מסגרת מונחית נתונים לחיזוי ושליטה בסיכונים פיננסיים בכלכלה הדיגיטלית

Summary

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.

Abstract

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.

Introduction

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 שמירה על סילוקי נתונים על חשבון תוצאות לא אופטימליות³.

במקביל, המהירות והעוצמה של התפשטות הסיכונים הפיננסיים הולכים וגדלים⁴. תנודות מקרו-כלכליות, מתחים גיאופוליטיים ואירועים בלתי צפויים של "ברבור שחור" יכולים להתפשט במהירות לאורך שרשראות האספקה, שרשראות הבטחונות וזרימות ההון, ולהוביל לסיכון מערכתית בדקות⁵. כלים קונבנציונליים, כמו דוחות פיננסיים סטטיים ודירוגי אשראי, לעיתים קרובות אינם מספיקים לכידת הדינמיקות המתפתחות במהירות הללו. כדי להתמודד עם מגבלה זו, חוקרים חקרו שיטות חישוביות מתקדמות, כולל למידת חיזוק לאופטימיזציה של החלטות פיננסיות, למידה פדרטיבית לשיתוף פעולה מבוזר, ורשתות עצביות גרפים למידול תלותיות מורכבות בין חברות⁶. גישות אלו השיגו הצלחה ראשונית בשיפור תחזיות פיננסיות, בקרת סיכוני אשראי ומודלים של הדבקות; עם זאת, רובם מניחים גישה לנתונים מרכזיים או גלובליים, מה שמגביל את היישום המעשי בהקשרים מבוזרים ומוגבלים לפרטיות⁷.

אתגר חשוב נוסף הוא היכולת לפרשנות. שיטות כמו ייחוס תכונות מבוססות SHAP וחילוץ כללי החלטה הן הסברים חלקיים בלבד, והן בדרך כלל אינן עונות על דרישות של בעלי עניין שונים כמו סמנכ"לי כספים, מבקרים ורגולטורים, שדורשים שתהליכי ההחלטה יהיו שקופים, ניתנים לביקורת^{ונגישים} סמנטית. ללא פרשנות, אפילו מודלים מדויקים מאוד מתקשים לקבל אימוץ בסביבות קבלת החלטות פיננסיות אמיתיות⁹. שיטות למידה עם חיזוק עמוק כמו DDPG¹ סיפקו התקדמות יסודית שמבססת את מערכות ההחלטות הפיננסיות המודרניות¹⁰.

המסגרת המוצעת מניחה, מנקודת מבט היישום, רשת ארגונית שבה הנתונים הפיננסיים מפוזרים בין חברות בנות, שותפי שרשרת אספקה, מוסדות פיננסיים או צמתים רגולטוריים, כאשר לא ניתן לבצע איגוד נתונים גולמיים בשל מגבלות פרטיות או סמכות שיפוטית¹¹. הגישה עובדת היטב בתרחיש שבו כל צומת עסקי מספק מדדים פיננסיים בסדרת זמן – בדרך כלל בין 50 ל-120 תכונות המכסות מבנה הון, נזילות, רווחיות ואירועי אשראי – לאורך תקופות דיווח^שונות. המסגרת ניתנת לפריסה בסביבות CPU סטנדרטיות עם GPU או ביצועים גבוהים, ותומכת בהקשרים שונים של דיני פרטיות, כגון GDPR, CCPA ו-PIPL הסיני, על ידי החלפת פרמטרים מוצפנים של מודל במקום רשומות פיננסיות רגישות^13,14. דרישות מערכת טיפוסיות כוללות תדירות תקשורת בינונית בין צמתים וטופולוגיית רשת יציבה לאורך זמן. מגבלה ידועה היא ירידה בדיוק ברשתות ארגוניות דלות מאוד או תנודתיות מאוד, שבהן שינויים מבניים מהירים מונעים ממודל הגרף ללמוד תלות יציבה בין חברות. במקרים כאלה, ייתכן שיידרשו אימון חוזר תכוף או חלונות זמן קצרים יותר לשמירה על יציבות חיזוי¹⁵.

על רקע זה, המחקר הנוכחי מציע את Financial Risk, מסגרת מונחית נתונים המשלבת Joint Reinforcement Learning (JLR) לאופטימיזציה מבוזרת¹⁶, רשת עצבית גרפית אדפטיבית למידול זיהום בזמן אמת¹⁷, ושכבת פרשנות דו-ערוצית לשקיפות ממוקדת בעלי עניין¹⁸. על ידי התייחסות בו-זמנית לפרטיות, יעילות, בקרת סיכונים ופרשנות במקביל, מסגרת זו מספקת פרדיגמה חדשה לניהול פיננסי בכלכלה הדיגיטלית.

Protocol

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) מופעלים על מכונות נפרדות או מכולות מבודדות כדי לאדמות מוסדות מבוזרים, בעוד שאגרגציה פדרטיבית מתבצעת על מתאם מרכזי (שרת). אימון והסקת מודלים מיושמים באמצעות מסגרת למידה עמוקה (למשל, PyTorch או TensorFlow) עם האצת GPU כאשר זמינה. פעולות רשת עצבית של גרפים מיושמות באמצעות ספריית למידת גרפים (למשל, PyTorch Geometric או DGL). הסברים ל-SHAP נוצרים באמצעות חבילת SHAP. כדי להבטיח שחזוריות, ניסויים משתמשים בזרעים אקראיים קבועים, חלוקות רכבת/אימות ובדיקות מוגדרות מראש, סקריפטים עקביים לעיבוד מקדים, והיפרפרמטרים מתועדים (קצב למידה, גודל אצווה, סבבי תקשורת וקריטריוני עצירה מוקדמת).

1. להגדיר את בעיית המחקר ולפורמליזציה של מודלים מתמטיים

1. להבהיר את שלושת מטרות המחקר המרכזיות: אופטימיזציה של החלטות פיננסיות תחת מגבלות פרטיות נתונים מבוזרות, לכידת סיכונים דינמיים בין ארגונים, והבטחת לוגיקת החלטות ניתנת לפרשנות אנושית עבור בעלי עניין מרובים.
2. פורמליזציה של מודל אופטימיזציית החלטות פיננסיות מבוזר
   1. הגדר את מרחב ההחלטה לכל ארגון: תן להחלטות בזמן t עבור ארגון i יהיו , כאשר A_i כולל אסטרטגיות השקעה, מימון ודיבידנד.
   2. הגדר את יעד מקסום התשואה לטווח ארוך כיעד האופטימיזציה, המובע כך:
      (1)
      כאשר γ הוא גורם ההיוון, R_i הוא התגמול המיידי, המדינה המקומית, וקבוצת הקשרים הבין-ארגוניים.
      הערה: נוסחת התגמול הזו מעודדת כל סוכן ארגוני לייעל את קבלת ההחלטות לא רק על בסיס מצבו הפיננסי אלא גם על פי השפעות הפצת הסיכון על הארגונים המקושרים. כתוצאה מכך, JRL תומכת בלמידה שיתופית אך שומרת על פרטיות בין גופים פיננסיים מבוזרים.
   3. הטיל מגבלות פרטיות: ציין שהנתונים הגולמיים של כל ארגון אינם יכולים להיות משותפים בין ישויות (כלומר, הנתונים נשארים מקומיים לכל ארגון), ומחייבים שיתוף פרמטרים במקום החלפת נתונים במהלך ההכשרה המאוחדת.
3. פורמליזציה של מודל ההדבקה הסיכונית הדינמי
   1. ייצוג את הרשת הבין-ארגונית כגרף דינמי:
      (2)
      כאשר V מציין צמתים ארגוני ו-E^t מציין קשתות הדבקה משתנות בזמן.
   2. הגדר משקלי קצה כדי לכמת את עוצמת העברת הסיכון מארגון i ל-j בזמן t.
   3. תאר את התפתחות מצב הסיכון של Enterprise i באמצעות משוואה דינמית לא ליניארית:
      
      כאשר f היא פונקציית הפעלה לא ליניארית ו-∈^t הפרעה סטוכסטית.
4. פורמליזציה של מודל מגבלות הפרשנות
   1. קבע את סף דיוק ההסבר: דרוש את ההסתברות שפלט המודל יתאים להסבר כדי לעמוד ב
      (4)
      עם δ כסף הקבלה, בעוד שהתמציתיות נשמרת על ידי הגבלת מספר התכונות ההסבריות.
      הערה: סף הקבלה מוגדר ל-δ = 0.85 בהתאם לכיול של קבוצת הוולידציה. סף זה שולט בהסכמה המינימלית בין פלט המודל להסבר שנוצר, ומבטיח שההסברים נשארים נאמנים להסתברות הסיכון החזויה תוך הימנעות מרשימות תכונות ארוכות מדי.
   2. הטיל תמציתיות בהסבר על ידי הגבלת מספר התכונות ההסבריות המרכזיות ל-k≤K (כאשר K הוא מספר מקסימלי מוגדר מראש של תכונות ניתנות לפענוח).

2. בניית מסגרת JRL

1. פריסת רשתות למידת חיזוק מקומיות לכל ארגון
   הערה: שלב זה מתבצע על כל לקוח ארגוני (מכונה/מכולה מקומית). רק פרמטרי מודל (או עדכוני פרמטרים) מתקשרים לשרת במהלך האגרגציה הפדרטיבית.
   1. יישם סוכן גרדיאנט מדיניות דטרמיניסטי עמוק (DDPG) לכל ארגון, כולל מבנה שחקן-ביקורת (רשת מדיניות לבחירת פעולות ורשת ביקורת להערכת ערך).
      הערה: כל לקוח מאתחל את סוכן ה-DDPG עם זרע אקראי קבוע, מתקשר עם הסביבה המקומית שלו ליצירת מעברים, ומאחסן אותם בזיכרון הפעלה חוזר לעדכוני minibatch (minibatch אחד).
   2. הגדר את פלט הרשת הקריטית להערכת ערך זוגות מצב-החלטה:
      (5)
2. הגדר את פונקציית ההפסד עבור רשת הקריטית
   1. חשב את שגיאת ההפרש הזמני באמצעות רשת המבקר Q_φi , והגדר את פונקציית ההפסד כך:
      (6)
   2. אופטימיזציה של פרמטרי רשת הביקורת φ_i באמצעות ירידת גרדיאנט סטוכסטית. בכל שלב עדכון, דגמו מיני-אצווה של מעברים מבאפר החזרה, חשבו את אובדן ה-TD למעלה, הפכו גרדיאנטים לאחור, והחלו עדכון אופטימייזר (למשל, SGD/אדם). באופן אופציונלי, ניתן להחיל חיתוך גרדיאנט ליציבות ולעדכן את רשת המבקר היעד באמצעות קצב עדכון רך τ.
3. אופטימיזציה של פרמטרי רשת המדיניות
   1. חשב את הגרדיאנט של התשואה לטווח ארוך J(θ_i) ביחס לפרמטרי מדיניות θ_i:
      (7)
   2. עדכון θ_i באמצעות הגרדיאנט המחושב כדי למקסם את התשואה המצטברת.
4. יישום אגרגציה גלובלית של פרמטרים באמצעות ממוצע מאוחד (FedAvg)
   1. אסוף פרמטרים מוצפנים של רשת מדיניות (או דלתות פרמטרים) מכל הארגונים בסוף כל סבב תקשורת.
   2. חשב את הפרמטר הגלובלי_θg על ידי שקילול פרמטרי כל ארגון לפי גודל מערך הנתונים שלו |D_i|:
      (8)
   3. הפצה את הפרמטר הגלובלי המעודכן_θg חזרה לכל ארגון כדי לסנכרן רשתות מקומיות.
      הערה: שלבים 2.4.1-2.4.3 מבוצעים באמצעות תהליך עבודה בין שרת-לקוח. לקוחות מעלים פרמטרים (או דלתאים) לשרת המרכזי דרך ערוץ מוצפן (למשל, TLS). השרת מבצע FedAvg ומשדר_θg חזרה לכל הלקוחות לסבב הבא.
5. שיפור יעילות התקשורת
   1. החלו דחיסה כמותית על פרמטרי המודל כדי להפחית את נפח העברת הנתונים.
   2. הזרמת רעש פרטיות דיפרנציאלית לכל עדכון מודל מקומי באמצעות מנגנון גאוסיאני. לכל סיבוב t, רעש ∈^t ∼ N(0,σ² I) עם σ=0.8 מוחל על וקטור הגרדיאנט g:
      (9)
      הערה: רעש מוחל מקומית על הלקוח מיד לפני התקשורת עם השרת כדי לתמוך באימון שמירה על פרטיות תחת מגבלות פרטיות שונות.
   3. קבל עדכונים אסינכרוניים כדי להתאים ליכולות חישוביות הטרוגניות בין המשתתפים.

3. לבנות את רשת הגרפים העצבית האדפטיבית (AGNN) למידול זיהומי סיכונים

1. חישבו את משקלי הקשב כדי להנחות את מטריצת הסמיכות הדינמית
   1. חשב את מקדם הקשב בין הארגון i ל-j בזמן t באמצעות קשב נקודה-מכפל מנורמל:
      (10)
      הערה: משקלי תשומת הלב הללו מכמתים את השפעת כל עסק שכנה על מצב הסיכון המעודכן, ומאפשרים למבקרים לעקוב אחר תחזיות עד למניעים יחסיים מסוימים.
   2. עדכן את משקל הקצה כדי לשקף את עוצמת ההדבקה בזמן אמת.
2. ביצוע העברת הודעה זמנית
   1. הצטברו מצבי סיכון שכנים ליצירת וקטור ההודעה עבור הארגון i
      (11)
3. עדכן את מצב הסיכון של הצומת באמצעות יחידת Gated Recurrent (GRU)
   1. אינטגר את המצב הנוכחי וקטור ההודעה כדי לחשב את מצב שלב הזמן הבא:
      (12)
4. הפקת הטמעות-סיכון ואופטימיזציה של המודל
   1. העבר את המצב המעודכן דרך Perceptron רב-שכבתי (MLP) ליצירת הטמעות:
      (13)
   2. הגדר את פונקציית אובדן האנטרופיה החוצה כדי לאופטימיזציה של פרמטרי AGNN:
      (14)
   3. אימן את ה-AGNN באמצעות הפצת אחורה עם אופטימייזר minibatch (למשל, אדם) עד להתכנסות. בנה תמונות גרפיות לכל שלב זמן t ויצר אצוות זמניות באמצעות חלונות מחליקים מעל {G_t}. מזער את ה-L בחלוקת האימון ועקוב אחרי אובדן האימות בכל תקופה. יש להחיל עצירה מוקדמת כאשר אובדן האימות לא משתפר למספר תקופות מוגדר מראש (סבלנות), או עצור במספר מקסימלי של תקופות.

4. פיתוח שכבת ההסבר הדו-ערוצית

1. יישום ערוץ החשיבות של תכונות מבוסס SHAP
   1. חשב את התרומה השולית של כל תכונה x_j לפלט המודל באמצעות ערכי SHAP:
      (15)
   2. כאשר_{φ j} הוא ערך SHAP של תכונה x_j, המייצג את התרומה המצטברת שלו לחיזוי.
   3. דרג תכונות_{לפי ערכי} φ אבסולוטי j כדי לזהות מניעים מרכזיים להחלטות סיכון פיננסי.
2. מימוש ערוץ חילוץ כללים מבוסס עץ החלטות
   1. אמן מודל תחליפי עץ החלטות קל משקל. השתמש באותה מטריצת תכונות קלט X שסופקה למודל הסיכון הפיננסי ולפלטים המתאימים של המודל כאותות פיקוח. באופן ספציפי, השתמשו ב-(i) בהסתברות החזויה (עץ רגרסיה) או ב-(ii) ברמות סיכון מובחרות (עץ סיווג) שמתקבלות באמצעות סף (למשל, נמוך/בינוני/גבוה). למד עץ החלטה רדוד עם עומק מוגבל (למשל, עומק מקסימלי 3-5) כדי להפחית התאמת יתר ולשמור על פרשנות אפשרית. הערך את נאמנות הסורוגט על ידי השוואת תפוקי העץ לתפוקי הסיכון הפיננסי על חלוקת אימות שנשארה בחוץ.
   2. חלץ את כללי ה"אם-אחרת" הקריאים לאדם מעץ ההחלטות. חצו כל מסלול שורש לעלה והמירו את תנאי הפיצול לכללי חיבור. דווח על כללים באמצעות שמות המדדים הפיננסיים המקוריים והספים שנלמדו על ידי העץ. לדוגמה: "אם יחס חוב לנכס >0.6 וכיסוי תזרים מזומנים <1.2, אז רמת הסיכון = גבוה." הסר תנאים מיותרים ושמור רק על החוקים הכי אינפורמטיביים (למשל, החוקים המובילים המדורגים לפי תמיכה או נאמנות).
3. למזג את שני ערוצי ההסבר
   1. יצר הסברים משולבים על ידי שילוב של SHAP ופלטים מבוססי כללים. לכל תחזית ארגונית, יש לדווח (i) על תכונות SHAP המובילות בדירוג |φ_j| כמניעים כמותיים, ו-(ii) נתיב חוקי עץ ההחלטה המותאם שמופעל על ידי אותו מופע קלט כמו ההיגיון האיכותי. הציגו את ההסבר הסופי כתבנית קצרה שמחברת תרומות תכונות עם הצהרת כלל מתאימה כדי לתמוך הן בשקיפות נומרית והן בפרשנות מבוססת לוגיקה.
      הערה: טבלה 1 מציגה סקירה של המשתנים המרכזיים והמדדים הפיננסיים ששימשו במחקר כדי לספק בהירות לגבי האופן שבו מאפייני הקלט קשורים לחיזוי הסיכון ברמת הארגון.

5. הקמת תהליך עבודה אלגוריתמי משולב

1. אתחול רכיבי מסגרת
   1. הגדר רשתות מדיניות מקומיות ורשתות ביקורת לכל הארגונים (בהתאם לשלב 2.1), כולל seedes של אתחול והגדרות replay-buffer.
   2. הגדר פרמטרים התחלתיים ל-AGNN, כולל מימד מצב נסתר d, היפרפרמטרים של GRU וגדלי שכבות MLP.
   3. אתחול שכבת ההסבר הדו-ערוצי, כולל תצורת SHAP (למשל, אסטרטגיית דגימת ליבה/רקע) ואילוצי עץ החלטה (למשל, עומק מקסימלי).
   4. הגדר פרמטרי אגרגציה גלובלית עבור FedAvg, כולל תדר תקשורת (מרווח סיבוב), עוצמת רעש פרטיות, ומספר הסבבים הגלובליים.
2. ביצוע עדכוני מסגרת איטרטיביים
   1. לכל שלב זמן t:
      1. יצירת מדינות מקומיות והחלטות באמצעות רשת המדיניות של כל ארגון.
      2. חשב תגמולים מיידיים בהתבסס על תוצאות פיננסיות ממומשות או מטרות פרוקסי המוגדרות במשוואה (1).
      3. עדכן מדיניות מקומית ורשתות ביקורת באמצעות מעברים (בהתאם לשלבים 2.2-2.3), באמצעות דגימת מיני-אצווה ממאגר ההפעלה מחדש ואופטימיזציה מבוססת הפצה חוזרת.
      4. איסוף פרמטרים מקומיים מוצפנים, ביצוע FedAvg לעדכון פרמטרים גלובליים, והפצת_θg לארגונים (בהתאם לשלב 2.4).
      5. עדכן את ה-AGNN באמצעות העברת הודעות מבוססת קשב ואמן את מודול ההדבקה. בנה את תמונת הגרף G_t ואת תכונות הצומת בשלב הזמן t. לכל צומת i, מחשבים מקדמי תשומת לב על השכנים j∈N(i) כך:
         (16)
         עדכן את הייצוג הנסתר באמצעות אגרגציה משוקללת:
         (17)
         בצע מעברים קדימה ואחורה על חלוקת האימון באמצעות אופטימייזר minibatch (למשל, אדם). התאמנו למספר קבוע של סבבים גלובליים (למשל, 200 סיבובים) תוך ניטור אובדן אימות בכל סבב. יישם מתזמן קצב למידה שמפחית את קצב הלמידה פי 0.1 כאשר אובדן האימות לא משתפר עבור חלון סבלנות מוגדר מראש (למשל, 5 עידנים/סבבים רצופים).
         הערה: ניסוח זה מאפשר לכל צומת ארגוני לאגד מידע על השכנים תוך שקילת יחסים פיננסית משמעותיים (סיכון גבוה) בצורה חזקה יותר, מה שמשפר את זיהוי מוקדם של אותות סיכון מונעי הדבקה.
      6. חיזוי הסתברויות ברירת מחדל ארגונית באמצעות הטמעות AGNN .
      7. יצר הסברים להחלטות ותחזיות סיכון דרך שכבת הערוץ הדו-ערוצי (בהתאם לשלב 4.3), המדווח הן על דרייברים מבוססי SHAP והן את נתיב כללי עץ ההחלטה המופעל.
      8. איסוף משוב מבעלי העניין (אופציונלי) כדי לשפר את בהירות ההסבר (למשל, לעדכן תבניות הסבר או להתאים את מספר התכונות המרבי המדווחות k).
3. הגדרת תנאי סיום
   1. הפסיקו איטרציות כאשר מספר צעדי הזמן מגיע לגבול שנקבע מראש (למשל, 1000 איטרציות) או כאשר ביצועי המודל התייצבו (למשל, כאשר AUC-ROC משתנה בפחות מ-0.01 במשך 5 איטרציות רצופות).
   2. ספקו תפוקה אופטימלית: אסטרטגיות החלטה ייעודיות לארגוניות, מודלים מכוילים לסיכון זיהום AGNN, ותבניות הסבר סטנדרטיות.
      הערה: טבלה 2 מסכמת את פרמטרי האתחול והגדרות ההדרכה בכל סביבות הלמידה כדי לספק שחזוריות מלאה של תהליך העבודה הניסיוני.

6. הכנת מערכי נתונים ניסיוניים

1. איסוף ועיבוד מאגר הנתונים הפיננסיים האמיתי
   1. איסוף נתונים פיננסיים רבעוניים עבור 300 חברות סיניות הרשומות ב-A-Share בין השנים 2018 ל-2023, המכסות 8 תעשיות (למשל, ייצור, פיננסים וטכנולוגיית מידע).
   2. כלול תכונות פיננסיות ואירועי סיכון מסומנים. השתמש ב-120 תכונות פיננסיות (למשל, יחס חוב לנכסים, מדדי תזרים מזומנים ותשואה על ההון) ובתוויות סיכון כמו חדלות פירעון והורדת דירוג אשראי.
   3. חלק את מערך הנתונים כרונולוגי. השתמש ברבעון 1-2021 2018 רבעון 4 לאימון, ברבעון 1-2022 ברבעון 4 של 2022 לאימות, וב-2023 ברבעון 1-2023 רבעון 4 לבדיקה, כדי להבטיח שאין דליפה זמנית בין פיצולים.
2. יצירת מערך נתונים מבוזר מדומה
   1. צור צמתים ארגוניים מבוזרים. צור 10 צמתים ארגוניים, שכל אחד מהם מחזיק נתונים מקומיים רגישים לפרטיות (למשל, רשומות עסקאות פנימיות) ואותות ברמת התעשייה שניתן לשתף (למשל, קצב הצמיחה הממוצע במגזר).
   2. להזריק הטרוגניות ורעש. הזריקו שונות גבוהה יותר לצמתים של ארגונים קטנים כדי לאמץ חוסר איזון נתונים ריאליסטי ותנודתיות בין המשתתפים.
      הערה: טבלה 3 מתארת את מאפייני מערכי הנתונים הממשיים והמדומים המשמשים להערכה; הוא כולל סוגי תכונות מייצגים, וכך תומך בשקיפות בהבנת הנתונים ובשכפול.

7. להגדיר מודלים בסיסיים

1. ארגן קווי בסיס לאופטימיזציה של תוצאות פיננסיות מפוזרות
   1. יישום למידה חיזוק עצמאית (IR): הכשרת סוכן DRL לכל ארגון באמצעות הנתונים המקומיים בלבד (ללא שיתוף פרמטרים).
   2. יישום למידה מפוקחת פדרטיבית (FedSL): אימנו מודל XGBoost דרך FedAvg ליצירת כללי החלטה פיננסיים סטטיים.
   3. יישום למידה מרכזית לחיזוק עמוק (CDRL): אגד את כל נתוני הארגון לצומת מרכזי ואימן סוכן DDPG (ללא הגנת פרטיות).
2. הגדרת קווי בסיס למידול זיהומי סיכונים
   1. יישום רשת עצבית של גרף סטטי (Static GNN): השתמש במטריצת שכנות קבועה (בהתבסס על שיוך לתעשייה) כדי למודל העברת סיכונים.
   2. יישום רשת זיכרון ארוך-טווח קצר (LSTM): מודל מגמות סיכון ארגוניות בודדות באמצעות נתוני סדרות זמן בלבד (תוך התעלמות מקשרים בין-ארגוניים).
   3. מיישם את מודל ה-SIR הקלאסי: להניח שיעורי העברת סיכון קבועים כדי לדמות דינמיקת הדבקה.
3. הגדר קווי בסיס להסבר
   1. SHAP בלבד: יצירת הסברים באמצעות חשיבות התכונות בלבד (ללא חילוץ כללים).
   2. כללים בלבד: יצירת הסברים באמצעות כללי עץ ההחלטה בלבד (ללא משקל כמותי של תכונות).
   3. קו בסיס זיקוק: קירבו את מודל הסיכון הפיננסי עם מודל פשוט יותר (למשל, רגרסיה ליניארית) כדי לפשט את ההסברים.
4. הבטיחו השוואה בסיסית. התאמת היפרפרמטרים מרכזיים בין קווי בסיס כאשר רלוונטי (למשל, אותו גודל מוסתר GRU עבור LSTM ו-AGNN; קצבי למידה ותקציבי הכשרה דומים).
   הערה: טבלה 4 מציגה את סביבת התוכנה המלאה ותצורת המודל המשמשת לשחזור תהליך העבודה של סיכון פיננסי, כולל היפרפרמטרים של JRL ו-AGNN, הגדרות פרטיות דיפרנציאלית ופרוטוקול אגרגציה פדרטיבי.

8. הגדר מדדי הערכה

1. הגדר מדדים לאופטימיזציה של החלטות פיננסיות מבוזרות
   1. חישבו הכנסות מצטברות: השתמשו בפונקציית התשואה לטווח ארוך במשוואה (1) כדי לכמת רווחים כספיים כוללים במהלך תקופת הבדיקה.
   2. מדד יציבות מדיניות: חשב את סטיית התקן של התאמות החלטה (למשל, שינויים ביחס ההשקעה) לאורך צעדי זמן עוקבים (ערכים נמוכים מצביעים על יציבות גבוהה יותר).
   3. הערכת הגנת פרטיות: השתמש במדד מבוסס אנטרופיה כדי לדרג עמידות לדליפת נתונים (ציונים גבוהים יותר מעידים על עמידה חזקה יותר בפרטיות).
2. הגדר מדדים למידול זיהומי סיכון
   1. חשב AUC-ROC: העריך את הדיוק של תחזיות ההסתברות ברירת מחדל של הארגון (ערכים גבוהים יותר מצביעים על ביצועים טובים יותר).
   2. מדידת קצב זיהוי נתיבים: חישוב את שיעור ערוצי ההדבקה הסיכונים שזוהו נכון בין ארגונים.
   3. הערכת גמישות דינמית: רשמו את הזמן (בשעות) הנדרש למודל לייצב שגיאות חיזוי לאחר הלם מדיניות (כפי שמתואר במשוואה 3, ערכים נמוכים מצביעים על התאמה מהירה יותר).
3. הגדר מדדים להסבר
   1. הערכת דיוק ההסברים: ערכו סקירות מומחים כדי לדרג את העקביות בין ההסברים ללוגיקת המודל (בהתבסס על משוואות 4 ו-14), עם ציונים הנעים בין 0 ל-1.
   2. מדד תמציתיות הסבר: ספר את מספר המאפיינים המרכזיים הממוצעים בכל הסבר.
   3. הערכת עקביות הכללים: דירגו את היישור בין כללים שהופקו לסטנדרטים פיננסיים תאגידיים מקובלים (נעים בין 0 ל-1, ערכים גבוהים יותר מצביעים על ציות טוב יותר).
   4. תעד את כל שיטות חישוב המטריות: רשם נוסחאות וקריטריוני סף כדי להבטיח שחזור התוצאה.

9. מדדי הערכה

1. השתמש בארבעה מדדי הערכה סטנדרטיים להערכת ביצועי התחזית.
   1. שגיאת ריבוע ממוצעת (MSE) מחשבת את ממוצע ההבדלים בריבועים בין ערכי הסיכון בפועל לחזויים. ערכי MSE נמוכים יותר מעידים על דיוק גבוה יותר בחיזוי, כפי שחושב:
      (18)
   2. שגיאת ממוצע ריבועי שורש (RMSE) מציינת את השורש הריבועי של שגיאת החיזוי, ולכן היא משקפת למעשה את יציבות המודל בטווח של קני מידה:
      (19)
   3. שגיאת ממוצעת מוחלטת (MAE) מחשבת את הסטייה האבסולוטית הממוצעת בין חיזוי לערך האמיתי, עם דגש על עמידות ויכולת פרשנות.
      (20)
   4. שיעור שגיאה (ER) הוא היחס בין סטיית הערכים החזויים לבין הערכים בפועל באחוזים, ולכן מספק מדד אינטואיטיבי יותר הקשור לביצועי תחזיות בעולם האמיתי:
      (21)

Results

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 ...

Discussion

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.<...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
תוכנת ניהול נתונים פיננסיים	חברת מידע רוח בע"מ.	לא זמין	סופק נתונים כספיים רבעוניים של 300 חברות A-share (2018– 2023)
שרת GPU	NVIDIA	גרסה A100	חומרה
שרת מחשוב ביצועים גבוהים	דל טכנולוגיות	R7525	משמש לניהול ניסויים בלמידת חיזוק מאוחדת וניסויי אימון AGNN
פייתון		גרסה 3.1	תוכנה
פייטורץ'	מטא AI	גרסה 2.1	Software
ריי RLlib		גרסה 2.6	Toolkit
שאפ		הגרסה האחרונה	ספרייה