Ein datengetriebenes Rahmenwerk zur Finanzrisikovorhersage und -steuerung in der digitalen Wirtschaft

Summary

Diese Forschung schlägt Financial Risk vor, ein datengetriebenes Rahmenwerk, das darauf ausgelegt ist, die Vorhersage und Kontrolle von Finanzrisiken in der digitalen Wirtschaft mithilfe von verteiltem Lernen, dynamischer Ansteckungsmodellierung und Interpretierbarkeitsmechanismen zu verbessern.

Abstract

Im Zeitalter der digitalen Wirtschaft verlagert sich das Finanzmanagement hin zu datengetriebenen Entscheidungen. Die drei wichtigsten Herausforderungen sind: (a) verteilte Datenschutzbeschränkungen, (b) schnelle Ansteckung finanzieller Risiken über miteinander verbundene Unternehmen und (c) transparente Entscheidungslogik für mehrere Stakeholder. Financial Risk begegnet diesen Herausforderungen mit einem Rahmenwerk, das Joint Reinforcement Learning (JRL) für verteilte Finanzentscheidungsoptimierung, ein Adaptives Graph Neural Network (AGNN) zur Modellierung von Echtzeit-Ansteckungseffekten und eine Dual-Channel-Interpretationsschicht zur Verbesserung der Transparenz umfasst. Experimente wurden mit quartalsjährlichen Finanzdaten von 2018 bis 2023 von 300 chinesischen A-Aktien-gelisteten Unternehmen sowie einem simulierten verteilten Datensatz durchgeführt. Die wichtigsten Ergebnisse zeigen, dass JRL einen kumulativen Umsatz von 60,8 Milliarden Yuan (mit einem Datenschutzwert von 0,92) erzielte, während der AUC von AGNN 0,89 erreichte und die Fehler innerhalb von zwei Stunden nach politischen Schocks stabilisierte. Die Leistung der Interpretationsschicht hat 85 % Genauigkeit bei durchschnittlich 2,8 Schlüsselmerkmalen erreicht. All diese Ergebnisse zeigen, dass das Finanzrisiko-Rahmenwerk Privatsphäre, Effizienz, Risikokontrolle und Interpretierbarkeit in Einklang bringt und ein praktisches Paradigma für das Finanzrisikomanagement in der digitalen Wirtschaft bietet.

Introduction

Im Zeitalter der digitalen Wirtschaft wird sich das Unternehmensfinanzmanagement von erfahrungsbasierten Praktiken hin zu datengetriebenen Paradigmen^{verlagern 1}. Echtzeittransaktionen, IoT-Sensoren und cloudbasierte Unternehmenssysteme erzeugen ununterbrochen multidimensionale Finanzdaten und eröffnen neue Perspektiven für präzise Prognosen, intelligente Finanzierung und dynamische Asset^{Allocation 2}. Dennoch werden Finanzdaten über Tochtergesellschaften, Lieferkettenpartner, Finanzinstitute und Regulierungsbehörden verteilt, und die zunehmend strengeren gesetzlichen Anforderungen in Bezug auf Datensicherheit und PIPL erschweren zentrale Verarbeitung. Unter diesen Umständen steht das traditionelle Paradigma der "Datenmigration zu cloud-zentralisierter Modellierung und einheitlicher Entscheidungsfindung" vor einem Dilemma: Privatsphäre für Effizienz zu opfern oder Datensilos auf Kosten suboptimaler Ergebnisse^{aufrechtzuerhalten 3}.

Gleichzeitig nehmen die Geschwindigkeit und Intensität der Ansteckung des Finanzrisikos^zu. Makroökonomische Schwankungen, geopolitische Spannungen und unerwartete "schwarze Schwan"-Ereignisse können sich schnell entlang von Lieferketten, Sicherheiten und Kapitalströmen ausbreiten und innerhalb von^fünf Minuten zu systemischem Risiko führen. Konventionelle Werkzeuge wie statische Finanzberichte und Kreditwürdigkeiten reichen oft nicht aus, um diese sich schnell entwickelnden Dynamiken zu erfassen. Um diese Einschränkung zu beheben, haben Forscher fortschrittliche rechnergestützte Methoden untersucht, darunter Reinforcement Learning zur Optimierung finanzieller Entscheidungen, federiertes Lernen für verteilte Zusammenarbeit und Graphen-Neuralnetze zur Modellierung komplexer unternehmensübergreifender Abhängigkeiten⁶. Diese Ansätze erzielten erste Erfolge bei der Verbesserung der Finanzprognose, der Kontrolle von Kreditrisiken und der Ansteckungsmodellierung; die meisten von ihnen nehmen jedoch den Zugriff auf zentralisierte oder globale Daten an, was die praktische Anwendbarkeit in verteilten und datenschutzbeschränkten Kontexten^{einschränkt 7}.

Eine weitere wichtige Herausforderung ist die Interpretierbarkeit. Methoden wie SHAP-basierte Feature-Attribution und Entscheidungsregelextraktion sind nur teilweise Erklärungen und erfüllen im Allgemeinen nicht die Anforderungen verschiedener Interessengruppen wie CFOs, Prüfer und Regulierungsbehörden, die verlangen, dass Entscheidungsprozesse transparent, auditierbar und semantisch zugänglich sind⁸. Ohne Interpretierbarkeit haben selbst hochpräzise Modelle Schwierigkeiten, in realen finanziellen Entscheidungsumgebungen Akzeptanz^{zu finden 9}. Methoden des tiefen Verstärkungslernens wie DDPG¹ lieferten grundlegende Fortschritte, die modernen Finanzentscheidungssystemen^zugrunde liegen.

Der vorgeschlagene Rahmen setzt aus Anwendungssicht ein Unternehmensnetzwerk voraus, in dem die Finanzdaten auf Tochtergesellschaften, Lieferkettenpartner, Finanzinstitute oder Regulierungsknoten verteilt sind, wobei Rohdatenpooling aufgrund von Datenschutz- oder Zuständigkeitsbeschränkungen^nicht möglich ist. Der Ansatz funktioniert gut in einem Szenario, in dem jeder Unternehmensknoten Zeitreihen-Finanzindikatoren liefert – üblicherweise zwischen 50 und 120 Merkmalen, die Kapitalstruktur, Liquidität, Rentabilität und Kreditereignisse abdecken – über zahlreiche Berichtsperioden^{hinweg 12}. Das Framework kann auf standardisierten, GPU-fähigen oder leistungsstarken CPU-Umgebungen eingesetzt werden und unterstützt eine Reihe von Datenschutzkontexten wie DSGVO, CCPA und Chinas PIPL, indem verschlüsselte Modellparameter statt sensibler Finanzunterlagen^{ausgetauscht werden.} Typische Systemanforderungen umfassen eine moderate Kommunikationsfrequenz zwischen Knoten und eine stabile Netzwerktopologie über die Zeit. Eine bekannte Einschränkung ist die geringere Genauigkeit unter extrem spärlichen oder sehr volatilen Unternehmensnetzwerken, bei denen schnelle strukturelle Veränderungen verhindern, dass das Graphenmodell stetige Abhängigkeiten zwischen Unternehmen lernt. In solchen Fällen kann häufiges Nachtrainieren oder kürzere Zeitfenster erforderlich sein, um die vorhersagende Stabilität¹⁵ aufrechtzuerhalten.

Vor diesem Hintergrund schlägt die vorliegende Studie Financial Risk vor, ein datengetriebenes Framework, das Joint Reinforcement Learning (JLR) für verteilte Optimierung¹⁶, ein adaptives neuronales Graphennetzwerk für Echtzeit-Ansteckungsmodellierung¹⁷ und eine Dual-Channel-Interpretationsschicht für stakeholderorientierte Transparenz¹⁸ integriert. Indem dieser Rahmen gleichzeitig Datenschutz, Effizienz, Risikokontrolle und Interpretierbarkeit berücksichtigt, bietet er ein neues Paradigma für das Finanzmanagement in der digitalen Wirtschaft.

Protocol

Dieses Protokoll beschreibt die Schritte zur Erstellung des Finanzrisikorahmens zur Finanzrisikovorhersage und -steuerung in der digitalen Wirtschaft sowie zur Reproduktion der entsprechenden Validierungsexperimente. Das Protokoll umfasst die Formalisierung mathematischer Modelle, den Aufbau von Framework-Modulen, die Integration von Workflows, die Vorbereitung von Datensätzen, den Aufbau der Basislinien und die Definition von Evaluationsmetriken und ermöglicht so die Reproduzierbarkeit von Forschern auf diesem Feld. Die Materialtabelle fasst alle Software, Bibliotheken/Toolkits, Hardwareressourcen und Datensätze zusammen, die zur Reproduktion dieses Protokolls erforderlich sind, während Abbildung 1 den Gesamtworkflow für die transparente Finanzrisikovorhersage und -kontrolle darstellt.

HINWEIS: Alle Schritte in diesem Protokoll werden in einem Python-basierten Workflow implementiert. Lokale Unternehmensagenten (Clients) werden auf separaten Maschinen oder isolierten Containern ausgeführt, um verteilte Institutionen zu emulieren, während föderierte Aggregation auf einem zentralen Koordinator (Server) ausgeführt wird. Modelltraining und Inferenz werden mit einem Deep-Learning-Framework (z. B. PyTorch oder TensorFlow) mit GPU-Beschleunigung implementiert, sofern verfügbar. Graphneuronale Netzwerkoperationen werden mithilfe einer Graph-Learning-Bibliothek (z. B. PyTorch Geometric oder DGL) implementiert. SHAP-Erklärungen werden mit dem SHAP-Paket generiert. Um die Reproduzierbarkeit sicherzustellen, verwenden Experimente feste zufällige Seeds, vordefinierte Train/Validation/Test-Splits, konsistente Preprocessing-Skripte und protokollierte Hyperparameter (Lernrate, Batchgröße, Kommunikationsrunden und Kriterien für frühes Stoppen).

1. Das Forschungsproblem definieren und mathematische Modelle formalisieren

1. Klarstellung der drei Kernziele der Forschung: Optimierung finanzieller Entscheidungen unter verteilten Datenschutzbeschränkungen, Erfassung dynamischer interunternehmensbedingter Risikoansteckung und Sicherstellung menschlich interpretierbarer Entscheidungslogik für Multistakeholder.
2. Formalisieren Sie das Modell der verteilten Finanzentscheidungsoptimierung
   1. Definieren Sie den Entscheidungsraum für jedes Unternehmen: Lassen Sie Entscheidungen zum Zeitpunkt t für Unternehmen i , wobei A_i Investitions-, Finanzierungs- und Dividendenstrategien einschließt.
   2. Setzen Sie das langfristige Renditemaximierungsziel als Optimierungsziel, ausgedrückt als:
      (1)
      wobei γ der Diskontfaktor ist, R_I die sofortige Belohnung, der lokale Zustand und die Menge der Beziehungen zwischen Unternehmen.
      HINWEIS: Diese Belohnungsformulierung ermutigt jeden Unternehmensagenten, die Entscheidungsfindung nicht nur auf Grundlage seines eigenen finanziellen Status, sondern auch der Risikoausbreitungseffekte auf verbundene Unternehmen zu optimieren. Daher unterstützt JRL kollaboratives, aber datenschutzfreundliches Lernen zwischen verteilten Finanzunternehmen.
   3. Datenschutzbeschränkungen auferlegen: Festlegen, dass die Rohdaten jedes Unternehmens nicht zwischen den Einheiten geteilt werden können (d. h. die Daten bleiben lokal für jedes Unternehmen) und die Parameterfreigabe statt des Datenaustauschs während föderierter Schulungen vorschreiben.
3. Formalisieren Sie das Modell der dynamischen Risikoansteckung
   1. Das interunternehmerische Netzwerk als dynamisches Diagramm darstellen:
      (2)
      wobei V Enterprise-Knoten und E^t zeitlich variierende Ansteckungskanten bezeichnet.
   2. Definieren Sie Kantengewichte , um die Risikoübertragungsintensität von Unternehmen i nach j zum Zeitpunkt t zu quantifizieren.
   3. Beschreiben Sie die Entwicklung des Risikozustands von Enterprise i mit einer nichtlinearen dynamischen Gleichung:
      
      Dabei ist f eine nichtlineare Aktivierungsfunktion und ∈ ^keine stochastische Störung.
4. Formalisieren Sie das Interpretierbarkeits-Constraint-Modell
   1. Stellen Sie die Schwelle für die Erklärungsgenauigkeit fest: Erfordern Sie die Wahrscheinlichkeit, dass die Modellausgabe mit der Erklärung übereinstimmt, um die Wahrscheinlichkeit zu erfüllen
      (4)
      Mit δ als Akzeptanzschwelle, während die Präzision durch Begrenzung der Anzahl erklärender Merkmale aufrechterhalten wird.
      HINWEIS: Die Akzeptanzschwelle wird basierend auf der Kalibrierung auf der Validierungsmenge auf δ = 0,85 gesetzt. Dieser Schwellenwert steuert die minimale Übereinstimmung zwischen dem Modellergebnis und der generierten Erklärung, stellt sicher, dass die Erklärungen der vorhergesagten Risikowahrscheinlichkeit treu bleiben und zu lange Merkmalslisten vermieden werden.
   2. Erzwingen Sie Erklärungsprägnantheit, indem Sie die Anzahl der wichtigsten erklärenden Merkmale auf k≤K beschränken (wobei K eine vordefinierte maximale Anzahl interpretierbarer Merkmale ist).

2. Aufbau des JRL-Rahmens

1. Setzen Sie lokale Reinforcement-Learning-Netzwerke für jedes Unternehmen bereit
   HINWEIS: Dieser Schritt wird auf jedem Unternehmensclient (lokale Maschine/Container) durchgeführt. Während der föderierten Aggregation werden dem Server nur Modellparameter (oder Parameter-Updates) mitgeteilt.
   1. Implementieren Sie für jedes Unternehmen einen Deep Deterministic Policy Gradient (DDPG)-Agenten, einschließlich einer Akteur-Kritiker-Struktur (Politiknetzwerk für Aktionsauswahl und Kritikernetzwerk für Wertschätzung).
      HINWEIS: Jeder Client initialisiert den DDPG-Agenten mit einem festen Zufallsseed, interagiert mit seiner lokalen Umgebung, um Übergänge zu erzeugen , und speichert diese in einem Replay-Puffer für Minibatch-Updates.
   2. Definieren Sie die Ausgabe des Kritikernetzwerks, um den Wert der Zustand-Entscheidungs-Paare zu bewerten:
      (5)
2. Definiere die Verlustfunktion für das Kritikernetzwerk
   1. Berechnen Sie den zeitlichen Differenzfehler mit dem Ziel-Kritikernetzwerk Q_φi und setzen Sie die Verlustfunktion als:
      (6)
   2. Optimieren Sie die Parameter des Kritischen Netzwerks φ_{stochastischen} Gradientenabstieg. In jedem Aktualisierungsschritt wird eine Minibatch von Übergängen aus dem Replay-Puffer abgetastet, der oben genannte TD-Verlust berechnet, Gradienten rückpropagiert und ein Optimierer-Update angewendet (z. B. SGD/Adam). Optional wenden Sie Gradient-Clipping zur Stabilität an und aktualisieren Sie das Ziel-Kritiker-Netzwerk mit einer Soft-Update-Rate τ.
3. Optimierung der Richtliniennetzwerkparameter
   1. Berechnen Sie den Gradienten der Langzeitrendite J(θ_i) bezüglich der Politikparameter θ_i:
      (7)
   2. Aktualisierung θ_i mit dem berechneten Gradienten, um die kumulative Rendite zu maximieren.
4. Implementierung der globalen Parameteraggregation über Federated Averaging (FedAvg)
   1. Sammeln Sie am Ende jeder Kommunikationsrunde verschlüsselte Policy-Netzwerkparameter (oder Parameterdeltas) von allen Unternehmen.
   2. Berechnen Sie den globalen Parameter θ_g, indem Sie die Parameter jedes Unternehmens nach seiner Datensatzgröße gewichten |D_i|:
      (8)
   3. Verteilt den aktualisierten globalen Parameter θ_g an jedes Unternehmen, um lokale Netzwerke zu synchronisieren.
      HINWEIS: Die Schritte 2.4.1-2.4.3 werden mit einem Server-Client-Workflow durchgeführt. Clients laden Parameter (oder Deltas) über einen verschlüsselten Kanal (z. B. TLS) auf den zentralen Server hoch. Der Server führt FedAvg aus und sendet_{θ zurück an} alle Clients für die nächste Runde.
5. Verbesserung der Kommunikationseffizienz
   1. Wenden Sie quantisierte Kompression auf Modellparameter an, um das Datenübertragungsvolumen zu reduzieren.
   2. Injizieren Sie differentielles Privatsphäre-Rauschen in jede lokale Modellaktualisierung mithilfe des Gaußschen Mechanismus. Für jede Runde t wird Rauschen ∈^t ∼ N(0,σ² I) mit σ=0,8 auf den Gradientenvektor g angewendet:
      (9)
      HINWEIS: Rauschen wird lokal auf dem Client unmittelbar vor der Kommunikation mit dem Server angewendet, um Datenschutz-schützendes Training unter unterschiedlichen Datenschutzbeschränkungen zu unterstützen.
   3. Akzeptiere asynchrone Updates, um heterogene Rechenfähigkeiten zwischen den Teilnehmern zu berücksichtigen.

3. Bauen Sie das Adaptive Graph Neural Network (AGNN) für Risikokontaminationsmodellierung

1. Berechnen Sie Aufmerksamkeitsgewichte, um die dynamische Adjazenzmatrix zu informieren
   1. Berechnen Sie den Aufmerksamkeitskoeffizienten zwischen Unternehmen i und j zum Zeitpunkt t mit normalisierter Dot-Produkt-Aufmerksamkeit:
      (10)
      HINWEIS: Diese Aufmerksamkeitsgewichte quantifizieren den Einfluss jedes Nachbarunternehmens auf den aktualisierten Risikozustand und ermöglichen es Prüfern, Vorhersagen auf spezifische relationale Faktoren zurückzuverfolgen.
   2. Aktualisieren Sie das Kantengewicht, um die Intensität der Ansteckung in Echtzeit widerzuspiegeln.
2. Führen temporale Nachrichtenübermittlungen durch
   1. Aggregiere Nachbarrisikozustände, um den Nachrichtenvektor für Enterprise i zu generieren
      (11)
3. Aktualisieren Sie den Node-Risikozustand mit einer Gated Recurrent Unit (GRU)
   1. Integrieren Sie den aktuellen Zustand und den Nachrichtenvektor , um den Zustand des nächsten Zeitschritts zu berechnen:
      (12)
4. Extraktion von Risiko-Ansteckungseinbettungen und Optimierung des Modells
   1. Leiten Sie den aktualisierten Zustand durch ein Multilayer Perceptron (MLP), um Ansteckungseinbettungen zu erzeugen:
      (13)
   2. Definieren Sie die Kreuzentropie-Verlustfunktion, um AGNN-Parameter zu optimieren:
      (14)
   3. Trainieren Sie das AGNN mit Backpropagation mit einem Minibatch-Optimierer (z. B. Adam) bis zur Konvergenz. Konstruiere Graph-Schnappschüsse pro Zeitschritt t und generiere temporale Batches mithilfe von Sliding-Fenstern über {G_t}. Minimiere L im Training Split und überwache den Validierungsverlust in jeder Epoche. Wenden Sie frühzeitige Stopps an, wenn sich der Validierungsverlust für eine vordefinierte Anzahl von Epochen nicht verbessert (Geduld), oder stoppen Sie bei einer maximalen Anzahl von Epochen.

4. Entwicklung der Dual-Channel-Erklärbarkeitsschicht

1. Implementierung des SHAP-basierten Feature-Importance Channel
   1. Berechnen Sie den marginalen Beitrag jedes Merkmals x_j zum Modelloutput mithilfe von SHAP-Werten:
      (15)
   2. Wobei φ_j der SHAP-Wert von Merkmal x_j ist, der seinen additiven Beitrag zur Vorhersage darstellt.
   3. Bewerten Sie Merkmale nach absoluten φ_j-Werten , um zentrale Faktoren für finanzielle Risikoentscheidungen zu identifizieren.
2. Implementierung des Entscheidungsbaum-basierten Regelextraktionskanals
   1. Trainieren Sie ein leichtes Entscheidungsbaum-Surrogatmodell. Verwenden Sie dieselbe Eingabefeature-Matrix X, die dem Finanzrisikomodell zur Verfügung gestellt wird, und die entsprechenden Modellausgaben als Überwachungssignale. Konkret verwenden Sie entweder (i) die vorhergesagte Wahrscheinlichkeit (Regressionsbaum) oder (ii) diskretisierte Risikoniveaus (Klassifikationsbaum), die durch Schwellenwerte erhalten werden (z. B. Niedrig/Mittel/Hoch). Trainieren Sie einen flachen Entscheidungsbaum mit begrenzter Tiefe (z. B. maximale Tiefe 3-5), um Überanpassung zu reduzieren und die Interpretierbarkeit zu erhalten. Bewerten Sie die Surrogat-Treue, indem Sie die Baum-Ausgaben mit den Finanzrisiko-Ausgaben bei einem Hold-out-Validierungssplit vergleichen.
   2. Extrahiere menschenlesbare "if-else"-Regeln aus dem Entscheidungsbaum. Durchlaufen Sie jeden Wurzel-zu-Blatt-Pfad und setzen Sie die Split-Bedingungen in konjunktive Regeln um. Berichte Regeln unter Verwendung der ursprünglichen Finanzindikatornamen und Schwellen, die der Baum gelernt hat. Zum Beispiel: "Wenn das Schulden-Vermögens-Verhältnis >0,6 und die Cashflow-Deckung <1,2 sind, dann ist das Risikoniveau = hoch." Entferne redundante Bedingungen und behalte nur die informativsten Regeln (z. B. Top-Regeln, gerankt nach Support oder Fidelity).
3. Verschmelze die beiden Erklärungskanäle
   1. Generiere integrierte Erklärungen durch Kombination von SHAP- und regelbasierten Ausgaben. Für jede Unternehmensprognose wird (i) die besten SHAP-Funktionen berichtet, bewertet nach |φ_j| als quantitative Treiber und (ii) der passende Entscheidungsbaum-Regelpfad, der durch dieselbe Eingabeinstanz wie die qualitative Begründung ausgelöst wird. Präsentieren Sie die abschließende Erklärung als kurze Vorlage, die Feature-Beiträge mit einer entsprechenden Regelanweisung kombiniert, um sowohl numerische Transparenz als auch logikbasierte Interpretierbarkeit zu unterstützen.
      HINWEIS: Tabelle 1 bietet einen Überblick über die in der Forschung verwendeten Kernvariablen und Finanzindikatoren, um Klarheit darüber zu schaffen, wie die Eingabeattribute mit der unternehmensweiten Risikoprognose zusammenhängen.

5. Etablierung des integrierten algorithmischen Arbeitsablaufs

1. Initialisieren von Framework-Komponenten
   1. Konfigurieren Sie lokale Policy-Netzwerke und Kritikernetzwerke für alle Unternehmen (im Einklang mit Step 2.1), einschließlich Initialisierungs-Seeds und Replay-Buffer-Einstellungen.
   2. Stellen Sie die Anfangsparameter für das AGNN fest, einschließlich der versteckten Zustandsdimension d, GRU-Hyperparameter und MLP-Schichtgrößen.
   3. Initialisieren Sie die Dual-Channel-Erklärbarkeitsschicht, einschließlich SHAP-Konfiguration (z. B. Kernel-/Hintergrundsampling-Strategie) und Entscheidungsbaum-Constraints (z. B. maximale Tiefe).
   4. Definieren Sie globale Aggregationsparameter für FedAvg, einschließlich Kommunikationsfrequenz (Rundenintervall), Lärmintensität der Privatsphäre und der Anzahl der globalen Runden.
2. Ausführung iterativer Framework-Updates
   1. Für jeden Zeit-Schritt t:
      1. Generiere lokale Zustände und Entscheidungen über das Policy Network jedes Unternehmens.
      2. Berechnen Sie sofortige Belohnungen basierend auf realisierten finanziellen Ergebnissen oder Proxy-Zielen, die in Gleichung (1) definiert sind.
      3. Aktualisieren Sie lokale Richtlinien und Kritikernetzwerke mithilfe von Übergängen (im Einklang mit den Schritten 2.2-2.3), verwenden Sie Minibatch-Sampling aus dem Replay-Puffer und Backpropagation-basierte Optimierung.
      4. Sammeln Sie verschlüsselte lokale Parameter, führen Sie FedAvg zur Aktualisierung globaler Parameter durch und verteilen Sie θg_{an Unternehmen} (im Einklang mit Schritt 2.4).
      5. Aktualisieren Sie das AGNN mittels aufmerksamkeitsbasierter Nachrichtenübermittlung und trainieren Sie das Ansteckungsmodul. Konstruiere den Graph-Snapshot G_t und die Knotenmerkmale zum Zeitpunkt des Schritts t. Für jeden Knoten i berechnen wir Aufmerksamkeitskoeffizienten über Nachbarn j∈N(i) als:
         (16)
         Aktualisieren Sie die versteckte Darstellung mittels gewichteter Aggregation:
         (17)
         Führen Sie Vorwärts- und Rückwärtsdurchläufe beim Training Split mit einem Minibatch-Optimierer (z. B. Adam) durch. Trainieren Sie für eine feste Anzahl globaler Runden (z. B. 200 Runden) und überwachen Sie den Validierungsverlust in jeder Runde. Wenden Sie einen Lernraten-Scheduler an, der die Lernrate um den Faktor 0,1 reduziert, wenn sich der Validierungsverlust für ein vordefiniertes Geduldsfenster (z. B. 5 aufeinanderfolgende Epochen/Runden) nicht verbessert.
         HINWEIS: Diese Formulierung ermöglicht es jedem Unternehmensknoten, Nachbarinformationen zu aggregieren und dabei finanziell bedeutsame (Hochrisiko-)Beziehungen stärker zu gewichten, was die frühzeitige Erkennung von smittungsbedingten Risikosignalen verbessert.
      6. Vorhersagen Sie die Standardwahrscheinlichkeiten des Unternehmens mithilfe von AGNN-Einbettungen .
      7. Erstelle Erklärungen für Entscheidungen und Risikovorhersagen über die Dual-Channel-Schicht (im Einklang mit Schritt 4.3), wobei sowohl SHAP-basierte Treiber als auch der ausgelöste Entscheidungsbaum-Regelpfad gemeldet werden.
      8. Sammeln Sie Feedback von Stakeholdern (optional), um die Klarheit der Erklärungen zu verbessern (z. B. Überarbeiten Sie Erklärungsvorlagen oder passen Sie die maximale Anzahl der gemeldeten Merkmale k an).
3. Setze Abschlussbedingungen
   1. Hören Sie auf zu iterieren, wenn die Anzahl der Zeitabschnitte eine vorgegebene Grenze erreicht (z. B. 1000 Iterationen) oder wenn sich die Modellleistung stabilisiert hat (z. B. wenn AUC-ROC sich für 5 aufeinanderfolgende Iterationen um weniger als 0,01 ändert).
   2. Bieten Sie optimierte Ergebnisse: unternehmensspezifische Entscheidungsstrategien, kalibrierte AGNN-Risiko-Ansteckungsmodelle und standardisierte Erklärungsvorlagen.
      HINWEIS: Tabelle 2 fasst die Initialisierungsparameter und Trainingseinstellungen über alle Lernumgebungen hinweg zusammen, um eine vollständige Reproduzierbarkeit des experimentellen Arbeitsablaufs zu gewährleisten.

6. Erstellung experimenteller Datensätze

1. Sammeln und verarbeiten Sie den echten Finanzdatensatz
   1. Sammeln Sie vierteljährliche Finanzdaten für 300 chinesische A-Aktien-gelistete Unternehmen von 2018 bis 2023, die 8 Branchen abdecken (z. B. Fertigung, Finanzen und Informationstechnologie).
   2. Beziehen Sie finanzielle Merkmale und gekennzeichnete Risikoereignisse ein. Verwenden Sie 120 finanzielle Merkmale (z. B. Verschuldungs-zu-Vermögens-Verhältnis, Cashflow-Indikatoren und Eigenkapitalrendite) sowie Risikoereignis-Labels wie Zahlungsausfall und Kreditbewertung.
   3. Teile den Datensatz chronologisch auf. Verwenden Sie Q4 2018 Q1-2021 für das Training, Q4 Q4 2022 für die Validierung und Q4 2023 Q1-2023 für Tests, um sicherzustellen, dass keine zeitliche Leckage über Splits hinweg gewährleistet wird.
2. Generiere den simulierten verteilten Datensatz
   1. Erstellen Sie verteilte Unternehmensknoten. Erstellen Sie 10 Unternehmensknoten, die jeweils datenschutzsensible lokale Daten (z. B. interne Transaktionsdatensätze) und teilbare Branchensignale (z. B. sektorsdurchschnittliche Wachstumsrate) enthalten.
   2. Injiziere Heterogenität und Rauschen. Injizieren Sie höhere Variabilität in kleinere Unternehmensknoten, um realistische Datenungleichgewichte und Volatilitäten zwischen den Teilnehmern zu simulieren.
      HINWEIS: Tabelle 3 beschreibt die Eigenschaften realer und simulierter Datensätze, die zur Auswertung verwendet werden; Es enthält repräsentative Merkmalstypen und unterstützt somit Transparenz beim Datenverständnis und der Replikation.

7. Aufbau von Basismodellen

1. Setzen Sie Baselines für die Optimierung verteilter finanzieller Ergebnisse fest
   1. Implementiere unabhängiges Reinforcement Learning (IR): Trainiere für jedes Unternehmen einen DRL-Agenten ausschließlich mit seinen lokalen Daten (ohne Parameterteilung).
   2. Federated Supervised Learning (FedSL) implementieren: Trainieren Sie ein XGBoost-Modell über FedAvg, um statische Finanzentscheidungsregeln zu generieren.
   3. Implementieren Sie Centralized Deep Reinforcement Learning (CDRL): Sammeln Sie alle Unternehmensdaten in einem zentralen Knoten und trainieren Sie einen DDPG-Agenten (ohne Datenschutz).
2. Konfigurieren Sie Baselines für die Risiko-Ansteckungsmodellierung
   1. Statisches Graphen-Neuralnetz (Static GNN) implementieren: Verwenden Sie eine feste Adjazenzmatrix (basierend auf Branchenzugehörigkeit) zur Modellierung der Risikoübertragung.
   2. Implementierung eines Long Short-Term Memory (LSTM)-Netzwerks: Modelliere einzelne Unternehmensrisikotrends ausschließlich anhand von Zeitreihendaten (ohne Berücksichtigung von Beziehungen zwischen Unternehmen).
   3. Implementierung des klassischen SIR-Modells: Nehmen Sie feste Risikoübertragungsraten an, um die Infektionsdynamik zu simulieren.
3. Konfigurieren Sie Baselines zur Erklärbarkeit
   1. SHAP-only: Erstelle Erklärungen nur mit Feature-Importance (keine Regelextraktion).
   2. Nur regelbasiert: Erstelle Erklärungen ausschließlich mit Entscheidungsbaumregeln (keine quantitative Merkmalsgewichtung).
   3. Destillations-Baseline: Annähern Sie das Finanzrisikomodell mit einem einfacheren Modell (z. B. lineare Regression), um Erklärungen zu vereinfachen.
4. Stellen Sie eine Basisvergleichbarkeit sicher. Wichtige Hyperparameter über Baselines hinweg abgleichen, wo es zutrifft (z. B. gleiche versteckte GRU-Größe für LSTM und AGNN; vergleichbare Lernraten und Trainingsbudgets).
   HINWEIS: Tabelle 4 zeigt die vollständige Softwareumgebung und Modellkonfiguration, die zur Reproduktion des Financial Risk Workflows verwendet wird, einschließlich JRL- und AGNN-Hyperparametern, Differenziell-Datenschutzeinstellungen und federiertem Aggregationsprotokoll.

8. Definition von Evaluationsmetriken

1. Definieren Sie Kennzahlen für die verteilte Finanzentscheidungsoptimierung
   1. Berechnung des kumulierten Umsatzes: Verwenden Sie die langfristige Renditefunktion in Gleichung (1), um die gesamten finanziellen Gewinne während des Testzeitraums zu quantifizieren.
   2. Politische Stabilität messen: Berechnen Sie die Standardabweichung der Entscheidungsanpassungen (z. B. Änderungen des Investitionsverhältnisses) über aufeinanderfolgende Zeitschritte hinweg (niedrigere Werte bedeuten höhere Stabilität).
   3. Datenschutz bewerten: Verwenden Sie einen entropiebasierten Index, um die Widerstandsfähigkeit gegen Datenlecks zu bewerten (höhere Werte zeigen eine stärkere Datenschutz-Compliance).
2. Definieren Sie Metriken für die Risiko-Ansteckungsmodellierung
   1. Berechnung von AUC-ROC: Bewerten Sie die Genauigkeit von Unternehmens-Standardwahrscheinlichkeitsvorhersagen (höhere Werte bedeuten bessere Leistung).
   2. Messung der Pfaderkennungsrate: Berechnen Sie den Anteil der korrekt identifizierten Risiko-Ansteckungskanäle zwischen Unternehmen.
   3. Dynamische Anpassungsfähigkeit bewerten: Die Zeit (in Stunden) dokumentieren, die das Modell benötigt, um Vorhersagefehler nach einem Politikschock zu stabilisieren (wie in Gleichung 3 beschrieben, zeigen niedrigere Werte eine schnellere Anpassung).
3. Definieren Sie Metriken zur Erklärbarkeit
   1. Bewertung der Erklärungsgenauigkeit: Führen Sie Expertenüberprüfungen durch, um die Konsistenz zwischen Erklärungen und Modelllogik (basierend auf den Gleichungen 4 und 14) zu bewerten, mit Werten von 0 bis 1.
   2. Messen Sie die Präzision der Erklärung: Zählen Sie die durchschnittliche Anzahl der Schlüsselmerkmale, die in jeder Erklärung enthalten sind.
   3. Regelkonsistenz bewerten: Die Ausrichtung zwischen extrahierten Regeln und anerkannten Unternehmensfinanzstandards bewerten (von 0 bis 1, höhere Werte bedeuten bessere Compliance).
   4. Dokumentieren Sie alle Methoden der Metrikberechnung: Protokollieren Sie Formeln und Schwellenwerte, um die Reproduzierbarkeit der Ergebnisse sicherzustellen.

9. Evaluationsmetriken

1. Verwenden Sie vier Standardbewertungskennzahlen, um die Vorhersageleistung zu bewerten.
   1. Der mittlere quadratische Fehler (MSE) berechnet den Durchschnitt der quadrierten Unterschiede zwischen tatsächlichen und vorhergesagten Risikowerten. Niedrigere MSE-Werte deuten auf eine höhere Genauigkeit in der Vorhersage hin, wie berechnet:
      (18)
   2. Der Root Mean Squared Error (RMSE) bezeichnet die Quadratwurzel des Vorhersagefehlers und spiegelt daher im Wesentlichen die Modellstabilität über verschiedene Skalen hinweg wider:
      (19)
   3. Der mittlere absolute Fehler (MAE) berechnet die durchschnittliche absolute Abweichung zwischen Vorhersage und wahrem Wert mit Schwerpunkt auf Robustheit und Interpretierbarkeit.
      (20)
   4. Die Fehlerquote (ER) ist das Verhältnis zwischen der Abweichung der vorhergesagten und den tatsächlichen Werten in Prozent und bietet somit eine intuitivere Messgröße für die reale Prognoseleistung:
      (21)

Results

Verteilte Finanzentscheidungsoptimierung (RQ1)

Zentralisierte DRL erreichte den höchsten kumulativen Umsatz, allerdings auf Kosten eines schlechten Datenschutzes mit einem niedrigen Datenschutzwert von 0,30. Im Gegensatz dazu erzielte das vorgeschlagene JLR-Framework einen kumulativen Umsatz von 60,8 Milliarden Yuan, nur 7 % weniger als das zentralisierte DRL, während es einen hohen Datenschutzwert von 0,92 beibehielt. Darüber hinaus übertraf es Independent RL und FedSL in Sac...

Discussion

Die Ergebnisse zeigen, dass das vorgeschlagene Rahmenwerk effektiv drei Kernherausforderungen im verteilten Finanzrisikomanagement adressiert: (i) datenschutzerhaltende Optimierung finanzieller Entscheidungsfindung, (ii) dynamische Modellierung von interunternehmerischen Risikoansteckungen und (iii) stakeholderorientierte Interpretierbarkeit unter regulierten Datenumgebungen. Anstatt diese als isolierte Ziele zu behandeln, kombiniert das Framework gemeinsames Reinforcement Learning (JRL)...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Finanzdatenmanagement-Software	Wind Information Co., Ltd.	N/A	Vierteljährliche Finanzdaten von 300 A-Share-Unternehmen bereitgestellt (2018; 2023)
GPU-Server	NVIDIA	Version A100	Hardware
Hochleistungs-Computing-Server	Dell Technologies	R7525	Verwendet für federiertes Verstärkungslernen und AGNN-Trainingsexperimente
Python		Version 3.1	Software
PyTorch	Meta-KI	Version 2.1	Software
Ray RLlib		Version 2.6	Toolkit
SHAP		Neueste Version	Bibliothek