Akademik tədqiqatlar, aydın dil

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

19 noyabr 2026, cümə axşamı
VERİANLA Müstəqil elmi yayımçılıq
Menyunu açın və ya bağlayın
...
Home / Sosial Elmlər / Maliyyə İqtisadiyyatı / Maliyyədə Generativ Süni İntellekt: Kəmiyyət Ticarəti, Robo-Məsləhətçilik və Blokçeyn Bazarlarında Yaranan Yaxınlaşmanın Xəritələnməsi
Maliyyə İqtisadiyyatı

Maliyyədə Generativ Süni İntellekt: Kəmiyyət Ticarəti, Robo-Məsləhətçilik və Blokçeyn Bazarlarında Yaranan Yaxınlaşmanın Xəritələnməsi

Maliyyədə generativ süni intellekt (Generative Artificial Intelligence, GenAI) tədqiqat sahəsi böyük dil modelləri və digər generativ süni intellekt yanaşmalarının maliyyə məlumatlarının emalı, investisiya, portfel idarəçiliyi, ticarət, məsləhətçilik, tənzimləmə və proqramlaşdırıla bilən maliyyə sistemləri ilə necə birləşdiyini araşdıran sürətlə inkişaf edən tədqiqat sahəsidir.

19/11/2026  Veri Anla  25 baxış
Maliyyədə Generativ Süni İntellekt: Kəmiyyət Ticarəti, Robo-Məsləhətçilik və Blokçeyn Bazarlarında Yaranan Yaxınlaşmanın Xəritələnməsi

Maliyyədə generativ süni intellekt (Generative Artificial Intelligence, GenAI) tədqiqat sahəsi, böyük dil modelləri və digər generativ süni intellekt yanaşmalarının maliyyə məlumatlarının emalı, investisiya, portfel idarəçiliyi, ticarət, məsləhətçilik, tənzimləmə və proqramlaşdırıla bilən maliyyə sistemləri ilə necə birləşdiyini araşdıran sürətlə inkişaf edən tədqiqat sahəsidir. Ngo Phu Thanhın tədqiqatı hər hansı investisiya strategiyasının gəlirliliyini sınaqdan keçirmək əvəzinə, 2023–2025 dövründə elmi ədəbiyyatın necə böyüdüyünü, hansı anlayışlar ətrafında təşkil olunduğunu və hansı tədqiqat cəbhələrinə yönəldiyini bibliometrik elm xəritələnməsi ilə araşdırır. 2026-cı ilin avqustunda Scopus-dan əldə edilən 695 ingilisdilli nəşr R mühitindəki bibliometrix paketi vasitəsilə performans təhlili, əməkdaşlıq şəbəkələri, ortaq söz təhlili, tematik xəritələmə, konseptual struktur təhlili, biblioqrafik uyğunlaşma və birbaşa istinad əlaqələri baxımından qiymətləndirilmişdir.

Ən diqqətəlayiq kəmiyyət nəticəsi sahənin çox qısa müddətdə böyüməsidir: korpusdakı nəşrlərin sayı 2023-cü ildə 46 ikən 2024-cü ildə 181-ə, 2025-ci ildə isə 468-ə yüksəlmişdir. Beləliklə, üçillik korpusun təxminən %67,3-i yalnız 2025-ci il nəşrlərindən ibarətdir. Lakin tədqiqat sürətli nəşr artımını sahənin elmi baxımdan yetkinləşdiyinin sübutu saymır. Nəşrlərin mühüm hissəsi konfrans materiallarıdır; birbaşa istinad zəncirləri hələ də qısadır və kompüter elmləri/dil texnologiyaları ilə tətbiqi maliyyə tədqiqatları arasında tam inteqrasiya yaranmamışdır.

Tədqiqat generativ süni intellekt–maliyyə ədəbiyyatının yalnız ChatGPT və ya mətn təsnifatı ətrafında qalmadığını göstərir. Böyük dil modelləri, generativ süni intellekt, təbii dil emalı və sentiment təhlili hələ də konseptual nüvəni təşkil etdiyi halda, portfel idarəçiliyi, kəmiyyət/alqoritmik ticarət, retrieval-augmented generation (RAG), agentic AI, məsuliyyətli süni intellekt, blokçeyn, mərkəzsizləşdirilmiş maliyyə (DeFi) və maliyyə tənzimlənməsi getdikcə daha görünən olur. Bununla müqayisədə robo-məsləhətçilik portfel və investisiya tədqiqatlarındakı artıma nisbətən nəzərəçarpacaq dərəcədə kiçik tədqiqat izi buraxır.

Tədqiqatın ən mühüm şərh sərhədi budur: bu bibliometrik nəticələr GenAI əsaslı ticarət sisteminin gəlirli olduğunu, robo-məsləhətçinin etibarlı olduğunu və ya LLM-in maliyyə qərarlarını insanlardan daha yaxşı verdiyini sübut etmir. Tədqiqat tədqiqat ədəbiyyatının strukturunu və istiqamətini xəritələndirir; real iqtisadi performans, əməliyyat xərcləri, gecikmə, bazar təsiri, investor rifahı, sistemik risk və tənzimləyici təhlükəsizlik üçün ayrıca birbaşa empirik doğrulama tələb olunur.

Tədqiqatın həll etməyə çalışdığı əsas problem

Generativ süni intellektlə maliyyənin kəsişməsi tək bir intizam daxilində inkişaf etmir. Eyni mövzu maliyyə jurnallarında, hesablama dilçiliyi konfranslarında, süni intellekt və maşın öyrənməsi nəşrlərində, informasiya sistemləri ədəbiyyatında və FinTech tədqiqatlarında fərqli terminlərlə araşdırıla bilər. Bir tədqiqat “large language model”, digəri “ChatGPT”, “foundation model”, “financial NLP”, “sentiment trading”, “RAG”, “agentic AI” və ya “AI-enabled portfolio management” terminlərindən istifadə edə bilər. Bu terminoloji parçalanma yalnız klassik narrativ icmal aparıldıqda sahənin ölçüsünün və struktur heterogenliyinin natamam görünməsinə səbəb ola bilər.

Bu səbəbdən tədqiqatın yanaşması ayrı-ayrı məqalələri “hansı daha yaxşıdır?” deyə sıralamaq deyil, ədəbiyyatın strukturunu xəritələndirməkdir. Tədqiqat üç əsas suala fokuslanır: 2023–2025 arasında elmi istehsal, nəşr kanalları, müəlliflər, qurumlar, ölkələr və istinad profili necə dəyişib; sahənin konseptual strukturu hansı açar söz və tema qrupları ətrafında təşkil olunur; və ədəbiyyat kəmiyyət ticarəti, portfel/investisiya, RAG və agent sistemləri, idarəetmə, robo-məsləhətçilik və blokçeyn/DeFi kimi maliyyəyə daha çox daxil olmuş tədqiqat cəbhələrinə doğru yaxınlaşırmı?

Bu tədqiqat niyə klassik sistematik icmal əvəzinə bibliometrik elm xəritələnməsindən istifadə edir?

Bibliometrik elm xəritələnməsi burada ayrı-ayrı tədqiqatların klinik və ya iqtisadi effekt ölçülərini birləşdirmək üçün deyil; 695 nəşrin istehsal sürətini, anlayışlarını, əməkdaşlıq əlaqələrini, ortaq istinadlarını, istinad zəncirlərini və tematik istiqamətini birlikdə görünən etmək üçün istifadə edilmişdir. Mənbə tədqiqat bu korpusu əl ilə bir-bir seçilmiş dar sistematik icmal kimi deyil, GenAI–maliyyə sərhədini yüksək həssaslıqla tutmağa çalışan geniş elm xəritəsi kimi təsvir edir.

Scopus korpusu necə yaradıldı?

Məlumatlar 2026-cı ilin avqustunda Scopus-dan əldə edilmişdir. Nəşr pəncərəsi 2023–2025 ilə məhdudlaşdırılmışdır. Bunun səbəbi 2026-cı ilin hələ tamamlanmamış nəşr ili olması və qismən il göstəricilərinin illik müqayisəni poza bilməsidir. Axtarış yalnız başlıqda deyil, Scopus-un TITLE-ABS-KEY sahəsində, yəni başlıq, xülasə və açar söz sahələrində aparılmışdır.

ElementMənbədə bildirilən tətbiqElmi mənası
Məlumat bazasıScopusTədqiqatın bibliometrik kainatı yalnız Scopus-da tutulan qeydlərdir.
Axtarış tarixiAvqust 2026İstinad və indeks məlumatları məlumat bazasının həmin dövrdəki vəziyyətini əks etdirir.
Nəşr dövrü2023–2025ChatGPT-dən sonrakı sürətli genişlənmə araşdırılarkən qismən 2026 ili kənarda saxlanılmışdır.
Axtarış sahəsiTITLE-ABS-KEYBaşlıq, xülasə və açar sözlər birlikdə axtarılmışdır.
Yaxınlıq qaydasıGenAI termin bloku W/15 maliyyə termin blokuSüni intellekt və maliyyə anlayışlarının eyni qeyddə əlaqəsiz yerlərdə yerləşməsi riskini azaltmağı hədəfləyir.
Dilİngilis diliDigər dillərdəki ədəbiyyat korpusdan kənarda qala bilər.
Son ixrac695 sənədTədqiqatın bütün kəmiyyət xəritələri bu sənədlər əsasında qurulmuşdur.
Metadata45 sahəMüəllif, başlıq, il, mənbə, istinad, DOI, afiliyasiya, xülasə, açar söz, ədəbiyyat siyahısı və oxşar sahələrdən istifadə edilmişdir.

Scopus axtarışındakı W/15 operatoru nə deməkdir?

W/15 GenAI ilə bağlı bir terminin maliyyə ilə bağlı terminlərdən birinə 15 sözlük yaxınlıq daxilində yerləşməsini tələb edən Scopus yaxınlıq qaydasıdır. Məqsəd yalnız “AI” və “finance” sözlərinin eyni qeydin uzaq iki nöqtəsində keçməsini kifayət saymamaq və iki anlayış blokunun eyni kontekstdə işlədilməsi ehtimalını artırmaqdır; lakin tədqiqat bu qaydanın maliyyədən kənar qeydləri tamamilə aradan qaldırmadığını açıq şəkildə bildirir.

GenAI tərəfindəki axtarış bloku generative artificial intelligence, generative AI, GenAI, large language model(s), LLM(s), ChatGPT və foundation model(s) kimi ifadələri əhatə edir. Maliyyə tərəfi isə finance və financial services ilə yanaşı financial market, banking, fintech, asset/wealth management, portfolio management, investment management, algorithmic/quantitative trading, robo-advisory, decentralized finance və blockchain kimi terminləri ehtiva edir.

695 qeydin məlumat yoxlaması

İxrac edilən 695 qeydin 616-sında DOI olduğu və bu DOI-lər arasında təkrarlanan DOI olmadığı bildirilmişdir. Bununla belə, normallaşdırılmış başlıqlarda beş təkrar işarələnmişdir. Tədqiqatçı bu beş başlığı avtomatik silməmişdir; çünki eyni və ya çox oxşar başlıq konfrans məqaləsi, kitab bölməsi, proceedings versiyası və ya konfransın ön materialı kimi fərqli biblioqrafik obyektləri təmsil edə bilər. Buna görə tədqiqatın sənədləşdirilmiş əsas korpusu 695 qeyd olaraq saxlanılmışdır.

Bu məqam vacibdir: korpus yüksək tutma dərəcəli sahə xəritəsidir; yalnız təmiz maliyyə məqalələrindən əl ilə başlıq/xülasə yoxlaması ilə yaradılmış dar sistematik icmal deyil. Ən çox istinad alan qeydlər arasında təhsil və ya kimya kimi müxtəlif intizamlardan bəzi yüksək istinadlı tədqiqatların olması yaxınlıq sorğusunun sahədənkənar daşmanı tamamilə qarşısını ala bilmədiyini göstərir.

Açar sözlər niyə harmonizasiya edildi?

Eyni anlayış məlumat bazasında fərqli formalarda yazıla bilər. Məsələn, “generative AI”, “GenAI” və “generative artificial intelligence” eyni əsas anlayışı təmsil edir. Eynilə “LLM”, “LLMs”, “large language model” və “large language models” ayrı-ayrı sayılarsa, əslində vahid tədqiqat temasının görünürlüğü süni şəkildə azalır. Buna görə tədqiqat GenAI, LLM, NLP, RAG, fintech, blockchain, DeFi, robo-advisory, explainable AI və machine learning kimi anlayışlar üçün konservativ sinonim harmonizasiyası tətbiq etmişdir.

Bununla belə, xam sahələr silinməmişdir. DE, müəlliflərin özlərinin verdiyi açar sözləri; ID isə Scopus indeksləşdirmə açar sözlərini təmsil edir. Tədqiqat bu iki təbəqəni ayrı-ayrılıqda təhlil edərək müəlliflərin tədqiqatlarını necə təsvir etməsi ilə məlumat bazasının onları daha geniş intizam kontekstində necə indeksləşdirməsini bir-birinə qarışdırmamışdır.

Association-strength normallaşdırması niyə istifadə edildi?

Ortaq yaranma şəbəkəsində çox tez-tez işlənən termin yalnız yüksək tezliyinə görə demək olar ki, hər bir terminlə yüksək xam əlaqə sayına malik ola bilər. Tədqiqatda istifadə olunan association-strength normallaşdırması belə geniş yayılmış terminlərin sırf tezlik səbəbindən şəbəkəyə dominantlıq etməsini azaltmaq üçün tətbiq edilmişdir. Buna görə şəbəkə vizualında “large language models” kimi son dərəcə tez-tez işlənən anlayışın həndəsi baxımdan kənarda görünməsi onun əhəmiyyətsiz olduğu demək deyil; tezlik qrafikləri ilə normallaşdırılmış əlaqə şəbəkəsi fərqli suallara cavab verir.

Louvain icmaları nəyi göstərir?

Louvain icma aşkarlama üsulu birgə müəlliflik və anlayış şəbəkələrində bir-biri ilə daha sıx əlaqələnən düyünlərin vizual qruplar şəklində ayrılmasına kömək etmək üçün istifadə edilmişdir. Mənbə tədqiqat bunu qəti və dəyişməz intizam taksonomiyası kimi deyil, şəbəkədəki klasterləşməni görünən edən qruplaşdırma aləti kimi istifadə edir. Zəif əlaqələr yalnız şəkillərin oxunaqlılığı üçün basdırılmış, əsas analitik matrislər qorunmuşdur.

Mənbə tədqiqatın metod addımlarına əsasən Verianla üçün hazırlanmış müstəqil izahedici sxem. Mənbədəki bir şəklin vizual quruluşu köçürülməmişdir; sxem miqyassızdır.

Tədqiqatda hansı təhlil təbəqələrindən istifadə edildi?

Təhlil təbəqəsiVerdiyi əsas sualMənbədə istifadə olunan nəticə
Performans təhliliSahə nə qədər və harada böyüyür?İllik nəşr, sənəd növü, mənbə, müəllif, qurum, ölkə və istinad göstəriciləri
Əməkdaşlıq təhliliÖlkələr və tədqiqatçılar necə əlaqələnir?Ölkələrarası əməkdaşlıq və birgə müəlliflik şəbəkələri
Ortaq söz təhliliHansı anlayışlar birlikdə ortaya çıxır?Açar söz tezliyi, zaman sıxlığı və ortaq yaranma şəbəkəsi
Tematik xəritələməTema sahə ilə nə qədər əlaqəlidir və öz daxilində nə qədər inkişaf edib?Motor, əsas, niş və ortaya çıxan/geriləyən tema bölgələri
Konseptual strukturTerminlər daha geniş hansı semantik qütblərdə qruplaşır?Multiple Correspondence Analysis (MCA) və Correspondence Analysis (CA)
Biblioqrafik couplingEyni mənbələrə əsaslanan nəşr kanalları hansı tədqiqat cəbhələrini formalaşdırır?Mənbə səviyyəsində ortaq istinad icmaları
Historiografik xəritələməKorpus daxilində birbaşa istinad zənciri nə qədər inkişaf edib?Tarixi birbaşa istinad şəbəkəsi
Üç sahə təhliliÖlkə, tema və nəşr kanalı bir-biri ilə necə əlaqələnir?Alluvial/Sankey tipli ölkə–açar söz–mənbə əlaqələri
Tematik təkamül2023–2024-dən 2025-ə anlayışların mövqeyi necə dəyişir?Dövri tema xəritələri və tema axınları
Strateji cəbhə izləyicisiMaliyyə baxımından seçilmiş tədqiqat sahələri hansı istiqamətdə böyüyür?Kəmiyyət ticarəti, portfel, robo-məsləhətçilik, blockchain/DeFi, governance/XAI və RAG/agents termin sayları

Mərkəzi riyazi formul varmı?

Bu tədqiqat yeni qiymətqoyma modeli, portfel optimallaşdırma tənliyi və ya maşın öyrənməsi itki funksiyası təklif etmir. Mənbədə W/15 axtarış məntiqi, association-strength normallaşdırması, Louvain, MCA və CA kimi metodların adları və elmi rolları verilir; lakin onların riyazi çıxarışları və ya açıq tənlikləri məqalənin metodu kimi yazılmamışdır. Buna görə mənbədə olmayan formullar Verianla mətninə əlavə edilməmişdir. Eyni şəkildə tədqiqatda p dəyəri, etibar intervalı və ya effekt ölçüsünə əsaslanan hipotez testi bildirilmədiyinə görə belə statistikalar yaradılmamışdır.

Nəşr sayındakı artım nə qədər güclüdür?

Korpusda 2023 üçün 46, 2024 üçün 181 və 2025 üçün 468 sənəd vardır. Mənbə 2024 sayının 2023-lə müqayisədə %293,5; 2025 sayının isə 2024-lə müqayisədə %158,6 daha yüksək olduğunu bildirir. Üçillik cəmin %6,6-sı 2023, %26,0-ı 2024 və %67,3-ü 2025 nəşrlərindən ibarətdir.

İlSənəd sayıKorpusdakı payŞərh sərhədi
202346%6,6Post-ChatGPT dövrünün erkən ili
2024181%26,02023-lə müqayisədə %293,5 daha yüksək nəşr sayı
2025468%67,32024-lə müqayisədə %158,6 daha yüksək nəşr sayı
Mənbə tədqiqatda bildirilən 46, 181 və 468 sənəd dəyərlərindən Verianla üçün müstəqil şəkildə yenidən çəkilmişdir. Mənbə Şəkil 1-in vizual dizaynı köçürülməmişdir.

İstinad sayındakı azalma niyə birbaşa keyfiyyət azalması kimi oxunmamalıdır?

2023 nəşrlərinin sənəd başına orta istinad sayı 56,6; 2024 üçün 15,6; 2025 üçün isə 5,1 olaraq bildirilmişdir. Lakin 2025 nəşrlərinin istinad toplamaq üçün daha qısa vaxtı olmuşdur. Buna görə tədqiqat yeni nəşrlərin aşağı orta istinad göstəricisini elmi keyfiyyətin azalması kimi şərh etmir; əsas izah istinada məruz qalma müddətidir. Bu, həmçinin xam istinad sıralamalarının erkən post-ChatGPT nəşrlərinə və geniş multidissiplinar icmallara sistematik üstünlük verə biləcəyi deməkdir.

Sahə niyə “konfrans ağırlıqlı” kimi təsvir edilir?

Sənəd növüSayMənbədə bildirilən pay
Konfrans məqaləsi380%54,7
Jurnal məqaləsi170%24,5
Kitab bölməsi70%10,1
Konfrans icmalı/review33%4,7
İcmal24%3,5
Kitab15%2,2
Qeyd2Mənbə faiz vermir
Qısa survey1Mənbə faiz vermir

Konfrans məqalələrinin korpusun yarısından çoxunu təşkil etməsi texniki komponentləri çox sürətlə dəyişən tədqiqat sahəsinə uyğundur. RAG, agentic AI, fine-tuning və yeni maliyyə benchmarkları kimi texniki mövzular konfrans ekosisteminə sürətlə daxil ola bilər. Lakin tədqiqat bunun digər tərəfini də vurğulayır: konfrans ağırlıqlı sürətli yayılma maliyyə nəzəriyyəsi ilə inteqrasiyanın və uzunmüddətli empirik doğrulamanın eyni sürətlə baş verəcəyi demək deyil.

Nəşr ekosistemi həqiqətən maliyyə jurnallarından ibarətdirmi?

Xeyr. Tədqiqatın mühüm tapıntılarından biri GenAI–maliyyə ədəbiyyatının iki nəşr mədəniyyəti arasında bölünməsidir. Association for Computational Linguistics illik toplantısının proceedings-i 16 qeydlə ən çox rast gəlinən mənbə kimi bildirilmişdir. Lecture Notes in Networks and Systems 13; Finance Research Letters, ICAIF 2025 və Communications in Computer and Information Science hər biri 12; ICAIF 2024 və Lecture Notes in Computer Science isə hər biri 10 qeydlə önə çıxır.

Bu bölgü sahənin yalnız “maliyyə jurnallarında süni intellekt” kimi təsvir edilə bilməyəcəyini göstərir. Bir nəşr mədəniyyəti dil modelləşdirməsi, retrieval, qiymətləndirmə və hesablama metodlarına; digəri isə portfel, ticarət, maliyyə qurumları və qərar tapşırıqlarına daha yaxındır.

Müəllif, qurum və ölkə strukturu

Müəlliflik kifayət qədər dağınıqdır. Scopus metadata-sında “Y. Li” 13 nəşrlə ən məhsuldar müəllif identifikatorudur; lakin tədqiqat qısaldılmış adların fərqli şəxsləri birləşdirə və ya eyni şəxsin qeydlərini parçalaya biləcəyi barədə açıq xəbərdarlıq edir. Buna görə belə müəllif sıralamaları şəxs səviyyəsində dəqiq kimlik sıralaması kimi qiymətləndirilməməlidir.

Qurum səviyyəsində University of Oxford 10 qeydlə birinci yerdədir. University of Cambridge, Tianjin University, Hong Kong University of Science and Technology, Renmin University of China və Old Dominion University hər biri beş qeydlə göstərilmişdir. Tədqiqatçı bu bölgünü sahəyə tək bir institusional mərkəzin nəzarət etmədiyi və tədqiqat potensialının daha dağınıq olduğu kimi şərh edir.

ÖlkəMüəllif–ölkə yaranmasıMühüm şərh sərhədi
Amerika Birləşmiş Ştatları359Bunlar unikal sənəd sayı deyil. Çoxsaylı müəllif/ölkə töhfələrinə görə cəm korpus ölçüsünü aşa bilər.
Çin252
Hindistan245
Birləşmiş Krallıq97
Kanada46
Koreya44
Avstraliya40

Ölkələrarası əməkdaşlıq şəbəkəsi ABŞ, Çin, Birləşmiş Krallıq, Kanada, Avstraliya, Koreya, Yaponiya, Sinqapur və Honq Konqu əhatə edən sıx mərkəzi icma göstərir. Hindistan isə bu nüvə ilə Malayziya, İndoneziya, İordaniya, Oman, Banqladeş, Qətər, İraq və Birləşmiş Ərəb Əmirlikləri kimi ölkələrin yerləşdiyi başqa icma arasında körpü mövqeyində görünür. Bu nəticə coğrafi əməkdaşlıq strukturunu təsvir edir; ölkələrin tədqiqat keyfiyyətinə dair sıralaması deyil.

Xam istinad sayı niyə “maliyyə baxımından ən mühüm tədqiqat” demək deyil?

Korpusda ən yüksək qlobal istinadlı qeydlərin sıralaması multidissiplinar tədqiqatların təsirini açıq göstərir. Tədqiqatın məlumatların götürüldüyü andakı sıralamasında geniş əhatəli GenAI tədqiqatı 579, FinBERT 548, Dowling və Lucey-nin maliyyə tədqiqatı 491, yüksək istinadlı təhsil tədqiqatı 456 və maliyyə sahəsindəki LLM survey-i 310 istinadla üst sıralardadır. Təhsil kimi birbaşa maliyyə xaricində olan qeydin yuxarı sıralara çıxa bilməsi qlobal istinad sayının maliyyəyə xas intellektual əhəmiyyətlə eyniləşdirilməməli olduğunu göstərir.

Sahəni hansı açar sözlər daşıyır?

Açar sözSənəd sayı / yaranma
Large language models248
Generative artificial intelligence136
Artificial intelligence88
ChatGPT71
Finance50
Natural language processing46
Sentiment analysis39
Fintech38
Machine learning36
Retrieval-augmented generation26
Portfolio management12
Explainable AI12
Algorithmic trading9
Financial forecasting8
Blockchain8

Scopus indeks açar sözləri fərqli mənzərə verir. Investments 81; financial markets və finance hər biri 73; decentralized finance 67; electronic trading 41; banking 35 və regulatory compliance 34 yaranma ilə önə çıxır. Müəllif açar sözlərinin model və metod dilinə, Scopus indeks terminlərinin isə tətbiq kontekstlərinə daha geniş yer verməsi DE və ID sahələrinin ayrı saxlanmasının niyə vacib olduğunu göstərir.

Zamanla hansı anlayışlar sürətlənir?

Anlayış202320242025Mənbəyə əsaslanan şərh
Large language models1174163Texnoloji nüvənin sürətlə böyüdüyünü göstərir.
Generative artificial intelligence53695GenAI etiketinin sürətlə yayılmasını göstərir.
RAG04222025-ci ildə retrieval əsaslı arxitekturaların nəzərəçarpacaq hala gəldiyini göstərir.
Sentiment analysis4827Sentiment təhlilinin böyüməni davam etdirdiyini göstərir.
Machine learning11124Daha geniş ML əlaqəsinin də gücləndiyini göstərir.
Banking374Ümumi nəşr artımına paralel miqyaslanmamışdır.

Tədqiqat bu ayrışmanı sahənin erkən dövr “bankçılıq/chatbot” çərçivəsindən bazar, investisiya, retrieval və model idarəetməsi tətbiqlərinə doğru genişlənməsi ilə əlaqələndirir.

Ortaq açar söz şəbəkəsi hansı üç böyük bilik icmasını göstərir?

Texnologiya və idarəetmə icması; generative AI, responsible AI, trustworthy AI, explainable AI, prompt engineering, portfolio management və data privacy anlayışlarını əlaqələndirir. Kəmiyyət metodları icması; natural language processing, sentiment analysis, algorithmic trading, machine learning, deep learning, financial forecasting və fraud detection terminlərini bir araya gətirir. Maliyyə xidmətləri icması isə finance, fintech, banking, ChatGPT, artificial intelligence, security, risk assessment və financial services ətrafında formalaşır. Fine-tuning, cybersecurity və healthcare ətrafında daha kiçik texniki alt icma da görünür.

Bu struktur GenAI–maliyyə ədəbiyyatının artıq tək bir tətbiq ailəsindən ibarət olmadığını göstərir. Mənbənin şərhinə görə ən azı üç təbəqə birlikdə irəliləyir: əsas model texnologiyaları, maliyyə proqnozu/ticarət metodları və institusional/idarəetmə tətbiqləri.

Tematik xəritədə “motor”, “əsas”, “niş” və “ortaya çıxan” tema nə deməkdir?

Tematik xəritə iki oxdan istifadə edir: mərkəzilik temanın ümumi sahə ilə əlaqəsini, sıxlıq isə həmin temanın öz daxilində inkişaf və inteqrasiya səviyyəsini təmsil edir. Buna görə yüksək mərkəzilik və yüksək sıxlıq bölgəsindəki temalar “motor”; yüksək mərkəzilik, lakin daha aşağı sıxlıq bölgəsində olanlar “əsas”; öz daxilində inkişaf etmiş, lakin ümumi sahə ilə daha zəif əlaqəli olanlar “niş”; aşağı mərkəzilik və aşağı sıxlıq bölgəsində olanlar isə “ortaya çıxan və ya geriləyən” temalar kimi qiymətləndirilir.

Mənbə xəritəsində large language models, natural language processing və sentiment analysis ətrafındakı böyük klasterlə artificial intelligence, ChatGPT və finance ətrafındakı klaster sahənin əsas ortaq dilini formalaşdırır. Generative artificial intelligence ilə responsible AI və financial literacy-ni birləşdirən klaster motor-tema bölgəsində görünür. Explainable AI, differential privacy və federated learning isə daha çox ortaya çıxan/geriləyən bölgəyə yaxındır. Tədqiqatçının şərhinə görə burada mühüm tətbiq boşluğu vardır: məsuliyyətli AI haqqında normativ diskurs tətbiq oluna bilən məxfilik və izaholunma nəzarətlərindən daha sürətlə inkişaf edə bilər.

MCA tədqiqatda nəyi üzə çıxarır?

Multiple Correspondence Analysis (MCA), açar sözlərin daha geniş konseptual yaxınlıqlarını üç böyük qütbdə göstərmişdir. Ən geniş qütb foundation models, agentic AI, differential privacy, AI governance, responsible/trustworthy AI, RAG, prompt engineering, LLMs, question answering, fintech, blockchain, cybersecurity, financial literacy, financial services və portfolio management kimi ümumi GenAI–maliyyə infrastrukturu və idarəetmə terminlərini əhatə edir.

İkinci qütb daha açıq şəkildə proqnoz və bazar yönümlüdür: natural language processing, sentiment analysis, transformer methods, machine learning, deep learning, algorithmic trading, financial forecasting və data privacy burada birlikdə görünür. Mənbə bunu maliyyə mətn təhlilinin ticarət və proqnoz arxitekturalarına doğru genişlənən müasir davamı kimi qiymətləndirir.

Üçüncü qütb isə qurum və risk yönümlüdür: accounting, banking, security, portfolio optimisation, fraud detection, risk assessment və risk management kimi anlayışları əhatə edir. Bu ayrışma uyğunluq, fidusiar məsuliyyət, əməliyyat dayanıqlılığı, model doğrulaması və maliyyə risk idarəetməsi kimi sualların ayrıca tədqiqat sahəsi yarada bilməsi üçün zəmin yaradır.

Tədqiqat həmçinin Correspondence Analysis (CA) ilə dayanıqlılıq görünüşü yaratmışdır. Lakin question answering və bəzi privacy anlayışları güclü həndəsi kənar dəyərlərə çevrildiyinə görə CA-nın qlobal bölünməsi MCA qədər şərh edilə bilən hesab edilməmiş; MCA əsas konseptual xəritə, CA isə dayanıqlılıq vizualı kimi qiymətləndirilmişdir.

İki ayrı tədqiqat rejimi nə deməkdir?

Mənbə səviyyəsindəki bibliographic coupling ortaq istinadlara baxıldıqda iki böyük nəşr icmasının olduğunu göstərir. Bir icma ACL, EMNLP, NAACL, COLING, ICLR, NeurIPS və oxşar hesablama dilçiliyi/maşın öyrənməsi mühitləri ətrafında formalaşır. Digər icma isə ICAIF, Journal of Portfolio Management, IEEE Access və maliyyə mühəndisliyi/tətbiqi maliyyə AI nəşrləri ətrafındadır.

Tədqiqat bu fərqi technology-push və finance-application rejimləri kimi şərh edir. Birinci rejim model arxitekturalarını, retrieval, reasoning, agents və dil emalı metodlarını inkişaf etdirir. İkinci rejim bu imkanları trading, portfolio, banking, risk və ya financial engineering tapşırıqlarına daşıyır. İki rejim arasında ortaq istinad əlaqələri vardır; lakin əlaqə hələ sahənin tam birləşdiyini göstərəcək qədər güclü deyil.

Birbaşa istinad tarixçəsi də gənc sahəni göstərir. Korpus daxilində görünən istinad zəncirləri əsasən 2023–2025 arasında qısadır. Bu hal yalnız üçillik pəncərənin təbii nəticəsi olsa da, ortaq benchmarkların, kanonik məlumat dəstlərinin və uzunmüddətli nəzəri müzakirələrin hələ tam yerləşmədiyinə də işarə edir.

2023–2024-dən 2025-ə hansı struktur dəyişikliyi görünür?

2023–2024 dövründə artificial intelligence və ChatGPT daha əsas temalar kimi görünərkən RAG/responsible AI daha niş, deep learning/explainable AI isə daha erkən mərhələdədir. 2025 xəritəsində sentiment analysis və machine learning motor bölgəsinə keçir; LLM və RAG daha mərkəzi və inkişaf etmiş olur; responsible GenAI mərkəzə yaxınlaşır; portfolio management ilə agentic AI isə ortaya çıxan yeni tema kimi görünür.

Mənbə bu dəyişikliyi birdəfəlik prompt qarşılıqlı əlaqələrindən xarici sübut çağırmağı bacaran, tapşırıq vəziyyətini saxlayan və çoxaddımlı maliyyə iş axınlarında hərəkət edə bilən sistem arxitekturalarına doğru yönəliş kimi şərh edir.

Tədqiqatın Metodu və Nəticələri

Metodoloji zəncirin texniki xülasəsi

  1. Scopus-da 2023–2025 dövrünü əhatə edən ingilisdilli qeydlər TITLE-ABS-KEY sahəsində axtarıldı.
  2. GenAI texnologiya terminləri ilə maliyyə sahəsi terminlərinin W/15 yaxınlığında yerləşməsi tələb edildi.
  3. 695 qeyd və 45 metadata sahəsi ixrac edildi.
  4. 616 DOI doğrulandı; təkrarlanan DOI tapılmadı. Beş normallaşdırılmış başlıq təkrarı işarələndi, lakin avtomatik silinmədi.
  5. Müəllif açar sözləri və Scopus indeks açar sözləri ayrı saxlanıldı.
  6. Sinonim texniki terminlər konservativ şəkildə harmonizasiya edildi.
  7. R mühitində bibliometrix vasitəsilə performans, əməkdaşlıq, co-word, tematik struktur, MCA/CA, bibliographic coupling, historiography, üç-sahə və dövri tema təhlilləri aparıldı.
  8. Association-strength normallaşdırması ortaq yaranma şəbəkəsində çox geniş yayılmış terminlərin xam tezlik səbəbindən dominantlaşmasını azaltmaq üçün istifadə edildi.
  9. Louvain icma aşkarlaması şəbəkələrin vizual qruplaşdırılmasında istifadə edildi.
  10. Maliyyə baxımından əvvəlcədən müəyyən edilmiş strateji cəbhələrin birləşdirilmiş müəllif və indeks açar sözlərindəki yaranmaları illər üzrə müqayisə edildi.

Bu tədqiqatda statistik hipotez testi varmı?

Mənbə tədqiqat klassik eksperimental və ya ekonometrik hipotez testi aparmır. p dəyəri, etibar intervalı və ya effekt ölçüsünə əsaslanan əsas inferensial test bildirilməmişdir. İllik nəşr sayları, tezliklər və istinad göstəriciləri təsviri; şəbəkə, tematik xəritə, MCA və bibliographic coupling nəticələri isə struktur və müqayisəli şəkildə şərh edilmişdir. Buna görə şəbəkədəki yaxınlıq və ya açar söz artımı səbəblilik sübutu deyil.

Maliyyədə generativ süni intellektin ən sürətlə böyüyən tədqiqat cəbhələri hansılardır?

Mənbənin strateji cəbhə izləyicisinə görə 2023–2025 arasında ən böyük kəmiyyət genişlənməsi portfel/investisiya terminlərində 6→26→99, governance/XAI/regulation sahəsində 7→15→84, blockchain/DeFi sahəsində 5→38→63, quantitative/algorithmic trading sahəsində 0→10→60 və RAG/agents sahəsində 0→7→60 olaraq görünür; robo-advisory isə yalnız 0→1→4 səviyyəsində qalır. Bunlar nəşr və ya sistem uğuru deyil, birləşdirilmiş açar söz sahəsində izlənən yaranma saylarıdır.

Tədqiqat cəbhəsi202320242025Mənbənin vurğuladığı açıq tədqiqat problemi
Kəmiyyət / alqoritmik ticarət01060Xərc, gecikmə, bazar təsiri və rejim dəyişikliyindən sonra tətbiq oluna bilən alpha yaranırmı?
Portfel / investisiya62699GenAI bölgüsü nə zaman yaxşılaşdırır, nə zaman davranış və ya model riskini artırır?
Robo-məsləhətçilik014Uyğunluq, etibar kalibrasiyası və investor rifahı necə ölçülməlidir?
Blockchain / DeFi53863Agent sistemləri geri qaytarılması mümkün olmayan smart-contract əməliyyatları və mərkəzsizləşdirilmiş idarəetmə ilə necə təhlükəsiz qarşılıqlı əlaqə qura bilər?
Governance / XAI / regulation71584Tənzimlənən maliyyədə hansı nəzarətlər GenAI-ni yoxlanıla bilən və əməliyyat baxımından dayanıqlı edir?
RAG / agents0760Retrieval və alət istifadəsi dəqiqliyi artırarkən yeni xəta kanalları yaradırmı?
Mənbə tədqiqatın strateji cəbhə izləyicisində bildirilən illik yaranma saylarından Verianla üçün müstəqil şəkildə yenidən çəkilmişdir. Xətlər nəşr sayını və ya investisiya performansını deyil, tədqiqatın müəyyən etdiyi açar söz cəbhələrindəki yaranmaları göstərir.

Tədqiqat cəbhəsi I: GenAI dəstəkli kəmiyyət ticarəti və bazar mikrostrukturu

Kəmiyyət/alqoritmik ticarət cəbhəsi mənbə izləyicisində 2023-cü ildə 0-dan 2024-cü ildə 10-a, 2025-ci ildə 60 yaranmaya yüksəlmişdir. Mənbə bu artımı yalnız sentiment çıxarışından daha inteqrasiya olunmuş qərar sistemlərinə keçidlə uyğun hesab edir. Lakin LLM əsaslı siqnalın tarixi məlumatlarda gəliri proqnozlaşdırması real bazarda tətbiq oluna bilən alpha yaratdığı demək deyil.

Tədqiqatın təklif etdiyi əsas doğrulama mövzuları əməliyyat xərci, gecikmə, portfel dövriyyəsi, bazar təsiri və eyni siqnalın çox sayda iştirakçı tərəfindən istifadə edilməsindən yarana biləcək crowding təsiridir. Gələcəkdə LLM dəstəkli strategiyaların klassik statistik arbitraj, nəzarətli maşın öyrənməsi və reinforcement learning metodları ilə realistik out-of-sample protokollarda müqayisə edilməsi təklif olunur.

Bazar mikrostrukturu baxımından yalnız proqnoz dəqiqliyi deyil, spread, bazar dərinliyi, adverse selection, price discovery, market impact və execution shortfall kimi iqtisadi nəticələrin də ölçülməli olduğu vurğulanır. Bundan əlavə, çox sayda agent oxşar LLM siqnallarından istifadə etməyə başladıqda modellərin proqnozlaşdırmağa çalışdıqları informasiya mühitini özlərinin dəyişə bilməsi ehtimalı araşdırılmalıdır.

Tədqiqat cəbhəsi II: AI-native portfel idarəçiliyi və robo-məsləhətçilik

Portfel/investisiya temaları 6→26→99 ilə tədqiqatın ən sürətlə böyüyən strateji cəbhəsidir. Bunun müqabilində robo-advisory 0→1→4 səviyyəsində qalmışdır. Tədqiqat bu fərqi siyasət baxımından aşağı əhəmiyyət kimi deyil, tədqiqat boşluğu kimi şərh edir.

Robo-məsləhətçilik niyə portfel tədqiqatından nəzərəçarpacaq dərəcədə geri qalır?

Korpus GenAI-nin aktiv seçimi, proqnoz, risk qiymətləndirilməsi və portfel quruluşunda istifadəsini sürətlə müzakirə etdiyi halda, insan investora institusional formada məsləhət verən robo-məsləhətçi interfeyslərini xeyli az araşdırır. Mənbəyə görə portfelə texniki dəstək ilə maliyyə məsləhətçiliyi eyni şey deyil; məsləhətçilikdə uyğunluq, risk tolerantlığının sabitliyi, etibar kalibrasiyası, həddən artıq özünəinam, maliyyə savadlılığı, çərçivələmə təsirləri, istehlakçı müdafiəsi və investor rifahı ayrıca ölçülməlidir.

Mənbə gələcəkdə qayda əsaslı robo-məsləhətçilərin, ənənəvi maşın öyrənməsi məsləhətçilərinin və danışıq əsaslı GenAI sistemlərinin eyni investor profilləri və bazar ssenariləri altında müqayisə edilməsini təklif edir. Əsas dizayn problemi yalnız fərdiləşdirmə deyil, fərdiləşdirmənin yoxlanıla bilən olması və fidusiar məsuliyyətlə istehlakçı müdafiəsi öhdəliklərinə uyğunlaşdırılmasıdır.

Tədqiqat cəbhəsi III: Blockchain, DeFi və proqramlaşdırıla bilən maliyyə

Blockchain/DeFi cəbhəsi 2023-cü ildə 5-dən 2024-cü ildə 38-ə, 2025-ci ildə 63 yaranmaya yüksəlmişdir. Bununla belə tematik struktur və bibliographic coupling bu tədqiqatların mühüm hissəsinin GenAI–maliyyənin mərkəzi bilik strukturuna tam inteqrasiya olmaq əvəzinə ona qonşu qaldığını göstərir.

Potensial inteqrasiya yollarına GenAI agentlərinin smart-contract sənədlərini, idarəetmə təkliflərini, token izahlarını, protokol hadisələrini və zəncirlərarası məlumatları şərh etməsi; RAG sistemlərinin qərarlarını aktual protokol vəziyyəti və hüquqi/texniki sənədlərlə əlaqələndirməsi; avtomatlaşdırılmış uyğunluq alətlərinin proqramlaşdırıla bilən əməliyyatları izləməsi daxildir.

Lakin proqramlaşdırıla bilən maliyyə daha sərt xəta səthi yaradır. Ənənəvi məsləhətçilikdə yanlış ifadə əməliyyatdan əvvəl düzəldilə bildiyi halda, agent geri qaytarılması mümkün olmayan və ya bahalı smart-contract əməliyyatını işə sala bilər. Buna görə mənbə səlahiyyətlər, execution safeguard-ları, rollback mexanizmləri, oracle riski, composability, smart-contract qarşılıqlı əlaqəsi və adversarial manipulation kimi mövzuların birbaşa modelləşdirilməsini təklif edir. Nəticə dəyişənləri də istifadəçi məmnuniyyətindən daha geniş tutulmalı; likvidlik, price discovery, protokol ödəmə qabiliyyəti, sistemik yayılma və idarəetmə keyfiyyəti araşdırılmalıdır.

Tədqiqat cəbhəsi IV: İdarəetmə, RAG, agentic AI və maliyyə tənzimlənməsi

Governance/XAI/regulation cəbhəsi 7→15→84; RAG/agents cəbhəsi isə 0→7→60 olaraq böyümüşdür. Tədqiqat bu iki artımı birlikdə qiymətləndirir: maliyyə GenAI sistemləri daha çox qabiliyyət qazandıqca idarəetmə problemi tək bir model çıxışını nəzarətdə saxlamaqdan çoxaddımlı iş axınının davranışını nəzarətdə saxlamağa çevrilir.

İstehsal sistemi özəl məlumat çəkə, təhlil alətlərini çağıra, tövsiyə yarada, kod işlədə, istifadəçi ilə əlaqə qura və çıxışını başqa sistemlərə ötürə bilər. Belə arxitekturada yalnız “model niyə bu cavabı verdi?” sualına cavab verən model səviyyəli izaholunma kifayət deyil.

Mənbədə önə çıxan risklər arasında hallucination, prompt injection, retrieval contamination, qeyri-sabit çıxışlar, model yeniləmələri, məlumat sızması və alətlərdən istifadə səlahiyyətləri vardır. Gələcək tədqiqatlar üçün maliyyə yönümlü model kartları, retrieval provenance, audit log-ları, human-in-the-loop escalation, adversarial testing, ssenari əsaslı stress testing və agent hərəkətlərində açıq məsuliyyət mexanizmləri təklif olunur.

Tədqiqatın dəstəklədiyi nəticələr

  • 2023–2025 Scopus korpusunda GenAI–maliyyə nəşrləri son dərəcə sürətlə artmışdır.
  • Korpus güclü şəkildə konfrans ağırlıqlıdır.
  • LLM, GenAI, ChatGPT, NLP, sentiment təhlili və maşın öyrənməsi konseptual nüvədə qalır.
  • Portfel idarəçiliyi, kəmiyyət ticarəti, governance, RAG/agents və blockchain/DeFi daha görünən olur.
  • Robo-məsləhətçilik portfel/investisiya tədqiqatlarının ölçüsü ilə müqayisədə nəzərəçarpacaq dərəcədə az təmsil olunur.
  • Hesablama dilçiliyi/maşın öyrənməsi nəşr ekosistemi ilə tətbiqi maliyyə AI ekosistemi arasında əlaqə vardır, lakin tam struktur inteqrasiyası yoxdur.
  • Korpus daxilində birbaşa istinad tarixçəsi hələ də dayazdır və sahənin kanonik strukturu formalaşma mərhələsindədir.
  • Məsuliyyətli AI və idarəetmə müzakirəsi mərkəzləşərkən bəzi tətbiq edilə bilən texniki nəzarət sahələri daha erkən mərhələdədir.

Tədqiqatın dəstəkləmədiyi nəticələr

  • GenAI istifadə edən investisiya strategiyalarının avtomatik olaraq daha gəlirli olduğu nəticəsinə gəlmək olmaz.
  • LLM əsaslı ticarət sistemlərinin əməliyyat xərclərindən sonra müsbət alpha yaratdığı sübut edilməmişdir.
  • GenAI robo-məsləhətçilərinin insanlardan və ya mövcud robo-məsləhətçilərdən daha təhlükəsiz olduğu göstərilməmişdir.
  • RAG istifadəsinin maliyyə dəqiqliyini bütün şəraitlərdə artırdığı sübut edilməmişdir.
  • Agentic AI-nin blokçeyn və ya DeFi üzərində təhlükəsiz şəkildə avtonom əməliyyat edə bildiyi göstərilməmişdir.
  • Açar söz tezliyindəki artım texnologiyanın real dünyadakı uğur və ya mənimsənilmə nisbətinə bərabər deyil.
  • Bibliometrik klasterlər səbəb-nəticə əlaqələri deyil.
  • Ölkə yaranma sayları tədqiqat keyfiyyətinin və ya unikal nəşr sayının sıralaması deyil.

Tədqiqatın əsas məhdudiyyətləri

1. Tək məlumat bazası: Tədqiqat Scopus-a əsaslanır. Scopus-da olmayan working paper-lar, texniki repository məzmunları, SSRN tədqiqatları, sənaye araşdırmaları və ya başqa məlumat bazalarında indeksləşən nəşrlər kənarda qala bilər.

2. W/15 qüsursuz sahə filtri deyil: Yaxınlıq sorğusu sadə Boolean sorğudan daha seçici olsa da, maliyyə ilə yalnız dolayı əlaqəli bəzi multidissiplinar qeydlər korpusa daxil ola bilər. Mənbə bunu xüsusilə qlobal istinad sıralamasında görünən edir.

3. Zaman pəncərəsi yalnız üç ildir: Tematik bölgələr, şəbəkə mərkəzilikləri və bibliographic coupling strukturları ədəbiyyat böyüdükcə dəyişə bilər. Nəticələr uzunmüddətli sabit strukturun sübutu deyil.

4. 2025 nəşrlərinin istinad müddəti qısadır: Erkən illər daha uzun istinada məruz qalma müddətinə malik olduğuna görə xam istinad müqayisəsi yeni nəşrləri əlverişsiz vəziyyətə salır.

5. Müəllif kimliyinin həlli qüsursuz deyil: Scopus-dakı qısaldılmış adlar eyni adlı şəxsləri birləşdirə və ya eyni şəxsin qeydlərini parçalaya bilər.

6. Ölkə göstəricisi sənəd sayı deyil: İstifadə olunan ölçü müəllif–ölkə yaranmasıdır; çoxmillətli və çoxmüəllifli tədqiqatlar səbəbindən cəmlər 695-i aşa bilər.

7. Açar söz harmonizasiyası tədqiqatçı qərarı ehtiva edir: Tədqiqat aqressiv semantik birləşdirmədən qaçmış və xam sahələri saxlamış olsa da, sinonim uyğunlaşdırması tamamilə şərhsiz proses deyil.

8. Strateji cəbhə göstəricisi latent-topic modeli deyil: Cəbhə izləyicisi əvvəlcədən müəyyən edilmiş maliyyə ilə əlaqəli terminlərin müəllif və indeks açar sözlərindəki yaranmalarını sayır. Buna görə dəyərlər “sahədə neçə tədqiqat var?” sualının qüsursuz cavabı deyil, istiqamət və nisbi miqyas göstəricisidir.

Mənbənin təklif etdiyi növbəti metodlar arasında dinamik topic modelləri, embedding əsaslı clustering, citation-context analysis və supervised document classification vasitəsilə eyni keçidin yenidən doğrulanması vardır.

Ümumi elmi şərh

Tədqiqatın ortaya qoyduğu mənzərə maliyyədə generativ süni intellektin “LLM maliyyə mətn tapşırığını yerinə yetirə bilərmi?” sualından “LLM maliyyə qərar sisteminin komponenti olduqda bütün sistem necə dizayn edilməlidir?” sualına keçməyə başlamasıdır. Bu keçiddə model qabiliyyəti təkbaşına kifayət deyil. Maliyyə dəyəri sahə biliyi, doğrulana bilən xarici məlumat, optimallaşdırma, risk sərhədləri, insan nəzarəti, icra infrastrukturu, bazar mikrostrukturu və tənzimləyici məsuliyyətlə birlikdə qiymətləndirilməlidir.

Bibliometrik sübut həmçinin sahənin hələ tamamlanmış nəzəri çərçivəyə malik olmadığını göstərir. Kompüter elmləri ilə maliyyə tətbiqi arasındakı əlaqə güclənir; lakin benchmarklar, ortaq məlumat dəstləri, uzun istinad zəncirləri və maliyyə nəzəriyyəsi ilə sistematik əlaqələr hələ inkişaf mərhələsindədir. Buna görə sürətli nəşr artımı ilə elmi yetkinlik eyni anlayış kimi istifadə edilməməlidir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Generative AI in Finance: Mapping the Emerging Convergence of Quantitative Trading, Robo-Advisory, and Blockchain Markets

Müəllif: Ngo Phu Thanh. Jurnalın onlayn metadata səhifəsi adı “Phu Thanh Ngo” ardıcıllığında göstərir; bu Verianla mətnində orijinal PDF-dəki müəllif yazılışı qorunmuşdur.

Qurum: University of Economics and Law, Vietnam National University, Ho Chi Minh City, Vietnam.

ORCID: 0000-0002-9174-4747 (rəsmi jurnal metadata qeydində).

Corresponding author: Mənbə PDF tək müəllifli tədqiqatda müəllifin əlaqə məlumatını verir; ayrıca “corresponding author” etiketi görünən şəkildə göstərilmir. Buna görə əlavə məsul müəllif statusu fərz edilməmişdir.

Jurnal: Journal of Corporate Finance Research.

Bölmə: New Research.

Təsisçi/nəşr platforması: National Research University Higher School of Economics (NRU HSE) tərəfindən idarə olunan Journal of Corporate Finance Research.

Cild / nömrə / səhifələr: 20(3), 21–48.

Nəşr ili: 2026.

Rəsmi onlayn nəşr tarixi: 30 oktyabr 2026.

Göndərilmə: 26 noyabr 2025.

Rəy prosesindən sonra təsdiq tarixi: 7 aprel 2026.

Qəbul tarixi: 29 iyun 2026.

Rəy prosesi: Rəyli jurnal məqaləsidir. Journal of Corporate Finance Research rəsmi redaksiya siyasətində ikiqat-kor rəy prosesindən istifadə etdiyini bildirir.

DOI: 10.17323/j.jcfr.2073-0438.20.3.2026.21-48

Rəsmi nəşr səhifəsi: https://cfjournal.hse.ru/en/article/view/29886

JEL təsnifatı: G34. Bu kod mənbədə bu şəkildə verilmişdir; Verianla tərəfindən dəyişdirilməmişdir.

Mənbə növü: Bibliometrik təhlil və elm xəritələnməsi aparan rəyli tədqiqat məqaləsi. Tədqiqat investisiya strategiyası backtesti, nəzarətli təcrübə, bazar simulyasiyası və ya səbəb-nəticəli maliyyə performansı təhlili deyil.

Məlumat mənbəyi: Scopus-dan 2026-cı ilin avqustunda əldə edilmiş, 2023–2025 dövrünə aid 695 ingilisdilli qeyd və 45 metadata sahəsi.

Əsas proqram təminatı: R mühitində bibliometrix paketi.

Əsas metodlar: Performans təhlili, əməkdaşlıq şəbəkəsi, co-word təhlili, tematik xəritə, MCA, CA dayanıqlılıq görünüşü, mənbə səviyyəsində bibliographic coupling, historiografik birbaşa istinad təhlili, üç sahə təhlili və strateji tədqiqat cəbhəsinin izlənməsi.

Maliyyələşdirmə: Tədqiqat University of Economics and Law, Vietnam National University Ho Chi Minh City, Vietnam tərəfindən maliyyələşdirilmişdir.

Maraqların toqquşması: Araşdırılan mənbə PDF-də ayrıca maraqların toqquşması bəyanatı aşkar edilməmişdir; buna görə “maraqların toqquşması yoxdur” fərziyyəsi irəli sürülməmişdir.

Məlumatların əlçatanlığı: Mənbə Scopus ixracının 695 qeyd və 45 metadata sahəsindən ibarət olduğunu bildirir; araşdırılan PDF-də ayrıca açıq məlumat repository keçidi və ya müstəqil data-availability statement aşkar edilməmişdir.

Müəllif töhfələri / CRediT: Mənbə tək müəlliflidir; araşdırılan PDF-də ayrıca CRediT rol bölgüsü verilməmişdir.

Lisenziya ilə bağlı mühüm uyğunsuzluq: Mənbə PDF-in ilk səhifəsi məqaləni Creative Commons Attribution 4.0 International (CC BY 4.0) kimi təsvir edir. Bununla yanaşı, jurnalın hazırkı rəsmi məqalə səhifəsi Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) göstərir. Bu ziddiyyət Verianla tərəfindən səssiz şəkildə həll edilmiş sayılmamışdır. Müəllif hüquqları təhlükəsizliyi baxımından daha məhdudlaşdırıcı hazırkı rəsmi qeyd əsas götürülmüş; mənbə şəkillərinin və ya cədvəl tərtibatlarının uyğunlaşdırılmış surətləri istifadə edilməmişdir.


Paylaşın:

Şərhlər yoxlandıqdan sonra yayımlanır. Şərhiniz təsdiq prosesinə daxil ediləcək və uyğun hesab olunduqda görünəcək.

Şərh yazın

E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib