网络担保贷款风险管理的视觉分析
我们提出了一个非参数的、时变的有向信息图(TV-DIG)框架来估计时间序列网络中不断演变的因果结构,从而解决传统计量经济模型在捕捉高维度、非线性和时变的系列之间相互关联方面的局限性。通过仿真实验和经验分析,我们评估了所提出模型的有效性,并报告了在恢复具有非线性和多变量结构的模拟时变网络方面取得的有希望的结果。我们将该框架应用于识别和监测金融网络中主要资产和行业部门之间的相互关系和系统风险的演变。我们着重研究加密货币对金融稳定性的潜在系统性风险,包括在 COVID-19 大流行和 2020 年美联储紧急响应期间对其他部门的溢出效应。我们的研究发现,在 2020 年之前,加密货币对某些金融部门产生了重要且以前未被认可的影响,突显了它们的潜在系统风险,并在跟踪金融网络内不断演化的跨部门互动方面提供了一种系统方法。
Dec, 2023
通过提高透明度,建立一个简单的激励机制,可以以自组织的临界方式实现系统内风险的均衡分布,减少系统性风险和级联失败,这是一种有效且不降低金融网络效率的监管机制。
Jan, 2013
作者提出了一种基于图神经网络和循环神经网络构建的动态多层网络的信用风险评估模型,该模型考虑了不同类型的连接和这些连接随时间的演变,并通过使用自定义的注意机制提高了模型表现,与传统方法相比,在预测借款人违约概率方面,我们的模型带来了更好的结果和对连接和时间戳重要性分析的新见解。
Feb, 2024
本文通过量化墨西哥银行系统的四个市场层次对系统性风险进行量化,揭示了单层面视角可能低估总体系统性风险 90% 的事实,进而探究了所有市场层次下墨西哥银行系统的系统性风险特点以及全国范围的预期系统性损失。作者们表示,现今时期预期系统性损失比 2007-2008 年金融危机之前高出至少 4 倍,并且个人交易的系统性风险贡献甚至比相应的信用风险高出千倍,这将给公众带来巨大风险。
May, 2015
研究使用部落式图作为新的财务风险评估方式,提出一种新的基于两个级别的 TH-GNN 模型,包括结构模式编码和信息扩散两个级别,利用对比学习和部落关系分析有效地、高效地识别部落中的风险公司,模型在真实数据集上得到了显著的改进。
Jan, 2023
本文提出了一种名为 HIDAM 的新模型,以应对金融机构面临的风险评估问题,特别是针对小微企业的金融风险问题。该模型应用异质信息网络,提取元路径中的交互信息,并采用分层注意机制来学习不同元路径内部的内容和不同元路径之间的重要性,从而在真实世界的银行数据上取得了比其他竞争者更好的性能表现。
Apr, 2022
建立供应链风险评估模型以有效管理和缓解潜在风险的重要性逐渐增加,本文提出了一种基于层次化的知识可迁移图神经网络的供应链风险评估模型,通过图嵌入方法将供应链网络嵌入到基本产品网络中,解决了数据饥饿问题,实验证明该模型在实际供应链数据集上表现优异。
Nov, 2023
使用拓扑数据分析方法,基于时变相关网络和持续同调代数,检测金融数据中的关键转折点。通过对 2007-2008 年美国金融危机前股票组合的研究,发现了关键转折点的早期信号。
Jan, 2017
通过设计模式保持的图神经网络与课程学习 (MotifGNN),本研究提出了一种预测用户财务违约的方法,以同时学习原始图的低阶结构和基于多视图模式的图的高阶结构,以解决之前方法在面对信息有限用户时无法满足预测需求的问题。
Mar, 2024