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 bewältigen. Es erforscht drei Schlüsselbereiche: 1. Dynamische Graphendarstellung: Es wird ein Rahmen für das Lernen dynamischer Graphenrepräsentationen auf der Grundlage struktureller Rollen vorgeschlagen, der die zeitliche Entwicklung und globale topologische Abhängigkeiten erfasst und damit die erste Anwendung des rekurrenten Lernens in diesem Kontext darstellt.2. Momentum Spillover-Effekte: Ein dualer GNN-Algorithmus wird eingeführt, um die dynamischen, komplexen Beziehungen zwischen Unternehmen und Momentum-Spillover-Effekte zu modellieren, und bietet einen neuen Ansatz zur Analyse ihrer Auswirkungen auf die Volatilität der Wertpapiermärkte.3. Interpretierbarkeit von Finanzrisiken: Um die Black-Box-Natur von Deep-Learning-Modellen zu überwinden, 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.

Autorentext

Huaming Du erhielt seinen Doktortitel von der Southwestern University of Finance and Economics. Zu seinen Forschungsinteressen gehören kausale Schlussfolgerungen, LLMs, Fintech und Graphdarstellungslernen. Er hat Beiträge in Konferenzen und Zeitschriften wie KDD, IEEE TKDE, IEEE TETC usw. veröffentlicht.