Un cadre basé sur les données pour la prédiction et le contrôle des risques financiers dans l’économie numérique

Summary

Cette recherche propose Financial Risk, un cadre basé sur les données conçu pour améliorer la prédiction et le contrôle des risques financiers dans l’économie numérique grâce à l’apprentissage distribué, la modélisation dynamique de la contagion et des mécanismes d’interprétabilité.

Abstract

À l’ère de l’économie numérique, la gestion financière évolue vers une prise de décision basée sur les données. Les trois défis les plus importants sont : (a) les contraintes de confidentialité des données distribuées, (b) la contagion rapide des risques financiers à travers des entreprises interconnectées, et (c) la transparence de la logique décisionnelle pour plusieurs parties prenantes. Financial Risk relève ces défis avec un cadre incluant l’apprentissage par renforcement conjoint (JRL) pour l’optimisation distribuée des décisions financières, un réseau neuronal adaptatif à graphes (AGNN) pour modéliser les effets de contagion en temps réel, et une couche d’interprétation à double canal pour améliorer la transparence. Des expériences ont été menées à partir de données financières trimestrielles de 2018 à 2023 auprès de 300 sociétés chinoises cotées en A-share, ainsi qu’un ensemble de données distribué simulé. Les principales conclusions indiquent que JRL a atteint un chiffre d’affaires cumulé de 60,8 milliards de yuans (avec un score de confidentialité de 0,92), tandis que l’AUC de l’AGNN a atteint 0,89 et stabilisé les erreurs en moins de deux heures après les chocs politiques. La performance de la couche d’interprétation a atteint une précision de 85 % avec une moyenne de 2,8 caractéristiques clés. Tous ces résultats démontrent que le cadre du risque financier équilibre vie privée, efficacité, contrôle des risques et interprétabilité, et offre un paradigme pratique pour la gestion des risques financiers dans l’économie numérique.

Introduction

À l’ère de l’économie numérique, la gestion financière d’entreprise évoluera des pratiques basées sur l’expérience vers des paradigmes basés sur les^{données 1}. Les transactions en temps réel, les capteurs IoT et les systèmes d’entreprise basés sur le cloud génèrent des données financières multidimensionnelles de manière continue, ouvrant de nouvelles perspectives pour la prévision de précision, le financement intelligent et l’allocation dynamique^{des actifs 2}. Pourtant, les données financières sont diffusées entre les filiales, les partenaires de la chaîne d’approvisionnement, les institutions financières et les régulateurs, et les exigences juridiques de plus en plus strictes concernant la sécurité des données et le PIPL rendent le traitement centralisé difficile. Dans ces circonstances, le paradigme traditionnel de la « migration de données vers la modélisation centralisée du cloud et la prise de décision unifiée » est fondamentalement confronté à un dilemme : sacrifier la vie privée au profit de l’efficacité ou maintenir des silos de données au détriment de résultats^{sous-optimaux 3}.

Parallèlement, la rapidité et l’intensité de la contagion des risques financiers^{augmentent 4}. Les fluctuations macroéconomiques, les tensions géopolitiques et les événements inattendus de « cygne noir » peuvent rapidement se propager rapidement sur les chaînes d’approvisionnement, les chaînes de garantie et les flux de capitaux, entraînant un risque systémique en^{minutes 5}. Les outils conventionnels, tels que les états financiers statiques et les notations de crédit, sont souvent insuffisants pour capturer ces dynamiques en rapide évolution. Pour remédier à cette limitation, les chercheurs ont exploré des méthodes computationnelles avancées, notamment l’apprentissage par renforcement pour l’optimisation des décisions financières, l’apprentissage fédéré pour la collaboration distribuée, et les réseaux de neurones graphiques pour modéliser des dépendances complexes interentreprises⁶. Ces approches ont obtenu un succès initial en améliorant la prévision financière, le contrôle du risque de crédit et la modélisation de la contagion ; cependant, la plupart d’entre eux supposent un accès à des données centralisées ou globales, limitant ainsi l’applicabilité pratique dans des contextes distribués et limités par la vie^{privée 7}.

Un autre défi important est celui de l’interprétabilité. Des méthodes telles que l’attribution de caractéristiques basée sur SHAP et l’extraction de règles de décision ne sont que des explications partielles, et elles ne peuvent généralement pas répondre aux exigences de divers acteurs comme les CFO, les auditeurs et les régulateurs, qui exigent que les processus décisionnels soient transparents, auditables et accessibles^{sémantiquement 8}. Sans interprétabilité, même les modèles très précis peinent à être adoptés dans de véritables environnements de prise de décision^{financière 9}. Les méthodes d’apprentissage par renforcement profond telles que le DDPG¹ ont apporté des avancées fondamentales qui soutiennent les systèmes de décision financière^{modernes 10}.

Le cadre proposé suppose, du point de vue applicatif, un réseau d’entreprise dans lequel les données financières sont réparties entre filiales, partenaires de la chaîne d’approvisionnement, institutions financières ou nœuds réglementaires, où le regroupement de données brutes ne peut être effectué en raison de contraintes de confidentialité ou de^{juridiction 11}. Cette approche fonctionne bien dans un scénario où chaque nœud d’entreprise fournit des indicateurs financiers de séries chronologiques — généralement allant de 50 à 120 caractéristiques couvrant la structure du capital, la liquidité, la rentabilité et les événements de crédit — sur de nombreuses périodes de reporting¹². Le cadre peut être déployé sur des environnements CPU standard compatibles avec GPU ou hautes performances et prend en charge plusieurs contextes de droit de la vie privée, tels que le RGPD, le CCPA et le PIPL chinois, en échangeant des paramètres de modèle chiffrés plutôt que des dossiers financiers^{sensibles 13,14}. Les exigences typiques du système incluent une fréquence de communication modérée entre les nœuds et une topologie réseau stable au fil du temps. Une limitation connue est la réduction de la précision dans des réseaux d’entreprise extrêmement clairsemés ou très volatiles, où des changements structurels rapides empêchent le modèle graphique d’apprendre des dépendances interentreprises stables. Dans de tels cas, un entraînement fréquent ou des fenêtres de temps plus courtes peuvent être nécessaires pour maintenir la stabilité^{prédictive 15}.

Dans ce contexte, la présente étude propose Financial Risk, un cadre piloté par les données qui intègre l’apprentissage par renforcement conjoint (JLR) pour l’optimisation^{distribuée 16}, un réseau de neurones graphiques adaptatif pour la modélisation de contagion^{en temps réel 17}, et une couche d’interprétation à double canal pour la transparence orientée parties^{prenantes 18}. En abordant simultanément la confidentialité, l’efficacité, le contrôle des risques et l’interprétabilité, ce cadre offre un nouveau paradigme pour la gestion financière dans l’économie numérique.

Protocol

Ce protocole décrit les étapes pour construire le cadre du risque financier pour la prédiction et le contrôle des risques financiers dans l’économie numérique et pour reproduire les expériences de validation correspondantes. Le protocole couvre la formalisation mathématique des modèles, la construction de modules cadre, l’intégration des flux de travail, la préparation des ensembles de données, la mise en place de la base et la définition des métriques d’évaluation, permettant la reproductibilité par les chercheurs du domaine. Le tableau des matériaux résume tous les logiciels, bibliothèques/ensembles d’outils, ressources matérielles et ensembles de données nécessaires à la reproduction de ce protocole, tandis que la Figure 1 présente le flux de travail global pour une prédiction et un contrôle transparents des risques financiers.

REMARQUE : Toutes les étapes de ce protocole sont implémentées dans un flux de travail basé sur Python. Les agents locaux d’entreprise (clients) sont exécutés sur des machines séparées ou des conteneurs isolés pour émuler les institutions distribuées, tandis que l’agrégation fédérée est exécutée sur un coordinateur central (serveur). L’entraînement et l’inférence du modèle sont réalisés à l’aide d’un cadre d’apprentissage profond (par exemple, PyTorch ou TensorFlow) avec accélération GPU lorsque disponible. Les opérations de réseau neuronal de graphes sont implémentées à l’aide d’une bibliothèque d’apprentissage de graphes (par exemple, PyTorch Geometric ou DGL). Les explications SHAP sont générées à l’aide du package SHAP. Pour garantir la reproductibilité, les expériences utilisent des graines aléatoires fixes, des séparations prédéfinies train/validation/test, des scripts de prétraitement cohérents et des hyperparamètres enregistrés (taux d’apprentissage, taille du lot, rondes de communication et critères d’arrêt précoce).

1. Définir le problème de recherche et formaliser les modèles mathématiques

1. Clarifier les trois objectifs principaux de la recherche : optimiser les décisions financières sous des contraintes de confidentialité des données distribuées, capter la contagion dynamique des risques interentreprises, et garantir une logique décisionnelle interprétable par l’humain pour les multi-parties prenantes.
2. Formaliser le modèle d’optimisation des décisions financières distribuées
   1. Définissez l’espace de décision pour chaque entreprise : considérons les décisions au temps t pour l’entreprise i , où A_i inclut les stratégies d’investissement, de financement et de dividendes.
   2. Fixez l’objectif d’optimisation à long terme de maximisation du rendement, exprimé comme suit :
      (1)
      où γ est le facteur d’escompte, r_i est la récompense instantanée, l’État local, et l’ensemble des relations interentreprises.
      REMARQUE : Cette formulation de récompense encourage chaque agent d’entreprise à optimiser la prise de décision non seulement en fonction de sa propre situation financière, mais aussi des effets de propagation des risques sur les entreprises connectées. En conséquence, JRL soutient un apprentissage collaboratif tout en préservant la vie privée à travers les entités financières distribuées.
   3. Imposer des contraintes de confidentialité : spécifier que les données brutes de chaque entreprise ne peuvent pas être partagées entre entités (c’est-à-dire que les données restent locales pour chaque entreprise), et imposer le partage de paramètres au lieu de l’échange de données lors de la formation fédérée.
3. Formaliser le modèle dynamique de contagion du risque
   1. Représentons le réseau inter-entreprises comme un graphe dynamique :
      (2)
      où V désigne les nœuds d’entreprise et E^t désigne les bords de contagion variables dans le temps.
   2. Définissez les poids de bord pour quantifier l’intensité de transmission du risque de l’entreprise i à j au moment t.
   3. Décrivez l’évolution de l’état de risque de l’entreprise i à l’aide d’une équation dynamique non linéaire :
      
      Où f est une fonction d’activation non linéaire et ∈^t une perturbation stochastique.
4. Formaliser le modèle de contraintes d’interprétabilité
   1. Fixer le seuil de précision de l’explication : il faut que la probabilité que la sortie du modèle corresponde à l’explication satisfait
      (4)
      Avec δ comme seuil d’acceptation, tandis que la concision est maintenue en limitant le nombre de caractéristiques explicatives.
      REMARQUE : Le seuil d’acceptation est fixé à δ = 0,85 selon l’étalonnage sur l’ensemble de validation. Ce seuil contrôle l’accord minimal entre la sortie du modèle et l’explication générée, garantissant que les explications restent fidèles à la probabilité de risque prédite tout en évitant des listes de caractéristiques trop longues.
   2. Imposer la concision de l’explication en limitant le nombre de caractéristiques explicatives clés à k≤K (où K est un nombre maximal prédéfini de caractéristiques interprétables).

2. Construire le cadre JRL

1. Déployer des réseaux locaux d’apprentissage par renforcement pour chaque entreprise
   REMARQUE : Cette étape est effectuée sur chaque client d’entreprise (machine/conteneur local). Seuls les paramètres du modèle (ou les mises à jour des paramètres) sont communiqués au serveur lors de l’agrégation fédérée.
   1. Implémentez un agent Deep Deterministic Policy Gradient (DDPG) pour chaque entreprise, incluant une structure acteur-critique (réseau de politiques pour la sélection d’actions et réseau critique pour l’estimation de la valeur).
      REMARQUE : Chaque client initialise l’agent DDPG avec une graine aléatoire fixe, interagit avec son environnement local pour générer des transitions, puis les stocke dans un tampon de relecture pour les mises à jour minibatch.
   2. Définissez la sortie du réseau critique pour évaluer la valeur des paires état-décision :
      (5)
2. Définir la fonction de perte pour le réseau critique
   1. Calculez l’erreur de différence temporelle à l’aide du réseau critique cible Q_φi , et définissez la fonction de perte comme suit :
      (6)
   2. Optimisez les paramètres du réseau critique_{φ i} en utilisant la descente du gradient stochastique. À chaque étape de mise à jour, échantillonnez un minilot de transitions depuis le tampon de relecture, calculez la perte de TD ci-dessus, rétropropagez les gradients, et appliquez une mise à jour de l’optimiseur (par exemple, SGD/Adam). En option, appliquez le dégradé pour la stabilité et mettez à jour le réseau critique cible en utilisant un débit de mise à jour douce τ.
3. Optimiser les paramètres du réseau de politiques
   1. Calculer le gradient du rendement à long terme J(θ_i) par rapport aux paramètres de politique θ_i :
      (7)
   2. Mettre à jour θ_i en utilisant le gradient calculé pour maximiser le rendement cumulatif.
4. Implémenter l’agrégation globale des paramètres via la moyenne fédérée (FedAvg)
   1. Collectez les paramètres de politique réseau chiffrés (ou deltas de paramètres) auprès de toutes les entreprises à la fin de chaque tour de communication.
   2. Calculez le paramètre global θ_g en pondérant les paramètres de chaque entreprise par la taille de son jeu de données |D_i| :
      (8)
   3. Distribuer le paramètre global mis à jour θ_g à chaque entreprise pour synchroniser les réseaux locaux.
      REMARQUE : Les étapes 2.4.1-2.4.3 sont effectuées avec un flux de travail serveur-client. Les clients téléchargent les paramètres (ou deltas) vers le serveur central via un canal chiffré (par exemple, TLS). Le serveur effectue FedAvg et diffuse θ_g à tous les clients pour la phase suivante.
5. Améliorer l’efficacité des communications
   1. Appliquer une compression quantifiée aux paramètres du modèle pour réduire le volume de transmission de données.
   2. Injecter du bruit de confidentialité différentielle à chaque mise à jour locale du modèle en utilisant le mécanisme gaussienne. Pour chaque tour t, le bruit ∈^t ∼ N(0,σ² I) avec σ=0,8 est appliqué au vecteur gradient g :
      (9)
      REMARQUE : Le bruit est appliqué localement sur le client juste avant la communication avec le serveur pour soutenir la formation préservant la confidentialité sous contraintes de confidentialité différentielle.
   3. Accepter des mises à jour asynchrones pour accueillir des capacités computationnelles hétérogènes entre les participants.

3. Construire le Réseau de Neurones à Graphes Adaptatifs (AGNN) pour la modélisation de la contagion des risques

1. Calculer les poids d’attention pour informer la matrice dynamique d’adjacence
   1. Calculez le coefficient d’attention entre l’entreprise i et j au moment t en utilisant l’attention normalisée par produit scalaire :
      (10)
      REMARQUE : Ces pondérations d’attention quantifient l’influence de chaque entreprise voisine sur l’état de risque mis à jour, permettant aux auditeurs de retracer les prédictions jusqu’à des facteurs relationnels spécifiques.
   2. Mettez à jour le poids des arêtes pour refléter l’intensité de contagion en temps réel.
2. Effectuer le passage temporel des messages
   1. Agréger les états de risque des voisins pour générer le vecteur de message pour l’entreprise i
      (11)
3. Mettre à jour l’état de risque du nœud à l’aide d’une Unité Récurrente Verrouillée (GRU)
   1. Intégrez l’état actuel et le vecteur du message pour calculer l’état du pas de temps suivant :
      (12)
4. Extraire les embeddings de contagion des risques et optimiser le modèle
   1. Faites passer l’état mis à jour à travers un perceptron multicouche (MLP) pour générer des embeddings de contagion :
      (13)
   2. Définissez la fonction de perte croisée pour optimiser les paramètres AGNN :
      (14)
   3. Entraînez l’AGNN en utilisant la rétropropagation avec un optimiseur minibatch (par exemple, Adam) jusqu’à convergence. Construisons des instantanés de graphes par pas de temps t et générez des lots temporels en utilisant des fenêtres glissantes sur {G_t}. Minimisez la réduction de la division d’entraînement et surveillez la perte de validation à chaque époque. Appliquer un arrêt précoce lorsque la perte de validation ne s’améliore pas pendant un nombre prédéfini d’époques (patience), ou arrêter à un nombre maximal d’époques.

4. Développer la couche d’explicabilité à double canal

1. Implémenter le canal d’importance des caractéristiques basé sur SHAP
   1. Calculez la contribution marginale de chaque caractéristique_{x j} à la sortie du modèle à l’aide des valeurs SHAP :
      (15)
   2. Où φ_j est la valeur SHAP de la caractéristique x_j, représentant sa contribution additive à la prédiction.
   3. Classez les caractéristiques par valeurs absolues φ_j pour identifier les principaux moteurs des décisions de risque financier.
2. Implémenter le canal d’extraction de règles basé sur un arbre de décision
   1. Entraînez un modèle de substitution léger à arbre de décision. Utiliser la même matrice de caractéristiques d’entrée X fournie au modèle de risque financier et les sorties correspondantes du modèle comme signaux de supervision. Plus précisément, utilisez soit (i) la probabilité prédite (arbre de régression), soit (ii) les niveaux de risque discrétisés (arbre de classification) obtenus par seuil (par exemple, Faible/Moyen/Élevé). Entraînez un arbre de décision peu profond avec une profondeur limitée (par exemple, profondeur maximale 3-5) pour réduire le surapprentissage et préserver l’interprétabilité. Évaluez la fidélité de substitut en comparant les sorties de l’arbre aux sorties de Risque Financier sur une validation retenue.
   2. Extraire des règles « sinon » lisibles par l’humain de l’arbre de décision. Parcourez chaque chemin racine-feuille et convertissez les conditions de scission en règles conjonctives. Règles de rapport utilisant les noms et seuils d’indicateur financier originaux appris par l’arbre. Par exemple : « Si le ratio dette/actif > 0,6 et la couverture des flux de trésorerie <1,2, alors le niveau de risque = Élevé. » Supprimez les conditions redondantes et ne conservez que les règles les plus informatives (par exemple, les règles les plus importantes classées par support ou fidélité).
3. Fusionner les deux canaux d’explication
   1. Générez des explications intégrées en combinant SHAP et des sorties basées sur des règles. Pour chaque prédiction d’entreprise, rapportez (i) les k principales caractéristiques SHAP classées par |φ_j| comme les moteurs quantitatifs, et (ii) le chemin de règles de l’arbre de décision apparié déclenché par la même instance d’entrée que la justification qualitative. Présentez l’explication finale sous forme d’un court modèle associant les contributions des caractéristiques à une instruction de règle correspondante pour soutenir à la fois la transparence numérique et l’interprétabilité basée sur la logique.
      REMARQUE : Le tableau 1 présente un aperçu des variables principales et des indicateurs financiers utilisés dans la recherche afin d’apporter une clarté quant à la manière dont les attributs d’entrée se rapportent à la prédiction du risque au niveau de l’entreprise.

5. Établir le flux de travail algorithmique intégré

1. Initialisation des composants du framework
   1. Configurez les réseaux de politiques locaux et les réseaux de critiques pour toutes les entreprises (conformément à l’étape 2.1), y compris les graines d’initialisation et les paramètres du replay-buffer.
   2. Définissez les paramètres initiaux pour l’AGNN, incluant la dimension d’état cachée d, les hyperparamètres GRU et les tailles de couche MLP.
   3. Initialiser la couche d’explicabilité à double canal, y compris la configuration SHAP (par exemple, stratégie d’échantillonnage noyau/arrière-plan) et les contraintes de l’arbre de décision (par exemple, la profondeur maximale).
   4. Définir les paramètres d’agrégation globale pour FedAvg, y compris la fréquence de communication (intervalle de ronde), l’intensité du bruit de confidentialité et le nombre de tours globaux.
2. Exécuter des mises à jour itératives du cadre
   1. Pour chaque pas de temps t :
      1. Générez des États locaux et des décisions en utilisant le réseau politique de chaque entreprise.
      2. Calculer les récompenses instantanées en fonction des résultats financiers réalisés ou des objectifs indirects définis dans l’Équation (1).
      3. Mettre à jour les réseaux locaux de politiques et de critiques en utilisant des transitions (conformément aux étapes 2.2-2.3), en utilisant un échantillonnage minibatch à partir du tampon de replay et une optimisation basée sur la rétropropagation.
      4. Collecter des paramètres locaux chiffrés, effectuer FedAvg pour mettre à jour les paramètres globaux, et distribuer θ_g aux entreprises (conformément à l’étape 2.4).
      5. Mettez à jour l’AGNN en utilisant le passage de messages basé sur l’attention et entraînez le module de contagion. Construisez l’instantané du graphe G_t et les caractéristiques du nœud à l’étape temporelle t. Pour chaque nœud i, calculer les coefficients d’attention sur les voisins j∈N(i) comme suit :
         (16)
         Mettez à jour la représentation cachée en utilisant l’agrégation pondérée :
         (17)
         Effectuez des passes avant et arrière sur la répartition de l’entraînement à l’aide d’un optimiseur minibatch (par exemple, Adam). Entraînez-vous pour un nombre fixe de projectiles globaux (par exemple, 200 cartouches) tout en surveillant la perte de validation à chaque tour. Appliquer un planificateur de taux d’apprentissage qui réduit le taux d’apprentissage d’un facteur 0,1 lorsque la perte de validation ne s’améliore pas pour une fenêtre de patience prédéfinie (par exemple, 5 époques/tours consécutifs).
         REMARQUE : Cette formulation permet à chaque nœud d’entreprise d’agréger les informations sur les voisins tout en pondérant davantage les relations financièrement significatives (à haut risque), ce qui améliore la détection précoce des signaux de risque liés à la contagion.
      6. Prédire les probabilités de défaut de l’entreprise à l’aide des embeddings AGNN.
      7. Générez des explications pour les décisions et les prédictions de risque via la couche à double canal (conformément à l’étape 4.3), en rapportant à la fois les pilotes basés sur SHAP et le chemin de règles déclenché dans l’arbre de décision.
      8. Recueillez les retours des parties prenantes (optionnels) pour affiner la clarté des explications (par exemple, réviser les modèles d’explication ou ajuster le nombre maximal de caractéristiques signalées k).
3. Définir des conditions de terminaison
   1. Arrêtez d’itérer lorsque le nombre de pas de temps atteint une limite prédéfinie (par exemple, 1000 itérations) ou lorsque la performance du modèle s’est stabilisée (par exemple, lorsque AUC-ROC change de moins de 0,01 pour 5 itérations consécutives).
   2. Fournir des résultats optimisés : stratégies décisionnelles spécifiques à l’entreprise, modèles calibrés de contagion des risques AGNN, et modèles d’explication standardisés.
      REMARQUE : Le tableau 2 résume les paramètres d’initialisation et les paramètres d’entraînement dans tous les environnements d’apprentissage afin d’assurer une reproductibilité complète du flux de travail expérimental.

6. Préparer des ensembles de données expérimentaux

1. Collectez et traitez le véritable ensemble de données financières.
   1. Collectez les données financières trimestrielles pour 300 sociétés chinoises cotées en A-share de 2018 à 2023, couvrant 8 secteurs (par exemple, la fabrication, la finance et les technologies de l’information).
   2. Incluez des caractéristiques financières et des événements de risque identifiés. Utilisez 120 caractéristiques financières (par exemple, ratio dette/actif, indicateurs de flux de trésorerie et rendement des capitaux propres) ainsi que des étiquettes d’événements de risque telles que défaut de paiement et dégradation de la note de crédit.
   3. Divisez le jeu de données chronologiquement. Utilisez le T1-2021 Q4 2021 pour la formation, le Q1-2022 T4 pour la validation, et le Q1-2023 T4 2023 pour les tests, afin d’éviter toute fuite temporelle entre les splits.
2. Générer l’ensemble de données distribué simulé
   1. Créez des nœuds d’entreprise distribués. Créer 10 nœuds d’entreprise, chacun contenant des données locales sensibles à la vie privée (par exemple, des enregistrements de transactions internes) et des signaux de niveau secteur partageables (par exemple, le taux de croissance moyen du secteur).
   2. Injectez hétérogénéité et bruit. Injecter une plus grande variabilité dans les nœuds des petites entreprises afin d’émuler un déséquilibre et une volatilité réalistes des données entre les participants.
      REMARQUE : Le tableau 3 décrit les caractéristiques des ensembles de données réels et simulés utilisés pour l’évaluation ; Il inclut des types de caractéristiques représentatifs, ce qui permet de soutenir la transparence dans la compréhension et la réplication des données.

7. Mise en place de modèles de référence

1. Établissez des bases de référence pour une optimisation des résultats financiers dispersés
   1. Implémenter l’apprentissage par renforcement indépendant (IR) : entraîner un agent DRL pour chaque entreprise en utilisant uniquement ses données locales (sans partage de paramètres).
   2. Implémentez l’apprentissage supervisé fédéré (FedSL) : entraînez un modèle XGBoost via FedAvg pour générer des règles de décision financière statiques.
   3. Implémentez l’apprentissage par renforcement profond centralisé (CDRL) : agrégez toutes les données de l’entreprise dans un nœud central et entraînez un agent DDPG (sans protection de la vie privée).
2. Configurez des bases de référence pour la modélisation de la contagion des risques
   1. Implémenter un réseau de neurones à graphes statiques (GNN statique) : utiliser une matrice d’adjacence fixe (basée sur l’affiliation sectorieuse) pour modéliser la transmission des risques.
   2. Implémenter un réseau de mémoire à court terme (LSTM) : modéliser les tendances individuelles des risques d’entreprise en utilisant uniquement des séries temporelles (en ignorant les relations interentreprises).
   3. Implémenter le modèle SIR classique : supposer des taux de transmission du risque fixes pour simuler la dynamique de la contagion.
3. Configurez des bases de référence pour l’explicabilité
   1. SHAP-uniquement : générer des explications en utilisant uniquement l’importance des caractéristiques (sans extraction de règles).
   2. Règle uniquement : générer des explications en utilisant uniquement les règles de l’arbre de décision (sans pondération quantitative des caractéristiques).
   3. Base de distillation : approximer le modèle du risque financier avec un modèle plus simple (par exemple, régression linéaire) pour simplifier les explications.
4. Assurez-vous de la comparabilité de base. Faire correspondre les hyperparamètres clés entre les bases lorsque cela est applicable (par exemple, même taille cachée du GRU pour LSTM et AGNN ; taux d’apprentissage et budgets d’entraînement comparables).
   REMARQUE : Le tableau 4 présente l’environnement logiciel complet et la configuration du modèle utilisés pour reproduire le flux de travail du risque financier, y compris les hyperparamètres JRL et AGNN, les paramètres de confidentialité différentielle et le protocole d’agrégation fédérée.

8. Définir les métriques d’évaluation

1. Définir des métriques pour l’optimisation distribuée des décisions financières
   1. Calculez le chiffre d’affaires cumulé : utilisez la fonction de rendement à long terme de l’équation (1) pour quantifier les gains financiers totaux durant la période d’essai.
   2. Mesurer la stabilité de la politique : calculer l’écart-type des ajustements de décision (par exemple, les variations du ratio d’investissement) sur des pas de temps consécutifs (des valeurs plus basses indiquent une stabilité plus élevée).
   3. Évaluer la protection de la vie privée : utiliser un indice basé sur l’entropie pour évaluer la résistance aux fuites de données (des scores plus élevés indiquent une meilleure conformité à la vie privée).
2. Définir des indicateurs pour la modélisation de la contagion des risques
   1. Calculer AUC-ROC : évaluer la précision des prédictions de probabilité par défaut de l’entreprise (des valeurs plus élevées indiquent de meilleures performances).
   2. Mesurer le taux de reconnaissance de chemin : calculer la proportion de canaux de contagion des risques correctement identifiés entre entreprises.
   3. Évaluer l’adaptabilité dynamique : noter le temps (en heures) nécessaire pour que le modèle stabilise les erreurs de prédiction après un choc politique (comme décrit dans l’équation 3, des valeurs plus basses indiquent une adaptation plus rapide).
3. Définir des métriques pour l’explicabilité
   1. Évaluer la précision des explications : réaliser des revues d’experts pour évaluer la cohérence entre les explications et la logique du modèle (basée sur les équations 4 et 14), avec des scores allant de 0 à 1.
   2. Mesurer la concision de l’explication : compter le nombre moyen de caractéristiques clés incluses dans chaque explication.
   3. Évaluer la cohérence des règles : évaluer l’alignement entre les règles extraites et les normes financières d’entreprise acceptées (allant de 0 à 1, des valeurs plus élevées indiquent une meilleure conformité).
   4. Documentez toutes les méthodes de calcul des métriques : notez les formules et les critères seuils pour garantir la reproductibilité des résultats.

9. Indicateurs d’évaluation

1. Utilisez quatre métriques d’évaluation standard pour évaluer la performance de prédiction.
   1. L’erreur quadratique moyenne (MSE) calcule la moyenne des différences au carré entre les valeurs réelles et prédites du risque. Des valeurs MSE plus faibles indiquent une précision plus élevée dans la prédiction, telle que calculée :
      (18)
   2. L’erreur quadratique moyenne de la racine (RMSE) désigne la racine carrée de l’erreur de prédiction, et reflète donc essentiellement la stabilité du modèle sur une plage d’échelles :
      (19)
   3. L’erreur absolue moyenne (MAE) calcule l’écart absolu moyen entre la prédiction et la valeur réelle, en mettant l’accent sur la robustesse et l’interprétabilité.
      (20)
   4. Le taux d’erreur (RE) est le rapport entre l’écart entre les valeurs prédites et les valeurs réelles en pourcentage, fournissant ainsi une mesure plus intuitive liée à la performance de prévision dans le monde réel :
      (21)

Results

Optimisation distribuée des décisions financières (RQ1)

La DRL centralisée a atteint le chiffre d’affaires cumulatif le plus élevé, mais au prix d’une mauvaise protection de la vie privée, avec un score de confidentialité bas de 0,30. En revanche, le cadre JLR proposé a atteint un chiffre d’affaires cumulé de 60,8 milliards de yuans, soit seulement 7 % de moins que le DRL centralisé, tout en maintenant un score élevé de confidentialité de 0,92. De plus, elle a surpassé Indepen...

Discussion

Les résultats démontrent que le cadre proposé répond efficacement à trois défis majeurs de la gestion distribuée des risques financiers : (i) l’optimisation des décisions financières préservant la vie privée, (ii) la modélisation dynamique de la contagion des risques interentreprises, et (iii) l’interprétabilité orientée vers les parties prenantes dans des environnements de données réglementés. Plutôt que de traiter ces objectifs comme des objectifs isolés, le cadre associe l’apprentissa...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Logiciel de gestion des données financières	Wind Information Co., Ltd.	N/A	Données financières trimestrielles fournies pour 300 sociétés A-share (2018&ndash ; 2023)
Serveur GPU	NVIDIA	Version A100	Matériel
Serveur de calcul haute performance	Dell Technologies	R7525	Utilisé pour mener des expériences d’apprentissage par renforcement fédéré et d’entraînement AGNN
Python		Version 3.1	Logiciels
PyTorch	Méta IA	Version 2.1	Logiciel  ;
Ray RLlib		Version 2.6	Toolkit  ;
SHAP		Dernière version	Bibliothèque