Совершенствование методов раннего предупреждения валютных кризисов приобретает особое значение в условиях роста взаимосвязанности финансовых рынков, высокой скорости распространения внешних шоков и усложнения структуры макрофинансовых взаимосвязей. Традиционные сигнальные и эконометрические модели сохраняют аналитическую ценность, однако их возможности могут быть ограничены необходимостью априорной спецификации функциональной формы зависимостей и сложностью учёта нелинейных взаимодействий и временной структуры данных. Цель исследования состоит в обосновании возможностей применения нейросетевых моделей в системах раннего предупреждения валютных кризисов и разработке архитектуры гибридной CNN–LSTM-модели для анализа макрофинансовой уязвимости. В работе проведён сравнительный анализ традиционных и современных подходов к прогнозированию кризисных событий, систематизирован набор макроэкономических и финансовых индикаторов, предложена архитектура модели, сочетающей одномерную свёрточную нейронную сеть для извлечения локальных закономерностей и слой LSTM для анализа долгосрочных временных зависимостей. Сопоставление с результатами современных исследований 2023-2026 гг. показывает, что методы машинного и глубокого обучения обладают значительным потенциалом при построении систем раннего предупреждения, однако величина их прогностического преимущества существенно зависит от способа определения кризисного события, организации временной валидации, учёта лагов публикации данных и интерпретируемости получаемых прогнозов. Сделан вывод о целесообразности использования CNN-LSTM как элемента гибридной системы раннего предупреждения, дополняющей, а не полностью замещающей традиционный макрофинансовый анализ.