В условиях цифровизации экономики и роста объёмов корпоративных данных возрастает потребность в эффективных инструментах анализа финансовой отчётности. Одним из перспективных направлений является применение нейросетевых моделей, способных выявлять скрытые зависимости в сложных и высокоразмерных финансовых данных. В статье рассматриваются различные архитектуры нейросетей (включая MLP, LSTM и трансформеры), их возможности по прогнозированию ключевых финансовых показателей компаний, а также сравнение с традиционными аналитическими методами. На основе эмпирических данных публичных компаний проведена апробация моделей, что позволило оценить их точность, интерпретируемость и применимость в корпоративной среде. Сделаны выводы о потенциале нейросетевых подходов для повышения объективности и глубины финансового анализа.