравнительный анализ текущих тенденций применения квантовых технологий в банковском бизнесе; прогнозирование ключевых трендов их развития в среднесрочной перспективе применительно к российскому банковскому сектору.
Методология. Авторами использованы методы сравнительного и системного анализа, научной абстракции и гипотезы.
Результаты. Приведены практические примеры внедрения современных квантовых технологий в банковском бизнесе, как зарубежном, так и российском. В результате определены приоритетные направления и сферы их применения с акцентом на отечественный банковский сектор: кредитный скоринг, оценка стоимости и уровня риска инвестиций, диверсификация портфелей инвестиций, финансовое прогнозирование, предсказание кризисов, обнаружение мошенничества, а также защита банковских и клиентских баз данных от квантовой угрозы, повышение уровня банковской кибербезопасности в целом.
Выводы. Несмотря на новизну применения квантовых технологий в банковском бизнесе, их роль сложно переоценить в банкинге ближайшего будущего. Квантовые компьютеры способны существенно повысить производительность банковских IT-систем, решая вычислительные задачи, с которыми классические компьютеры, даже супермощные, не способны справиться в одиночку. Они значительно повышают эффективность моделирования сложных систем и процессов, ускоряют решение задач оптимизации ресурсов, логистики, финансов и трейдинга, упрощают работу с большими данными с использованием моделей искусственного интеллекта (AI) и машинного обучения в нейронных сетях, а также помогают бороться с кибератаками и мошенничеством на финансовых рынках.
Aim. IThe presented study aims to identify current trends and key directions for the introduction of quantum technologies into the management practices of Russian credit institutions to improve their performance in the medium term.
Tasks. The authors comparatively analyze current trends in the application of quantum technologies in the banking business; forecast key trends in their development in the medium term in the context of the Russian banking sector.
Methods. The authors use the methods of comparative and system analysis, scientific abstraction, and hypothesis.
Results. Practical examples of the introduction of modern quantum technologies in the foreign and Russian banking business are provided. As a result, priority directions and areas of their application are identified with an emphasis on the domestic banking sector: credit scoring, assessment of the value and risk of investment, diversification of investment portfolios, financial forecasting, crisis prediction, fraud detection, protection of banking and customer databases from the quantum threat, and increasing the level of banking cybersecurity in general.
Conclusions. Despite the novelty of quantum technologies in the banking business, the role they will play in banking in the near future is difficult to overestimate. Quantum computers can significantly improve the performance of banking IT systems by solving computational tasks that even super-powerful conventional computers are not able to tackle on their own. They significantly increase the efficiency of modeling complex systems and processes; accelerate the soultion of problems associated with resource optimization, logistics, finance, and trading; simplify work with big data using artificial intelligence (AI) and machine learning models in neural networks; help to combat cyber attacks and fraud in financial markets.
The authors declare that there are no conflicts of interest present.