מאמר שיטה

מסגרת מונחית נתונים לחיזוי ושליטה בסיכונים פיננסיים בכלכלה הדיגיטלית

DOI:

10.3791/69877

⸱

6 במרץ 2026

1Zhejiang Commercial Technician College

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מציע את סיכון פיננסי, מסגרת מונחית נתונים שנועדה לשפר את חיזוי ושליטה בסיכונים פיננסיים בכלכלה הדיגיטלית באמצעות למידה מבוזרת, מודלים דינמיים של הדבקה ומנגנוני פרשנות.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בעידן הכלכלה הדיגיטלית, ניהול פיננסי עובר לכיוון קבלת החלטות מונחית נתונים. שלושת האתגרים החשובים ביותר הם: (א) מגבלות פרטיות נתונים מבוזרת, (ב) הדבקה מהירה של סיכונים פיננסיים בין ארגונים מקושרים, ו-(ג) לוגיקת החלטות שקופה עבור בעלי עניין מרובים. Financial Risk מתמודדת עם אתגרים אלה באמצעות מסגרת הכוללת Joint Reinforcement Learning (JRL) לאופטימיזציה של החלטות פיננסיות מבוזרות, רשת עצבית גרפית אדפטיבית (AGNN) למידול השפעות הדבקה בזמן אמת, ושכבת פרשנות דו-ערוצית לשיפור השקיפות. ניסויים בוצעו באמצעות נתונים פיננסיים רבעוניים בין 2018 ל-2023 של 300 חברות סיניות הנסחרות ב-A-share, וכן מערך נתונים מבוזר מדומה. הממצאים המרכזיים מצביעים על כך ש-JRL השיגה הכנסות מצטברות של 60.8 מיליארד יואן (עם ציון פרטיות של 0.92), בעוד ש-AUC של AGNN הגיעה ל-0.89 וייצבה טעויות תוך שעתיים לאחר זעזועים במדיניות. ביצועי שכבת הפרשנות הגיעו לדיוק של 85% בממוצע של 2.8 תכונות מפתח. כל הממצאים הללו מראים כי מסגרת הסיכון הפיננסי מאזנת בין פרטיות, יעילות, שליטה בסיכונים ופרשנות – ומציעה פרדיגמה מעשית לניהול סיכונים פיננסיים בכלכלה הדיגיטלית.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בעידן הכלכלה הדיגיטלית, ניהול פיננסי תאגידי יעבור מפרקטיקות מבוססות ניסיון לפרדיגמות מונחות נתונים1. עסקאות בזמן אמת, חיישני IoT ומערכות ארגוניות מבוססות ענן מייצרים נתונים פיננסיים רב-ממדיים באופן בלתי פוסק, ופותחים אופקים חדשים לחיזוי מדויק, מימון חכם והקצאת נכסים דינמית2. עם זאת, נתונים פיננסיים מופצים בין חברות בנות, שותפי שרשרת אספקה, מוסדות פיננסיים ורגולטורים, והדרישות המשפטיות המחמירות יותר ויותר בנוגע לאבטחת נתונים ו-PIPL מקשות על עיבוד מרכזי. בנסיבות אלו, הפרדיגמה המסורתית של "העברת נתונים למודלים מרכזיים בענן וקבלת החלטות מאוחדת" מתמודדת עם דילמה: הקרבת פרטיות למען יעילות או ש....

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מתאר את השלבים לבניית מסגרת הסיכון הפיננסי לחיזוי ושליטה בסיכונים פיננסיים בכלכלה הדיגיטלית ולשחזור ניסויי האימות המתאימים. הפרוטוקול כולל פורמליזציה מתמטית של מודלים, בניית מודולי מסגרת, אינטגרציה של זרימות עבודה, הכנת מערכי נתונים, הקמת בסיס והגדרת מדדים להערכה, מה שמאפשר שחזוריות על ידי חוקרים בתחום. טבלת החומרים מסכמת את כל התוכנה, הספריות/ערכות הכלים, משאבי החומרה ומאגרי הנתונים הנדרשים לשחזור פרוטוקול זה, בעוד שאיור 1 מספק את תהליך העבודה הכולל לחיזוי ושליטה בסיכונים פיננסיים שקופים.

הערה: כל השלבים בפרוטוקול זה מיושמים בזרימת עבודה מבוססת פייתון. סוכני ארגון מקומיים (לקוחות) ....

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אופטימיזציה של החלטות פיננסיות מבוזרות (RQ1)

DRL מרכזי הגיע להכנסה המצטברת הגבוהה ביותר, אך במחיר של הגנה לקויה על פרטיות עם ציון פרטיות נמוך של 0.30. לעומת זאת, מסגרת JLR המוצעת השיגה הכנסות מצטברות של 60.8 מיליארד יואן, נמוך ב-7% בלבד מ-DRL מרכזי, תוך שמירה על ציון פרטיות גבוה של 0.92. בנוסף, היא הציגה ביצועים טובים יותר מ-RL העצמאית ו-FedSL ביציבות ההחלטות. לכן, מסגרת JLR המוצעת מציגה פשרה מספקת יותר בין הגנה על פרטיות לרווחיות. תצפיות אלו מראות ש-JRL אכן מאפשרת שיפורים של .......

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

התוצאות מראות כי המסגרת המוצעת מתמודדת ביעילות עם שלושה אתגרים מרכזיים בניהול סיכונים פיננסיים מבוזרים: (i) אופטימיזציה של החלטות פיננסיות לשמירה על פרטיות, (ii) מידול דינמי של הדבקה בסיכונים בין-ארגונית, ו-(iii) פרשנות מונחית בעלי עניין תחת סביבות נתונים מפוקחות. במקום להתייחס אליהם כמטרות מבודדות, המסגרת מחברת למידת חיזוק משותפת (JRL) עם רשת עצבית גרפית אדפטיבית (AGNN) ושכבת הסבר דו-ערוצי, המאפשרת חיזוי ושליטה בסיכונים באופן שיישאר ניתן לפריסה תפעולית וביקורת בסביבות ארגוניות אמיתיות.<.......

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין מה לחשוף.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה נתמך על ידי מכללת הטכנאים המסחריים של ג'ג'יאנג. המחבר מודה למוסדות הפיננסיים ולארגונים שסיפקו מידע ומומחיות תחומית. תודה מיוחדת מוענקת לעמיתים על תובנותיהם בלמידה פדרטיבית ומידול סיכונים. אנו גם מכירים בתמיכה הטכנית מקהילות הקוד הפתוח ובכלים שאפשרו עבודה זו.

....

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
תוכנת ניהול נתונים פיננסייםחברת מידע רוח בע"מ.לא זמיןסופק נתונים כספיים רבעוניים של 300 חברות A-share (2018– 2023)
שרת GPUNVIDIAגרסה A100חומרה
שרת מחשוב ביצועים גבוהיםדל טכנולוגיותR7525משמש לניהול ניסויים בלמידת חיזוק מאוחדת וניסויי אימון AGNN
פייתוןגרסה 3.1תוכנה
פייטורץ'מטא AIגרסה 2.1Software 
ריי RLlibגרסה 2.6Toolkit 
שאפהגרסה האחרונהספרייה

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Goldfarb, A., Tucker, C. Digital economics. J Econ Lit. 57 (1), 3-43 (2019).
  2. Guo, Y. Contextualized design of IoT finance for operational risk in commercial banks. Comput Intell Neurosci. 2022, 1-11 (2022).
  3. Wieandt, A., Heppding, L. Centralized and Decentralized Finance: Coex....

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים