Un marco basado en datos para la predicción y control del riesgo financiero en la economía digital

Summary

Esta investigación propone Financial Risk, un marco basado en datos diseñado para mejorar la predicción y el control del riesgo financiero en la economía digital mediante aprendizaje distribuido, modelado dinámico de contagio y mecanismos de interpretabilidad.

Abstract

En la era de la economía digital, la gestión financiera está evolucionando hacia la toma de decisiones basada en datos. Los tres desafíos más importantes son: (a) restricciones de privacidad de datos distribuidas, (b) contagio rápido de riesgos financieros entre empresas interconectadas, y (c) lógica de decisión transparente para múltiples partes interesadas. Financial Risk aborda estos desafíos con un marco que incluye Aprendizaje por Refuerzo Conjunto (JRL) para la optimización distribuida de decisiones financieras, una Red Neuronal de Grafos Adaptativos (AGNN) para modelar efectos de contagio en tiempo real y una capa de interpretación de doble canal para mejorar la transparencia. Se realizaron experimentos utilizando datos financieros trimestrales de 2018 a 2023 de 300 empresas chinas cotizadas en A-share, así como un conjunto de datos distribuido simulado. Los hallazgos clave indican que JRL alcanzó unos ingresos acumulados de 60.800 millones de yuanes (con una puntuación de privacidad de 0.92), mientras que la AUC de AGNN alcanzó 0.89 y estabilizó errores en menos de dos horas tras los choques de política. El rendimiento de la capa de interpretación ha alcanzado un 85% de precisión con una media de 2,8 características clave. Todos estos hallazgos demuestran que el marco de Riesgo Financiero equilibra la privacidad, la eficiencia, el control del riesgo y la interpretabilidad, y ofrece un paradigma práctico para la gestión del riesgo financiero en la economía digital.

Introduction

En la era de la economía digital, la gestión financiera corporativa pasará de prácticas basadas en la experiencia a paradigmas basados en datos¹. Las transacciones en tiempo real, los sensores IoT y los sistemas empresariales basados en la nube generan datos financieros multidimensionales de forma continua, abriendo nuevas perspectivas para la previsión de precisión, la financiación inteligente y la asignación dinámica^{de activos 2}. Aun así, los datos financieros se difunden entre filiales, socios de la cadena de suministro, instituciones financieras y reguladores, y los requisitos legales cada vez más estrictos sobre seguridad de datos y PIPL dificultan el procesamiento centralizado. En estas circunstancias, el paradigma tradicional de "migración de datos a modelado centralizado en la nube, toma de decisiones unificada" se enfrenta fundamentalmente a un dilema: sacrificar la privacidad por la eficiencia o mantener compartimentos de datos a costa de resultados^{subóptimos 3}.

Al mismo tiempo, la velocidad e intensidad del contagio por riesgos financieros están aumentando⁴. Las fluctuaciones macroeconómicas, la tensión geopolítica y los eventos inesperados de "cisne negro" pueden propagarse rápidamente a lo largo de las cadenas de suministro, cadenas de garantía y flujos de capital, conduciendo a un riesgo sistémico en^{minutos 5}. Las herramientas convencionales, como los estados financieros estáticos y las calificaciones crediticias, a menudo son insuficientes para captar estas dinámicas que evolucionan rápidamente. Para abordar esta limitación, los investigadores han explorado métodos computacionales avanzados, incluyendo el aprendizaje por refuerzo para la optimización de decisiones financieras, el aprendizaje federado para la colaboración distribuida y las redes neuronales de grafos para modelar dependencias complejas entre empresas⁶. Estos enfoques han logrado un éxito inicial en la mejora de la previsión financiera, el control del riesgo crediticio y la modelización de contagios; sin embargo, la mayoría de ellos asume acceso a datos centralizados o globales, limitando así la aplicabilidad práctica en contextos distribuidos y con restricciones de privacidad⁷.

Otro desafío importante es el de la interpretabilidad. Métodos como la atribución de características basadas en SHAP y la extracción de reglas de decisión son solo explicaciones parciales, y generalmente no pueden cumplir con los requisitos de diversos grupos de interés como CFOs, auditores y reguladores, que exigen que los procesos de decisión sean transparentes, auditables y semánticamente^{accesibles 8}. Sin interpretabilidad, incluso los modelos altamente precisos tienen dificultades para ser adoptados en entornos reales de toma de decisiones^{financieras 9}. Métodos de aprendizaje por refuerzo profundo como el DDPG¹ proporcionaron avances fundamentales que sustentan los sistemas modernos de decisión^{financiera 10}.

El marco propuesto asume, desde la perspectiva de la aplicación, una red empresarial en la que los datos financieros se distribuyen entre filiales, socios de la cadena de suministro, instituciones financieras o nodos regulatorios, donde la agrupación de datos brutos no puede realizarse debido a restricciones de privacidad o^{jurisdiccionales 11}. El enfoque funciona bien en un escenario en el que cada nodo empresarial proporciona indicadores financieros de series temporales —normalmente entre 50 y 120 características que cubren la estructura de capital, liquidez, rentabilidad y eventos crediticios— a lo largo de numerosos periodos^{de reporte 12}. El marco puede desplegarse en entornos estándar con GPU o CPU de alto rendimiento y soporta varios contextos de derecho de privacidad, como GDPR, CCPA y PIPL de China, intercambiando parámetros cifrados del modelo en lugar de registros financieros^{sensibles 13,14}. Los requisitos típicos del sistema incluyen una frecuencia de comunicación moderada entre nodos y una topología de red estable a lo largo del tiempo. Una limitación conocida es la reducción de precisión en redes empresariales extremadamente escasas o altamente volátiles, en las que los rápidos cambios estructurales impiden que el modelo de grafos aprenda dependencias estables entre empresas. En tales casos, puede ser necesario reentrenamiento frecuente o ventanas de tiempo más cortas para mantener la estabilidad^{predictiva 15}.

En este contexto, el presente estudio propone Financial Risk, un marco basado en datos que integra Aprendizaje por Refuerzo Conjunto (JLR) para optimización^{distribuida 16}, una red neuronal de grafos adaptativos para modelado de contagio^{en tiempo real 17}, y una capa de interpretación de doble canal para transparencia orientada a^{partes interesadas 18}. Al abordar simultáneamente la privacidad, la eficiencia, el control de riesgos y la interpretabilidad, este marco proporciona un nuevo paradigma para la gestión financiera en la economía digital.

Protocol

Este protocolo describe los pasos para construir el marco de Riesgo Financiero para la predicción y control del riesgo financiero en la economía digital y para reproducir los experimentos de validación correspondientes. El protocolo abarca la formalización de modelos matemáticos, la construcción de módulos de marco, la integración de flujos de trabajo, la preparación de conjuntos de datos, la configuración de la línea base y la definición de métricas de evaluación, permitiendo la reproducibilidad por parte de los investigadores en el campo. La Tabla de Materiales resume todo el software, bibliotecas/toolkits, recursos de hardware y conjuntos de datos necesarios para reproducir este protocolo, mientras que la Figura 1 proporciona el flujo de trabajo general para una predicción y control transparentes del riesgo financiero.

NOTA: Todos los pasos de este protocolo se implementan en un flujo de trabajo basado en Python. Los agentes empresariales locales (clientes) se ejecutan en máquinas separadas o contenedores aislados para emular instituciones distribuidas, mientras que la agregación federada se ejecuta en un coordinador central (servidor). El entrenamiento y la inferencia de modelos se implementan usando un marco de aprendizaje profundo (por ejemplo, PyTorch o TensorFlow) con aceleración por GPU cuando está disponible. Las operaciones de redes neuronales de grafos se implementan utilizando una biblioteca de aprendizaje de grafos (por ejemplo, PyTorch Geometric o DGL). Las explicaciones de SHAP se generan utilizando el paquete SHAP. Para garantizar la reproducibilidad, los experimentos utilizan semillas aleatorias fijas, divisiones predefinidas de entrenamiento/validación/prueba, scripts de preprocesamiento consistentes e hiperparámetros registrados (tasa de aprendizaje, tamaño del lote, rondas de comunicación y criterios de parada temprana).

1. Definir el problema de investigación y formalizar modelos matemáticos

1. Aclarar los tres objetivos principales de la investigación: optimizar las decisiones financieras bajo restricciones de privacidad de datos distribuidas, capturar el contagio dinámico de riesgos entre empresas y garantizar una lógica de decisión interpretable por humanos para múltiples partes interesadas.
2. Formalizar el modelo distribuido de optimización de decisiones financieras
   1. Define el espacio de decisión para cada empresa: dejemos que las decisiones en el tiempo t para la empresa i sean , donde A_i incluye estrategias de inversión, financiación y dividendos.
   2. Establezca el objetivo de maximización de rentabilidad a largo plazo como el objetivo de optimización, expresado como:
      (1)
      donde γ es el factor de descuento, r_i es la recompensa instantánea, el estado local y el conjunto de relaciones interempresariales.
      NOTA: Esta formulación de recompensas anima a cada agente empresarial a optimizar la toma de decisiones basándose no solo en su propia situación financiera, sino también en los efectos de propagación del riesgo en las empresas conectadas. Como resultado, JRL apoya el aprendizaje colaborativo pero que preserva la privacidad entre entidades financieras distribuidas.
   3. Imponer restricciones de privacidad: especificar que los datos en bruto de cada empresa no pueden compartirse entre entidades (es decir, que los datos permanezcan locales para cada empresa) y exigir el intercambio de parámetros en lugar del intercambio de datos durante el entrenamiento federado.
3. Formalizar el modelo dinámico de contagio de riesgo
   1. Representemos la red interempresarial como un grafo dinámico:
      (2)
      donde V denota nodos empresariales y E^t denota aristas de contagio variables en el tiempo.
   2. Defina los pesos de borde para cuantificar la intensidad de transmisión de riesgo desde la empresa i hasta j en el tiempo t.
   3. Describe la evolución del estado de riesgo de la empresa i utilizando una ecuación dinámica no lineal:
      
      Donde f es una función de activación no lineal y ∈^t una perturbación estocástica.
4. Formalizar el modelo de restricciones de interpretabilidad
   1. Establezca el umbral de precisión de la explicación: requiere que la probabilidad de que la salida del modelo coincida con la explicación se cumpla
      (4)
      Con δ como umbral de aceptación, mientras que la concisión se mantiene limitando el número de características explicativas.
      NOTA: El umbral de aceptación se establece en δ = 0,85 según la calibración del conjunto de validación. Este umbral controla la concordancia mínima entre la salida del modelo y la explicación generada, asegurando que las explicaciones se mantengan fieles a la probabilidad de riesgo predicha mientras evitan listas de características demasiado largas.
   2. Imponer la concisión de la explicación limitando el número de características explicativas clave a k≤K (donde K es un número máximo predefinido de características interpretables).

2. Construir el marco JRL

1. Desplegar redes locales de aprendizaje por refuerzo para cada empresa
   NOTA: Este paso se realiza en cada cliente empresarial (máquina/contenedor local). Solo los parámetros del modelo (o actualizaciones de parámetros) se comunican al servidor durante la agregación federada.
   1. Implementa un agente de Gradiente de Política Determinista Profundo (DDPG) para cada empresa, incluyendo una estructura actor-crítico (red de políticas para la selección de acciones y red de críticos para la estimación de valor).
      NOTA: Cada cliente inicializa el agente DDPG con una semilla aleatoria fija, interactúa con su entorno local para generar transiciones y las almacena en un búfer de repetición para actualizaciones minibatch.
   2. Define la salida de la red crítica para evaluar el valor de los pares estado-decisión:
      (5)
2. Definir la función de pérdida para la red crítica
   1. Calcular el error de diferencia temporal usando la red crítica objetivo Q_φi , y establecer la función de pérdida como:
      (6)
   2. Optimiza los parámetros de la red crítica φ_i usando el descenso de gradiente estocástico. En cada paso de actualización, muestrea un minilote de transiciones desde el búfer de repetición, calcula la pérdida de TD anterior, retropropaga gradientes y aplica una actualización del optimizador (por ejemplo, SGD/Adam). Opcionalmente, aplica recorte de gradiente para mayor estabilidad y actualiza la red crítica objetivo usando una tasa de actualización suave τ.
3. Optimizar los parámetros de la red de políticas
   1. Calcular el gradiente del rendimiento a largo plazo J(θ_i) respecto a los parámetros de política θ_i:
      (7)
   2. Actualiza θ_i usando el gradiente calculado para maximizar el rendimiento acumulado.
4. Implementar agregación global de parámetros mediante el Promediado Federado (FedAvg)
   1. Recoge parámetros de red de políticas cifradas (o deltas de parámetros) de todas las empresas al final de cada ronda de comunicación.
   2. Calcular el parámetro global θ_g ponderando los parámetros de cada empresa por el tamaño de su conjunto de datos |D_i|:
      (8)
   3. Distribuir el parámetro global actualizado θ_g de vuelta a cada empresa para sincronizar las redes locales.
      NOTA: Los pasos 2.4.1-2.4.3 se realizan con un flujo de trabajo servidor-cliente. Los clientes suben parámetros (o deltas) al servidor central a través de un canal cifrado (por ejemplo, TLS). El servidor realiza FedAvg y transmite θ_g de vuelta a todos los clientes para la siguiente ronda.
5. Mejorar la eficiencia de la comunicación
   1. Aplicar compresión cuantizada a los parámetros del modelo para reducir el volumen de transmisión de datos.
   2. Inyectar ruido de privacidad diferencial en cada actualización local del modelo usando el mecanismo gaussiano. Para cada ronda t, se aplica ^{ruido ∈t} ∼ N(0,σ² I) con σ=0,8 al vector gradiente g:
      (9)
      NOTA: El ruido se aplica localmente en el cliente justo antes de la comunicación con el servidor para apoyar el entrenamiento que preserva la privacidad bajo restricciones de privacidad diferencial.
   3. Aceptar actualizaciones asíncronas para acomodar capacidades computacionales heterogéneas entre los participantes.

3. Construir la Red Neuronal de Grafos Adaptativos (AGNN) para la modelización de contagio de riesgos

1. Calcular los pesos de atención para informar la matriz dinámica de adyacencia
   1. Calcular el coeficiente de atención entre la empresa i y j en el tiempo t usando la atención normalizada por producto escalar:
      (10)
      NOTA: Estos pesos de atención cuantifican la influencia de cada empresa vecina en el estado de riesgo actualizado, permitiendo a los auditores rastrear las predicciones hasta determinantes relacionales específicos.
   2. Actualiza el peso del filo para reflejar la intensidad de contagio en tiempo real.
2. Realizar el paso temporal de mensajes
   1. Estados agregados de riesgo de vecinos para generar el vector de mensajes para la empresa i
      (11)
3. Actualizar el estado de riesgo del nodo usando una Unidad Recurrente Restringida (GRU)
   1. Integra el estado actual y el vector de mensaje para calcular el siguiente estado del paso de tiempo:
      (12)
4. Extraer incrustaciones de riesgo de contagio y optimizar el modelo
   1. Pasa el estado actualizado a través de un Perceptrón Multicapa (MLP) para generar incrustaciones de contagio:
      (13)
   2. Defina la función de pérdida cruzada de entropía para optimizar los parámetros AGNN:
      (14)
   3. Entrena el AGNN usando retropropagación con un optimizador minibatch (por ejemplo, Adam) hasta la convergencia. Construir instantáneas de grafos por paso de tiempo t y generar lotes temporales usando ventanas deslizantes sobre {_{G t}}. Minimiza el L en la división de entrenamiento y monitoriza la pérdida de validación en cada época. Aplicar la parada temprana cuando la pérdida de validación no mejore durante un número predeterminado de épocas (paciencia), o detente en un número máximo de épocas.

4. Desarrollar la capa de explicabilidad de doble canal

1. Implementar el canal de importancia de características basado en SHAP
   1. Calcula la contribución marginal de cada característica x_j a la salida del modelo usando valores SHAP:
      (15)
   2. Donde φ_j es el valor SHAP de la característica x_j, que representa su contribución aditiva a la predicción.
   3. Clasifica las características por valores absolutos de φ_j para identificar los principales factores que impulsan las decisiones de riesgo financiero.
2. Implementa el canal de extracción de reglas basado en árbol de decisión
   1. Entrena un modelo sustituto ligero de árbol de decisión. Utilizar la misma matriz de características de entrada X proporcionada al modelo de Riesgo Financiero y las salidas correspondientes del modelo como señales de supervisión. Específicamente, utiliza (i) la probabilidad predicha (árbol de regresión) o (ii) niveles de riesgo discretizados (árbol de clasificación) obtenidos mediante umbral (por ejemplo, Bajo/Medio/Alto). Entrenar un árbol de decisión poco profundo con profundidad limitada (por ejemplo, profundidad máxima 3-5) para reducir el sobreajuste y preservar la interpretabilidad. Evalúa la fidelidad sustituta comparando las salidas del árbol con las salidas de Riesgo Financiero en una validación retenida.
   2. Extrae reglas legibles para humanos "si-si si no" del árbol de decisiones. Recorran cada camino de raíz a hoja y conviertan las condiciones de división en reglas conjuntivas. Reglas de reporte usando los nombres originales de indicadores financieros y los umbrales aprendidos por el árbol. Por ejemplo: "Si la relación deuda-activo >0,6 y la cobertura de flujo de caja <1,2, entonces nivel de riesgo = Alto." Elimina condiciones redundantes y mantén solo las reglas más informativas (por ejemplo, las mejores reglas clasificadas por soporte o fidelidad).
3. Fusionar los dos canales de explicación
   1. Genera explicaciones integradas combinando SHAP y salidas basadas en reglas. Para cada predicción empresarial, informa (i) de las k principales características SHAP ordenadas por |φ_j| como los factores cuantitativos, y (ii) el camino de reglas del árbol de decisión emparejado que se activa por la misma instancia de entrada que la justificación cualitativa. Presenta la explicación final como una plantilla breve que combina las contribuciones de características con una declaración de regla correspondiente para apoyar tanto la transparencia numérica como la interpretabilidad basada en lógica.
      NOTA: La Tabla 1 presenta una visión general de las variables principales e indicadores financieros utilizados en la investigación para proporcionar claridad sobre cómo los atributos de entrada se relacionan con la predicción de riesgo a nivel empresarial.

5. Establecer el flujo de trabajo algorítmico integrado

1. Inicializar componentes del framework
   1. Configura redes de políticas locales y redes de críticos para todas las empresas (conforme al Step 2.1), incluyendo semillas de inicialización y ajustes de replay-buffer.
   2. Establece parámetros iniciales para el AGNN, incluyendo la dimensión de estado oculta d, los hiperparámetros GRU y los tamaños de capa MLP.
   3. Inicializar la capa de explicabilidad de doble canal, incluyendo la configuración SHAP (por ejemplo, estrategia de muestreo en el núcleo/fondo) y las restricciones del árbol de decisión (por ejemplo, profundidad máxima).
   4. Defina parámetros globales de agregación para FedAvg, incluyendo la frecuencia de comunicación (intervalo de ronda), la intensidad del ruido de privacidad y el número de rondas globales.
2. Ejecutar actualizaciones iterativas del framework
   1. Para cada paso de tiempo t:
      1. Genera estados locales y decisiones utilizando la red de políticas de cada empresa.
      2. Calcular recompensas instantáneas basadas en resultados financieros realizados o objetivos proxy definidos en la Ecuación (1).
      3. Actualizar redes locales de políticas y críticas usando transiciones (consistentes con los Pasos 2.2-2.3), usando muestreo minibatch del búfer de reproducción y optimización basada en retropropagación.
      4. Recopilar parámetros locales cifrados, realizar FedAvg para actualizar parámetros globales y distribuir θ_g a las empresas (consistente con el paso 2.4).
      5. Actualiza el AGNN usando el paso de mensajes basado en atención y entrena el módulo de contagio. Construye la instantánea del grafo G_t y las características del nodo en el paso de tiempo t. Para cada nodo i, calcular los coeficientes de atención sobre los vecinos j∈N(i) como:
         (16)
         Actualiza la representación oculta usando agregación ponderada:
         (17)
         Realiza pasadas hacia adelante y hacia atrás en la división de entrenamiento usando un optimizador minibatch (por ejemplo, Adam). Entrena para un número fijo de rondas globales (por ejemplo, 200 rondas) mientras monitorizas la pérdida de validación en cada ronda. Aplicar un planificador de tasa de aprendizaje que reduzca la tasa de aprendizaje en un factor de 0,1 cuando la pérdida de validación no mejora durante una ventana de paciencia predefinida (por ejemplo, 5 épocas/rondas consecutivas).
         NOTA: Esta formulación permite que cada nodo empresarial agregue información vecina mientras pondera más las relaciones financieramente significativas (de alto riesgo), lo que mejora la detección temprana de señales de riesgo impulsadas por contagio.
      6. Predecir las probabilidades de impago de la empresa usando incrustaciones AGNN.
      7. Generar explicaciones para decisiones y predicciones de riesgo a través de la capa de doble canal (coherente con el Step 4.3), informando tanto de los drivers basados en SHAP como del camino de reglas del árbol de decisión activado.
      8. Recoger comentarios de los interesados (opcionales) para refinar la claridad de las explicaciones (por ejemplo, revisar las plantillas de explicación o ajustar el número máximo de características reportadas k).
3. Establecer condiciones de terminación
   1. Dejar de iterar cuando el número de pasos de tiempo alcance un límite preestablecido (por ejemplo, 1000 iteraciones) o cuando el rendimiento del modelo se haya estabilizado (por ejemplo, cuando AUC-ROC cambie menos de 0,01 durante 5 iteraciones consecutivas).
   2. Proporcionar resultados optimizados: estrategias de decisión específicas de la empresa, modelos calibrados de contagio de riesgo AGNN y plantillas explicativas estandarizadas.
      NOTA: La Tabla 2 resume los parámetros de inicialización y los ajustes de entrenamiento en todos los entornos de aprendizaje para proporcionar la reproducibilidad completa del flujo de trabajo experimental.

6. Preparar conjuntos de datos experimentales

1. Recopila y procesa el conjunto de datos financiero real
   1. Recopila datos financieros trimestrales de 300 empresas chinas cotizadas en A-Share entre 2018 y 2023, cubriendo 8 sectores (por ejemplo, manufactura, finanzas y tecnología de la información).
   2. Incluye características financieras y eventos de riesgo etiquetados. Utiliza 120 características financieras (por ejemplo, ratio deuda-activo, indicadores de flujo de caja y rentabilidad sobre el capital) y etiquetas de evento de riesgo como impago y rebaja de calificación crediticia.
   3. Divide el conjunto de datos cronológicamente. Utiliza el Q1-2021 Q4 de 2021 para la formación, el Q1 de 2022 al Q4 de 2022 para validación y el Q1-Q4 de 2023 para pruebas, asegurando que no haya fugas temporales entre los splits.
2. Generar el conjunto de datos distribuido simulado
   1. Crea nodos empresariales distribuidos. Crear 10 nodos empresariales, cada uno con datos locales sensibles a la privacidad (por ejemplo, registros internos de transacciones) y señales compartibles a nivel industrial (por ejemplo, tasa media de crecimiento sectorial).
   2. Inyecta heterogeneidad y ruido. Inyectar mayor variabilidad en nodos de pequeñas empresas para emular un desequilibrio realista de datos y la volatilidad entre los participantes.
      NOTA: La Tabla 3 describe las características de los conjuntos de datos reales y simulados utilizados para la evaluación; Incluye tipos de características representativas, apoyando así la transparencia en la comprensión y replicación de datos.

7. Establecer modelos de referencia

1. Establecer líneas base para la optimización dispersa de resultados financieros
   1. Implementar Aprendizaje por Refuerzo Independiente (IR): entrenar un agente DRL para cada empresa usando solo sus datos locales (sin compartir parámetros).
   2. Implementar el Aprendizaje Supervisado Federado (FedSL): entrenar un modelo XGBoost mediante FedAvg para generar reglas estáticas de decisiones financieras.
   3. Implementar Aprendizaje Profundo Centralizado por Refuerzo (CDRL): agregar todos los datos empresariales en un nodo central y entrenar un agente DDPG (sin protección de privacidad).
2. Configurar líneas base para la modelización de contagio de riesgo
   1. Implementar una Red Neuronal de Grafos Estáticos (GNN estática): utilizar una matriz de adyacencia fija (basada en la afiliación industrial) para modelar la transmisión de riesgos.
   2. Implementar una red de Memoria a Corto Plazo Largo (LSTM): modelar las tendencias de riesgo de cada empresa utilizando solo datos de series temporales (ignorando las relaciones entre empresas).
   3. Implementar el modelo clásico SIR: asumir tasas fijas de transmisión de riesgo para simular la dinámica del contagio.
3. Configurar líneas base para mayor explicabilidad
   1. Solo SHAP: generar explicaciones usando solo la importancia de las características (sin extracción de reglas).
   2. Solo con reglas: generar explicaciones usando solo reglas del árbol de decisión (sin ponderación cuantitativa de características).
   3. Línea base de destilación: aproximar el modelo de Riesgo Financiero con un modelo más sencillo (por ejemplo, regresión lineal) para simplificar las explicaciones.
4. Asegura la comparabilidad de referencia. Coincidir con los hiperparámetros clave entre líneas base cuando sea aplicable (por ejemplo, el mismo tamaño oculto del GRU para LSTM y AGNN; tasas de aprendizaje y presupuestos de entrenamiento comparables).
   NOTA: La Tabla 4 muestra el entorno completo de software y la configuración del modelo utilizada para reproducir el flujo de trabajo de Riesgo Financiero, incluyendo hiperparámetros JRL y AGNN, ajustes de privacidad diferencial y protocolo de agregación federada.

8. Definir métricas de evaluación

1. Definir métricas para la optimización distribuida de decisiones financieras
   1. Calcular ingresos acumulados: utilizar la función de rentabilidad a largo plazo en la Ecuación (1) para cuantificar las ganancias financieras totales durante el periodo de prueba.
   2. Mide la estabilidad de la política: calcula la desviación estándar de los ajustes de decisión (por ejemplo, cambios en el ratio de inversión) a lo largo de pasos de tiempo consecutivos (valores más bajos indican mayor estabilidad).
   3. Evalúa la protección de la privacidad: utiliza un índice basado en entropía para puntuar la resistencia a la fuga de datos (puntuaciones más altas indican un mayor cumplimiento de la privacidad).
2. Definir métricas para la modelización de contagio de riesgos
   1. Calcular AUC-ROC: evaluar la precisión de las predicciones de probabilidad por defecto de la empresa (valores más altos indican mejor rendimiento).
   2. Mide la tasa de reconocimiento de trayectos: calcula la proporción de canales de contagio de riesgo correctamente identificados entre empresas.
   3. Evaluar la adaptabilidad dinámica: registrar el tiempo (en horas) necesario para que el modelo estabilice errores de predicción tras un choque de política (como se describe en la Ecuación 3, valores más bajos indican una adaptación más rápida).
3. Definir métricas para la explicabilidad
   1. Evalúa la precisión de las explicaciones: realiza revisiones de expertos para puntuar la consistencia entre explicaciones y lógica del modelo (basadas en las Ecuaciones 4 y 14), con puntuaciones que van de 0 a 1.
   2. Mide la concisión de la explicación: cuenta el número medio de características clave incluidas en cada explicación.
   3. Evalúa la consistencia de las reglas: puntua la alineación entre las reglas extraídas y los estándares financieros corporativos aceptados (que van de 0 a 1, valores más altos indican mejor cumplimiento).
   4. Documenta todos los métodos de cálculo de métricas: registra fórmulas y criterios umbral para asegurar la reproducibilidad de los resultados.

9. Métricas de evaluación

1. Utiliza cuatro métricas estándar de evaluación para evaluar el rendimiento de la predicción.
   1. El Error Cuadrático Medio (MSE) calcula la media de las diferencias cuadráticas entre los valores de riesgo real y los predichos. Valores MSE más bajos indican mayor precisión en la predicción, según el cálculo:
      (18)
   2. El Error Cuadrático Medio de la Raíz (RMSE) denota la raíz cuadrada del error de predicción, y por tanto refleja esencialmente la estabilidad del modelo a lo largo de un rango de escalas:
      (19)
   3. El Error Absoluto Medio (MAE) calcula la desviación absoluta media entre la predicción y el valor verdadero, con énfasis en la robustez y la interpretabilidad.
      (20)
   4. La Tasa de Error (ER) es la relación entre la desviación de los valores predichos y los valores reales en porcentaje, proporcionando así una medida más intuitiva relacionada con el rendimiento de la previsión en el mundo real:
      (21)

Results

Optimización de decisiones financieras distribuidas (RQ1)

La DRL centralizada alcanzó los ingresos acumulados más altos, pero a costa de una mala protección de la privacidad con una puntuación baja de 0,30. En cambio, el marco propuesto de JLR logró unos ingresos acumulados de 60.800 millones de yuanes, solo un 7% menos que el DRL centralizado, manteniendo a la vez una alta puntuación de privacidad de 0,92. Además, superó a Independent RL y FedSL en estabilidad de decisiones. ...

Discussion

Los resultados demuestran que el marco propuesto aborda eficazmente tres desafíos fundamentales en la gestión distribuida de riesgos financieros: (i) optimización de decisiones financieras que preserva la privacidad, (ii) modelado dinámico del contagio de riesgos entre empresas y (iii) interpretabilidad orientada a los interesados bajo entornos de datos regulados. En lugar de tratar estos como objetivos aislados, el marco combina el aprendizaje por refuerzo conjunto (JRL) con una red neu...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Software de gestión de datos financieros	Wind Information Co., Ltd.	N/A	Datos financieros trimestrales proporcionados de 300 empresas A-share (2018– 2023)
Servidor GPU	NVIDIA	Versión A100	Hardware
Servidor de Computación de Alto Rendimiento	Dell Technologies	R7525	Utilizado para realizar experimentos de aprendizaje por refuerzo federado y entrenamiento AGNN
Python		Versión 3.1	Software
PyTorch	Meta IA	Versión 2.1	Software
Ray RLlib		Versión 2.6	Toolkit
SHAP		Última versión	Biblioteca