Применение методов искусственного интеллекта, в частности нейросетевых моделей, открывает новые перспективы для совершенствования инструментария прогнозирования. Нейронные сети как вычислительные структуры, способные к обучению и аппроксимации произвольных нелинейных функций, теоретически могут преодолеть имеющиеся недостатки у классических подходов. Их ключевое преимущество заключается в способности автоматически выявлять скрытые, высокоуровневые зависимости и неочевидные взаимодействия между широким спектром предикторов без априорных предположений о форме этих взаимосвязей. Это позволяет рассматривать разнородные наборы данных, включая как традиционные макроэкономические показатели, так и данные финансовых рынков, индексы настроений и индикаторы глобальной ликвидности. Цель исследования заключается в создании архитектуры нейросетевой модели в прогнозировании валютных кризисов. В соответствии с намеченной целью были получены основные результаты исследования: приведен критический обзор существующих методов раннего предупреждения валютных кризисов, обосновано применение глубокого обучения для анализа нелинейных зависимостей и скрытых паттернов, описана архитектура предлагаемой нейросетевой модели и используемого набора индикаторов, осуществлено её тестирование на примере развивающихся рынков, сравнение прогнозной точности нейросетевой модели с традиционными эконометрическими подходами. В заключение статьи было отмечено, что нейросетевые модели формируют новый, соответствующий современным вызовам инструментарий для анализа финансовой уязвимости макроэкономической среды. Их дальнейшее развитие и адаптация должны способствовать повышению эффективности мер макропруденциальной политики и систем раннего предупреждения, что имеет достаточно высокое значение для обеспечения финансовой стабильности.