Исследование посвящено оценке эффективности инвестиционного риск-менеджмента с использованием инструментов искусственного интеллекта в банковском и страховом секторах. Цель — разработать и эмпирически проверить AI/ML-подходы к идентификации, измерению и снижению рисков портфеля и баланса, а также к повышению риск-скорректированной доходности. Методология включает сравнение традиционных моделей (GLM/логит, GARCH, актуарные методы) с глубоким обучением и градиентным бустингом, применение XAI для интерпретируемости, стресс-тестирование и сценарный анализ, EVT для «хвостов» распределений, бэктестирование и мониторинг дрейфа. Эффективность оценивается по метрикам VaR/CVaR, точности и стабильности прогнозов, экономическому капиталу, RAROC и влиянию на резервы/капитальные требования. Рассматриваются MLOps, data governance и управление модельным риском, соответствие регуляторным рамкам (Базель III/IV, IFRS 9, Solvency II/ORSA). Практический результат — рекомендации по внедрению, целевая архитектура и прототипы моделей для банков и страховых компаний.

Ключевые слова: инвестиционный риск-менеджмент; банковский сектор; страховой сектор; искусственный интеллект; машинное обучение; моделирование и оценка рисков; VaR и CVaR (условный VaR); стресс-тестирование и сценарный анализ; оптимизация портфеля и аллокация капитала; экономический капитал и RAROC; валидация и бэктестирование моделей; модельный риск и XAI (объяснимый ИИ) / investment risk management; banking sector; insurance sector; artificial intelligence; machine learning; risk modeling and assessment; VaR and CVaR (Expected Shortfall); stress testing and scenario analysis; portfolio optimization and capital allocation; economic capital and RAROC (risk-adjusted return on capital); model validation and backtesting; model risk and explainable AI (XAI)