디지털 경제에서 금융 위험 예측 및 통제를 위한 데이터 기반 프레임워크

Summary

이 연구는 분산 학습, 동적 전염 모델링, 해석 가능성 메커니즘을 활용하여 디지털 경제에서 금융 위험 예측과 통제를 향상시키기 위해 설계된 데이터 기반 프레임워크인 금융 위험(Financial Risk)을 제안합니다.

Abstract

디지털 경제 시대에 금융 관리는 데이터 기반 의사결정으로 전환되고 있습니다. 가장 중요한 세 가지 과제는 (a) 분산된 데이터 프라이버시 제약, (b) 상호 연결된 기업 간 재무 위험의 빠른 전파, (c) 다중 이해관계자에 대한 투명한 의사결정 논리입니다. Financial Risk는 분산 금융 의사결정 최적화를 위한 공동 강화 학습(JRL), 실시간 전염 효과를 모델링하는 적응형 그래프 신경망(AGNN), 투명성을 높이기 위한 이중 채널 해석 계층을 포함한 프레임워크로 이러한 도전 과제를 해결합니다. 실험은 2018년부터 2023년까지 300개 중국 A주 상장 기업의 분기별 재무 데이터와 시뮬레이션된 분산 데이터셋을 사용하여 수행되었습니다. 주요 결과에 따르면 JRL은 누적 매출 608억 위안(프라이버시 점수 0.92)을 달성했으며, AGNN의 AUC는 0.89에 도달해 정책 충격 후 2시간 이내에 오류를 안정시켰습니다. 해석 계층의 성능은 평균 2.8개의 핵심 특징에서 85%의 정확도에 도달했습니다. 이 모든 결과는 금융 위험 프레임워크가 프라이버시, 효율성, 위험 통제, 해석 가능성을 균형 있게 균형 있게 유지하며, 디지털 경제에서 금융 위험 관리를 위한 실질적인 패러다임을 제시함을 보여줍니다.

Introduction

디지털 경제 시대에 기업 재무 관리는 경험 기반 관행에서 데이터 기반 패러다임으로 전환될^{것입니다.} 실시간 거래, IoT 센서, 클라우드 기반 기업 시스템은 끊임없이 다차원 재무 데이터를 생성하여 정밀 예측, 스마트 파이낸스, 동적 자산 배분에 새로운 시각을 열어줍니다^. 그럼에도 불구하고 금융 데이터는 자회사, 공급망 파트너, 금융 기관, 규제 기관 간에 분산되며, 데이터 보안과 PIPL에 관한 점점 엄격해지는 법적 요건으로 인해 중앙집중식 처리가 어렵습니다. 이러한 상황에서 "클라우드 데이터 이전, 중앙 집중식 모델링, 통합 의사결정"이라는 전통적인 패러다임은 근본적으로 딜레마에 직면해 있습니다: 효율성을 위해 프라이버시를 희생할지, 아니면 데이터 사일로를 유지하면서 최적이 아닌 결과를 낼 것인가.^3.

동시에 금융 위험 전염의 속도와 강도^{는 증가하고} 있습니다. 거시경제 변동, 지정학적 긴장, 예상치 못한 '블랙스완' 사건들이 공급망, 담보 사슬, 자본 흐름을 따라 빠르게 연쇄적으로 퍼져,⁵분 만에 체계적 위험을 초래할 수 있습니다. 정적 재무제표나 신용 등급과 같은 기존의 도구들은 이러한 빠르게 변화하는 역학을 포착하기에 종종 부족합니다. 이 한계를 해결하기 위해 연구자들은 재무 의사결정 최적화를 위한 강화 학습, 분산 협업을 위한 연합 학습, 복잡한 기업 간 의존성 모델링을 위한 그래프 신경망 등 첨단 계산 방법을 탐구해 왔습니다. 이러한 접근법은 재무 예측, 신용 위험 통제, 전염 모델링 개선에 초기 성공을 거두었습니다; 그러나 대부분은 중앙집중식 또는 전역 데이터에 접근할 수 있다고 가정하여, 분산되고 프라이버시가 제한된 상황에서의 실용적 적용이 제한^{적입니다. 7}.

또 다른 중요한 도전은 해석 가능성입니다. SHAP 기반 특징 귀속 및 의사결정 규칙 추출과 같은 방법들은 부분적인 설명에 불과하며, 일반적으로 CFO, 감사인, 규제 당국 등 의사결정 프로세스가 투명하고 감사 가능하며 의미^{적으로 접근 가능}해야 하는 다양한 이해관계자의 요구사항을 충족하지 못합니다. 해석 가능성이 없으면, 매우 정확한 모델조차도 실제 금융 의사결정 환경에서 채택되기 어렵^{습니다. 9}. DDPG¹와 같은 심층 강화 학습 기법은 현대 금융 의사결정 시스템의 기초를 뒷받침하는 기초적 진보를 제공했습니다¹⁰.

제안된 프레임워크는 응용 관점에서 자회사, 공급망 파트너, 금융 기관 또는 규제 노드에 분산된 기업 네트워크를 가정하며, 개인정보 보호나 관할권 제약으로 인해 원시 데이터 풀링이 불가능한 경우입니다. 이 방법은 각 기업 노드가 자본 구조, 유동성, 수익성, 신용 이벤트를 다루는 50개에서 120개 사이의 시간 직열 재무 지표를 여러 보고 기간에 걸쳐 제공하는 상황에서 잘^{작동합니다.} 이 프레임워크는 표준 GPU 지원 또는 고성능 CPU 환경에 배포할 수 있으며, GDPR, CCPA, 중국의 PIPL과 같은 다양한 개인정보 보호법 맥락을 지원하며, 민감한 금융 기록 대신 암호화된 모델 매개변수를 교환합니다^13,14. 일반적인 시스템 요구사항에는 노드 간 중간 정도의 통신 주파수와 시간에 따른 안정적인 네트워크 토폴로지가 포함됩니다. 알려진 한계는 극도로 희소하거나 변동성이 큰 기업 네트워크에서 정확도가 떨어지는 점인데, 이로 인해 급격한 구조적 변화로 인해 그래프 모델이 안정적인 기업 간 의존성을 학습하지 못합니다. 이러한 경우에는 예측 안정성을 유지하기 위해 빈번한 재훈련이나 짧은 시간 창이 필요할 수^{있습니다.}

이러한 배경 속에서, 본 연구는 분산 최적화를 위한 공동 강화 학습(JLR)을 통합한 데이터 기반 프레임워크인 Financial Risk를 제안합니다.¹⁶, 실시간 전염 모델링을 위한 적응형 그래프 신경망¹⁷, 이해관계자 지향 투명성을 위한 이중 채널 해석 계층을 통합^합니다. 프라이버시, 효율성, 위험 통제, 해석 가능성을 동시에 다루는 이 프레임워크는 디지털 경제 내 금융 관리를 위한 새로운 패러다임을 제시합니다.

Protocol

이 프로토콜은 디지털 경제에서 금융 위험 예측 및 통제를 위한 금융 위험 프레임워크를 구축하고 해당 검증 실험을 재현하는 단계를 설명합니다. 프로토콜은 수학적 모델 형식화, 프레임워크 모듈 구축, 워크플로우 통합, 데이터셋 준비, 기준선 설정, 평가 지표 정의를 포함하여 현장 연구자들의 재현성을 지원합니다. 재료표 는 이 프로토콜을 재현하는 데 필요한 모든 소프트웨어, 라이브러리/툴킷, 하드웨어 자원 및 데이터셋을 요약하며, 그림 1 은 투명한 재무 위험 예측 및 통제를 위한 전체 워크플로우를 제공합니다.

참고: 이 프로토콜의 모든 단계는 Python 기반 워크플로우로 구현되어 있습니다. 로컬 엔터프라이즈 에이전트(클라이언트)는 분산 기관을 에뮬레이트하기 위해 별도의 머신이나 격리된 컨테이너에서 실행되며, 연합 집계는 중앙 조정자(서버)에서 실행됩니다. 모델 학습과 추론은 딥러닝 프레임워크(예: PyTorch 또는 TensorFlow)를 사용하여 GPU 가속이 가능한 경우 구현됩니다. 그래프 신경망 연산은 그래프 학습 라이브러리(예: PyTorch Geometric 또는 DGL)를 사용하여 구현됩니다. SHAP 설명은 SHAP 패키지를 사용하여 생성됩니다. 재현성을 보장하기 위해 실험은 고정된 무작위 시드, 미리 정의된 트레인/검증/테스트 분할, 일관된 전처리 스크립트, 그리고 기록된 하이퍼파라미터(학습률, 배치 크기, 통신 라운드, 조기 중단 기준)를 사용합니다.

1. 연구 문제를 정의하고 수학적 모델을 형식화한다

1. 분산된 데이터 프라이버시 제약 하에서 재무 결정을 최적화하고, 동적 기업 간 위험 전염을 포착하며, 다중 이해관계자를 위한 인간 해석 가능한 의사결정 논리 확보의 세 가지 핵심 연구 목표를 명확히 합니다.
2. 분산 재무 의사결정 최적화 모델을 공식화합니다
   1. 각 기업의 의사결정 공간을 정의하라: 기업 i의 경우 시간 t에서의 의사결정을 라고 하자. 여기서 A_i는 투자, 자금 조달, 배당 전략을 포함한다.
   2. 장기 수익 극대화 목표를 최적화 목표로 설정하며, 다음과 같이 표현합니다:
      (1)
      γ는 할인 계수이고, R_I는 즉각적인 보상, 지역 주 , 그리고 기업 간 관계의 집합입니다.
      참고: 이 보상 공식은 각 기업 에이전트가 자신의 재무 상태뿐만 아니라 연결된 기업에 미치는 위험 전파 효과도 고려하여 의사결정을 최적화하도록 장려합니다. 그 결과, JRL은 분산된 금융 기관 간에 협력적이면서도 개인정보 보호를 위한 학습을 지원합니다.
   3. 개인정보 보호 제약 적용: 각 기업의 원시 데이터가 각 기업 간에 공유될 수 없음을 명시하고(즉, 데이터는 각 기업에 국한됨), 연합 교육 중 데이터 교환 대신 매개변수 공유를 의무화합니다.
3. 동적 위험 전염 모델을 공식화하세요
   1. 기업 간 네트워크를 동적 그래프로 표현하세요:
      (2)
      여기서 V 는 기업 노드를, E^t 는 시간에 따라 변하는 전염 엣지를 나타냅니다.
   2. 기업 i에서 j로 이동하는 위험 전달 강도를 시간 t에서 정량화하기 위해 엣지 가중치를 정의합니다.
   3. 비선형 동적 방정식을 사용하여 Enterprise I 위험 상태 의 진화를 설명하세요:
      
      여기서 f는 비선형 활성화 함수이고 확률적 교란^{∈ 아닙니다} .
4. 해석 가능성 제약 모델을 형식화한다
   1. 설명 정확도 임계값을 설정한다: 모델 출력이 설명과 일치할 확률을 요구하여 다음을 만족한다.
      (4)
      δ를 수용 임계값으로 두고, 설명 특징의 수를 제한함으로써 간결성을 유지합니다.
      참고: 검증 세트의 보정을 기준으로 수락 임계값은 δ = 0.85로 설정됩니다. 이 임계값은 모델 출력과 생성된 설명 간의 최소 일치를 제어하여, 설명이 예측된 위험 확률에 충실하도록 하면서도 지나치게 긴 특징 목록을 방지합니다.
   2. 설명의 간결성을 강요하기 위해 주요 설명 특징의 수를 k≤K로 제한합니다(여기서 K는 해석 가능한 특징의 최대 개수입니다).

2. JRL 프레임워크 구축

1. 각 기업에 로컬 강화 학습 네트워크를 배포하세요
   참고: 이 단계는 각 엔터프라이즈 클라이언트(로컬 머신/컨테이너)에서 수행됩니다. 연합 집계 중에는 모델의 매개변수(또는 매개변수 업데이트)만 서버에 전달됩니다.
   1. 각 기업별로 심층 결정론적 정책 구배(DDPG) 에이전트를 구현하며, 액터-크리틱 구조(액션 선택을 위한 정책 네트워크와 가치 추정을 위한 크리틱 네트워크)를 포함합니다.
      참고: 각 클라이언트는 고정된 랜덤 시드로 DDPG 에이전트를 초기화하고, 로컬 환경과 상호작용하여 전환을 생성 하며, 미니배치 업데이트를 위해 재생 버퍼에 저장합니다.
   2. 상태-결정 쌍의 값을 평가하기 위한 비판 네트워크 출력을 정의합니다:
      (5)
2. 크리틱 네트워크의 손실 함수를 정의합니다
   1. 목표 크리틱 네트워크 Q_φi 를 사용하여 시간 차분 오차를 계산하고, 손실 함수를 다음과 같이 설정한다:
      (6)
   2. 확률적 기울기 하강을 사용해_φ 크리틱 네트워크 매개변수를 최적화합니다. 각 업데이트 단계마다 재생 버퍼에서 미니배치 전이를 샘플링하고, 위의 TD 손실을 계산하며, 그라디언트를 역전파한 후 최적화 업데이트(예: SGD/Adam)를 적용합니다. 안정성을 위해 선택적으로 그라디언트 클리핑을 적용하고, 소프트 업데이트 속도 τ를 사용해 대상 크리틱 네트워크를 업데이트할 수 있습니다.
3. 정책 네트워크 매개변수 최적화
   1. 정책 매개변수 θ_i에 대한 장기 수익 J(θ_i)의 기울기를 계산합니다:
      (7)
   2. 누적 수익을 극대화하기 위해 계산된 기울기를 사용하여 θ_i를 업데이트합니다.
4. 연합평균(FedAvg)을 통한 전역 매개변수 집계 구현
   1. 각 통신 라운드가 끝날 때 모든 기업으로부터 암호화된 정책 네트워크 매개변수(또는 매개변수 델타)를 수집합니다.
   2. 각 기업의 매개변수를 데이터셋 크기에 따라 가중치를 부여하여 전역 매개변수 θ_g를 계산합니다.D_i|:
      (8)
   3. 업데이트된 글로벌 매개변수 θ_g를 각 기업에 다시 분배하여 로컬 네트워크를 동기화합니다.
      참고: 2.4.1-2.4.3 단계는 서버-클라이언트 워크플로우로 수행됩니다. 클라이언트는 암호화된 채널(예: TLS)을 통해 중앙 서버로 매개변수(또는 델타)를 업로드합니다. 서버는 FedAvg를 수행하고 다음 라운드를 위해 모든 클라이언트에게 θ_g를 다시 방송합니다.
5. 커뮤니케이션 효율성 향상
   1. 데이터 전송 볼륨을 줄이기 위해 모델 매개변수에 양자화된 압축을 적용합니다.
   2. 가우시안 메커니즘을 사용하여 각 로컬 모델 업데이트에 차별적 프라이버시 노이즈를 주입합니다. 각 라운드 t에 ^{대해 σ=}0.8의 노이즈 ∈t ∼ N(0,σ² I)가 그래디언트 벡터 g에 적용된다:
      (9)
      참고: 노이즈는 서버와의 통신 직전에 클라이언트에 로컬에 적용되어, 차별적 프라이버시 제약 하에서 프라이버시 보호 교육을 지원합니다.
   3. 참가자 간의 이기종 계산 능력을 수용하기 위해 비동기 업데이트를 수용합니다.

3. 위험 전염 모델링을 위한 적응형 그래프 신경망(AGNN) 구축

1. 동적 인접 행렬을 알리기 위한 주의 가중치를 계산합니다
   1. 정규화된 점곱 주의를 사용하여 시간 t에서 기업 i와 j 사이의 주의 계수를 계산합니다:
      (10)
      참고: 이 주의 가중치는 각 이웃 기업이 업데이트된 위험 상태에 미치는 영향을 정량화하여, 감사인이 예측을 특정 관계 동인으로 추적할 수 있게 합니다.
   2. 엣지 가중치 를 실시간 전염 강도를 반영하도록 업데이트하세요.
2. 시간 메시지 전달 수행
   1. 기업 i의 메시지 벡터를 생성하기 위해 이웃 위험 상태를 집계합니다
      (11)
3. 게이트 리카티브 유닛(GRU)을 사용하여 노드 위험 상태를 업데이트합니다
   1. 현재 상태 와 메시지 벡터 를 적분하여 다음 시간 단계 상태를 계산합니다:
      (12)
4. 위험 전염 임베딩을 추출하고 모델을 최적화합니다
   1. 업데이트된 상태를 다층 퍼셉트론(MLP)을 통과시켜 전염 임베딩을 생성합니다:
      (13)
   2. AGNN 매개변수를 최적화하기 위해 교차 엔트로피 손실 함수를 정의합니다:
      (14)
   3. 수렴할 때까지 미니배치 최적화기(예: Adam)를 이용해 역전파를 사용해 AGNN을 훈련시킵니다. 시간 단계 t당 그래프 스냅샷을 구성하고, {G_t} 위에서 슬라이딩 윈도우를 사용해 시간 배치를 생성합니다. 훈련 분할에서 L을 최소화하고 매 에포크마다 검증 손실을 모니터링하세요. 검증 손실이 미리 정해진 에포크 수(인내심) 동안 개선되지 않을 때 조기 중단을 적용하거나, 최대 에포크 수에서 중단하세요.

4. 이중 채널 설명 가능성 계층 개발

1. SHAP 기반 기능 중요도 채널을 구현하세요
   1. SHAP 값을 사용하여 각 특징 x_j 가 모델 출력에 미치는 한계 기여도를 계산합니다:
      (15)
   2. 여기서_{φ j} 는 특징 x_j의 SHAP 값으로, 예측에 대한 가법적 기여를 나타냅니다.
   3. 절대_{φ j} 값으로 특징을 순위 매기하여 금융 위험 결정의 핵심 동인을 식별합니다.
2. 의사결정 트리 기반 규칙 추출 채널을 구현하세요
   1. 경량 의사결정 트리 대리 모델을 훈련하세요. 금융 위험 모델에 제공된 동일한 입력 특징 행렬 X와 해당 모델 출력을 감독 신호로 사용합니다. 구체적으로, (i) 예측 확 률(회귀 트리) 또는 (ii) 임계 값(예: 낮음/중간/높음)으로 얻은 이산화 위험 수준(분류 트리) 중 하나를 사용하세요. 과적합을 줄이고 해석 가능성을 유지하기 위해 깊이가 제한된 얕은 결정 트리(예: 최대 깊이 3-5)를 훈련시키세요. 보석된 검증 분할에서 트리 출력과 금융 위험 출력을 비교하여 대체 충실도를 평가합니다.
   2. 의사결정 트리에서 사람이 읽을 수 있는 'if-else' 규칙을 추출하세요. 각 루트에서 잎까지의 경로를 탐색하며 분할 조건을 합설 규칙으로 변환합니다. 트리에서 학습한 원래 금융 지표 이름과 임계값을 사용하여 규칙을 보고합니다. 예를 들어: "부채 대비 자산 비율>0.6이고 현금 흐름 보장도가 <1.2라면, 위험 수준 = 높음." 중복된 조건을 제거하고 가장 유익한 규칙(예: 지지 또는 충실도별로 순위 매긴 상위 규칙)만 유지하세요.
3. 두 개의 설명 채널을 융합하세요
   1. SHAP과 규칙 기반 출력을 결합하여 통합 설명을 생성합니다. 각 기업 예측에 대해 (i) |φ_j| 정량적 동인으로, (ii) 정성적 근거와 동일한 입력 인스턴스에 의해 트리거되는 매칭된 의사결정 트리 규칙 경로입니다. 최종 설명을 특징 기여도와 수치 투명성과 논리 기반 해석 가능성을 모두 지원하는 규칙 진술을 결합한 짧은 템플릿으로 제시하세요.
      참고: 표 1은 연구에 사용된 핵심 변수와 재무 지표에 대한 개요를 제시하여 입력 속성이 기업 수준의 위험 예측과 어떻게 연관되는지 명확히 합니다.

5. 통합 알고리즘 워크플로우 확립

1. 프레임워크 구성 요소 초기화
   1. 모든 기업에 대해 로컬 정책 네트워크와 비판 네트워크를 구성하세요(Step 2.1에 맞춰), 초기화 시드와 재생 버퍼 설정을 포함합니다.
   2. AGNN의 초기 매개변수를 설정하는데, 여기에는 숨겨진 상태 차원 d, GRU 하이퍼파라미터, MLP 계층 크기 등이 포함됩니다.
   3. 이중 채널 설명 계층을 초기화하며, SHAP 구성(예: 커널/백그라운드 샘플링 전략)과 의사결정 트리 제약(예: 최대 깊이)을 포함합니다.
   4. FedAvg의 통신 빈도(라운드 간격), 프라이버시 잡음 강도, 글로벌 라운드 수를 포함한 전역 집계 매개변수를 정의합니다.
2. 반복적인 프레임워크 업데이트 실행
   1. 각 시간 단계 t에 대해:
      1. 각 기업의 정책 네트워크를 활용해 지역 주와 의사결정을 생성하세요.
      2. 구현된 재무 결과 또는 식(1)에 정의된 대리 목표를 바탕으로 즉각적인 보상을 계산합니다.
      3. 로컬 정책 및 크리틱 네트워크를 전이(2.2-2.3단계에 부합), 재생 버퍼의 미니배치 샘플링, 역전파 기반 최적화를 사용하여 업데이트합니다.
      4. 암호화된 로컬 매개변수를 수집하고, FedAvg를 수행하여 글로벌 매개변수를 업데이트하며, 2.4단계와 일치하여 기업에 θ_g를 분배합니다.
      5. 주의 기반 메시지 전달을 이용해 AGNN을 업데이트하고 전염 모듈을 훈련시킵니다. 그래프 스냅샷 G_t와 시간 단계 t의 노드 특징 을 구성합니다. 각 노드 i에 대해 이웃 j∈N(i)에 대한 주의 계수를 다음과 같이 계산합니다:
         (16)
         가중 집계를 사용하여 숨겨진 표현을 업데이트합니다:
         (17)
         훈련 분할에 대해 minibatch 최적화 도구(예: Adam)를 사용하여 순방향 및 후방 패스를 수행합니다. 고정된 수의 글로벌 라운드(예: 200라운드)를 훈련시키면서 각 라운드마다 검증 손실을 모니터링합니다. 검증 손실이 개선되지 않을 경우(예: 5연속 에포크/라운드) 학습률 스케줄러를 0.1배로 줄이도록 학습률 스케줄러를 적용합니다.
         참고: 이 공식은 각 기업 노드가 이웃 정보를 집계하면서 재정적으로 중요한(고위험) 관계에 대해 더 강하게 가중치를 부여하여 전염 유발 위험 신호의 조기 탐지를 개선합니다.
      6. AGNN 임베딩 을 사용하여 기업의 채무 불이행 확률을 예측합니다.
      7. 듀얼 채널 계층(Step 4.3과 일치)을 통해 의사결정 및 위험 예측에 대한 설명을 생성하며, SHAP 기반 드라이버와 트리거된 의사결정 트리 규칙 경로를 모두 보고합니다.
      8. 이해관계자 피드백(선택 사항)을 수집하여 설명의 명확성을 다듬습니다(예: 설명 템플릿 수정 또는 보고된 기능 k의 최대 수를 조정).
3. 종료 조건 설정
   1. 시간 단계의 수가 미리 설정된 한계에 도달하면 반복을 중단하세요(예: 1000회 반복) 또는 모델 성능이 안정된 경우(예: AUC-ROC가 5회 연속 반복 동안 0.01 미만 변화를 이루는 경우).
   2. 최적화된 결과물을 제공합니다: 기업별 의사결정 전략, 보정된 AGNN 위험 전염 모델, 표준화된 설명 템플릿.
      참고: 표 2는 모든 학습 환경에서 초기화 매개변수와 훈련 설정을 요약하여 실험 워크플로우의 완전한 재현성을 제공합니다.

6. 실험 데이터셋 준비

1. 실제 금융 데이터셋을 수집하고 처리합니다
   1. 2018년부터 2023년까지 제조, 금융, 정보기술 등 8개 산업을 아우르는 300개 중국 A주 상장사의 분기별 재무 데이터를 수집합니다.
   2. 재무 기능과 위험 이벤트를 명확히 표시하세요. 120개의 재무 기능(예: 부채 대비 자산 비율, 현금 흐름 지표, 자본수익률)과 채무 불이행 및 신용 등급 하향 등급 같은 위험 이벤트 라벨을 사용하세요.
   3. 데이터셋을 시간 순서대로 나누세요. 교육용으로는 2018년 1분기부터 2021년 4분기, 검증은 2022년 1분기부터 2022년 4분기, 테스트는 2023년 1분기-2023년 4분기를 사용해 분할 간 시간적 누수가 없도록 하세요.
2. 시뮬레이션된 분산 데이터셋을 생성하세요
   1. 분산 기업 노드를 만드세요. 10개의 엔터프라이즈 노드를 생성하여, 각각 개인정보 보호에 민감한 로컬 데이터(예: 내부 거래 기록)와 공유 가능한 산업 수준 신호(예: 섹터 평균 성장률)를 보관합니다.
   2. 이질성과 노이즈를 주입하세요. 소규모 기업 노드에 더 높은 변동성을 주입하여 참가자 간 현실적인 데이터 불균형과 변동성을 모방합니다.
      참고: 표 3은 평가에 사용되는 실제 및 시뮬레이션 데이터셋의 특성을 설명합니다; 대표적인 기능 유형을 포함하여 데이터 이해와 복제의 투명성을 지원합니다.

7. 기본 모델 설정

1. 분산 재무 성과 최적화를 위한 기준선을 설정하세요
   1. 독립 강화 학습(IR) 구현: 각 기업의 로컬 데이터만을 사용해 DRL 에이전트를 훈련시키고(매개변수 공유 없음).
   2. 연합 감독 학습(FedSL) 구현: FedAvg를 통해 XGBoost 모델을 학습시켜 정적인 재무 의사결정 규칙을 생성합니다.
   3. 중앙집중식 딥 리포스먼트 러닝(CDRL) 구현: 모든 기업 데이터를 중앙 노드에 집계하고 DDPG 에이전트를 학습시키기(개인정보 보호 없음).
2. 위험 전염 모델링을 위한 기준선 구성
   1. 정적 그래프 신경망(Static GNN) 구현: 산업 소속을 기반으로 한 고정 인접 행렬을 사용하여 위험 전달을 모델링합니다.
   2. 장기 단기 기억(LSTM) 네트워크 구현: 개별 기업 위험 추세를 시계열 데이터만으로 모델링합니다(기업 간 관계는 무시).
   3. 고전적인 SIR 모델을 구현하세요: 전염 역학을 시뮬레이션하기 위해 고정 위험 전파율을 가정합니다.
3. 설명 가능성을 위한 기준선 구성
   1. SHAP 전용: 특징 중요도만을 이용해 설명을 생성하며(규칙 추출 없음).
   2. 규칙 전용: 결정 트리 규칙만을 사용하여 설명을 생성하며(정량적 특징 가중치 없음).
   3. 증류 기준선: 설명을 단순화하기 위해 금융 위험 모델을 더 단순한 모델(예: 선형 회귀)로 근사합니다.
4. 기준선 비교 가능성을 확보하세요. 가능한 경우 기준선 간 핵심 하이퍼파라미터를 일치시키세요(예: LSTM과 AGNN의 동일한 GRU 숨겨진 크기 포함; 학습률과 훈련 예산이 유사함).
   참고: 표 4는 재무 위험 워크플로우를 재현하는 데 사용된 전체 소프트웨어 환경과 모델 구성을 보여주며, 여기에는 JRL 및 AGNN 하이퍼파라미터, 차별적 프라이버시 설정, 연합 집계 프로토콜이 포함됩니다.

8. 평가 지표를 정의합니다

1. 분산 재무 의사결정 최적화를 위한 지표를 정의합니다
   1. 누적 수익 계산: (1)식의 장기 수익 함수를 사용하여 테스트 기간 동안 총 재무 이익을 정량화하세요.
   2. 정책 안정성 측정: 연속된 시간 단계에 걸친 의사결정 조정(예: 투자 비율 변화)의 표준편차를 계산합니다(낮은 값일수록 안정성이 높음).
   3. 프라이버시 보호 평가: 엔트로피 기반 지수를 사용해 데이터 유출에 대한 저항성을 평가합니다(점수가 높을수록 프라이버시 준수가 더 강함을 나타냅니다).
2. 위험 전염 모델링을 위한 지표를 정의하세요
   1. AUC-ROC 계산: 기업 기본 확률 예측의 정확도를 평가하세요(값이 높을수록 성능이 우수함을 의미합니다).
   2. 경로 인식률 측정: 기업 간 올바르게 식별된 위험 전염 채널의 비율을 계산합니다.
   3. 동적 적응성 평가: 정책 충격 이후 모델이 예측 오차를 안정화하는 데 걸리는 시간(시간 단위)을 기록합니다(방정식 3에 설명된 대로, 낮은 값은 더 빠른 적응을 의미합니다).
3. 설명 가능성에 대한 지표를 정의하세요
   1. 설명 정확성 평가: 전문가 검토를 실시하여 설명과 모델 논리 간의 일관성을 평가합니다(방정식 4와 14를 기반으로 하며, 점수는 0에서 1까지입니다).
   2. 설명 간결성 측정: 각 설명에 포함된 주요 특징의 평균 수를 세세요.
   3. 규칙 일관성 평가: 추출한 규칙과 수용된 기업 재무 기준 간의 정렬도를 점수 매김(0에서 1까지, 값이 높을수록 준수 수준이 더 좋음을 의미합니다).
   4. 모든 지표 계산 방법을 문서화하세요: 결과 재현성을 보장하기 위해 공식과 임계값 기준을 기록하세요.

9. 평가 지표

1. 예측 성과를 평가하기 위해 네 가지 표준 평가 지표를 사용하세요.
   1. 평균 제곱 오차(MSE)는 실제 위험값과 예측 위험값 간의 제곱 차이의 평균을 계산합니다. MSE 값이 낮을수록 계산 기준으로 예측 정확도가 더 높다는 의미입니다:
      (18)
   2. 평균 제곱근(RMSE)은 예측 오차의 제곱근을 나타내며, 본질적으로 다양한 척도에서의 모델 안정성을 반영합니다:
      (19)
   3. 평균 절대 오차(MAE)는 예측과 진값 간의 평균 절대 편차를 계산하며, 견고성과 해석 가능성에 중점을 둡니다.
      (20)
   4. 오류율(ER)은 예측값과 실제 값의 편차(백분율) 비율로, 실제 예측 성과 보다 직관적인 지표를 제공합니다:
      (21)

Results

분산 재무 의사결정 최적화(RQ1)

중앙집중식 DRL은 누적 매출이 가장 높았지만, 프라이버시 보호가 부족해 프라이버시 점수가 0.30으로 낮았습니다. 반면, 제안된 JLR 프레임워크는 중앙 집중식 DRL보다 7% 낮은 누적 매출 608억 위안을 달성했으며, 프라이버시 점수 0.92를 유지했습니다. 또한, 의사결정 안정성 면에서 Independent RL과 FedSL보다 더 좋은 성과를 냈습니다. 따라서 제안된 JLR 프레임워크는 프라이버시 보호와 수익성 사이에서 보다 만족스러운 균형을 제시합니다. 이 관찰들은 JRL이 실제로 파레토 개선을 가능하게 하여 효율성과 프라이버시의 동시에 최적 상태를 가져온다는 것을 입증합니다. 표 5는 금융 위험의 비교 성과 지표를 기준선 모델과 함께 보여주며, 정확성, 효율성, 프라이버시 측면에서 직접적으로 해석 가능한 예측 이익을 나타냅니다.

Discussion

결과는 제안된 프레임워크가 분산 금융 위험 관리의 세 가지 핵심 과제를 효과적으로 해결함을 보여줍니다: (i) 개인정보 보호 재무 의사결정 최적화, (ii) 기업 간 위험 전염의 동적 모델링, (iii) 규제 데이터 환경에서 이해관계자 지향적 해석 가능성. 이들을 고립된 목표로 다루기보다는, 이 프레임워크는 공동 강화 학습(JRL)과 적응형 그래프 신경망(AGNN), 이중 채널 설명 계층을 결합하여 실제 기업 환경에서 운영 배치 및 감사 가능한 방식으로 위험 예측과 제어를 수행할 수 있게 합니다.

이 연구의 핵심 기여 중 하나는 해석 가능성을 부차적으로 제시하지 않고 구조화된 점수 체계를 사용하여 측정 가능한 결과로 평가한다는 점입니다. 구체적으로, 우리는 전문가 기반 평가를 사용하여 해석 가능성을 세 차원 — 정확성, 간결성, 규칙 일관성으로 평가했습니다. 5명의 금융 위험 분석가 패널이 독립적으로 무작위로 표본 추출...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
금융 데이터 관리 소프트웨어	윈드 인포메이션 주식회사	해당 없음	300개 A-share 기업의 분기별 재무 데이터를 제공했습니다(2018년 및 ndash; 2023)
GPU 서버	엔비디아	버전 A100	하드웨어
고성능 컴퓨팅 서버	델 테크놀로지스	R7525	연합 강화 학습 및 AGNN 훈련 실험 실행에 사용됩니다
파이썬		버전 3.1	소프트웨어
파이토치	메타 AI	버전 2.1	소프트웨어
레이 RLlib		버전 2.6	툴킷
샍		최신 버전	도서관