إطار عمل قائم على البيانات لتوقع المخاطر المالية والسيطرة عليها في الاقتصاد الرقمي

Summary

يقترح هذا البحث إطار عمل يعتمد على المخاطر المالية، وهو إطار عمل قائم على البيانات مصمم لتحسين التنبؤ بالمخاطر المالية والسيطرة عليها في الاقتصاد الرقمي باستخدام التعلم الموزع، ونمذجة العدوى الديناميكية، وآليات التفسير.

Abstract

في عصر الاقتصاد الرقمي، تتحول الإدارة المالية نحو اتخاذ قرارات قائمة على البيانات. أهم ثلاثة تحديات هي: (أ) قيود خصوصية البيانات الموزعة، (ب) الانتقال السريع للمخاطر المالية عبر المؤسسات المترابطة، و(ج) منطق اتخاذ القرار الشفاف لأصحاب المصلحة المتعددين. يتعامل قسم المخاطر المالية مع هذه التحديات من خلال إطار يشمل التعلم المعزز المشترك (JRL) لتحسين القرار المالي الموزع، وشبكة عصبية للرسم البياني التكيفي (AGNN) لنمذجة تأثيرات العدوى في الوقت الحقيقي، وطبقة تفسير مزدوجة القناة لتعزيز الشفافية. أجريت تجارب باستخدام بيانات مالية ربع سنوية من 2018 إلى 2023 ل300 شركة صينية مدرجة في الأسهم A، بالإضافة إلى مجموعة بيانات موزعة محاكاة. تشير النتائج الرئيسية إلى أن JRL حققت إيرادات تراكمية بلغت 60.8 مليار يوان (مع درجة خصوصية 0.92)، بينما وصلت AUC في AGNN إلى 0.89 واستقرت الأخطاء خلال ساعتين بعد صدمات السياسات. وصل أداء طبقة التفسير إلى دقة 85٪ بمتوسط 2.8 ميزة رئيسية. تظهر كل هذه النتائج أن إطار المخاطر المالية يوازن بين الخصوصية والكفاءة والسيطرة على المخاطر وقابلية التفسير، ويقدم نموذجا عمليا لإدارة المخاطر المالية في الاقتصاد الرقمي.

Introduction

في عصر الاقتصاد الرقمي، ستتحول الإدارة المالية للشركات من الممارسات القائمة على الخبرة إلى نماذج قائمة على البيانات¹. تولد المعاملات الفورية، وأجهزة استشعار إنترنت الأشياء، وأنظمة المؤسسات السحابية بيانات مالية متعددة الأبعاد بشكل مستمر، مما يفتح آفاقا جديدة للتنبؤ الدقيق، والتمويل الذكي، والتخصيص الديناميكي للأصول². ومع ذلك، يتم توزيع البيانات المالية عبر الشركات الفرعية، وشركاء سلسلة التوريد، والمؤسسات المالية، والجهات التنظيمية، كما أن المتطلبات القانونية المتزايدة الصرامة المتعلقة بأمن البيانات وPIPL تجعل المعالجة المركزية أمرا صعبا. في ظل هذه الظروف، يواجه النموذج التقليدي ل "هجرة البيانات إلى نمذجة مركزية سحابية واتخاذ القرار الموحد" معضلة أساسية: التضحية بالخصوصية من أجل الكفاءة أم الحفاظ على وحدات تخزين البيانات على حساب نتائج غير مثالية³.

وفي الوقت نفسه، تتزايد سرعة وشدة انتشار المخاطر المالية⁴. يمكن أن تتدفق التقلبات الاقتصادية الكلية، والتوترات الجيوسياسية، وأحداث "البجعة السوداء" غير المتوقعة بسرعة عبر سلاسل الإمداد وسلاسل الضمانات وتدفقات رأس المال، مما يؤدي إلى مخاطر نظامية خلال الدقائق^{الخامسة}. الأدوات التقليدية، مثل البيانات المالية الثابتة والتصنيفات الائتمانية، غالبا ما تكون غير كافية لالتقاط هذه الديناميكيات المتطورة بسرعة. لمعالجة هذا القيد، استكشف الباحثون أساليب حسابية متقدمة، بما في ذلك التعلم المعزز لتحسين القرارات المالية، والتعلم الاتحادي للتعاون الموزع، والشبكات العصبية البيانية لنمذجة التبعيات المعقدة بين الشركات⁶. حققت هذه الأساليب نجاحا أوليا في تحسين التنبؤ المالي، والتحكم في مخاطر الائتمان، ونمذجة العدوى؛ ومع ذلك، يفترض معظمها الوصول إلى بيانات مركزية أو عالمية، مما يحد من التطبيق العملي في السياقات الموزعة والمقيدة بالخصوصية.⁷.

تحد مهم آخر هو قابلية التفسير. طرق مثل نسب الميزات المعتمدة على SHAP واستخراج قواعد القرار هي تفسيرات جزئية فقط، وعادة لا تستطيع تلبية متطلبات مختلف أصحاب المصلحة مثل المدراء الماليين والمدققين والمنظمين، الذين يطلبون أن تكون عمليات اتخاذ القرار شفافة وقابلة للتدقيق وسهلة الفهم دلاليا⁸. بدون قابلية التفسير، حتى النماذج الدقيقة للغاية تكافح لاكتساب التبني في بيئات اتخاذ القرار المالي الحقيقية⁹. قدمت طرق التعلم المعزز العميق مثل DDPG¹ تقدمات أساسية تدعم أنظمة اتخاذ القرار المالي الحديثة¹⁰.

يفترض الإطار المقترح، من منظور التطبيق، شبكة مؤسسية يتم فيها توزيع البيانات المالية بين الشركات التابعة، وشركاء سلسلة التوريد، والمؤسسات المالية، أو العقد التنظيمية، حيث لا يمكن تجميع البيانات الخام بسبب قيود الخصوصية أو الاختصاص القضائي¹¹. يعمل هذا النهج بشكل جيد في سيناريو يوفر فيه كل عقدة مؤسسة مؤشرات مالية زمنية - عادة ما تتراوح بين 50 إلى 120 ميزة تغطي هيكل رأس المال، والسيولة، والربحية، والأحداث الائتمانية - عبر عدة فترات تقارير^. يمكن نشر الإطار على بيئات وحدة معالجة الرسومات القياسية أو عالية الأداء ويدعم عددا من سياقات قانون الخصوصية، مثل اللائحة العامة لحماية البيانات (GDPR)، وCCPA، وPIPL الصيني، من خلال تبادل معلمات النموذج المشفرة بدلا من السجلات المالية الحساسة^13,14. تشمل متطلبات النظام النموذجية تردد اتصال معتدل بين العقد وطوبولوجيا الشبكة المستقرة مع مرور الوقت. من القيود المعروفة انخفاض الدقة في شبكات المؤسسات المتفرقة جدا أو شديدة التقلب، حيث تمنع التحولات الهيكلية السريعة نموذج الرسوم البيانية من تعلم الاعتماديات المستمرة بين الشركات. في مثل هذه الحالات، قد تكون هناك حاجة إلى إعادة تدريب متكررة أو فترات زمنية أقصر للحفاظ على الاستقرار التنبؤي¹⁵.

في ظل هذا السياق، تقترح الدراسة الحالية إطار عمل المخاطرة المالية، وهو إطار عمل قائم على البيانات يدمج التعلم المعزز المشترك (JLR) للتحسين الموزع¹⁶، وشبكة عصبية بيانية تكيفية لنمذجة العدوى في الوقت الحقيقي¹⁷، وطبقة تفسير ثنائية القناة لشفاف الموجه نحو أصحاب المصلحة¹⁸. من خلال معالجة الخصوصية والكفاءة والتحكم في المخاطر وقابلية التفسير في الوقت نفسه، يوفر هذا الإطار نموذجا جديدا للإدارة المالية في الاقتصاد الرقمي.

Protocol

يصف هذا البروتوكول الخطوات لبناء إطار المخاطر المالية لتوقع المخاطر المالية والسيطرة عليها في الاقتصاد الرقمي وإعادة إنتاج تجارب التحقق المقابلة. يغطي البروتوكول صياغة النماذج الرياضية، وبناء وحدات الإطار، ودمج سير العمل، وإعداد مجموعات البيانات، وإعداد الأساس، وتعريف مقاييس التقييم، مما يمكن من إعادة تكرار الباحثين في المجال. يلخص جدول المواد جميع البرمجيات والمكتبات ومجموعات الأدوات والموارد المادية ومجموعات البيانات اللازمة لإعادة إنتاج هذا البروتوكول، بينما يوفر الشكل 1 سير العمل العام للتنبؤ الشفاف بالمخاطر المالية والسيطرة عليها.

ملاحظة: جميع خطوات هذا البروتوكول منفذة في سير عمل يعتمد على بايثون. يتم تنفيذ وكلاء المؤسسات المحليين (العملاء) على أجهزة منفصلة أو حاويات معزولة لمحاكاة المؤسسات الموزعة، بينما يتم تنفيذ التجميع الفيدرالي على منسق مركزي (خادم). يتم تنفيذ تدريب النماذج والاستدلال باستخدام إطار عمل للتعلم العميق (مثل PyTorch أو TensorFlow) مع تسريع وحدة معالجة الرسومات عند توفره. يتم تنفيذ عمليات الشبكة العصبية للرسم البياني باستخدام مكتبة تعلم الرسوم البيانية (مثل PyTorch Geometric أو DGL). يتم توليد تفسيرات SHAP باستخدام حزمة SHAP. لضمان قابلية التكرار، تستخدم التجارب بذور عشوائية ثابتة، وتقسيمات محددة مسبقا للقطار/التحقق/الاختبار، وسكريبتات معالجة مسبقة متسقة، ومعلمات فائقة مسجلة (معدل التعلم، حجم الدفعة، جولات الاتصال، ومعايير الإيقاف المبكر).

1. تعريف مشكلة البحث وصياغة النماذج الرياضية بشكل رسمي

1. توضيح الأهداف البحثية الأساسية الثلاثة: تحسين القرارات المالية ضمن قيود خصوصية البيانات الموزعة، التقاط العدوى الديناميكية بين المؤسسات للمخاطر، وضمان منطق اتخاذ القرار القابل للتفسير من قبل الإنسان لأصحاب المصلحة المتعددين.
2. تقنين نموذج تحسين القرار المالي الموزع
   1. حدد مساحة القرار لكل مؤسسة: دع القرارات في الوقت t للمؤسسة i هي ، حيث تشمل A_i استراتيجيات الاستثمار والتمويل وتوزيع الأرباح.
   2. حدد هدف تعظيم العائد طويل الأجل كهدف تحسين، معبرا عنه كالتالي:
      (1)
      حيث γ هو عامل الخصم، وR_i هو المكافأة الفورية، والحالة المحلية، ومجموعة العلاقات بين المؤسسات.
      ملاحظة: تشجع هذه الصياغة على كل وكيل مؤسسي على تحسين اتخاذ القرار بناء ليس فقط على وضعه المالي بل أيضا بناء على تأثيرات انتشار المخاطر على المؤسسات المتصلة. ونتيجة لذلك، تدعم JRL التعلم التعاوني الذي يحافظ على الخصوصية عبر الكيانات المالية الموزعة.
   3. فرض قيود على الخصوصية: حدد أن البيانات الخام لكل مؤسسة لا يمكن مشاركتها بين الكيانات (أي أن البيانات تبقى محلية لكل مؤسسة)، وفرض مشاركة المعلمات بدلا من تبادل البيانات أثناء التدريب الفيدرالي.
3. تقنين نموذج انتشار المخاطر الديناميكي
   1. مثل الشبكة بين المؤسسات كرسم بياني ديناميكي:
      (2)
      حيث V تشير إلى عقد المؤسسة وE^t تشير إلى حواف العدوى المتغيرة زمنيا.
   2. تعريف أوزان الحواف لقياس شدة انتقال المخاطر من المؤسسة i إلى j في الزمن t.
   3. صف تطور حالة المخاطر في المؤسسة i باستخدام معادلة ديناميكية غير خطية:
      
      حيث f دالة تنشيط غير خطية ^{و ∈ اضطراب} عشوائي.
4. صياغة نموذج قيد قابلية التفسير
   1. اضبط عتبة دقة الشرح: اطلب احتمال تطابق مخرج النموذج مع التفسير لتحقيق ذلك
      (4)
      مع δ كعتبة قبول، بينما يتم الحفاظ على الإيجاز من خلال تحديد عدد الميزات التفسيرية.
      ملاحظة: تم تعيين عتبة القبول على δ = 0.85 بناء على المعايرة على مجموعة التحقق. يتحكم هذا العتبة في الحد الأدنى من الاتفاق بين مخرجات النموذج والتفسير المولد، مما يضمن بقاء التفسيرات وفية لاحتمالية المخاطر المتوقعة مع تجنب قوائم الميزات الطويلة جدا.
   2. فرض اختصار الشرح من خلال تحديد عدد الميزات التفسيرية الرئيسية إلى k≤K (حيث K هو عدد أقصى محدد مسبقا من الميزات القابلة للتفسير).

2. بناء إطار JRL

1. نشر شبكات التعلم المعزز المحلية لكل مؤسسة
   ملاحظة: يتم تنفيذ هذه الخطوة على كل عميل مؤسسي (آلة محلية/حاوية). يتم نقل معلمات النموذج (أو تحديثات المعلمات) إلى الخادم فقط أثناء التجميع الفيدرالي.
   1. تنفيذ وكيل تدرج سياسة حتمية عميق (DDPG) لكل مؤسسة، بما في ذلك هيكل الفاعل-الناقد (شبكة السياسات لاختيار الإجراءات وشبكة الناقد لتقدير القيمة).
      ملاحظة: يقوم كل عميل بتهيئة وكيل DDPG ببذرة عشوائية ثابتة، ويتفاعل مع بيئته المحلية لتوليد الانتقالات، ويخزنها في مخزن إعادة التشغيل لتحديثات الدفعات المصغرة.
   2. حدد مخرجات شبكة الناقدين لتقييم قيمة أزواج الحالة-القرار:
      (5)
2. تعريف دالة الخسارة لشبكة النقد
   1. احسب خطأ الفرق الزمني باستخدام شبكة الناقد المستهدف Q_φi ، وتعيين دالة الخسارة كالتالي:
      (6)
   2. تحسين معلمات شبكة الناقدين φ_i باستخدام هبوط التدرج العشوائي. في كل خطوة تحديث، قم بأخذ عينات من مجموعة صغيرة من الانتقالات من مخزن إعادة التشغيل، وحساب فقدان TD أعلاه، وقم بعكس التدرجات العكسية، وتطبيق تحديث محسن (مثل SGD/Adam). يمكنك اختياريا تطبيق قص التدرج للاستقرار وتحديث شبكة الناقد المستهدف باستخدام معدل تحديث برمجي τ.
3. تحسين معايير شبكة السياسات
   1. احسب تدرج العائد طويل الأجل J(θ_i) بالنسبة لمعاملات السياسة θ_i:
      (7)
   2. تحديث θ_i باستخدام التدرج المحسوب لتعظيم العائد التراكمي.
4. تنفيذ تجميع المعلمات العالمي عبر المتوسط الفيدرالي (FedAvg)
   1. جمع معلمات شبكة السياسات المشفرة (أو دلتا المعاملات) من جميع المؤسسات في نهاية كل جولة اتصال.
   2. احسب المعامل العالمي θ_g عن طريق وزن معلمات كل مؤسسة بحجم مجموعة البيانات الخاصة بها |D_i|:
      (8)
   3. توزيع المعلمة العالمية المحدثة_θg على كل مؤسسة لمزامنة الشبكات المحلية.
      ملاحظة: يتم تنفيذ الخطوات 2.4.1-2.4.3 باستخدام سير عمل خادم-عميل. يقوم العملاء برفع المعلمات (أو الدلتا) إلى الخادم المركزي عبر قناة مشفرة (مثل TLS). يقوم الخادم بتنفيذ FedAvg ويبث_θg مرة أخرى لجميع العملاء للجولة التالية.
5. تعزيز كفاءة التواصل
   1. تطبيق الضغط الكمي على معلمات النموذج لتقليل حجم نقل البيانات.
   2. حقن ضوضاء الخصوصية التفاضلية في كل تحديث محلي للنموذج باستخدام آلية غاوسيان. لكل جولة t، يطبق الضوضاء ∈^t ∼ N(0,σ² I) مع σ=0.8 على متجه التدرج g:
      (9)
      ملاحظة: يتم تطبيق الضوضاء محليا على العميل مباشرة قبل التواصل مع الخادم لدعم التدريب على الحفاظ على الخصوصية تحت قيود الخصوصية التفاضلية.
   3. قبول التحديثات غير المتزامنة لاستيعاب القدرات الحاسوبية المتجانسة بين المشاركين.

3. بناء شبكة الرسم البياني التكيفية العصبية (AGNN) لنمذجة العدوى المخاطرة

1. احسب أوزان الانتباه لتوجيه مصفوفة الاقتراب الديناميكي
   1. احسب معامل الانتباه بين المؤسسة i و j في الزمن t باستخدام انتباه نقطة وضرب مطبيعي:
      (10)
      ملاحظة: تحدد هذه الأوزان تأثير كل مؤسسة مجاورة على حالة المخاطر المحدثة، مما يمكن المدققين من تتبع التوقعات إلى محركات علاقية محددة.
   2. قم بتحديث وزن الحافة ليعكسي شدة العدوى في الوقت الحقيقي.
2. تنفيذ تمرير الرسائل الزمني
   1. تجميع حالات مخاطر الجيران لتوليد متجه الرسالة للمؤسسة i
      (11)
3. قم بتحديث حالة خطر العقدة باستخدام وحدة تكرارية مبوبة (GRU)
   1. قم بدمج الحالة الحالية ومتجه الرسالة لحساب حالة الخطوة الزمنية التالية:
      (12)
4. استخراج تضمينات العدوى وتحسين النموذج
   1. تمرير الحالة المحدثة عبر Perceptron متعدد الطبقات (MLP) لتوليد تضمينات العدوى:
      (13)
   2. تعريف دالة فقدان الإنتروبيا المتقاطع لتحسين معلمات AGNN:
      (14)
   3. تدريب AGNN باستخدام الانتشار العكسي باستخدام محسن minibatch (مثل Adam) حتى التقارب. قم بإنشاء لقطات رسم بياني لكل خطوة زمنية t وتوليد دفعات زمنية باستخدام نوافذ منزلقة فوق {G_t}. قلل من L في تقسيم التدريب وراقب فقدان التحقق في كل فترة من الحق. تطبيق التوقف المبكر عندما لا يتحسن فقدان التحقق لعدد محدد مسبقا من العصور (الصبر)، أو التوقف عند الحد الأقصى لعدد الحقور.

4. تطوير طبقة التفسير ذات القناة المزدوجة

1. تنفيذ قناة أهمية الميزات المعتمدة على SHAP
   1. احسب المساهمة الحدية لكل ميزة x_j في مخرجات النموذج باستخدام قيم SHAP:
      (15)
   2. حيث_{φ j} هي قيمة SHAP للميزة x_j، مما يمثل مساهمته الجمعية في التنبؤ.
   3. ترتيب الميزات حسب قيم مطلقة_{φ j} لتحديد المحركات الرئيسية لقرارات المخاطر المالية.
2. تنفيذ قناة استخراج القواعد المعتمدة على شجرة القرار
   1. درب نموذج شجرة قرار خفيف الوزن كبديل للشجرة. استخدم نفس مصفوفة ميزات الإدخال X المقدمة لنموذج المخاطر المالية ومخرجات النموذج المقابلة كإشارات إشراف. على وجه التحديد، استخدم إما (1) الاحتمال المتوقع (شجرة الانحدار) أو (2) مستويات المخاطر المتقطعة (شجرة التصنيف) التي تم الحصول عليها من خلال العتبة (مثل منخفض/متوسط/عالي). درب شجرة قرار ضحلة ذات عمق محدود (مثل أقصى عمق من 3 إلى 5) لتقليل الإفراط في التركيب والحفاظ على قابلية التفسير. قيم دقة البديل بمقارنة مخرجات الشجرة مع مخرجات المخاطر المالية على تقسيم تحقق محتجز.
   2. استخرج قواعد "لو-لو" القابلة للقراءة من شجرة القرار. اعبر كل مسار من الجذر إلى الورقة وحول شروط التقسيم إلى قواعد متقاطعة. الإبلاغ عن القواعد باستخدام أسماء المؤشرات المالية الأصلية والعتبات التي تعلمتها الشجرة. على سبيل المثال: "إذا كانت نسبة الدين إلى الأصول >0.6 وتغطية التدفق النقدي <1.2، فإن مستوى المخاطر = مرتفع." أزل الشروط الزائدة واحتفظ فقط بأكثر القواعد إفادة (مثل القواعد العليا المرتبة حسب الدعم أو الوفاء).
3. دمج القناتين التفسيريتين
   1. توليد تفسيرات متكاملة من خلال دمج مخرجات SHAP ومخرجات قائمة على القواعد. لكل توقع مؤسسي، أبلغ (i) عن ميزات SHAP الأعلى مرتبة حسب |φ_j| كمحركات كمي، و(2) مسار قاعدة شجرة القرار المتطابقة الذي يتم تفعيله من نفس الحالة المدخلة التي يفعل المنطق النوعي. قدم الشرح النهائي كقالب قصير يربط مساهمات الميزات مع بيان قاعدة مقابلة لدعم كل من الشفافية العددية وقابلية التفسير المنطقية.
      ملاحظة: يقدم الجدول 1 نظرة عامة على المتغيرات الأساسية والمؤشرات المالية المستخدمة في البحث لتوفير وضوح فيما يتعلق بكيفية ارتباط سمات المدخلات بتوقع المخاطر على مستوى المؤسسة.

5. تأسيس سير عمل خوارزمي متكامل

1. تهيئة مكونات إطار العمل
   1. قم بتكوين شبكات السياسات المحلية وشبكات الناقدة لجميع المؤسسات (بما يتوافق مع Step 2.1)، بما في ذلك بذور التهيئة وإعدادات إعادة التشغيل المخزن.
   2. حدد المعلمات الأولية ل AGNN، بما في ذلك بعد الحالة المخفية d، ومعاملات GRU الفائقة، وأحجام طبقات MLP.
   3. تهيئة طبقة التفسير ثنائية القناة، بما في ذلك تكوين SHAP (مثل استراتيجية أخذ عينات النواة/الخلفية) وقيود شجرة القرار (مثل العمق الأقصى).
   4. حدد معايير التجميع العالمية ل FedAvg، بما في ذلك تردد الاتصال (فترة جولة)، شدة ضوضاء الخصوصية، وعدد الجولات العالمية.
2. تنفيذ تحديثات الإطار التكرارية
   1. لكل خطوة زمنية t:
      1. توليد الولايات المحلية والقرارات باستخدام شبكة السياسات الخاصة بكل مؤسسة.
      2. احسب المكافآت الفورية بناء على النتائج المالية المحققة أو الأهداف البديلة المحددة في المعادلة (1).
      3. قم بتحديث السياسات المحلية وشبكات النقاد باستخدام الانتقالات (بما يتوافق مع الخطوات 2.2-2.3)، باستخدام أخذ عينات صغيرة من مخزن إعادة التشغيل وتحسين قائم على الانتشار العكسي.
      4. جمع المعلمات المحلية المشفرة، وأداء FedAvg لتحديث المعلمات العالمية، وتوزيع_θg على المؤسسات (بما يتوافق مع الخطوة 2.4).
      5. قم بتحديث AGNN باستخدام تمرير الرسائل المعتمد على الانتباه وتدريب وحدة العدوى. قم ببناء لقطة الرسم البياني G_t وميزات العقدة في الخطوة الزمنية t. لكل عقدة i، احسب معاملات الانتباه على الجيران j∈N(i) كالتالي:
         (16)
         قم بتحديث التمثيل المخفي باستخدام التجميع الموزون:
         (17)
         نفذ تمريرات للأمام والخلف على تقسيم التدريب باستخدام محسن minibatch (مثل Adam). تدرب على عدد محدد من الجولات العالمية (مثل 200 جولة) مع مراقبة خسارة التحقق في كل جولة. طبق جدولة معدل التعلم التي تقلل معدل التعلم بمقدار 0.1 عندما لا يتحسن فقدان التحقق من الصحة في نافذة صبر محددة مسبقا (مثل 5 عصور/جولات متتالية).
         ملاحظة: تمكن هذه الصياغة كل عقدة مؤسسة من تجميع معلومات الجيران مع زيادة وزن العلاقات المالية ذات الأهمية المالية (عالية المخاطر)، مما يحسن الكشف المبكر عن إشارات المخاطر المدفوعة بالعدوى.
      6. التنبؤ باحتمالات الافتراضية للمؤسسة باستخدام تضمينات AGNN .
      7. توليد تفسيرات للقرارات والتنبؤات بالمخاطر عبر طبقة القناة المزدوجة (بما يتوافق مع الخطوة 4.3)، مع الإبلاغ عن كل من المحركات المعتمدة على SHAP ومسار قواعد شجرة القرار المفعلة.
      8. جمع ملاحظات أصحاب المصلحة (اختياري) لتحسين وضوح الشرح (مثل مراجعة قوالب الشرح أو تعديل الحد الأقصى لعدد الميزات المبلغ عنها k).
3. حدد شروط الإنهاء
   1. توقف عن التكرار عندما يصل عدد خطوات الوقت إلى حد محدد مسبقا (مثل 1000 تكرار) أو عندما يستقر أداء النموذج (مثلا، عندما يتغير AUC-ROC بأقل من 0.01 لخمس تكرارات متتالية).
   2. قدم نتائج محسنة: استراتيجيات اتخاذ قرارات خاصة بالمؤسسة، نماذج مخاطر العدوى المعدلة للضمير الطبيعي، وقوالب الشرح الموحدة.
      ملاحظة: يلخص الجدول 2 معلمات التهيئة وإعدادات التدريب عبر جميع بيئات التعلم لتوفير قابلية إعادة إنتاج كاملة لسير العمل التجريبي.

6. إعداد مجموعات بيانات تجريبية

1. جمع ومعالجة مجموعة البيانات المالية الحقيقية
   1. جمع البيانات المالية الفصلية ل 300 شركة صينية مدرجة في حصص A من 2018 إلى 2023، تغطي 8 صناعات (مثل التصنيع، المالية، وتكنولوجيا المعلومات).
   2. تضمين الميزات المالية وأحداث المخاطر المصنفة. استخدم 120 ميزة مالية (مثل نسبة الدين إلى الأصول، مؤشرات التدفق النقدي، والعائد على حقوق الملكية) وتسميات أحداث المخاطر مثل التخلف عن السداد وخفض تصنيف الائتمان.
   3. قسم مجموعة البيانات زمنيا. استخدم الربع الأول من 2021 والربع الرابع من 2021 للتدريب، والرابع من الربع الأول إلى 2022 للتقييم، والربع الرابع من الربع الأول إلى 2023 للاختبار، لضمان عدم وجود تسرب زمني عبر الانقسامات.
2. إنشاء مجموعة البيانات الموزعة المحاكاة
   1. أنشئ عقد مؤسسية موزعة. أنشئ 10 عقد مؤسسات، كل منها يحتوي على بيانات محلية حساسة للخصوصية (مثل سجلات المعاملات الداخلية) وإشارات قابلة للمشاركة على مستوى الصناعة (مثل معدل نمو متوسط القطاع).
   2. أضف التباين والضوضاء. حقن تباين أكبر في عقد المؤسسات الصغيرة لمحاكاة اختلال وتقلب البيانات الواقعي بين المشاركين.
      ملاحظة: يصف الجدول 3 خصائص مجموعات البيانات الحقيقية والمحاكاة المستخدمة في التقييم؛ يشمل أنواع الميزات التمثيلية، مما يدعم الشفافية في فهم البيانات وتكرارها.

7. إعداد نماذج أساسية

1. رتب الخطوط الأساسية لتحسين النتائج المالية المتفرقة
   1. تنفيذ التعلم المعزز المستقل (IR): تدريب وكيل DRL لكل مؤسسة باستخدام بياناته المحلية فقط (دون مشاركة معلمات).
   2. تنفيذ التعلم المراقب الفيدرالي (FedSL): درب نموذج XGBoost عبر FedAvg لتوليد قواعد قرار مالية ثابتة.
   3. تنفيذ التعلم المركزي العميق للتعزيز (CDRL): تجميع جميع بيانات المؤسسات في عقدة مركزية وتدريب وكيل DDPG (بدون حماية خصوصية).
2. تكوين الخطوط الأساسية لنمذجة عدوى المخاطر
   1. تنفيذ شبكة الرسم البياني الثابتة العصبية (GNN الثابت): استخدم مصفوفة مجاورة ثابتة (بناء على الانتماء إلى الصناعة) لنمذجة نقل المخاطر.
   2. تنفيذ شبكة الذاكرة طويلة المدى قصيرة الأجل (LSTM): نمذجة اتجاهات المخاطر الفردية للمؤسسة باستخدام بيانات السلاسل الزمنية فقط (متجاهلا العلاقات بين المؤسسات).
   3. تنفيذ نموذج SIR الكلاسيكي: افترض معدلات انتقال المخاطر الثابتة لمحاكاة ديناميكيات العدوى.
3. تكوين الخطوط الأساسية لقابلية الشرح
   1. SHAP فقط: توليد تفسيرات باستخدام أهمية الميزة فقط (بدون استخراج قواعد).
   2. القاعدة فقط: توليد تفسيرات باستخدام قواعد شجرة القرار فقط (دون وزن كمي للميزات).
   3. خط أساس التقطير: تقريب نموذج المخاطر المالية بنموذج أبسط (مثل الانحدار الخطي) لتبسيط التفسيرات.
4. تأكد من المقارنة الأساسية. مطابقة المعاملات الفائقة الرئيسية عبر الأساسيات حيثما كان ذلك مناسبا (مثلا، نفس حجم GRU المخفي ل LSTM و AGNN؛ معدلات تعلم وميزانيات تدريب مماثلة).
   ملاحظة: يوضح الجدول 4 البيئة البرمجية الكاملة وتكوين النموذج المستخدم لإعادة إنتاج سير عمل المخاطر المالية، بما في ذلك المعاملات الفائقة JRL وAGNN، وإعدادات الخصوصية التفاضلية، وبروتوكول التجميع الموحد.

8. تعريف مقاييس التقييم

1. تعريف المقاييس لتحسين القرار المالي الموزع
   1. حساب الإيرادات التراكمية: استخدم دالة العائد طويل الأجل في المعادلة (1) لقياس إجمالي المكاسب المالية خلال فترة الاختبار.
   2. قياس استقرار السياسة: احسب الانحراف المعياري لتعديلات القرار (مثل تغيرات نسبة الاستثمار) عبر خطوات زمنية متتالية (تشير القيم المنخفضة إلى استقرار أعلى).
   3. تقييم حماية الخصوصية: استخدم مؤشرا قائما على الإنتروبيا لتقييم مقاومة تسرب البيانات (الدرجات الأعلى تشير إلى التزام أقوى بالخصوصية).
2. تعريف مقاييس لنمذجة عدوى المخاطر
   1. حساب AUC-ROC: تقييم دقة توقعات احتمالية الافتراضي للمؤسسة (القيم الأعلى تشير إلى أداء أفضل).
   2. قياس معدل التعرف على المسارات: احسب نسبة قنوات العدوى الصحيحة بين المؤسسات.
   3. تقييم التكيف الديناميكي: سجل الوقت (بالساعات) اللازم لتثبيت أخطاء التنبؤ بعد صدمة السياسة (كما هو موضح في المعادلة 3، تشير القيم الأدنى إلى تكيف أسرع).
3. تعريف المقاييس لقابلية التفسير
   1. تقييم دقة الشرح: إجراء مراجعات خبراء لتقييم الاتساق بين الشروحات ومنطق النموذج (استنادا إلى المعادلتين 4 و14)، مع درجات تتراوح من 0 إلى 1.
   2. قياس إيجازة الشرح: عد متوسط عدد الميزات الرئيسية المدرجة في كل شرح.
   3. تقييم اتساق القواعد: قم بتقييم التوافق بين القواعد المستخرجة والمعايير المالية المؤسسية المقبولة (تتراوح من 0 إلى 1، والقيم الأعلى تشير إلى امتثال أفضل).
   4. وثق جميع طرق حساب المقاييس: سجل الصيغ ومعايير العتبة لضمان قابلية تكرار النتائج.

9. مقاييس التقييم

1. استخدم أربعة مقاييس تقييم قياسية لتقييم أداء التنبؤ.
   1. يحسب متوسط تربيع الخطأ (MSE) متوسط الفروق التربيعة بين قيم المخاطر الفعلية والمتوقعة. تشير قيم MSE المنخفضة إلى دقة أعلى في التنبؤ، كما هو محسوب:
      (18)
   2. يشير متوسط الجذر التربيعي للخطأ (RMSE) إلى الجذر التربيعي لخطأ التنبؤ، وبالتالي فهو يعكس أساسا استقرار النموذج عبر نطاق من المقاييس:
      (19)
   3. يحسب متوسط الخطأ المطلق (MAE) متوسط الانحراف المطلق بين التنبؤ والقيمة الحقيقية، مع التركيز على المتانة وقابلية التفسير.
      (20)
   4. معدل الخطأ (ER) هو النسبة بين انحراف القيم المتوقعة مقابل الفعلية بالنسبة المئوية، مما يوفر مقياسا أكثر بديهية مرتبطا بأداء التنبؤ الواقعي:
      (21)

Results

تحسين القرار المالي الموزع (RQ1)

حقق DRL المركزي أعلى إيرادات تراكمية ولكن على حساب ضعف حماية الخصوصية مع درجة خصوصية منخفضة تبلغ 0.30. وعلى النقيض من ذلك، حقق إطار عمل JLR المقترح إيرادات تراكمية بلغت 60.8 مليار يوان، أي أقل بنسبة 7٪ فقط من DRL المركزي، مع الحفاظ على درجة خصوصية عالية تبلغ 0.92. بالإضافة إلى ذلك، تفوق على RL المستقل وFedSL في استقرار القرار. لذا، يقدم إطار JLR المقترح مقايضة أكثر إرضاء بين حماية الخصوصية والربحية. تثبت هذه الملاحظات أن JRL بالفعل تمكن تحسينات...

Discussion

تظهر النتائج أن الإطار المقترح يعالج بفعالية ثلاثة تحديات أساسية في إدارة المخاطر المالية الموزعة: (1) تحسين اتخاذ القرار المالي للحفاظ على الخصوصية، (2) النمذجة الديناميكية لانتشار المخاطر بين المؤسسات، و(3) التفسير الموجه نحو أصحاب المصلحة تحت بيئات بيانات منظمة. بدلا من التعامل مع هذه الأهداف كأهداف معزولة، يربط الإطار بين التعلم المعزز المشترك (JRL) وشبكة عصبية بيانية تكيفية (AGNN) وطبقة تفسير ثنائية القناة، مما يتيح التنبؤ بالمخاطر والسيطرة عليها بطريقة تظل قابلة للنشر والتدقيق في ب...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
برنامج إدارة البيانات المالية	شركة معلومات الرياح المحدودة	لا يوجد	تم توفير بيانات مالية ربع سنوية ل 300 شركة A-share (2018– 2023)
خادم GPU	NVIDIA	الإصدار A100	الأجهزة
خادم الحوسبة عالي الأداء	تقنيات ديل	R7525	يستخدم لإجراء تجارب التعلم المعزز الفيدرالي وتدريب AGNN
بايثون		الإصدار 3.1	البرمجيات
بايتورش	الذكاء الاصطناعي الضخم	الإصدار 2.1	البرمجيات
راي آر ليب		الإصدار 2.6	مجموعة الأدوات
شاب		أحدث إصدار	المكتبة