Przewidywanie ryzyka korporacyjnego i badanie interpretowalności w oparciu o GNN

Ta książka integruje badania nad ryzykiem finansowym przedsiębiorstw z technologią grafowych sieci neuronowych (GNN) aby sprostać wyzwaniom związanym z analizą złożonych danych finansowych i wzajemnych powiązań między przedsiębiorstwami. Bada ona trzy kluczowe obszary: 1. Dynamiczna reprezentacja grafów: Zaproponowano ramy do uczenia się dynamicznych reprezentacji grafów opartych na rolach strukturalnych przechwytujących ewolucję czasową i globalne zależności topologiczne oznaczając pierwsze zastosowanie uczenia rekurencyjnego w tym kontekście. 2. Efekty rozprzestrzeniania się pędu: Wprowadzono podwójny algorytm GNN do modelowania dynamicznych złożonych relacji między przedsiębiorstwami i efektów rozprzestrzeniania się dynamiki oferując nowe podejście do analizy ich wpływu na zmienność rynku papierów wartościowych.3. Interpretowalność ryzyka finansowego: Aby przezwyciężyć czarnoskrzynkowy charakter modeli głębokiego uczenia się opracowano heterogeniczną strukturę GNN w celu generowania podgrafów dowodowych które ujawniają wewnętrzne i zewnętrzne czynniki wpływające na ryzyko finansowe przedsiębiorstwa zwiększając przejrzystość modelu.