Un quadro basato sui dati per la previsione e il controllo del rischio finanziario nell'economia digitale

Summary

Questa ricerca propone il Financial Risk, un framework basato sui dati progettato per migliorare la previsione e il controllo del rischio finanziario nell'economia digitale utilizzando apprendimento distribuito, modellazione dinamica del contagio e meccanismi di interpretabilità.

Abstract

Nell'era dell'economia digitale, la gestione finanziaria si sta orientando verso decisioni basate sui dati. Le tre sfide più importanti sono: (a) vincoli sulla privacy dei dati distribuiti, (b) rapida contagio dei rischi finanziari tra imprese interconnesse e (c) logica decisionale trasparente per molteplici stakeholder. Financial Risk affronta queste sfide con un framework che include il Joint Reinforcement Learning (JRL) per l'ottimizzazione distribuita delle decisioni finanziarie, una Adaptive Graph Neural Network (AGNN) per modellare gli effetti di contagio in tempo reale e uno strato di interpretazione a doppio canale per migliorare la trasparenza. Sono stati condotti esperimenti utilizzando dati finanziari trimestrali dal 2018 al 2023 su 300 società cinesi quotate in A-share, oltre a un dataset distribuito simulato. I risultati chiave indicano che JRL ha raggiunto un fatturato cumulativo di 60,8 miliardi di yuan (con un punteggio di privacy di 0,92), mentre l'AUC di AGNN ha raggiunto 0,89 e ha stabilizzato gli errori entro due ore dopo gli shock politici. Le prestazioni del livello di interpretazione hanno raggiunto l'85% di accuratezza con una media di 2,8 caratteristiche chiave. Tutti questi risultati dimostrano che il quadro del rischio finanziario bilancia privacy, efficienza, controllo del rischio e interpretabilità, offrendo un paradigma pratico per la gestione del rischio finanziario nell'economia digitale.

Introduction

Nell'era dell'economia digitale, la gestione finanziaria aziendale passerà da pratiche basate sull'esperienza a paradigmi basati sui^{dati 1}. Transazioni in tempo reale, sensori IoT e sistemi aziendali basati su cloud generano dati finanziari multidimensionali in modo ininterrotto, aprendo nuove prospettive per previsioni di precisione, finanziamenti intelligenti e allocazione dinamica^{degli asset 2}. Tuttavia, i dati finanziari vengono diffusi tra controllate, partner della catena di approvvigionamento, istituzioni finanziarie e regolatori, e i requisiti legali sempre più rigidi riguardo alla sicurezza dei dati e al PIPL rendono difficile l'elaborazione centralizzata. In queste circostanze, il paradigma tradizionale della "migrazione dei dati verso modellazione centralizzata del cloud e decisioni unificate" si trova di fronte a un dilemma: sacrificare la privacy per l'efficienza o mantenere i silos dei dati a scapito di risultati^{subottimali 3}.

Allo stesso tempo, la velocità e l'intensità del contagio del rischio finanziario stanno aumentando⁴. Fluttuazioni macroeconomiche, tensioni geopolitiche e eventi inaspettati di "cigno nero" possono diffondersi rapidamente lungo catene di approvvigionamento, catene di garanzia e flussi di capitale, portando a un rischio sistemico nei^{minuti 5}. Gli strumenti convenzionali, come i bilanci statici e i rating di credito, sono spesso insufficienti per catturare queste dinamiche in rapida evoluzione. Per affrontare questa limitazione, i ricercatori hanno esplorato metodi computazionali avanzati, tra cui il reinforcement learning per l'ottimizzazione delle decisioni finanziarie, il federated learning per la collaborazione distribuita e le reti neurali a grafo per modellare complessi dipendenze^{inter-imprese 6}. Questi approcci hanno ottenuto un successo iniziale nel migliorare la previsione finanziaria, il controllo del rischio creditizio e la modellazione del contagio; tuttavia, la maggior parte di essi presume l'accesso a dati centralizzati o globali, limitando così l'applicabilità pratica in contesti distribuiti e con vincolazioni di privacy⁷.

Un'altra sfida importante è quella dell'interpretabilità. Metodi come l'attribuzione di caratteristiche basata su SHAP e l'estrazione delle regole decisionali sono solo spiegazioni parziali e generalmente non possono soddisfare i requisiti di vari stakeholder come CFO, revisori e regolatori, che richiedono che i processi decisionali siano trasparenti, auditabili e semanticamente^{accessibili 8}. Senza interpretabilità, anche i modelli altamente accurati faticano a essere adottati in ambienti decisionali finanziari^{reali 9}. I metodi di apprendimento per rinforzo profondo come il DDPG¹ hanno fornito progressi fondamentali che sostengono i moderni sistemi decisionali^{finanziari 10}.

Il framework proposto presuppone, dal punto di vista applicativo, una rete aziendale in cui i dati finanziari sono distribuiti tra controllate, partner della supply chain, istituzioni finanziarie o nodi regolatori, dove il pooling dei dati grezzi non può essere effettuato a causa di vincoli di privacy o^{giurisdizione 11}. L'approccio funziona bene in uno scenario in cui ogni nodo aziendale fornisce indicatori finanziari di serie temporali - solitamente da 50 a 120 caratteristiche che coprono la struttura del capitale, la liquidità, la redditività e gli eventi creditiziari - in diversi periodi^{di reporte 12}. Il framework può essere implementato su ambienti standard con GPU abilitati o CPU ad alte prestazioni e supporta diversi contesti di diritto sulla privacy, come GDPR, CCPA e PIPL cinese, scambiando parametri del modello criptato invece di registri finanziari^{sensibili 13,14}. I requisiti tipici del sistema includono una frequenza di comunicazione moderata tra i nodi e una topologia di rete stabile nel tempo. Una limitazione nota è la riduzione della precisione in reti aziendali estremamente rade o altamente volatili, in cui rapidi cambiamenti strutturali impediscono al modello grafico di apprendere dipendenze inter-aziendali costanti. In tali casi, può essere necessario un frequente riaddestramento o fenestra temporale più brevi per mantenere la stabilità^{predittiva 15}.

In questo contesto, il presente studio propone Financial Risk, un framework basato sui dati che integra il Joint Reinforcement Learning (JLR) per l'ottimizzazione^{distribuita 16}, una rete neurale a grafo adattivo per la modellazione del contagio^{in tempo reale 17}, e uno strato di interpretazione a doppio canale per la trasparenza orientata agli stakeholder¹⁸. Affrontando contemporaneamente privacy, efficienza, controllo del rischio e interpretabilità, questo quadro offre un nuovo paradigma per la gestione finanziaria nell'economia digitale.

Protocol

Questo protocollo descrive i passaggi per costruire il quadro del rischio finanziario per la previsione e il controllo del rischio finanziario nell'economia digitale e per riprodurre i corrispondenti esperimenti di validazione. Il protocollo copre la formalizzazione matematica dei modelli, la costruzione dei moduli di framework, l'integrazione dei flussi di lavoro, la preparazione dei dataset, la configurazione di base e la definizione delle metriche di valutazione, consentendo la riproducibilità da parte dei ricercatori del settore. La Tabella dei Materiali riassume tutto il software, librerie/toolkit, risorse hardware e dataset necessari per riprodurre questo protocollo, mentre la Figura 1 fornisce il flusso di lavoro complessivo per una previsione e un controllo trasparenti del rischio finanziario.

NOTA: Tutti i passaggi di questo protocollo sono implementati in un flusso di lavoro basato su Python. Gli agenti aziendali locali (client) vengono eseguiti su macchine separate o contenitori isolati per emulare istituzioni distribuite, mentre l'aggregazione federata viene eseguita su un coordinatore centrale (server). L'addestramento e l'inferenza del modello sono implementati utilizzando un framework di deep learning (ad esempio, PyTorch o TensorFlow) con accelerazione GPU quando disponibile. Le operazioni di reti neurali di grafi sono implementate utilizzando una libreria di apprendimento di grafi (ad esempio, PyTorch Geometric o DGL). Le spiegazioni SHAP vengono generate utilizzando il pacchetto SHAP. Per garantire la riproducibilità, gli esperimenti utilizzano semi casuali fissi, suddivisioni predefinite train/validation/test, script di preelaborazione coerenti e iperparametri registrati (tasso di apprendimento, dimensione del lotto, round di comunicazione e criteri di arresto anticipato).

1. Definire il problema di ricerca e formalizzare i modelli matematici

1. Chiarire i tre obiettivi principali della ricerca: ottimizzare le decisioni finanziarie sotto vincoli distribuiti sulla privacy dei dati, catturare il contagio dinamico del rischio inter-impresa e garantire una logica decisionale interpretabile dall'uomo per i multi-stakeholder.
2. Formalizzare il modello distribuito di ottimizzazione delle decisioni finanziarie
   1. Definisci lo spazio decisionale per ogni impresa: lascia che le decisioni al tempo t per l'impresa i siano , dove A_i include strategie di investimento, finanziamento e dividendi.
   2. Fissa l'obiettivo di massimizzazione del rendimento a lungo termine come obiettivo di ottimizzazione, espresso come:
      (1)
      dove γ è il fattore di sconto, r_i è la ricompensa istantanea, lo stato locale e l'insieme delle relazioni inter-imprese.
      NOTA: Questa formulazione della ricompensa incoraggia ogni agente aziendale a ottimizzare il processo decisionale non solo in base alla propria situazione finanziaria, ma anche agli effetti della propagazione del rischio sulle imprese connesse. Di conseguenza, JRL supporta un apprendimento collaborativo ma che preserva la privacy tra enti finanziari distribuiti.
   3. Imporre vincoli di privacy: specificare che i dati grezzi di ciascuna impresa non possano essere condivisi tra entità (cioè i dati rimangono locali per ciascuna impresa) e imporre la condivisione dei parametri invece dello scambio di dati durante l'addestramento federato.
3. Formalizzare il modello dinamico di contagio del rischio
   1. Rappresentiamo la rete inter-enterprise come un grafo dinamico:
      (2)
      dove V indica i nodi enterprise e E^t indica i bordi di contagio variabili nel tempo.
   2. Definire i pesi di margine per quantificare l'intensità di trasmissione del rischio dall'impresa i a j al tempo t.
   3. Descrivi l'evoluzione dello stato di rischio dell'impresa i utilizzando un'equazione dinamica non lineare:
      
      Dove f è una funzione di attivazione non lineare ^{e ∈ una} perturbazione stocastica.
4. Formalizzare il modello di vincoli di interpretabilità
   1. Stabilire la soglia di accuratezza della spiegazione: richiedere la probabilità che l'output del modello corrisponda alla spiegazione per soddisfare
      (4)
      Con δ come soglia di accettazione, mentre la concisione viene mantenuta limitando il numero di caratteristiche esplicative.
      NOTA: La soglia di accettazione è impostata a δ = 0,85 in base alla calibrazione sul set di validazione. Questa soglia controlla il minimo accordo tra l'output del modello e la spiegazione generata, assicurando che le spiegazioni rimangano fedeli alla probabilità di rischio prevista evitando liste di caratteristiche troppo lunghe.
   2. Imporre la concisione della spiegazione limitando il numero di caratteristiche esplicative chiave a k≤K (dove K è un numero massimo predefinito di caratteristiche interpretabili).

2. Costruire il framework JRL

1. Implementare reti locali di apprendimento per rinforzo per ogni impresa
   NOTA: Questo passaggio viene eseguito su ogni client aziendale (macchina/container locale). Solo i parametri del modello (o aggiornamenti dei parametri) vengono comunicati al server durante l'aggregazione federata.
   1. Implementare un agente Deep Deterministic Policy Gradient (DDPG) per ogni impresa, inclusa una struttura attore-critico (rete politica per la selezione delle azioni e rete critica per la stima del valore).
      NOTA: Ogni client inizializza l'agente DDPG con un seed casuale fisso, interagisce con il proprio ambiente locale per generare transizioni e le memorizza in un buffer di replay per gli aggiornamenti minibatch.
   2. Definire l'output della rete critica per valutare il valore delle coppie stato-decisione:
      (5)
2. Definisci la funzione di perdita per la rete critica
   1. Calcola l'errore di differenza temporale usando la rete critica target Q_φi , e imposta la funzione di perdita come:
      (6)
   2. Ottimizza i parametri della rete critica φ_i usando la discesa del gradiente stocastico. In ogni fase di aggiornamento, campioni un minibatch di transizioni dal buffer di riproduzione, calcoli la perdita TD sopra, retropropaga gradienti e applica un aggiornamento dell'ottimizzatore (ad esempio, SGD/Adam). Opzionalmente applica clipping gradiente per stabilità e aggiorna la rete critica target usando un tasso di aggiornamento soft τ.
3. Ottimizzare i parametri della rete politica
   1. Calcolare il gradiente del rendimento a lungo termine J(θ_i) rispetto ai parametri di policy θ_i:
      (7)
   2. Aggiornare θ_i utilizzando il gradiente calcolato per massimizzare il rendimento cumulativo.
4. Implementa l'aggregazione globale dei parametri tramite Federated Averaging (FedAvg)
   1. Raccogliere i parametri di rete delle policy criptate (o delta dei parametri) da tutte le imprese alla fine di ogni round di comunicazione.
   2. Calcola il parametro globale θ_g pesando i parametri di ogni impresa per la dimensione del suo dataset |D_i|:
      (8)
   3. Distribuire il parametro globale aggiornato θ_g a ciascuna impresa per sincronizzare le reti locali.
      NOTA: I passaggi 2.4.1-2.4.3 vengono eseguiti con un flusso di lavoro server-client. I client caricano parametri (o delta) al server centrale tramite un canale criptato (ad esempio, TLS). Il server esegue FedAvg e trasmette θ_g a tutti i client per il turno successivo.
5. Migliorare l'efficienza della comunicazione
   1. Applicare una compressione quantizzata ai parametri del modello per ridurre il volume di trasmissione dati.
   2. Iniettare rumore di privacy differenziale in ogni aggiornamento locale del modello utilizzando il meccanismo gaussiano. Per ogni giro t, il rumore ^∈t ∼ N(0,σ² I) con σ=0,8 viene applicato al vettore gradiente g:
      (9)
      NOTA: Il rumore viene applicato localmente sul client immediatamente prima della comunicazione con il server per supportare l'addestramento che preserva la privacy sotto vincoli di privacy differenziale.
   3. Accettare aggiornamenti asincroni per accogliere capacità computazionali eterogenee tra i partecipanti.

3. Costruire la Rete Neurale a Grafi Adattivi (AGNN) per la modellazione del contagio del rischio

1. Calcolare i pesi di attenzione per informare la matrice dinamica di adiacenza
   1. Calcolare il coefficiente di attenzione tra enterprise i e j al tempo t usando l'attenzione standardizzata del prodotto scalare:
      (10)
      NOTA: Questi pesi di attenzione quantificano l'influenza di ciascuna impresa vicina sullo stato di rischio aggiornato, permettendo agli auditor di risalire le previsioni a specifici fattori relazionali.
   2. Aggiorna il peso del bordo per riflettere l'intensità del contagio in tempo reale.
2. Eseguire il passaggio temporale del messaggio
   1. Aggregare gli stati di rischio dei vicini per generare il vettore di messaggi per enterprise i
      (11)
3. Aggiorna lo stato di rischio del nodo utilizzando una Unità Ricorrente Cancellata (GRU)
   1. Integra lo stato corrente e il vettore del messaggio per calcolare lo stato del passo temporale successivo:
      (12)
4. Estrazione degli embeddings di rischio di contagio e ottimizzazione del modello
   1. Passa lo stato aggiornato attraverso un Multilayer Perceptron (MLP) per generare embedding di contagio:
      (13)
   2. Definisci la funzione di perdita di entropia incrociata per ottimizzare i parametri AGNN:
      (14)
   3. Addestrare l'AGNN usando la retropropagazione con un ottimizzatore minibatch (ad esempio, Adam) fino alla convergenza. Costruire istantanee di grafo per ogni passo temporale t e generare batch temporali usando finestre scorrevoli su {_{G t}}. Minimizza la L nella divisione di addestramento e monitora la perdita di validazione in ogni epoca. Applicare una pausa anticipata quando la perdita di validazione non migliora per un numero predefinito di epoche (pazienza), oppure fermarsi a un numero massimo di epoche.

4. Sviluppare il livello di spiegazione a doppio canale

1. Implementa il canale di importanza delle caratteristiche basato su SHAP
   1. Calcola il contributo marginale di ogni caratteristica x_j all'output del modello usando i valori SHAP:
      (15)
   2. Dove φ_j è il valore SHAP della caratteristica x_j, che rappresenta il suo contributo additivo alla previsione.
   3. Classifica le caratteristiche per valori assoluti di φ_j per identificare i principali fattori delle decisioni sul rischio finanziario.
2. Implementare il canale di estrazione delle regole basato su albero decisionale
   1. Addestra un modello di sostituto leggero per albero decisionale. Utilizzare la stessa matrice di caratteristiche di input X fornita al modello di Rischio Finanziario e i corrispondenti output del modello come segnali di supervisione. In particolare, utilizzare o (i) la probabilità prevista (albero di regressione) oppure (ii) i livelli di rischio discretizzati (albero di classificazione) ottenuti tramite soglia (ad esempio, Basso/Medio/Alto). Addestrare un albero decisionale poco profondo con profondità limitata (ad esempio, profondità massima 3-5) per ridurre il sovrafitting e preservare l'interpretabilità. Valutare la fedeltà del surrogato confrontando gli output degli alberi con quelli del rischio finanziario su una divisione di validazione in sospeso.
   2. Estrarre regole "se-altrimenti" leggibili dall'albero decisionale. Attraversare ogni percorso dalla radice alla foglia e convertire le condizioni di scissione in regole congiuntive. Le regole di segnalazione utilizzano i nomi originali degli indicatori finanziari e le soglie apprese dall'albero. Ad esempio: "Se il rapporto debito/attività >0,6 e la copertura dei flussi di cassa <1,2, allora livello di rischio = Alto." Rimuovere condizioni ridondanti e mantenere solo le regole più informative (ad esempio, le regole migliori classificate per supporto o fedeltà).
3. Fusi i due canali di spiegazione
   1. Genera spiegazioni integrate combinando output SHAP e basati su regole. Per ogni previsione aziendale, riporta (i) le principali k caratteristiche SHAP classificate per |φ_j| come fattori quantitativi, e (ii) il percorso di regole dell'albero decisionale abbinato che viene attivato dalla stessa istanza di input della razionalità qualitativa. Presenta la spiegazione finale come un breve modello che abbina i contributi delle feature a una corrispondente dichiarazione di regola per supportare sia la trasparenza numerica sia l'interpretabilità basata sulla logica.
      NOTA: La Tabella 1 presenta una panoramica delle variabili fondamentali e degli indicatori finanziari utilizzati nella ricerca per fornire chiarezza su come gli attributi di input si relazionano alla previsione del rischio a livello aziendale.

5. Stabilire il flusso di lavoro algoritmico integrato

1. Inizializzare i componenti del framework
   1. Configurare le reti di policy locali e le reti critiche per tutte le imprese (in linea con lo Step 2.1), inclusi seed di inizializzazione e impostazioni del buffer di rigiocazione.
   2. Imposta i parametri iniziali per l'AGNN, inclusi la dimensione di stato nascosta d, iperparametri GRU e dimensioni dei layer MLP.
   3. Inizializzare il livello di spiegabilità a doppio canale, inclusa la configurazione SHAP (ad esempio, strategia di campionamento kernel/background) e i vincoli dell'albero decisionale (ad esempio, profondità massima).
   4. Definire parametri di aggregazione globale per FedAvg, inclusi la frequenza di comunicazione (intervallo di round), l'intensità del rumore della privacy e il numero di round globali.
2. Eseguire aggiornamenti iterativi del framework
   1. Per ogni passo temporale t:
      1. Genera stati locali e decisioni utilizzando la rete politica di ciascuna impresa.
      2. Calcolare ricompense istantanee basate su risultati finanziari realizzati o obiettivi proxy definiti nell'Eq. (1).
      3. Aggiornare le reti locali di policy e critiche usando transizioni (coerenti con i Passaggi 2.2-2.3), utilizzando campionamento minibatch dal buffer di riproduzione e ottimizzazione basata sulla retropropagazione.
      4. Raccogliere parametri locali criptati, eseguire FedAvg per aggiornare i parametri globali e distribuire θ_g alle imprese (in linea con lo step 2.4).
      5. Aggiorna l'AGNN utilizzando il passaggio di messaggi basato sull'attenzione e addestra il modulo di contagio. Costruisci lo snapshot del grafo G_t e le caratteristiche del nodo al passo temporale t. Per ogni nodo i, calcolare i coefficienti di attenzione sui vicini j∈N(i) come:
         (16)
         Aggiorna la rappresentazione nascosta usando l'aggregazione pesata:
         (17)
         Esegui passaggi avanti e indietro sulla divisione di addestramento usando un ottimizzatore minibatch (ad esempio, Adam). Allenarsi per un numero fisso di round globali (ad esempio, 200 round) monitorando la perdita di validazione ad ogni round. Applicare un scheduler a velocità di apprendimento che riduca il tasso di apprendimento di un fattore 0,1 quando la perdita di validazione non migliora per una finestra di pazienza predefinita (ad esempio, 5 epoche/round consecutivi).
         NOTA: Questa formulazione consente a ogni nodo aziendale di aggregare le informazioni sui vicini dando maggiore peso alle relazioni finanziariamente significative (ad alto rischio), migliorando così la rilevazione precoce dei segnali di rischio guidati da contagio.
      6. Prevedi le probabilità di default aziendali usando embedding AGNN.
      7. Generare spiegazioni per decisioni e previsioni di rischio tramite il livello dual-channel (coerente con lo Step 4.3), riportando sia i driver basati su SHAP sia il percorso delle regole dell'albero decisionale attivato.
      8. Raccogliere feedback degli stakeholder (opzionale) per affinare la chiarezza delle spiegazioni (ad esempio, revisionare i modelli di spiegazione o modificare il numero massimo di funzionalità segnalate k).
3. Imposta condizioni di terminazione
   1. Smettere di iterare quando il numero di passi temporali raggiunge un limite preimpostato (ad esempio, 1000 iterazioni) o quando le prestazioni del modello si sono stabilizzate (ad esempio, quando AUC-ROC cambia di meno di 0,01 per 5 iterazioni consecutive).
   2. Fornire output ottimizzati: strategie decisionali specifiche per l'azienda, modelli calibrati di contagio del rischio AGNN e modelli di spiegazione standardizzati.
      NOTA: La Tabella 2 riassume i parametri di inizializzazione e le impostazioni di addestramento in tutti gli ambienti di apprendimento per garantire piena riproducibilità del flusso di lavoro sperimentale.

6. Preparare dataset sperimentali

1. Raccogliere ed elaborare il dataset finanziario reale
   1. Raccogliere dati finanziari trimestrali per 300 società cinesi quotate in A-Share dal 2018 al 2023, coprendo 8 settori (ad esempio, manifatturiera, finanza e tecnologia dell'informazione).
   2. Includere caratteristiche finanziarie ed eventi di rischio etichettati. Utilizzare 120 funzionalità finanziarie (ad esempio, rapporto debito/attività, indicatori di flusso di cassa e rendimento sul capitale netto) e etichette rischio-evento come default e downgrade del rating creditizio.
   3. Dividi il dataset cronologicamente. Utilizzare il Q1-Q4 2021 2018 per la formazione, il Q1-Q4 2022 per la validazione e il Q1-Q4 2023 per i test, assicurandosi che non ci siano perdite temporali tra le divisioni.
2. Genera il dataset distribuito simulato
   1. Crea nodi aziendali distribuiti. Creare 10 nodi aziendali, ciascuno contenente dati locali sensibili alla privacy (ad esempio, registri di transazioni interne) e segnali condivisibili a livello di settore (ad esempio, tasso medio di crescita del settore).
   2. Inietta eterogeneità e rumore. Iniettare una maggiore variabilità nei nodi delle piccole imprese per emulare squilibri realistici e volatilità dei dati tra i partecipanti.
      NOTA: La Tabella 3 descrive le caratteristiche dei dataset reali e simulati utilizzati per la valutazione; Include tipi di caratteristiche rappresentative, supportando così la trasparenza nella comprensione e replica dei dati.

7. Impostare modelli di base

1. Stabilire le basi per l'ottimizzazione dispersa dei risultati finanziari
   1. Implementa l'Independent Reinforcement Learning (IR): addestra un agente DRL per ogni impresa utilizzando solo i suoi dati locali (senza condivisione dei parametri).
   2. Implementare il Federated Supervised Learning (FedSL): addestrare un modello XGBoost tramite FedAvg per generare regole statiche di decisione finanziaria.
   3. Implementare il Centralized Deep Reinforcement Learning (CDRL): aggregare tutti i dati aziendali in un nodo centrale e addestrare un agente DDPG (senza protezione della privacy).
2. Configurare le basi per la modellazione del contagio del rischio
   1. Implementare la Rete Neurale a Grafi Statici (GNN Statica): utilizzare una matrice di adiacenza fissa (basata sull'affiliazione al settore) per modellare la trasmissione del rischio.
   2. Implementare la rete Long Short-Term Memory (LSTM): modellare le tendenze di rischio aziendali individuali utilizzando solo dati di serie temporali (ignorando le relazioni inter-imprese).
   3. Implementare il classico modello SIR: assumere tassi fissi di trasmissione del rischio per simulare la dinamica del contagio.
3. Configura le basi per la spiegabilità
   1. Solo SHAP: generare spiegazioni usando solo l'importanza delle caratteristiche (senza estrazione di regole).
   2. Solo regole: generare spiegazioni usando solo le regole dell'albero decisionale (senza pesatura quantitativa delle caratteristiche).
   3. Linea di base di distillazione: approssimare il modello del Rischio Finanziario con un modello più semplice (ad esempio, regressione lineare) per semplificare le spiegazioni.
4. Garantire la comparabilità di base. Confrontare iperparametri chiave tra le linee di base dove applicabile (ad esempio, stessa dimensione nascosta del GRU per LSTM e AGNN; tassi di apprendimento e budget di addestramento comparabili).
   NOTA: La Tabella 4 mostra l'ambiente software completo e la configurazione del modello utilizzati per riprodurre il flusso di lavoro del Rischio Finanziario, inclusi iperparametri JRL e AGNN, impostazioni di privacy differenziale e protocollo di aggregazione federata.

8. Definire le metriche di valutazione

1. Definire metriche per l'ottimizzazione distribuita delle decisioni finanziarie
   1. Calcola il ricavo cumulativo: utilizza la funzione di rendimento a lungo termine nell'Equazione (1) per quantificare i guadagni finanziari totali durante il periodo di test.
   2. Misurare la stabilità delle politiche: calcolare la deviazione standard degli aggiustamenti decisionali (ad esempio, variazioni del rapporto di investimento) tra passi temporali consecutivi (valori più bassi indicano maggiore stabilità).
   3. Valuta la protezione della privacy: usa un indice basato sull'entropia per valutare la resistenza alla fuga di dati (punteggi più alti indicano una maggiore conformità alla privacy).
2. Definire metriche per la modellazione del contagio del rischio
   1. Calcolare AUC-ROC: valutare l'accuratezza delle previsioni di probabilità predefinite aziendali (valori più alti indicano prestazioni migliori).
   2. Misurare il tasso di riconoscimento dei percorsi: calcolare la proporzione di canali di contagio del rischio correttamente identificati tra le imprese.
   3. Valutare l'adattabilità dinamica: registrare il tempo (in ore) necessario affinché il modello stabilizzi gli errori di previsione dopo uno shock politico (come descritto nell'Equazione 3, valori più bassi indicano un adattamento più rapido).
3. Definire metriche per la spiegabilità
   1. Valutare l'accuratezza delle spiegazioni: condurre revisioni di esperti per valutare la coerenza tra spiegazioni e logica del modello (basandosi sulle Equazioni 4 e 14), con punteggi che vanno da 0 a 1.
   2. Misura la concisione della spiegazione: contare il numero medio di caratteristiche chiave incluse in ciascuna spiegazione.
   3. Valuta la coerenza delle regole: valuta l'allineamento tra le regole estratte e gli standard finanziari aziendali accettati (da 0 a 1, valori più alti indicano una migliore conformità).
   4. Documenta tutti i metodi di calcolo delle metriche: registra formule e criteri di soglia per garantire la riproducibilità dei risultati.

9. Metriche di valutazione

1. Utilizzare quattro metriche standard di valutazione per valutare la performance di previsione.
   1. L'Errore Quadratico Medio (MSE) calcola la media delle differenze quadratiche tra i valori di rischio effettivi e quelli previsti. Valori MSE più bassi indicano una maggiore accuratezza nella previsione, come calcolato:
      (18)
   2. L'Errore Quadratico Medio della Radice (RMSE) indica la radice quadrata dell'errore di previsione e quindi riflette essenzialmente la stabilità del modello su un intervallo di scale:
      (19)
   3. L'Errore Assoluto Medio (MAE) calcola la deviazione assoluta media tra previsione e valore reale, con particolare attenzione alla robustezza e all'interpretabilità.
      (20)
   4. Il tasso di errore (ER) è il rapporto tra la deviazione tra i valori previsti e quelli effettivi in percentuale, fornendo così una misura più intuitiva legata alle prestazioni di previsione nel mondo reale:
      (21)

Results

Ottimizzazione delle decisioni finanziarie distribuite (RQ1)

Il DRL centralizzato ha raggiunto il ricavo cumulativo più alto, ma a costo di una scarsa protezione della privacy con un basso punteggio di privacy di 0,30. Al contrario, il framework JLR proposto ha raggiunto un fatturato cumulativo di 60,8 miliardi di yuan, solo il 7% in meno rispetto al DRL centralizzato, mantenendo però un alto punteggio di privacy di 0,92. Inoltre, ha superato Independent RL e FedSL sulla stabi...

Discussion

I risultati dimostrano che il quadro proposto affronta efficacemente tre sfide principali nella gestione distribuita del rischio finanziario: (i) ottimizzazione delle decisioni finanziarie che preserva la privacy, (ii) modellazione dinamica del contagio del rischio inter-impresario e (iii) interpretabilità orientata agli stakeholder in ambienti dati regolamentati. Invece di trattare questi come obiettivi isolati, il framework abbina il joint reinforcement learning (JRL) a una rete neural...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Software per la gestione dei dati finanziari	Wind Information Co., Ltd.	N/A	Forniti dati finanziari trimestrali di 300 società A-share (2018– 2023)
Server GPU	NVIDIA	Versione A100	Hardware
Server di calcolo ad alte prestazioni	Dell Technologies	R7525	Utilizzato per eseguire esperimenti di apprendimento per rinforzo federato e addestramento AGNN
Python		Versione 3.1	Software
PyTorch	Meta AI	Versione 2.1	Software
Ray RLlib		Versione 2.6	Toolkit
SHAP		Ultima versione	Biblioteca