Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

19 Novemba 2026, Alhamisi
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi za Jamii / Uchumi wa Kifedha / Akili Bandia Zalishi katika Fedha: Kuweka Ramani Muunganiko Unaoibuka katika Biashara ya Kiasi, Ushauri wa Robo na Masoko ya Blockchain
Uchumi wa Kifedha

Akili Bandia Zalishi katika Fedha: Kuweka Ramani Muunganiko Unaoibuka katika Biashara ya Kiasi, Ushauri wa Robo na Masoko ya Blockchain

Eneo la utafiti la akili bandia zalishi katika fedha (Generative Artificial Intelligence, GenAI) linachunguza jinsi modeli kubwa za lugha na mbinu nyingine za akili bandia zalishi zinavyounganishwa na uchakataji wa taarifa za kifedha, uwekezaji, usimamizi wa portfoliyo, biashara, ushauri, udhibiti na mifumo ya fedha inayoweza kupangwa.

19/11/2026  Veri Anla  Imetazamwa mara 28
Akili Bandia Zalishi katika Fedha: Kuweka Ramani Muunganiko Unaoibuka katika Biashara ya Kiasi, Ushauri wa Robo na Masoko ya Blockchain

Eneo la utafiti la akili bandia zalishi katika fedha (Generative Artificial Intelligence, GenAI), ni eneo la utafiti linalokua kwa kasi linalochunguza jinsi modeli kubwa za lugha na mbinu nyingine za akili bandia zalishi zinavyounganishwa na uchakataji wa taarifa za kifedha, uwekezaji, usimamizi wa portfoliyo, biashara, ushauri, udhibiti na mifumo ya fedha inayoweza kupangwa. Utafiti wa Ngo Phu Thanh, badala ya kupima faida ya mkakati wowote wa uwekezaji, hutumia uchoraji ramani wa kisayansi wa bibliometriki kuchunguza jinsi fasihi ya kisayansi ya kipindi cha 2023–2025 ilivyokua, ilivyojipanga kuzunguka dhana gani na imeelekea kwenye maeneo gani ya mbele ya utafiti. Machapisho 695 ya Kiingereza yaliyopatikana kutoka Scopus mwezi Agosti 2026 yalitathminiwa katika mazingira ya R kwa kutumia kifurushi cha bibliometrix kwa uchambuzi wa utendaji, mitandao ya ushirikiano, uchambuzi wa maneno yanayotokea pamoja, uchoraji ramani wa mada, uchambuzi wa muundo wa dhana, uunganishaji wa kibibliografia na mahusiano ya nukuu za moja kwa moja.

Matokeo ya wazi zaidi ya kiidadi ni ukuaji wa eneo hili kwa muda mfupi sana: idadi ya machapisho katika korpasi iliongezeka kutoka 46 mwaka 2023 hadi 181 mwaka 2024 na 468 mwaka 2025. Hivyo, takriban %67,3 ya korpasi ya miaka mitatu inajumuisha machapisho ya 2025 pekee. Hata hivyo, utafiti hauchukulii ukuaji wa haraka wa machapisho kuwa ushahidi kwamba eneo limekomaa kisayansi. Sehemu muhimu ya machapisho ni karatasi za mikutano; minyororo ya nukuu za moja kwa moja bado ni mifupi na hakuna muunganiko kamili kati ya sayansi ya kompyuta/teknolojia za lugha na utafiti wa fedha unaotumika.

Utafiti unaonyesha kuwa fasihi ya akili bandia zalishi–fedha haijabaki tu kuzunguka ChatGPT au uainishaji wa maandishi. Wakati modeli kubwa za lugha, akili bandia zalishi, uchakataji wa lugha asilia na uchambuzi wa hisia bado zinaunda kiini cha dhana, usimamizi wa portfoliyo, biashara ya kiasi/algoriti, retrieval-augmented generation (RAG), agentic AI, akili bandia yenye uwajibikaji, blockchain, fedha zilizogatuliwa (DeFi) na udhibiti wa kifedha zinaendelea kuonekana zaidi. Kwa upande mwingine, robo-advisory inaacha alama ndogo sana ya utafiti ikilinganishwa na ukuaji katika utafiti wa portfoliyo na uwekezaji.

Kikomo muhimu zaidi cha tafsiri ya utafiti ni hiki: matokeo haya ya bibliometriki hayathibitishi kuwa mfumo wa biashara unaotegemea GenAI una faida, kuwa robo-advisor ni wa kuaminika, au kuwa LLM hufanya maamuzi ya kifedha vizuri zaidi kuliko binadamu. Utafiti unaweka ramani ya muundo na mwelekeo wa fasihi ya utafiti; utendaji halisi wa kiuchumi, gharama za biashara, ucheleweshaji, athari ya soko, ustawi wa mwekezaji, hatari ya kimfumo na usalama wa udhibiti vinahitaji uthibitisho wa moja kwa moja wa kiempiria kwa kujitegemea.

Tatizo kuu ambalo utafiti unajaribu kutatua

Makutano ya akili bandia zalishi na fedha hayaendelei ndani ya taaluma moja pekee. Mada hiyo hiyo inaweza kujadiliwa kwa istilahi tofauti katika majarida ya fedha, mikutano ya isimu kokotozi, machapisho ya akili bandia na ujifunzaji wa mashine, fasihi ya mifumo ya taarifa na tafiti za FinTech. Utafiti mmoja unaweza kutumia “large language model”, mwingine “ChatGPT”, “foundation model”, “financial NLP”, “sentiment trading”, “RAG”, “agentic AI” au “AI-enabled portfolio management”. Mtawanyiko huu wa istilahi unaweza kusababisha ukubwa wa eneo na utofauti wake wa kimuundo kutoonekana kikamilifu pale ambapo mapitio ya kawaida ya kisimulizi pekee yanatumika.

Kwa hiyo, mbinu ya utafiti si kupanga makala moja moja kwa kuuliza “ipi ni bora?”, bali ni kuweka ramani ya muundo wa fasihi. Utafiti unalenga maswali matatu makuu: uzalishaji wa kisayansi, njia za uchapishaji, waandishi, taasisi, nchi na wasifu wa nukuu umebadilikaje kati ya 2023–2025; muundo wa dhana wa eneo umejipanga kuzunguka makundi gani ya maneno muhimu na mada; na je, fasihi inakaribia maeneo ya mbele ya utafiti yaliyojikita zaidi katika fedha kama biashara ya kiasi, portfoliyo/uwekezaji, RAG na mifumo ya mawakala, utawala, robo-advisory na blockchain/DeFi?

Kwa nini utafiti huu unatumia uchoraji ramani wa kisayansi wa bibliometriki badala ya mapitio ya kawaida ya kimfumo?

Uchoraji ramani wa kisayansi wa bibliometriki umetumiwa hapa si kwa kuunganisha ukubwa wa athari za kliniki au kiuchumi za tafiti binafsi, bali kwa kuonyesha kwa pamoja kasi ya uzalishaji, dhana, mahusiano ya ushirikiano, marejeo ya pamoja, minyororo ya nukuu na mwelekeo wa mada wa machapisho 695. Utafiti wa chanzo unaielezea korpasi hii si kama mapitio finyu ya kimfumo yaliyochujwa kwa mikono makala moja moja, bali kama ramani pana ya kisayansi inayojaribu kunasa mpaka wa GenAI–fedha kwa unyeti mkubwa.

Korpasi ya Scopus iliundwaje?

Data zilichukuliwa kutoka Scopus mwezi Agosti 2026. Dirisha la uchapishaji lilipunguzwa hadi 2023–2025. Sababu ni kwamba 2026 ilikuwa bado mwaka wa uchapishaji ambao haujakamilika na takwimu za mwaka usiokamilika zinaweza kupotosha ulinganisho wa kila mwaka. Utafutaji haukufanywa kwenye kichwa pekee, bali pia katika uga wa TITLE-ABS-KEY wa Scopus, yaani kwenye vichwa, muhtasari na maneno muhimu.

KipengeeUtekelezaji ulioripotiwa katika chanzoMaana ya kisayansi
HifadhidataScopusUlimwengu wa bibliometriki wa utafiti unajumuisha tu rekodi zilizopatikana katika Scopus.
Tarehe ya utafutajiAgosti 2026Taarifa za nukuu na faharasa zinaakisi hali ya hifadhidata katika kipindi hicho.
Kipindi cha uchapishaji2023–2025Mwaka 2026 usiokamilika uliachwa nje wakati wa kuchunguza upanuzi wa haraka baada ya ChatGPT.
Uga wa utafutajiTITLE-ABS-KEYVichwa, muhtasari na maneno muhimu yalitafutwa kwa pamoja.
Kanuni ya ukaribuKizuizi cha istilahi za GenAI W/15 kizuizi cha istilahi za fedhaInalenga kupunguza hatari ya dhana za akili bandia na fedha kupatikana katika maeneo yasiyohusiana ndani ya rekodi hiyo hiyo.
LughaKiingerezaFasihi katika lugha nyingine inaweza kubaki nje ya korpasi.
Uhamishaji wa mwishoNyaraka 695Ramani zote za kiidadi za utafiti ziliundwa kwa kutumia nyaraka hizi.
MetadataNyuga 45Nyuga kama mwandishi, kichwa, mwaka, chanzo, nukuu, DOI, ushirika wa taasisi, muhtasari, maneno muhimu, marejeo na nyingine zinazofanana zilitumiwa.

Opereta W/15 katika utafutaji wa Scopus ina maana gani?

W/15 ni kanuni ya ukaribu ya Scopus inayotaka istilahi inayohusiana na GenAI ipatikane ndani ya maneno 15 kutoka kwa mojawapo ya istilahi zinazohusiana na fedha. Lengo ni kutokuchukulia tu kuonekana kwa maneno “AI” na “finance” katika sehemu mbili zilizo mbali ndani ya rekodi moja kuwa kunatosha, na kuongeza uwezekano kwamba vizuizi viwili vya dhana vimetumiwa katika muktadha mmoja; hata hivyo, utafiti unasema wazi kwamba kanuni hii haiondoi kabisa rekodi zisizo za kifedha.

Kizuizi cha utafutaji upande wa GenAI kinajumuisha kauli kama generative artificial intelligence, generative AI, GenAI, large language model(s), LLM(s), ChatGPT na foundation model(s). Upande wa fedha, pamoja na finance na financial services, unajumuisha istilahi kama financial market, banking, fintech, asset/wealth management, portfolio management, investment management, algorithmic/quantitative trading, robo-advisory, decentralized finance na blockchain.

Ukaguzi wa data wa rekodi 695

Iliripotiwa kuwa rekodi 616 kati ya 695 zilizohamishwa zilikuwa na DOI na kwamba hakukuwa na DOI iliyojirudia. Hata hivyo, marudio matano yalitiwa alama katika vichwa vilivyosawazishwa. Mtafiti hakuvifuta moja kwa moja vichwa hivyo vitano kwa sababu kichwa kinachofanana au kinachokaribiana sana kinaweza kuwakilisha vitu tofauti vya kibibliografia kama karatasi ya mkutano, sura ya kitabu, toleo la proceedings au nyenzo ya awali ya mkutano. Kwa hiyo, korpasi kuu iliyorekodiwa ya utafiti ilihifadhiwa ikiwa na rekodi 695.

Jambo hili ni muhimu: korpasi ni ramani ya eneo yenye kiwango cha juu cha kunasa; si mapitio finyu ya kimfumo yaliyoundwa kwa makala safi za fedha pekee kupitia uchunguzi wa mikono wa kichwa/muhtasari. Kuwepo kwa baadhi ya tafiti zenye nukuu nyingi kutoka taaluma nyingine kama elimu au kemia miongoni mwa rekodi zenye nukuu nyingi kunaonyesha kwamba hoja ya ukaribu haiwezi kuzuia kabisa kuingia kwa rekodi za nje ya eneo.

Kwa nini maneno muhimu yaliharmonishwa?

Dhana moja inaweza kuandikwa kwa namna tofauti katika hifadhidata. Kwa mfano, “generative AI”, “GenAI” na “generative artificial intelligence” zinawakilisha dhana moja ya msingi. Vivyo hivyo, kama “LLM”, “LLMs”, “large language model” na “large language models” zitahesabiwa tofauti, mwonekano wa mada moja halisi ya utafiti hupunguzwa kwa njia ya bandia. Kwa hiyo, utafiti ulitumia ulinganifu wa tahadhari wa visawe kwa dhana kama GenAI, LLM, NLP, RAG, fintech, blockchain, DeFi, robo-advisory, explainable AI na machine learning.

Hata hivyo, nyuga ghafi hazikufutwa. DE, huwakilisha maneno muhimu yaliyotolewa na waandishi wenyewe; ID huku ikiwakilisha maneno muhimu ya kuorodhesha ya Scopus. Kwa kuchambua tabaka hizi mbili tofauti, utafiti haukuchanganya jinsi waandishi wanavyoelezea tafiti zao na jinsi hifadhidata inavyoziorodhesha katika muktadha mpana wa taaluma.

Kwa nini normalizesheni ya association-strength ilitumiwa?

Katika mtandao wa kutokea pamoja, istilahi inayotokea mara nyingi sana inaweza kuwa na idadi kubwa ya miunganisho ghafi na karibu kila istilahi kwa sababu tu hutumiwa mara nyingi. Normalizesheni ya association-strength iliyotumiwa katika utafiti ililenga kupunguza hali ambapo istilahi hizo za kawaida zinatawala mtandao kwa sababu ya masafa pekee. Kwa hiyo, kuonekana kwa dhana inayotokea sana kama “large language models” pembeni kijiometri katika taswira ya mtandao hakumaanishi kuwa si muhimu; grafu za masafa na mtandao uliosawazishwa wa mahusiano hujibu maswali tofauti.

Jamii za Louvain zinaonyesha nini?

Mbinu ya kugundua jamii ya Louvain ilitumiwa kusaidia kutenganisha nodi zilizounganishwa kwa karibu zaidi katika mitandao ya uandishi wa pamoja na dhana kuwa makundi ya kuona. Utafiti wa chanzo huitumia si kama taksonomia ya taaluma iliyo thabiti na isiyobadilika, bali kama chombo cha kugawanya kinachofanya muundo wa makundi katika mtandao uonekane. Miunganisho dhaifu ilifichwa tu ili kuboresha usomaji wa vielelezo, huku matriksi za msingi za uchambuzi zikihifadhiwa.

Mchoro huru wa maelezo uliotayarishwa kwa Verianla kwa kutegemea hatua za mbinu za utafiti wa chanzo. Mpangilio wa kuona wa kielelezo cha chanzo haujanakiliwa; mchoro hauna kipimo.

Ni tabaka gani za uchambuzi zilizotumiwa katika utafiti?

Tabaka la uchambuziSwali kuu linaloulizaMatokeo yaliyotumiwa katika chanzo
Uchambuzi wa utendajiEneo linakua kwa kiasi gani na wapi?Viashiria vya machapisho ya kila mwaka, aina ya hati, chanzo, mwandishi, taasisi, nchi na nukuu
Uchambuzi wa ushirikianoNchi na watafiti wanaunganishwaje?Mitandao ya ushirikiano wa nchi na uandishi wa pamoja
Uchambuzi wa maneno yanayotokea pamojaNi dhana gani zinatokea pamoja?Masafa ya maneno muhimu, msongamano wa wakati na mtandao wa kutokea pamoja
Uchoraji ramani wa madaMada imeunganishwa kwa kiasi gani na eneo na imeendelezwa kwa kiasi gani ndani yake?Maeneo ya mada za motor, msingi, niche na zinazoibuka/kudidimia
Muundo wa dhanaIstilahi zinakusanyika katika nguzo gani pana za kisemantiki?Multiple Correspondence Analysis (MCA) na Correspondence Analysis (CA)
Bibliographic couplingNjia za uchapishaji zinazotegemea marejeo yale yale zinaunda maeneo gani ya mbele ya utafiti?Jamii za marejeo ya pamoja katika kiwango cha chanzo
Uchoraji ramani wa kihistoriografiaMnyororo wa nukuu za moja kwa moja ndani ya korpasi umeendelea kwa kiasi gani?Mtandao wa kihistoria wa nukuu za moja kwa moja
Uchambuzi wa nyuga tatuNchi, mada na njia ya uchapishaji zinaunganishwaje?Miunganisho ya aina ya Alluvial/Sankey ya nchi–neno muhimu–chanzo
Mageuzi ya madaNafasi ya dhana inabadilikaje kutoka 2023–2024 hadi 2025?Ramani za mada kwa vipindi na mtiririko wa mada
Kifuatiliaji cha maeneo ya mbele ya kimkakatiMaeneo ya utafiti yaliyochaguliwa kwa mtazamo wa fedha yanakua kuelekea wapi?Idadi ya istilahi za biashara ya kiasi, portfoliyo, robo-advisory, blockchain/DeFi, governance/XAI na RAG/agents

Je, kuna fomula kuu ya kihisabati?

Utafiti huu haupendekezi modeli mpya ya upangaji bei, mlinganyo wa uboreshaji wa portfoliyo wala fungsi ya hasara ya ujifunzaji wa mashine. Chanzo kinataja majina na majukumu ya kisayansi ya mbinu kama mantiki ya utafutaji W/15, normalizesheni ya association-strength, Louvain, MCA na CA; hata hivyo, utoaji wao wa kihisabati au milinganyo wazi haujaandikwa kama mbinu ya makala. Kwa hiyo, fomula ambazo hazipo katika chanzo hazijaongezwa kwenye maelezo ya Verianla. Vivyo hivyo, kwa kuwa utafiti hauripoti jaribio la nadharia linalotegemea thamani ya p, muda wa kujiamini au ukubwa wa athari, takwimu kama hizo hazijazalishwa.

Ukuaji wa idadi ya machapisho una nguvu kiasi gani?

Katika korpasi kuna nyaraka 46 kwa 2023, 181 kwa 2024 na 468 kwa 2025. Chanzo kinaripoti kuwa idadi ya 2024 ni %293,5 juu kuliko 2023, na ya 2025 ni %158,6 juu kuliko 2024. Kati ya jumla ya miaka mitatu, %6,6 ni machapisho ya 2023, %26,0 ya 2024 na %67,3 ya 2025.

MwakaIdadi ya nyarakaSehemu katika korpasiKikomo cha tafsiri
202346%6,6Mwaka wa mapema wa kipindi cha post-ChatGPT
2024181%26,0Machapisho %293,5 zaidi kuliko 2023
2025468%67,3Machapisho %158,6 zaidi kuliko 2024
Imechorwa upya kwa kujitegemea kwa Verianla kutoka thamani 46, 181 na 468 za nyaraka zilizoripotiwa katika utafiti wa chanzo. Muundo wa kuona wa Kielelezo 1 cha chanzo haujanakiliwa.

Kwa nini kupungua kwa idadi ya nukuu hakupaswi kusomwa moja kwa moja kama kupungua kwa ubora?

Wastani wa nukuu kwa hati kwa machapisho ya 2023 umeripotiwa kuwa 56,6; wa 2024 ni 15,6; na wa 2025 ni 5,1. Hata hivyo, machapisho ya 2025 yamekuwa na muda mfupi zaidi wa kukusanya nukuu. Kwa hiyo, utafiti hautafsiri thamani ya chini ya wastani wa nukuu kwa machapisho mapya kama kushuka kwa ubora wa kisayansi; maelezo makuu ni muda wa kufichuliwa kwa nukuu. Hii pia inamaanisha kuwa viwango ghafi vya nukuu vinaweza kuyapa faida ya kimfumo machapisho ya mapema ya post-ChatGPT na mapitio mapana ya taaluma nyingi.

Kwa nini eneo linaelezwa kuwa “lenye uzito wa mikutano”?

Aina ya hatiIdadiSehemu iliyoripotiwa katika chanzo
Karatasi ya mkutano380%54,7
Makala ya jarida170%24,5
Sura ya kitabu70%10,1
Mkusanyiko wa mkutano/review33%4,7
Mapitio24%3,5
Kitabu15%2,2
Dokezo2Chanzo hakitoi asilimia
Survey fupi1Chanzo hakitoi asilimia

Karatasi za mikutano kuunda zaidi ya nusu ya korpasi kunalingana na eneo la utafiti ambalo vipengele vyake vya kiufundi hubadilika kwa kasi sana. Mada za kiufundi kama RAG, agentic AI, fine-tuning na benchmark mpya za kifedha zinaweza kuingia haraka katika mfumo wa mikutano. Hata hivyo, utafiti pia unasisitiza upande mwingine: kuenea haraka kwa machapisho yenye uzito wa mikutano hakumaanishi kuwa muunganiko na nadharia ya fedha na uthibitishaji wa muda mrefu wa kiempiria vitakwenda kwa kasi ileile.

Je, mfumo wa uchapishaji kwa kweli unaundwa na majarida ya fedha?

Hapana. Mojawapo ya matokeo muhimu ya utafiti ni kwamba fasihi ya GenAI–fedha imegawanyika kati ya tamaduni mbili za uchapishaji. Proceedings za mkutano wa kila mwaka wa Association for Computational Linguistics zimeripotiwa kuwa chanzo kinachotokea mara nyingi zaidi kwa rekodi 16. Lecture Notes in Networks and Systems ina 13; Finance Research Letters, ICAIF 2025 na Communications in Computer and Information Science zina 12 kila moja; ICAIF 2024 na Lecture Notes in Computer Science zina rekodi 10 kila moja.

Mgawanyo huu unaonyesha kuwa eneo haliwezi kufafanuliwa tu kama “akili bandia katika majarida ya fedha”. Utamaduni mmoja wa uchapishaji uko karibu zaidi na uundaji wa modeli za lugha, retrieval, tathmini na mbinu za ukokotoaji; mwingine uko karibu zaidi na portfoliyo, biashara, taasisi za fedha na majukumu ya kufanya maamuzi.

Muundo wa waandishi, taasisi na nchi

Uandishi umetawanyika sana. Katika metadata ya Scopus, “Y. Li” ndiye kitambulisho cha mwandishi chenye tija zaidi kwa machapisho 13; hata hivyo, utafiti unaonya wazi kuwa majina yaliyofupishwa yanaweza kuunganisha watu tofauti au kugawanya rekodi za mtu mmoja. Kwa hiyo, viwango vya waandishi vya aina hii havipaswi kuchukuliwa kama viwango sahihi vya utambulisho wa watu binafsi.

Katika kiwango cha taasisi, University of Oxford iko kwanza kwa rekodi 10. University of Cambridge, Tianjin University, Hong Kong University of Science and Technology, Renmin University of China na Old Dominion University zimetajwa kwa rekodi tano kila moja. Mtafiti anatafsiri mgawanyo huu kama ishara kwamba hakuna kituo kimoja cha kitaasisi kinachodhibiti eneo na uwezo wa utafiti umetawanyika zaidi.

NchiKutokea kwa mwandishi–nchiKikomo muhimu cha tafsiri
Marekani359Hizi si idadi za nyaraka za kipekee. Kwa sababu ya michango ya waandishi/nchi nyingi, jumla inaweza kuzidi ukubwa wa korpasi.
China252
India245
Uingereza97
Kanada46
Korea44
Australia40

Mtandao wa ushirikiano wa nchi unaonyesha jamii ya kati iliyo na msongamano mkubwa inayojumuisha Marekani, China, Uingereza, Kanada, Australia, Korea, Japani, Singapore na Hong Kong. India inaonekana kama daraja kati ya kiini hiki na jamii nyingine inayojumuisha nchi kama Malaysia, Indonesia, Jordan, Oman, Bangladesh, Qatar, Iraq na Falme za Kiarabu. Matokeo haya yanaelezea muundo wa ushirikiano wa kijiografia; si kiwango cha ubora wa utafiti wa nchi.

Kwa nini idadi ghafi ya nukuu haimaanishi “utafiti muhimu zaidi kwa upande wa fedha”?

Mpangilio wa rekodi zenye nukuu nyingi zaidi kimataifa katika korpasi unaonyesha wazi athari ya tafiti za taaluma mbalimbali. Katika mpangilio wa wakati wa data wa utafiti, utafiti mpana wa GenAI una nukuu 579, FinBERT 548, utafiti wa kifedha wa Dowling na Lucey 491, utafiti wa elimu wenye nukuu nyingi 456, na survey ya LLM katika fedha 310. Uwezo wa rekodi isiyo ya kifedha moja kwa moja, kama ya elimu, kuingia juu katika mpangilio unaonyesha kuwa idadi ya nukuu za kimataifa haipaswi kulinganishwa moja kwa moja na umuhimu wa kiakili mahususi kwa fedha.

Ni maneno gani muhimu yanayoendesha eneo?

Neno muhimuIdadi ya hati / kutokea
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

Maneno muhimu ya faharasa ya Scopus yanaonyesha picha tofauti. Investments 81; financial markets na finance 73 kila moja; decentralized finance 67; electronic trading 41; banking 35 na regulatory compliance 34 kutokea. Ukweli kwamba maneno muhimu ya waandishi yanatoa nafasi kubwa kwa lugha ya modeli na mbinu, huku istilahi za faharasa ya Scopus zikitoa nafasi kubwa zaidi kwa miktadha ya matumizi, unaonyesha kwa nini ni muhimu kutenganisha nyuga za DE na ID.

Ni dhana gani zinazoharakisha kwa muda?

Dhana202320242025Tafsiri inayoungwa mkono na chanzo
Large language models1174163Inaonyesha kuwa kiini cha teknolojia kinakua kwa kasi.
Generative artificial intelligence53695Inaonyesha kuenea kwa kasi kwa lebo ya GenAI.
RAG0422Inaonyesha kuwa usanifu unaotegemea retrieval ulianza kuonekana wazi zaidi mwaka 2025.
Sentiment analysis4827Inaonyesha kuwa uchambuzi wa hisia unaendelea kukua.
Machine learning11124Inaonyesha kuwa muktadha mpana wa ML pia unaimarika.
Banking374Haujaongezeka kwa uwiano sawa na ukuaji wa jumla wa machapisho.

Utafiti unaunganisha mgawanyiko huu na upanuzi wa eneo kutoka kwenye mfumo wa awali wa “banking/chatbot” kuelekea matumizi ya soko, uwekezaji, retrieval na utawala wa modeli.

Mtandao wa maneno muhimu ya pamoja unaonyesha jamii gani tatu kubwa za maarifa?

Jamii ya teknolojia na utawala; inaunganisha dhana za generative AI, responsible AI, trustworthy AI, explainable AI, prompt engineering, portfolio management na data privacy. Jamii ya mbinu za kiasi; inakusanya istilahi za natural language processing, sentiment analysis, algorithmic trading, machine learning, deep learning, financial forecasting na fraud detection. Jamii ya huduma za kifedha inajengwa kuzunguka finance, fintech, banking, ChatGPT, artificial intelligence, security, risk assessment na financial services. Jamii ndogo zaidi ya kiufundi pia inaonekana kuzunguka fine-tuning, cybersecurity na healthcare.

Muundo huu unaonyesha kuwa fasihi ya GenAI–fedha sasa haijumuishi familia moja tu ya matumizi. Kwa mujibu wa tafsiri ya chanzo, angalau tabaka tatu zinaendelea kwa pamoja: teknolojia za msingi za modeli, mbinu za utabiri/biashara za kifedha, na matumizi ya kitaasisi/utawala.

Mada za “motor”, “msingi”, “niche” na “zinazoibuka” katika ramani ya mada zina maana gani?

Ramani ya mada hutumia mihimili miwili: umuhimu wa kati unaowakilisha uhusiano wa mada na eneo kwa ujumla, na msongamano unaowakilisha kiwango cha maendeleo na muunganiko wa ndani wa mada hiyo. Kwa hiyo, mada zenye umuhimu wa kati wa juu na msongamano wa juu huitwa “motor”; zenye umuhimu wa kati wa juu lakini msongamano wa chini huitwa “msingi”; zilizokua ndani lakini zenye uhusiano dhaifu zaidi na eneo la jumla huitwa “niche”; na zenye umuhimu wa kati wa chini na msongamano wa chini huchukuliwa kuwa mada “zinazoibuka au zinazodidimia”.

Katika ramani ya chanzo, kundi kubwa linalozunguka large language models, natural language processing na sentiment analysis pamoja na kundi linalozunguka artificial intelligence, ChatGPT na finance huunda lugha kuu ya pamoja ya eneo. Kundi linalounganisha Generative artificial intelligence na responsible AI pamoja na financial literacy linaonekana katika eneo la motor-theme. Explainable AI, differential privacy na federated learning ziko karibu zaidi na eneo linaloibuka/kudidimia. Katika tafsiri ya mtafiti kuna pengo muhimu la matumizi hapa: mjadala wa kikanuni kuhusu responsible AI unaweza kuwa unakua haraka kuliko udhibiti unaotekelezeka wa faragha na uelezekaji.

MCA inaonyesha nini katika utafiti?

Multiple Correspondence Analysis (MCA), imeonyesha ukaribu mpana zaidi wa dhana wa maneno muhimu katika nguzo tatu kubwa. Nguzo kubwa zaidi inajumuisha istilahi za jumla za miundombinu na utawala wa GenAI–fedha kama foundation models, agentic AI, differential privacy, AI governance, responsible/trustworthy AI, RAG, prompt engineering, LLMs, question answering, fintech, blockchain, cybersecurity, financial literacy, financial services na portfolio management.

Nguzo ya pili inaelekezwa wazi zaidi kwenye utabiri na soko: natural language processing, sentiment analysis, transformer methods, machine learning, deep learning, algorithmic trading, financial forecasting na data privacy zinaonekana pamoja hapa. Chanzo kinaitafsiri kama mwendelezo wa kisasa wa uchambuzi wa maandishi ya kifedha unaopanuka kuelekea usanifu wa biashara na utabiri.

Nguzo ya tatu inalenga taasisi na hatari: inajumuisha dhana kama accounting, banking, security, portfolio optimisation, fraud detection, risk assessment na risk management. Mgawanyiko huu unatoa msingi wa maswali kama ufuasi, wajibu wa uaminifu, uthabiti wa uendeshaji, uthibitishaji wa modeli na utawala wa hatari za kifedha kuunda eneo tofauti la utafiti.

Utafiti pia umetengeneza mwonekano wa uthabiti kwa Correspondence Analysis (CA). Hata hivyo, kwa sababu question answering na baadhi ya dhana za privacy zimekuwa thamani za pembeni za kijiometri zilizo kali, mgawanyo wa kimataifa wa CA haukuonekana kuwa rahisi kutafsiri kama MCA; MCA ilitathminiwa kama ramani kuu ya dhana na CA kama taswira ya uthabiti.

Rejimu mbili tofauti za utafiti zina maana gani?

Bibliographic coupling katika kiwango cha chanzo inaonyesha kuwa kuna jamii mbili kubwa za uchapishaji zinapoangaliwa marejeo ya pamoja. Jamii moja hujengwa kuzunguka ACL, EMNLP, NAACL, COLING, ICLR, NeurIPS na mazingira mengine ya isimu kokotozi/ujifunzaji wa mashine. Jamii nyingine iko kuzunguka ICAIF, Journal of Portfolio Management, IEEE Access na machapisho ya uhandisi wa fedha/AI ya kifedha inayotumika.

Utafiti unatafsiri mgawanyiko huu kama rejimu za technology-push na finance-application. Rejimu ya kwanza huendeleza usanifu wa modeli, retrieval, reasoning, agents na mbinu za uchakataji wa lugha. Rejimu ya pili huhamisha uwezo huo kwenda kwenye majukumu ya trading, portfolio, banking, risk au financial engineering. Kuna viungo vya marejeo ya pamoja kati ya rejimu hizi mbili, lakini bado havina nguvu ya kutosha kuonyesha kuwa eneo limeunganishwa kikamilifu.

Historia ya nukuu za moja kwa moja pia inaonyesha eneo changa. Minyororo ya nukuu inayoonekana ndani ya korpasi kwa kiasi kikubwa ni mifupi kati ya 2023–2025. Ingawa hii ni matokeo ya kawaida ya dirisha la miaka mitatu, pia inaashiria kuwa benchmark za pamoja, seti za data za kikanoni na mijadala ya muda mrefu ya kinadharia bado hazijaimarika kikamilifu.

Ni mabadiliko gani ya kimuundo yanayoonekana kutoka 2023–2024 hadi 2025?

Katika kipindi cha 2023–2024, artificial intelligence na ChatGPT zinaonekana zaidi kama mada za msingi, RAG/responsible AI zikiwa niche zaidi na deep learning/explainable AI zikiwa katika hatua za mapema. Katika ramani ya 2025, sentiment analysis na machine learning zinahamia eneo la motor; LLM na RAG zinakuwa za kati zaidi na zilizoendelea; responsible GenAI inakaribia kituo; huku portfolio management na agentic AI zikionekana kama mada mpya zinazojitokeza.

Chanzo kinatafsiri mabadiliko haya kama mwelekeo kutoka mwingiliano wa prompt wa mara moja kuelekea usanifu wa mifumo unaoweza kuita ushahidi wa nje, kuhifadhi hali ya jukumu na kutenda katika mtiririko wa kazi wa kifedha wa hatua nyingi.

Mbinu na Matokeo ya Utafiti

Muhtasari wa kiufundi wa mnyororo wa mbinu

  1. Rekodi za Kiingereza za kipindi cha 2023–2025 zilitafutwa katika uga wa TITLE-ABS-KEY wa Scopus.
  2. Ilitakiwa kwamba istilahi za teknolojia ya GenAI na istilahi za fedha zipatikane ndani ya ukaribu wa W/15.
  3. Rekodi 695 na nyuga 45 za metadata zilihamishwa.
  4. DOI 616 zilithibitishwa; hakuna DOI iliyojirudia. Marudio matano ya vichwa vilivyosawazishwa yalitiwa alama lakini hayakufutwa kiotomatiki.
  5. Maneno muhimu ya waandishi na maneno muhimu ya faharasa ya Scopus yaliwekwa tofauti.
  6. Istilahi za kiufundi zenye maana sawa ziliharmonishwa kwa tahadhari.
  7. Katika mazingira ya R kwa kutumia bibliometrix, uchambuzi wa utendaji, ushirikiano, co-word, muundo wa mada, MCA/CA, bibliographic coupling, historiography, nyuga tatu na mada za vipindi ulifanywa.
  8. Normalizesheni ya association-strength ilitumiwa kupunguza utawala wa istilahi zinazotokea sana katika mtandao wa kutokea pamoja kwa sababu ya masafa ghafi pekee.
  9. Ugunduzi wa jamii wa Louvain ulitumiwa katika upangaji wa kuona wa mitandao.
  10. Kutokea kwa maeneo ya mbele ya kimkakati yaliyofafanuliwa mapema kwa mtazamo wa fedha katika maneno muhimu ya waandishi na faharasa yaliyounganishwa kulilinganishwa kati ya miaka.

Je, utafiti huu una jaribio la nadharia ya takwimu?

Utafiti wa chanzo haufanyi jaribio la kawaida la nadharia la majaribio au ekonometriki. Hakuna jaribio kuu la inferensia linalotegemea thamani ya p, muda wa kujiamini au ukubwa wa athari lililoripotiwa. Idadi ya machapisho ya kila mwaka, masafa na viashiria vya nukuu ni vya maelezo; matokeo ya mtandao, ramani ya mada, MCA na bibliographic coupling yametafsiriwa kimuundo na kwa kulinganisha. Kwa hiyo, ukaribu katika mtandao au kuongezeka kwa neno muhimu si ushahidi wa sababu.

Ni maeneo gani ya mbele ya utafiti yanayokua kwa kasi zaidi katika akili bandia zalishi ya fedha?

Kwa mujibu wa kifuatiliaji cha maeneo ya mbele ya kimkakati cha chanzo, kati ya 2023–2025 upanuzi mkubwa zaidi wa kiidadi unaonekana katika istilahi za portfoliyo/uwekezaji 6→26→99, governance/XAI/regulation 7→15→84, blockchain/DeFi 5→38→63, quantitative/algorithmic trading 0→10→60 na RAG/agents 0→7→60; robo-advisory hubaki tu katika kiwango cha 0→1→4. Hizi si idadi za machapisho wala mafanikio ya mfumo, bali idadi ya matukio yaliyofuatiliwa katika uga uliounganishwa wa maneno muhimu.

Eneo la mbele la utafiti202320242025Tatizo wazi la utafiti lililosisitizwa na chanzo
Biashara ya kiasi / algoriti01060Je, alpha inayoweza kutekelezwa hutokea baada ya gharama, ucheleweshaji, athari ya soko na mabadiliko ya rejimu?
Portfoliyo / uwekezaji62699Ugawaji wa GenAI huboresha lini, na huongeza lini hatari ya kitabia au ya modeli?
Robo-advisory014Ufuasi, urekebishaji wa uaminifu na ustawi wa mwekezaji vinapaswa kupimwaje?
Blockchain / DeFi53863Mifumo ya mawakala inaweza kuingiliana kwa usalama vipi na shughuli za smart-contract zisizoweza kurejeshwa na utawala uliogatuliwa?
Governance / XAI / regulation71584Katika fedha zilizodhibitiwa, ni vidhibiti gani vinavyofanya GenAI iwe inayoweza kukaguliwa na imara kiutendaji?
RAG / agents0760Je, retrieval na matumizi ya zana huongeza usahihi huku vikifungua njia mpya za hitilafu?
Imechorwa upya kwa kujitegemea kwa Verianla kutokana na idadi za kila mwaka za matukio zilizoripotiwa katika kifuatiliaji cha maeneo ya mbele ya kimkakati cha utafiti wa chanzo. Mistari haionyeshi idadi ya machapisho wala utendaji wa uwekezaji, bali matukio katika maeneo ya maneno muhimu yaliyofafanuliwa na utafiti.

Eneo la mbele la utafiti I: Biashara ya kiasi na muundo mdogo wa soko unaosaidiwa na GenAI

Eneo la biashara ya kiasi/algoriti limeongezeka katika kifuatiliaji cha chanzo kutoka matukio 0 mwaka 2023 hadi 10 mwaka 2024 na 60 mwaka 2025. Chanzo kinaona ukuaji huu kuwa unaendana na mabadiliko kutoka utoaji wa hisia pekee kwenda mifumo ya kufanya maamuzi iliyounganishwa zaidi. Hata hivyo, ishara inayotegemea LLM kutabiri marejesho katika data za kihistoria haimaanishi kwamba inazalisha alpha inayoweza kutekelezwa katika soko halisi.

Mada kuu za uthibitishaji zinazopendekezwa na utafiti ni gharama za biashara, ucheleweshaji, mzunguko wa portfoliyo, athari ya soko na athari ya crowding inayoweza kutokea wakati washiriki wengi wanatumia ishara ileile. Inapendekezwa kwamba siku zijazo mikakati inayosaidiwa na LLM ilinganishwe na arbitrage ya takwimu ya kawaida, ujifunzaji wa mashine unaosimamiwa na reinforcement learning katika itifaki halisi za out-of-sample.

Kwa mtazamo wa muundo mdogo wa soko, inasisitizwa kwamba si usahihi wa utabiri pekee bali pia matokeo ya kiuchumi kama spread, kina cha soko, adverse selection, price discovery, market impact na execution shortfall yanapaswa kupimwa. Aidha, inapaswa kuchunguzwa uwezekano kwamba mawakala wengi wanapoanza kutumia ishara zinazofanana za LLM, modeli zenyewe zinaweza kubadilisha mazingira ya taarifa wanayojaribu kutabiri.

Eneo la mbele la utafiti II: Usimamizi wa portfoliyo wa AI-native na robo-advisory

Mada za portfoliyo/uwekezaji kwa 6→26→99 ni eneo la mbele la kimkakati linalokua kwa kasi zaidi katika utafiti. Kwa upande mwingine, robo-advisory imebaki katika kiwango cha 0→1→4. Utafiti hautafsiri tofauti hii kama umuhimu mdogo wa kisera, bali kama pengo la utafiti.

Kwa nini robo-advisory iko nyuma sana ikilinganishwa na utafiti wa portfoliyo?

Wakati korpasi inajadili kwa kasi matumizi ya GenAI katika uteuzi wa mali, utabiri, tathmini ya hatari na uundaji wa portfoliyo, inachunguza kwa kiasi kidogo sana violesura vya robo-advisory vinavyompa mwekezaji binadamu ushauri katika mfumo wa kitaasisi. Kwa mujibu wa chanzo, msaada wa kiufundi kwa portfoliyo na ushauri wa kifedha si kitu kimoja; katika ushauri, ufuasi, uthabiti wa uvumilivu wa hatari, urekebishaji wa uaminifu, kujiamini kupita kiasi, elimu ya kifedha, athari za framing, ulinzi wa watumiaji na ustawi wa mwekezaji vinapaswa kupimwa tofauti.

Chanzo kinapendekeza kwamba siku zijazo robo-advisor zinazotegemea sheria, washauri wa kawaida wa ujifunzaji wa mashine na mifumo ya mazungumzo ya GenAI ilinganishwe chini ya wasifu sawa wa wawekezaji na matukio ya soko. Tatizo kuu la usanifu si ubinafsishaji pekee, bali kuhakikisha ubinafsishaji unaweza kukaguliwa na unaendana na wajibu wa uaminifu pamoja na majukumu ya ulinzi wa watumiaji.

Eneo la mbele la utafiti III: Blockchain, DeFi na fedha zinazoweza kupangwa

Eneo la blockchain/DeFi limeongezeka kutoka matukio 5 mwaka 2023 hadi 38 mwaka 2024 na 63 mwaka 2025. Hata hivyo, muundo wa mada na bibliographic coupling vinaonyesha kwamba sehemu muhimu ya tafiti hizi inabaki jirani na muundo mkuu wa maarifa wa GenAI–fedha badala ya kuunganishwa nao kikamilifu.

Njia zinazowezekana za muunganiko ni pamoja na mawakala wa GenAI kutafsiri nyaraka za smart-contract, mapendekezo ya utawala, maelezo ya token, matukio ya itifaki na taarifa za minyororo tofauti; mifumo ya RAG kuunganisha maamuzi yake na hali ya sasa ya itifaki pamoja na nyaraka za kisheria/kiufundi; na zana za kiotomatiki za ufuasi kufuatilia shughuli zinazoweza kupangwa.

Hata hivyo, fedha zinazoweza kupangwa huunda uso mkali zaidi wa hitilafu. Katika ushauri wa kawaida, kauli isiyo sahihi inaweza kusahihishwa kabla ya shughuli, lakini wakala anaweza kuanzisha shughuli ya smart-contract isiyoweza kurejeshwa au yenye gharama kubwa. Kwa hiyo, chanzo kinapendekeza uundaji wa moja kwa moja wa modeli za masuala kama ruhusa, execution safeguard, mifumo ya rollback, hatari ya oracle, composability, mwingiliano wa smart-contract na adversarial manipulation. Vigezo vya matokeo pia vinapaswa kwenda zaidi ya kuridhika kwa mtumiaji; ukwasi, price discovery, uwezo wa protokali kulipa, ueneaji wa kimfumo na ubora wa utawala vinapaswa kuchunguzwa.

Eneo la mbele la utafiti IV: Utawala, RAG, agentic AI na udhibiti wa kifedha

Eneo la governance/XAI/regulation limekua 7→15→84; eneo la RAG/agents limekua 0→7→60. Utafiti unatathmini ukuaji huu kwa pamoja: mifumo ya kifedha ya GenAI inapopata uwezo zaidi, tatizo la utawala hubadilika kutoka kudhibiti matokeo ya modeli moja hadi kudhibiti tabia ya mtiririko wa kazi wa hatua nyingi.

Mfumo wa uzalishaji unaweza kuvuta data binafsi, kuita zana za uchambuzi, kutoa pendekezo, kuendesha msimbo, kuwasiliana na mtumiaji na kuhamisha matokeo yake kwenda mifumo mingine. Katika usanifu kama huo, uelezekaji wa kiwango cha modeli unaojibu tu swali “kwa nini modeli ilitoa jibu hili?” hautoshi.

Hatari zinazosisitizwa katika chanzo ni pamoja na hallucination, prompt injection, retrieval contamination, matokeo yasiyo thabiti, masasisho ya modeli, uvujaji wa data na ruhusa za kutumia zana. Kwa tafiti zijazo, model card zinazolenga fedha, retrieval provenance, audit log, human-in-the-loop escalation, adversarial testing, stress testing inayotegemea matukio na mifumo ya wazi ya uwajibikaji katika vitendo vya mawakala inapendekezwa.

Matokeo yanayoungwa mkono na utafiti

  • Katika korpasi ya Scopus ya 2023–2025, machapisho ya GenAI–fedha yamekua kwa kasi sana.
  • Korpasi ina uzito mkubwa wa machapisho ya mikutano.
  • LLM, GenAI, ChatGPT, NLP, uchambuzi wa hisia na ujifunzaji wa mashine vinaendelea kuwa katika kiini cha dhana.
  • Usimamizi wa portfoliyo, biashara ya kiasi, governance, RAG/agents na blockchain/DeFi vinaendelea kuonekana zaidi.
  • Robo-advisory imewakilishwa kwa kiwango kidogo sana ikilinganishwa na ukubwa wa utafiti wa portfoliyo/uwekezaji.
  • Kuna uhusiano kati ya mfumo wa uchapishaji wa isimu kokotozi/ujifunzaji wa mashine na mfumo wa AI ya kifedha inayotumika, lakini hakuna muunganiko kamili wa kimuundo.
  • Historia ya nukuu za moja kwa moja ndani ya korpasi bado ni finyu na muundo wa kikanoni wa eneo bado uko katika hatua ya kuimarika.
  • Wakati mjadala wa AI yenye uwajibikaji na utawala unakuwa wa kati zaidi, baadhi ya maeneo ya udhibiti wa kiufundi unaotekelezeka bado yako katika hatua za mapema.

Matokeo ambayo utafiti hauungi mkono

  • Haiwezi kuhitimishwa kuwa mikakati ya uwekezaji inayotumia GenAI huwa na faida zaidi kiotomatiki.
  • Haijathibitishwa kuwa mifumo ya biashara inayotegemea LLM huzalisha alpha chanya baada ya gharama za biashara.
  • Haijaonyeshwa kuwa robo-advisor za GenAI ni salama zaidi kuliko binadamu au robo-advisor zilizopo.
  • Haijathibitishwa kuwa matumizi ya RAG huongeza usahihi wa kifedha katika kila hali.
  • Haijaonyeshwa kuwa Agentic AI inaweza kufanya shughuli za kujitegemea kwa usalama kwenye blockchain au DeFi.
  • Kuongezeka kwa masafa ya neno muhimu si sawa na kiwango cha mafanikio au kupokelewa kwa teknolojia katika ulimwengu halisi.
  • Makundi ya bibliometriki si mahusiano ya kisababishi.
  • Idadi za kutokea kwa nchi si viwango vya ubora wa utafiti wala idadi ya machapisho ya kipekee.

Vikwazo vikuu vya utafiti

1. Hifadhidata moja tu: Utafiti unategemea Scopus. Working paper, maudhui ya repository za kiufundi, tafiti za SSRN, utafiti wa sekta au machapisho yaliyofaharishwa katika hifadhidata nyingine lakini yasiyopatikana Scopus yanaweza kukosekana.

2. W/15 si kichujio kamili cha eneo: Ingawa hoja ya ukaribu ni teule zaidi kuliko hoja rahisi ya Boolean, baadhi ya rekodi za taaluma mbalimbali zenye uhusiano wa moja kwa moja mdogo na fedha zinaweza kuingia kwenye korpasi. Chanzo kinafanya hili lionekane hasa katika viwango vya nukuu za kimataifa.

3. Dirisha la muda ni miaka mitatu tu: Maeneo ya mada, umuhimu wa kati wa mtandao na miundo ya bibliographic coupling inaweza kubadilika kadiri fasihi inavyokua. Matokeo si ushahidi wa muundo thabiti wa muda mrefu.

4. Muda wa kukusanya nukuu kwa machapisho ya 2025 ni mfupi: Miaka ya mapema ina muda mrefu zaidi wa kukusanya nukuu, kwa hiyo ulinganisho ghafi wa nukuu unaweka machapisho mapya katika hali isiyo na faida.

5. Utatuzi wa utambulisho wa mwandishi si mkamilifu: Majina yaliyofupishwa katika Scopus yanaweza kuunganisha watu wenye jina moja au kugawa rekodi za mtu mmoja.

6. Kiashiria cha nchi si idadi ya nyaraka: Kipimo kinachotumiwa ni kutokea kwa mwandishi–nchi; kutokana na tafiti za mataifa mengi na waandishi wengi, jumla zinaweza kuzidi 695.

7. Ulinganifu wa maneno muhimu unahusisha uamuzi wa mtafiti: Ingawa utafiti umeepuka kuunganisha maana kwa nguvu na umehifadhi nyuga ghafi, kulinganisha visawe si mchakato usio na tafsiri kabisa.

8. Kiashiria cha eneo la mbele la kimkakati si modeli ya latent-topic: Kifuatiliaji cha eneo la mbele huhesabu kutokea kwa istilahi za kifedha zilizofafanuliwa mapema katika maneno muhimu ya waandishi na faharasa. Kwa hiyo, thamani si jibu kamili kwa swali “kuna tafiti ngapi katika eneo?”, bali ni kiashiria cha mwelekeo na ukubwa wa jamaa.

Mbinu zinazofuata zinazopendekezwa na chanzo ni pamoja na kuthibitisha upya mabadiliko hayo kwa dynamic topic model, clustering inayotegemea embedding, citation-context analysis na supervised document classification.

Tafsiri ya jumla ya kisayansi

Picha inayotolewa na utafiti ni kwamba akili bandia zalishi katika fedha inaanza kuhama kutoka swali “je, LLM inaweza kufanya jukumu la maandishi ya kifedha?” kwenda “LLM inapokuwa sehemu ya mfumo wa maamuzi ya kifedha, mfumo mzima unapaswa kubuniwaje?” Katika mabadiliko haya, uwezo wa modeli pekee hautoshi. Thamani ya kifedha inapaswa kutathminiwa pamoja na ujuzi wa eneo, taarifa za nje zinazoweza kuthibitishwa, uboreshaji, mipaka ya hatari, usimamizi wa binadamu, miundombinu ya utekelezaji, muundo mdogo wa soko na uwajibikaji wa udhibiti.

Ushahidi wa bibliometriki pia unaonyesha kuwa eneo bado halina mfumo wa kinadharia uliokamilika. Uhusiano kati ya sayansi ya kompyuta na matumizi ya fedha unaimarika; hata hivyo, benchmark, seti za data za pamoja, minyororo mirefu ya nukuu na uhusiano wa kimfumo na nadharia ya fedha bado ziko katika hatua ya maendeleo. Kwa hiyo, ukuaji wa haraka wa machapisho na ukomavu wa kisayansi havipaswi kutumiwa kama dhana moja.

Maelezo ya Chanzo na Mbinu

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

Mwandishi: Ngo Phu Thanh. Ukurasa wa mtandaoni wa metadata wa jarida unaonyesha jina kwa mpangilio “Phu Thanh Ngo”; katika maandishi haya ya Verianla, uandishi wa jina la mwandishi katika PDF asilia umehifadhiwa.

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

ORCID: 0000-0002-9174-4747 (katika rekodi rasmi ya metadata ya jarida).

Corresponding author: PDF ya chanzo inatoa taarifa za mawasiliano ya mwandishi katika utafiti wa mwandishi mmoja; lebo tofauti ya “corresponding author” haionekani wazi. Kwa hiyo, hadhi ya ziada ya mwandishi anayewajibika haijadhaniwa.

Jarida: Journal of Corporate Finance Research.

Sehemu: New Research.

Mwanzilishi/jukwaa la uchapishaji: Journal of Corporate Finance Research inayoendeshwa na National Research University Higher School of Economics (NRU HSE).

Juzuu / toleo / kurasa: 20(3), 21–48.

Mwaka wa uchapishaji: 2026.

Tarehe rasmi ya uchapishaji mtandaoni: 30 Oktoba 2026.

Iliwasilishwa: 26 Novemba 2025.

Tarehe ya kuidhinishwa baada ya mapitio ya wenzao: 7 Aprili 2026.

Tarehe ya kukubaliwa: 29 Juni 2026.

Mapitio ya wenzao: Ni makala ya jarida iliyopitiwa na wenzao. Sera rasmi ya uhariri ya Journal of Corporate Finance Research inaeleza kuwa hutumia mapitio ya wenzao ya pande mbili yasiyoonyesha utambulisho.

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

Ukurasa rasmi wa uchapishaji: https://cfjournal.hse.ru/en/article/view/29886

Uainishaji wa JEL: G34. Msimbo huu umetolewa hivyo katika chanzo; haujabadilishwa na Verianla.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wenzao inayofanya uchambuzi wa bibliometriki na uchoraji ramani wa sayansi. Utafiti si backtest ya mkakati wa uwekezaji, jaribio linalodhibitiwa, uigaji wa soko wala uchambuzi wa kisababishi wa utendaji wa kifedha.

Chanzo cha data: Rekodi 695 za Kiingereza na nyuga 45 za metadata za kipindi cha 2023–2025 zilizochukuliwa kutoka Scopus mwezi Agosti 2026.

Programu kuu: Kifurushi cha bibliometrix katika mazingira ya R.

Mbinu kuu: Uchambuzi wa utendaji, mtandao wa ushirikiano, uchambuzi wa co-word, ramani ya mada, MCA, mwonekano wa uthabiti wa CA, bibliographic coupling katika kiwango cha chanzo, uchambuzi wa kihistoriografia wa nukuu za moja kwa moja, uchambuzi wa nyuga tatu na ufuatiliaji wa maeneo ya mbele ya kimkakati ya utafiti.

Ufadhili: Utafiti ulifadhiliwa na University of Economics and Law, Vietnam National University Ho Chi Minh City, Vietnam.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililotambuliwa katika PDF ya chanzo iliyopitiwa; kwa hiyo haikudhaniwa kuwa “hakuna mgongano wa maslahi”.

Upatikanaji wa data: Chanzo kinaeleza kuwa uhamishaji wa Scopus una rekodi 695 na nyuga 45 za metadata; katika PDF iliyopitiwa hakuna kiungo tofauti cha data repository ya wazi wala data-availability statement huru iliyotambuliwa.

Michango ya mwandishi / CRediT: Chanzo kina mwandishi mmoja; katika PDF iliyopitiwa hakuna mgawanyo tofauti wa majukumu ya CRediT uliotolewa.

Kutokulingana muhimu kuhusu leseni: Ukurasa wa kwanza wa PDF ya chanzo unaelezea makala kuwa chini ya Creative Commons Attribution 4.0 International (CC BY 4.0). Kwa upande mwingine, ukurasa wa sasa rasmi wa makala wa jarida unaonyesha Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Tofauti hii haikuchukuliwa kuwa imetatuliwa kimya kimya na Verianla. Kwa usalama wa hakimiliki, rekodi rasmi ya sasa yenye vikwazo zaidi ilitumika kama msingi; nakala zilizobadilishwa za vielelezo au mipangilio ya jedwali za chanzo hazikutumiwa.


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *