Een datagedreven kader voor het voorspellen en beheersen van financieel risico in de digitale economie

Summary

Dit onderzoek stelt Financial Risk voor, een datagedreven kader dat is ontworpen om de voorspelling en controle van financiële risico's in de digitale economie te verbeteren met behulp van gedistribueerd leren, dynamische besmettingsmodellering en interpreteerbaarheidsmechanismen.

Abstract

In het tijdperk van de digitale economie verschuift financieel beheer naar datagedreven besluitvorming. De drie belangrijkste uitdagingen zijn: (a) gedistribueerde gegevensprivacybeperkingen, (b) snelle besmetting van financiële risico's tussen onderling verbonden ondernemingen, en (c) transparante besluitvormingslogica voor meerdere belanghebbenden. Financial Risk pakt deze uitdagingen aan met een kader dat Joint Reinforcement Learning (JRL) omvat voor gedistribueerde financiële besluitvormingsoptimalisatie, een Adaptive Graph Neural Network (AGNN) voor het modelleren van realtime besmettingseffecten, en een dual-channel interpretatielaag om de transparantie te vergroten. Er werden experimenten uitgevoerd met kwartaalgegevens van 2018 tot 2023 van 300 Chinese A-aandelen genoteerde bedrijven, evenals een gesimuleerde gedistribueerde dataset. De belangrijkste bevindingen geven aan dat JRL een cumulatieve omzet van 60,8 miljard yuan behaalde (met een privacyscore van 0,92), terwijl de AUC van AGNN 0,89 bereikte en fouten binnen twee uur na beleidsschokken stabiliseerde. De prestaties van de interpretatielaag hebben 85% nauwkeurigheid bereikt met gemiddeld 2,8 sleutelfuncties. Al deze bevindingen tonen aan dat het Financial Risk-kader privacy, efficiëntie, risicobeheersing en interpreteerbaarheid in balans brengt en een praktisch paradigma biedt voor financieel risicomanagement in de digitale economie.

Introduction

In het tijdperk van de digitale economie zal financieel beheer van bedrijven verschuiven van ervaringsgerichte praktijken naar datagedreven paradigma's¹. Realtime transacties, IoT-sensoren en cloudgebaseerde bedrijfssystemen genereren onafgebroken multidimensionale financiële data, wat nieuwe perspectieven opent voor precisievoorspellingen, slimme financiering en dynamische asset allocation². Toch worden financiële gegevens verspreid over dochterondernemingen, partners in de toeleveringsketen, financiële instellingen en toezichthouders, en maken de steeds strengere wettelijke vereisten omtrent gegevensbeveiliging en PIPL het bemoeilijken gecentraliseerde verwerking. Onder deze omstandigheden staat het traditionele paradigma van "datamigratie naar cloudgecentraliseerde modellering van verenigde besluitvorming" fundamenteel voor een dilemma: privacy opofferen voor efficiëntie of datasilo's handhaven ten koste van suboptimale uitkomsten³.

Tegelijkertijd nemen de snelheid en intensiteit van de besmetting van financiële risico's^toe. Macro-economische schommelingen, geopolitieke spanningen en onverwachte "zwarte zwaan"-gebeurtenissen kunnen snel doorlopen in toeleveringsketens, onderpandketens en kapitaalstromen, wat binnen^vijf minuten tot systemisch risico leidt. Conventionele instrumenten, zoals statische financiële overzichten en kredietbeoordelingen, zijn vaak onvoldoende om deze snel veranderende dynamiek te vatten. Om deze beperking aan te pakken, hebben onderzoekers geavanceerde computationele methoden onderzocht, waaronder reinforcement learning voor optimalisatie van financiële beslissingen, gefedereerd leren voor gedistribueerde samenwerking en graph neurale netwerken voor het modelleren van complexe inter-bedrijfsafhankelijkheden⁶. Deze benaderingen hebben aanvankelijk succes geboekt in het verbeteren van financiële prognoses, kredietrisicobeheersing en besmettingsmodellering; de meeste van hen gaan echter uit van toegang tot gecentraliseerde of globale data, waardoor de praktische toepasbaarheid in gedistribueerde en privacy-beperkte contexten^{wordt beperkt 7}.

Een andere belangrijke uitdaging is die van interpreteerbaarheid. Methoden zoals SHAP-gebaseerde feature-attributie en het extraheren van beslissingsregels zijn slechts gedeeltelijke verklaringen, en ze voldoen over het algemeen niet aan de eisen van verschillende belanghebbenden zoals CFO's, auditors en toezichthouders, die vereisen dat de beslissingsprocessen transparant, controleerbaar en semantisch toegankelijk zijn⁸. Zonder interpreteerbaarheid hebben zelfs zeer nauwkeurige modellen moeite om adoptie te krijgen in echte financiële besluitvormingsomgevingen⁹. Diepe versterkingsleermethoden zoals DDPG¹ boden fundamentele vooruitgang die de basis vormen van moderne financiële besluitvormingssystemen¹⁰.

Het voorgestelde kader gaat vanuit een applicatieperspectief uit van een ondernemingsnetwerk waarin de financiële gegevens worden verspreid over dochterondernemingen, partners in de toeleveringsketen, financiële instellingen of regelgevende knooppunten, waar ruw-data pooling niet kan plaatsvinden vanwege privacy- of jurisdictiebeperkingen¹¹. De aanpak werkt goed in een scenario waarin elk bedrijfsknooppunt tijdreeks-financiële indicatoren levert – meestal variërend van 50 tot 120 kenmerken die kapitaalstructuur, liquiditeit, winstgevendheid en kredietgebeurtenissen bestrijken – over meerdere rapportageperiodes¹². Het framework kan worden ingezet op standaard GPU-compatibele of high-performance CPU-omgevingen en ondersteunt een aantal privacywetgevingscontexten, zoals de AVG, CCPA en China's PIPL, door versleutelde modelparameters uit te wisselen in plaats van gevoelige financiële gegevens^13,14. Typische systeemvereisten omvatten een matige communicatiefrequentie tussen knooppunten en een stabiele netwerktopologie in de loop van de tijd. Een bekende beperking is verminderde nauwkeurigheid onder extreem dun of zeer volatiel bedrijfsnetwerken, waarbij snelle structurele verschuivingen voorkomen dat het grafiekmodel stabiele inter-ondernemingsafhankelijkheden leert. In dergelijke gevallen kan frequente hertraining of kortere tijdsvensters nodig zijn om voorspellende stabiliteit^te behouden.

Tegen deze achtergrond stelt de huidige studie Financial Risk voor, een datagedreven framework dat Joint Reinforcement Learning (JLR) integreert voor gedistribueerde optimalisatie¹⁶, een adaptief grafneuraal netwerk voor realtime besmettingsmodellering¹⁷, en een dual-channel interpretatielaag voor stakeholdergerichte transparantie¹⁸. Door tegelijkertijd privacy, efficiëntie, risicobeheersing en interpreteerbaarheid aan te passen, biedt dit kader een nieuw paradigma voor financieel beheer in de digitale economie.

Protocol

Dit protocol beschrijft de stappen om het Financial Risk framework te construeren voor het voorspellen en controleren van financieel risico in de digitale economie en om de bijbehorende validatie-experimenten te reproduceren. Het protocol omvat de formalisering van wiskundige modellen, de constructie van frameworkmodules, workflowintegratie, datasetvoorbereiding, basislijnopstelling en de definitie van evaluatiemetriek, waardoor onderzoekers in het veld reproduceerbaar kunnen zijn. De Table of Materials vat alle software, bibliotheken/toolkits, hardwarebronnen en datasets samen die nodig zijn om dit protocol te reproduceren, terwijl Figuur 1 de algemene workflow biedt voor transparante voorspelling en controle van financiële risico's.

OPMERKING: Alle stappen in dit protocol zijn geïmplementeerd in een op Python gebaseerde workflow. Lokale enterprise-agenten (clients) worden uitgevoerd op aparte machines of geïsoleerde containers om gedistribueerde instellingen te emuleren, terwijl gefedereerde aggregatie wordt uitgevoerd op een centrale coördinator (server). Modeltraining en inferentie worden geïmplementeerd met behulp van een deep-learning framework (bijv. PyTorch of TensorFlow) met GPU-acceleratie wanneer beschikbaar. Grafneurale netwerkoperaties worden geïmplementeerd met behulp van een graph learning-bibliotheek (bijv. PyTorch Geometric of DGL). SHAP-verklaringen worden gegenereerd met het SHAP-pakket. Om reproduceerbaarheid te waarborgen, gebruiken experimenten vaste willekeurige seeds, vooraf gedefinieerde train-/validatie-/testsplitsingen, consistente preprocessing-scripts en gelogde hyperparameters (leersnelheid, batchgrootte, communicatierondes en vroege stopcriteria).

1. Definieer het onderzoeksprobleem en formaliseer wiskundige modellen

1. Verduidelijken van de drie kernonderzoeksdoelstellingen: financiële beslissingen optimaliseren onder gedistribueerde gegevensprivacybeperkingen, dynamische inter-enterprise risicobesmetting vastleggen en zorgen voor menselijk interpreteerbare besluitvormingslogica voor meerdere belanghebbenden.
2. Formaliseer het gedistribueerde financiële besluitvormingsoptimalisatiemodel
   1. Definieer de beslissingsruimte voor elke onderneming: laat beslissingen op tijdstip t voor onderneming i zijn , waarbij A_i investerings-, financierings- en dividendstrategieën omvat.
   2. Stel het langetermijndoel voor het maximaliseren van het rendement in als het optimalisatiedoel, uitgedrukt als:
      (1)
      waarbij γ de disconteringsfactor is, R_I de onmiddellijke beloning, de lokale staat en de set van inter-ondernemingsrelaties.
      OPMERKING: Deze beloningsformulering moedigt elke ondernemingsagent aan om besluitvorming te optimaliseren, niet alleen op basis van zijn eigen financiële status, maar ook op de risicopropagatie-effecten op verbonden ondernemingen. Als gevolg hiervan ondersteunt JRL samenwerkend maar privacybeschermend leren tussen verspreide financiële entiteiten.
   3. Leg privacybeperkingen op: specificeer dat de ruwe data van elke onderneming niet tussen entiteiten gedeeld mag worden (d.w.z. data blijft lokaal voor elke onderneming), en verplicht parameterdeling in plaats van gegevensuitwisseling tijdens gefedereerde training.
3. Formaliseer het dynamisch risicocontagionmodel
   1. Vertegenwoordig het inter-enterprise netwerk als een dynamische grafiek:
      (2)
      waarbij V enterprise-knooppunten aanduidt en E^t tijdsvariërende besmettingsranden.
   2. Definieer randgewichten om de risicotransmissieintensiteit van onderneming i naar j op tijdstip t te kwantificeren.
   3. Beschrijf de evolutie van de risicotoestand van onderneming i met behulp van een niet-lineaire dynamische vergelijking:
      
      Waarbij f een niet-lineaire activatiefunctie is en ^∈ een stochastische verstoring.
4. Formaliseer het interpretabiliteitsbeperkingsmodel
   1. Stel de drempel voor de nauwkeurigheid van de uitleg in: vereist dat de waarschijnlijkheid dat de uitvoer van het model overeenkomt met de uitleg voldoet aan het voldoen
      (4)
      Met δ als acceptatiedrempel, terwijl beknoptheid wordt gehandhaafd door het aantal verklarende kenmerken te beperken.
      OPMERKING: De acceptatiedrempel is ingesteld op δ = 0,85 op basis van kalibratie op de validatieset. Deze drempel bepaalt de minimale overeenstemming tussen de modeloutput en de gegenereerde verklaring, zodat verklaringen trouw blijven aan de voorspelde risicokans en te lange featurelijsten worden vermeden.
   2. Leg uitleg-beknoptheid op door het aantal belangrijke verklarende kenmerken te beperken tot k≤K (waarbij K een vooraf gedefinieerd maximaal aantal interpreteerbare kenmerken is).

2. Bouw het JRL-framework op

1. Zet lokale reinforcement learning-netwerken in voor elke onderneming
   OPMERKING: Deze stap wordt uitgevoerd op elke enterprise-client (lokale machine/container). Alleen modelparameters (of parameterupdates) worden tijdens de gefedereerde aggregatie aan de server gecommuniceerd.
   1. Implementeer een Deep Deterministic Policy Gradient (DDPG)-agent voor elke onderneming, inclusief een actor-critic-structuur (beleidsnetwerk voor actieselectie en criticusnetwerk voor waardeschatting).
      OPMERKING: Elke client initialiseert de DDPG-agent met een vaste willekeurige seed, werkt samen met zijn lokale omgeving om overgangen te genereren , en slaat deze op in een replay-buffer voor minibatch-updates.
   2. Definieer de output van het kritische netwerk om de waarde van toestand-beslissingsparen te evalueren:
      (5)
2. Definieer de verliesfunctie voor het criticusnetwerk
   1. Bereken de temporele verschilfout met behulp van het doel-criticusnetwerk Q_φi , en stel de verliesfunctie in als:
      (6)
   2. Optimaliseer de parameters van het critic-netwerk φ_met behulp van stochastische gradient descent. In elke updatestap neem je een minibatch van overgangen uit de replay-buffer, bereken je het bovenstaande TD-verlies, backpropagate je gradiënten, en pas je een optimizer-update toe (bijv. SGD/Adam). Passe optioneel gradient clipping toe voor stabiliteit en werk het target critic network bij met een soft-update rate τ.
3. Optimaliseer de beleidsnetwerkparameters
   1. Bereken de gradiënt van het langetermijnrendement J(θ_i) met betrekking tot beleidsparameters θ_i:
      (7)
   2. Werk θ_i bij met behulp van de berekende gradiënt om het cumulatieve rendement te maximaliseren.
4. Implementeer globale parameteraggregatie via Federated Averaging (FedAvg)
   1. Verzamel versleutelde beleidsnetwerkparameters (of parameterdelta's) van alle ondernemingen aan het einde van elke communicatieronde.
   2. Bereken de globale parameter θ_g door de parameters van elk bedrijf te wegen op basis van de grootte van de dataset |D_i|:
      (8)
   3. Verdeel de bijgewerkte globale parameter θ_g terug naar elke onderneming om lokale netwerken te synchroniseren.
      OPMERKING: Stappen 2.4.1-2.4.3 worden uitgevoerd via een server-client workflow. Clients uploaden parameters (of deltas) naar de centrale server via een versleuteld kanaal (bijv. TLS). De server voert FedAvg uit en zendt θ_g terug naar alle clients voor de volgende ronde.
5. Verbeter de communicatie-efficiëntie
   1. Pas gekwantiseerde compressie toe op modelparameters om het datatransmissievolume te verminderen.
   2. Injecteer differentieel-privacy-ruis in elke lokale modelupdate met behulp van het Gaussiaanse mechanisme. Voor elke ronde t wordt ruis ∈^t ∼ N(0,σ² I) met σ=0,8 toegepast op de gradiëntvector g:
      (9)
      OPMERKING: Ruis wordt lokaal toegepast op de client direct vóór communicatie met de server om privacybehoudende training te ondersteunen onder verschillende privacybeperkingen.
   3. Accepteer asynchrone updates om heterogene rekenkrachten tussen deelnemers te accommoderen.

3. Bouw het Adaptive Graph Neural Network (AGNN) voor risicobesmettingsmodellering

1. Bereken aandachtsgewichten om de dynamische nabijheidsmatrix te informeren
   1. Bereken de aandachtscoëfficiënt tussen onderneming i en j op tijdstip t met behulp van genormaliseerde dot-product aandacht:
      (10)
      OPMERKING: Deze aandachtsgewichten kwantificeren de invloed van elke buuronderneming op de bijgewerkte risicotoestand, waardoor auditors voorspellingen kunnen traceren naar specifieke relationele drijfveren.
   2. Werk het randgewicht bij om de realtime besmettingsintensiteit weer te geven.
2. Voer temporele berichtoverdracht uit
   1. Aggregeer buurrisicotoestanden om de berichtvector voor enterprise i te genereren
      (11)
3. Werk de risicotoestand van de knoop bij met een Gated Recurrent Unit (GRU)
   1. Integreer de huidige toestand en berichtvector om de volgende tijdstap-toestand te berekenen:
      (12)
4. Extracteer risicocontagion-embeddings en optimaliseer het model
   1. Laat de bijgewerkte status door een Multilayer Perceptron (MLP) lopen om contagion-embeddings te genereren:
      (13)
   2. Definieer de cross-entropie verliesfunctie om AGNN-parameters te optimaliseren:
      (14)
   3. Train de AGNN met backpropagatie met een minibatch-optimizer (bijvoorbeeld Adam) tot convergentie. Bouw grafsnapshots per tijdstap t en genereer temporele batches met behulp van sliding windows over {G_t}. Minimaliseer de L op de trainingssplitsing en houd het validatieverlies per epoch in de gaten. Pas vroegtijdig stoppen toe wanneer het validatieverlies niet verbetert voor een vooraf bepaald aantal epochs (geduld), of stop bij een maximaal aantal epochs.

4. Ontwikkel de dual-channel verklaarbaarheidslaag

1. Implementeer het SHAP-gebaseerde kanaal voor feature-belangrijkheid
   1. Bereken de marginale bijdrage van elk kenmerk x_j aan de modeloutput met behulp van SHAP-waarden:
      (15)
   2. Waarbij φ_j de SHAP-waarde is van kenmerk x_j, die de additieve bijdrage aan de voorspelling vertegenwoordigt.
   3. Rangschik kenmerken op absolute φ_j-waarden om belangrijke drijfveren van financiële risicobeslissingen te identificeren.
2. Implementeer het op beslissingsboom gebaseerde regelextractiekanaal
   1. Train een lichtgewicht beslissingsboom-vervangermodel. Gebruik dezelfde invoerfunctiematrix X die aan het Financial Risk-model wordt geleverd en de bijbehorende modeluitgangen als toezichtsignalen. Gebruik specifiek ofwel (i) de voorspelde kans (regressieboom) of (ii) gediscretiseerde risiconiveaus (classificatieboom) verkregen door drempelen (bijv. laag/middel/hoog). Train een ondiepe beslissingsboom met beperkte diepte (bijv. maximale diepte 3-5) om overfitting te verminderen en interpreteerbaarheid te behouden. Evalueer de surrogaattrouw door de boomoutput te vergelijken met de Financial Risk outputs op een hold-out validatiesplit.
   2. Haal mensleesbare "if-else"-regels uit de beslissingsboom. Doorloop elk root-naar-blad-pad en zet de splitsingscondities om in conjunctieve regels. Rapporteer regels met de originele namen en drempels van de financiële indicatoren die door de boom zijn geleerd. Bijvoorbeeld: "Als de schuld-tot-activaverhouding >0,6 en kasstroomdekking <1,2, dan is het risiconiveau = Hoog." Verwijder overbodige voorwaarden en behoud alleen de meest informatieve regels (bijv. topregels gerangschikt op support of fidelity).
3. Verbind de twee verklaringskanalen
   1. Genereer geïntegreerde uitleg door SHAP- en regelgebaseerde uitvoer te combineren. Voor elke enterprise-voorspelling rapporteer (i) de top-k SHAP-functies, gerangschikt door |φ_j| als de kwantitatieve drijfveren, en (ii) het gematchte beslissingsboomregelpad dat wordt geactiveerd door dezelfde invoerinstantie als de kwalitatieve rationale. Presenteer de uiteindelijke uitleg als een korte template die featurebijdragen combineert met een bijbehorende regelverklaring om zowel numerieke transparantie als logische interpreteerbaarheid te ondersteunen.
      OPMERKING: Tabel 1 geeft een overzicht van de kernvariabelen en financiële indicatoren die in het onderzoek zijn gebruikt om duidelijkheid te scheppen over hoe de inputattributen zich verhouden tot de risicovoorspelling op ondernemingsniveau.

5. Het vaststellen van de geïntegreerde algoritmische workflow

1. Initialiseer frameworkcomponenten
   1. Configureer lokale beleidsnetwerken en critic-netwerken voor alle ondernemingen (consistent met Stap 2.1), inclusief initialisatieseeds en replay-bufferinstellingen.
   2. Stel de beginparameters in voor de AGNN, inclusief verborgen toestandsdimensie d, GRU-hyperparameters en MLP-laaggroottes.
   3. Initialiseer de dual-channel verklaarbaarheidslaag, inclusief SHAP-configuratie (bijv. kernel/achtergrond samplingstrategie) en beslissingsboombeperkingen (bijv. maximale diepte).
   4. Definieer globale aggregatieparameters voor FedAvg, inclusief communicatiefrequentie (rondeinterval), privacy-geluidsintensiteit en het aantal globale rondes.
2. Voer iteratieve framework-updates uit
   1. Voor elke tijdstap t:
      1. Genereer lokale toestanden en beslissingen met behulp van het beleidsnetwerk van elke onderneming.
      2. Bereken directe beloningen op basis van gerealiseerde financiële uitkomsten of proxy-doelstellingen zoals gedefinieerd in vergelijking (1).
      3. Werk lokale beleids- en critic-netwerken bij met overgangen (consistent met Stappen 2.2-2.3), met behulp van minibatch sampling uit de replay-buffer en backpropagation-gebaseerde optimalisatie.
      4. Verzamel versleutelde lokale parameters, voer FedAvg uit om globale parameters bij te werken, en verdeel θg_naar ondernemingen (in overeenstemming met stap 2.4).
      5. Werk de AGNN bij met behulp van aandacht-gebaseerde berichtoverdracht en train de besmettingsmodule. Bouw de grafieksnapshot G_t en knooppunten op stap t. Voor elke knoop i bereken je aandachtscoëfficiënten over buren j∈N(i) als:
         (16)
         Werk de verborgen representatie bij met behulp van gewogen aggregatie:
         (17)
         Voer voorwaartse en achterwaartse passes uit op de trainingssplitsing met behulp van een minibatch-optimizer (bijv. Adam). Train voor een vast aantal globale rondes (bijv. 200 rondes) terwijl je het validatieverlies per ronde monitort. Pas een leersnelheidsplanner toe die de leersnelheid met een factor 0,1 verlaagt wanneer het validatieverlies niet verbetert voor een vooraf gedefinieerd geduldsvenster (bijv. 5 opeenvolgende epochs/rondes).
         OPMERKING: Deze formulering stelt elk bedrijfsknooppunt in staat om bureninformatie te aggregeren, terwijl financieel belangrijke (hoog-risico) relaties sterker worden weggegeven, wat de vroege detectie van besmettingsgedreven risicosignalen verbetert.
      6. Voorspel de kansen voor bedrijfsstandaarden met behulp van AGNN-embeddings .
      7. Genereer uitleg voor beslissingen en risicovoorspellingen via de dual-channel laag (consistent met Stap 4.3), waarbij zowel SHAP-gebaseerde drivers als het getriggerde beslissingsboomregelpad worden gerapporteerd.
      8. Verzamel feedback van belanghebbenden (optioneel) om de duidelijkheid van de uitleg te verfijnen (bijvoorbeeld het herzien van uitlegtemplates of het aanpassen van het maximale aantal gerapporteerde features k).
3. Stel beëindigingsvoorwaarden in
   1. Stop met itereren wanneer het aantal tijdsstappen een vooraf ingestelde limiet bereikt (bijv. 1000 iteraties) of wanneer de modelprestaties zijn gestabiliseerd (bijvoorbeeld wanneer AUC-ROC met minder dan 0,01 verandert voor 5 opeenvolgende iteraties).
   2. Bied geoptimaliseerde output: ondernemingsspecifieke beslissingsstrategieën, gekalibreerde AGNN-risicocontagiemodellen en gestandaardiseerde uitlegtemplates.
      OPMERKING: Tabel 2 vat de initialisatieparameters en trainingsinstellingen samen in alle leeromgevingen om volledige reproduceerbaarheid van de experimentele workflow te garanderen.

6. Bereid experimentele datasets voor

1. Verzamel en verwerk de echte financiële dataset
   1. Verzamel kwartaalgegevens van 300 Chinese A-aandelen genoteerde bedrijven van 2018 tot 2023, die 8 sectoren bestrijken (bijv. productie, financiën en informatietechnologie).
   2. Neem financiële kenmerken en gelabelde risicogebeurtenissen op. Gebruik 120 financiële kenmerken (bijv. schuld-tot-activaverhouding, kasstroomindicatoren en rendement op eigen vermogen) en risico-gebeurtenislabels zoals wanbetaling en kredietwaardigheidsdegradatie.
   3. Splits de dataset chronologisch. Gebruik Q4 van Q1-2021 van 2018 voor training, Q4 van Q1-2022 van 2022 voor validatie, en Q4 van Q1-2023 van 2023 voor testen, zodat er geen temporele lekkage over splits wordt gegarandeerd.
2. Genereer de gesimuleerde gedistribueerde dataset
   1. Maak gedistribueerde enterprise-knooppunten. Creëer 10 bedrijfsknooppunten, elk met privacygevoelige lokale gegevens (bijv. interne transactierecords) en deelbare signalen op brancheniveau (bijv. sectorgemiddelde groeipercentage).
   2. Injecteer heterogeniteit en ruis. Injecteer grotere variabiliteit in kleinere bedrijfsnodes om realistische data-onevenwichtigheid en volatiliteit tussen deelnemers te emuleren.
      OPMERKING: Tabel 3 beschrijft de kenmerken van echte en gesimuleerde datasets die voor evaluatie worden gebruikt; Het bevat representatieve feature-types, wat transparantie ondersteunt in databegrip en replicatie.

7. Baseline-modellen opzetten

1. Stel basislijnen voor optimalisatie van verspreide financiële resultaten op
   1. Implementeer Onafhankelijk Reinforcement Learning (IR): train een DRL-agent voor elke onderneming met alleen de lokale data (zonder parameterdeling).
   2. Implementeer Federated Supervised Learning (FedSL): train een XGBoost-model via FedAvg om statische financiële beslissingsregels te genereren.
   3. Implementeer Centralized Deep Reinforcement Learning (CDRL): verzamel alle bedrijfsgegevens in een centraal knooppunt en train een DDPG-agent (geen privacybescherming).
2. Configuratie basislijnen voor risicobesmettingsmodellering
   1. Implementeer Static Graph Neural Network (Static GNN): gebruik een vaste adjacencymatrix (gebaseerd op branche-affiliatie) om risicooverdracht te modelleren.
   2. Implementeer Long Short-Term Memory (LSTM) netwerk: modelleer individuele risicotrends van ondernemingen met alleen tijdreeksgegevens (waarbij inter-enterprise relaties worden genegeerd).
   3. Implementeer het klassieke SIR-model: ga uit van vaste risicotransmissiesnelheden om besmettingsdynamiek te simuleren.
3. Stel baselines in voor uitlegbaarheid
   1. SHAP-alleen: uitleg genereren met alleen feature-importance (geen regelextractie).
   2. Alleen regel: genereer uitleg met alleen beslissingsboomregels (geen kwantitatieve featureweging).
   3. Distillatiebasislijn: benader het Financial Risk-model met een eenvoudiger model (bijv. lineaire regressie) om uitleg te vereenvoudigen.
4. Zorg voor basisvergelijkbaarheid. Match belangrijke hyperparameters over basislijnen waar van toepassing (bijv. dezelfde verborgen GRU-grootte voor LSTM en AGNN; vergelijkbare leersnelheden en trainingsbudgetten).
   OPMERKING: Tabel 4 toont de volledige softwareomgeving en modelconfiguratie die wordt gebruikt om de Financial Risk workflow te reproduceren, inclusief JRL- en AGNN-hyperparameters, differentiële privacy-instellingen en een gefedereerd aggregatieprotocol.

8. Definieer evaluatiemetrics

1. Definieer metrics voor gedistribueerde financiële beslissingsoptimalisatie
   1. Bereken de cumulatieve omzet: gebruik de langetermijnrendementfunctie in Vergelijking (1) om de totale financiële winst tijdens de testperiode te kwantificeren.
   2. Meet beleidsstabiliteit: bereken de standaardafwijking van besluitaanpassingen (bijv. veranderingen in investeringsratio) over opeenvolgende tijdsstappen (lagere waarden duiden op hogere stabiliteit).
   3. Evalueer privacybescherming: gebruik een entropie-gebaseerde index om weerstand tegen datalekken te scoren (hogere scores duiden op sterkere privacy-naleving).
2. Definieer metrics voor risicocontagionmodellering
   1. Bereken AUC-ROC: evalueer de nauwkeurigheid van voorspellingen van de standaardkansvoorspellingen van ondernemingen (hogere waarden duiden op betere prestaties).
   2. Meet de padherkenningssnelheid: bereken het aandeel correct geïdentificeerde risicocontagiekanalen tussen ondernemingen.
   3. Beoordeel de dynamische aanpassingsvermogen: registreer de tijd (in uren) die nodig is voor het model om voorspellingsfouten na een beleidsschok te stabiliseren (zoals beschreven in Vergelijking 3, lagere waarden duiden op snellere aanpassing).
3. Definieer metrics voor verklaarbaarheid
   1. Beoordeel de nauwkeurigheid van de uitleg: voer deskundige beoordelingen uit om de consistentie tussen uitleg en modellogica te beoordelen (gebaseerd op Vergelijkingen 4 en 14), met scores variërend van 0 tot 1.
   2. Meet de beknoptheid van de uitleg: tel het gemiddelde aantal belangrijke kenmerken die in elke uitleg zijn opgenomen.
   3. Evalueer regelconsistentie: beoordeel de afstemming tussen geëxtraheerde regels en geaccepteerde financiële standaarden van het bedrijf (variërend van 0 tot 1, hogere waarden duiden op betere naleving).
   4. Documenteer alle methoden voor metriekberekeningen: registreer formules en drempelcriteria om reproduceerbaarheid van de resultaten te waarborgen.

9. Evaluatiemetrieken

1. Gebruik vier standaard evaluatiemetrics om de voorspellingsprestaties te evalueren.
   1. De Mean Squared Error (MSE) berekent het gemiddelde van de kwadratverschillen tussen werkelijke en voorspelde risicowaarden. Lagere MSE-waarden duiden op een hogere nauwkeurigheid in voorspelling, zoals berekend:
      (18)
   2. Root Mean Squared Error (RMSE) duidt de wortel van de voorspellingsfout aan en weerspiegelt dus in wezen de modelstabiliteit over een reeks schalen:
      (19)
   3. Gemiddelde absolute fout (MAE) berekent de gemiddelde absolute afwijking tussen voorspelling en werkelijke waarde, met de nadruk op robuustheid en interpreteerbaarheid.
      (20)
   4. Foutpercentage (ER) is de verhouding tussen de afwijking van voorspelde en werkelijke waarden in procent, waardoor het een meer intuïtieve maatstaf biedt met betrekking tot de prestaties van de voorspelling in de praktijk:
      (21)

Results

Optimalisatie van gedistribueerde financiële beslissingen (RQ1)

Gecentraliseerde DRL behaalde de hoogste cumulatieve omzet, maar ten koste van slechte privacybescherming met een lage privacyscore van 0,30. Daarentegen behaalde het voorgestelde JLR-kader een cumulatieve omzet van 60,8 miljard yuan, slechts 7% lager dan gecentraliseerde DRL, terwijl het een hoge privacyscore van 0,92 behield. Daarnaast presteerde het beter dan Independent RL en ...

Discussion

De resultaten tonen aan dat het voorgestelde kader effectief drie kernuitdagingen aanpakt in gedistribueerd financieel risicobeheer: (i) privacybehoudende financiële besluitvormingsoptimalisatie, (ii) dynamische modellering van inter-enterprise risicobesmetting, en (iii) stakeholdergerichte interpreteerbaarheid onder gereguleerde dataomgevingen. In plaats van deze als geïsoleerde doelstellingen te behandelen, koppelt het framework joint reinforcement learning (JRL) aan een adaptief grafn...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Financial Data Management Software	Wind Information Co., Ltd.	N/A	Verschaffde kwartaalwijze financiële gegevens van 300 A-aandelen bedrijven (2018–2023)
GPU server	NVIDIA	Version A100	Hardware
High-Performance Computing Server	Dell Technologies	R7525	Gebruikt voor het uitvoeren van gefedereerde versterkingslering en AGNN training experimenten
Python		Version 3.1	Software
PyTorch	Meta AI	Version 2.1	Software
Ray RLlib		Version 2.6	Toolkit
SHAP		Latest Version	Bibliotheek