Forschung zur Vorhersage und Interpretierbarkeit von Unternehmensrisiken auf der Grundlage von GNNs

Dieses Buch integriert die Finanzrisikoforschung von Unternehmen mit der Technologie der graphischen neuronalen Netze (GNN), um die Herausforderungen der Analyse komplexer Finanzdaten und der Verbindungen zwischen Unternehmen zu bew鄟tigen. Es erforscht drei Schlselbereiche: 1. Dynamische Graphendarstellung: Es wird ein Rahmen f das Lernen dynamischer Graphenrepr酲entationen auf der Grundlage struktureller Rollen vorgeschlagen, der die zeitliche Entwicklung und globale topologische Abh鄚gigkeiten erfasst und damit die erste Anwendung des rekurrenten Lernens in diesem Kontext darstellt.2. Momentum Spillover-Effekte: Ein dualer GNN-Algorithmus wird eingefrt, um die dynamischen, komplexen Beziehungen zwischen Unternehmen und Momentum-Spillover-Effekte zu modellieren, und bietet einen neuen Ansatz zur Analyse ihrer Auswirkungen auf die Volatilit酹 der Wertpapierm酺kte.3. Interpretierbarkeit von Finanzrisiken: Um die Black-Box-Natur von Deep-Learning-Modellen zu erwinden, wird ein heterogenes GNN-Framework entwickelt, um Evidenz-Subgraphen zu generieren, die interne und externe Faktoren aufzeigen, die das Finanzrisiko von Unternehmen beeinflussen, und so die Modelltransparenz verbessern.