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 sprostac wyzwaniom związanym z analizą zlożonych danych finansowych i wzajemnych powiązań między przedsiębiorstwami. Bada ona trzy kluczowe obszary: 1. Dynamiczna reprezentacja graf闚: Zaproponowano ramy do uczenia się dynamicznych reprezentacji graf闚 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 podw鎩ny algorytm GNN do modelowania dynamicznych, zlożonych relacji między przedsiębiorstwami i efekt闚 rozprzestrzeniania się dynamiki, oferując nowe podejście do analizy ich wplywu na zmiennośc rynku papier闚 wartościowych.3. Interpretowalnośc ryzyka finansowego: Aby przezwyciężyc czarnoskrzynkowy charakter modeli glębokiego uczenia się, opracowano heterogeniczną strukturę GNN w celu generowania podgraf闚 dowodowych, kt鏎e ujawniają wewnętrzne i zewnętrzne czynniki wplywające na ryzyko finansowe przedsiębiorstwa, zwiększając przejrzystośc modelu.