Ramy oparte na danych do przewidywania i kontroli ryzyka finansowego w gospodarce cyfrowej

Summary

Niniejsze badania proponują Financial Risk – ramy oparte na danych, zaprojektowane w celu poprawy przewidywania i kontroli ryzyka finansowego w gospodarce cyfrowej wykorzystujące uczenie się rozproszone, dynamiczne modelowanie zakażeń oraz mechanizmy interpretowalności.

Abstract

W erze gospodarki cyfrowej zarządzanie finansami przesuwa się w kierunku podejmowania decyzji opartych na danych. Trzy najważniejsze wyzwania to: (a) rozproszone ograniczenia prywatności danych, (b) szybkie rozprzestrzenianie się ryzyk finansowych w powiązanych przedsiębiorstwach oraz (c) przejrzysta logika decyzyjna dla wielu interesariuszy. Financial Risk rozwiązuje te wyzwania poprzez ramy obejmujące wspólne uczenie ze wzmocnieniem (JRL) do optymalizacji rozproszonych decyzji finansowych, adaptacyjną sieć neuronową (AGNN) do modelowania efektów zakażenia w czasie rzeczywistym oraz warstwę interpretacji dwukanałowej zwiększające przejrzystość. Przeprowadzono eksperymenty z kwartalnymi danymi finansowymi z lat 2018–2023 dotyczącymi 300 chińskich spółek notowanych na giełdzie A, a także symulowanego rozproszonego zbioru danych. Kluczowe ustalenia wskazują, że JRL osiągnął łączny przychód w wysokości 60,8 miliarda juanów (przy wskaźniku prywatności 0,92), podczas gdy AUC AGNN osiągnął 0,89 i ustabilizował błędy w ciągu dwóch godzin po szokach politycznych. Wydajność warstwy interpretacyjnej osiągnęła 85% dokładności przy średniej 2,8 kluczowych cech. Wszystkie te ustalenia pokazują, że ramy ryzyka finansowego równoważą prywatność, efektywność, kontrolę ryzyka i interpretowalność, oferując praktyczny paradygmat zarządzania ryzykiem finansowym w gospodarce cyfrowej.

Introduction

W erze gospodarki cyfrowej zarządzanie finansami korporacyjnymi przejdzie od praktyk opartych na doświadczeniu na paradygmaty oparte na danych:¹. Transakcje w czasie rzeczywistym, czujniki IoT oraz systemy korporacyjne oparte na chmurze generują wielowymiarowe dane finansowe w sposób nieprzerwany, otwierając nowe perspektywy dla precyzyjnego prognozowania, inteligentnego finansowania i dynamicznej alokacji aktywów². Mimo to dane finansowe są rozpowszechniane między spółkami zależnymi, partnerami łańcucha dostaw, instytucjami finansowymi i regulatorami, a coraz bardziej rygorystyczne wymogi prawne dotyczące bezpieczeństwa....

Protocol

Protokół ten opisuje kroki mające na celu stworzenie ram ryzyka finansowego do przewidywania i kontroli ryzyka finansowego w gospodarce cyfrowej oraz odtwarzania odpowiednich eksperymentów walidacyjnych. Protokół obejmuje formalizację modeli matematycznych, konstrukcję modułów framework, integrację workflow, przygotowanie zbiorów danych, konfigurację bazową oraz definiowanie metryk ewaluacji, umożliwiając powtarzalność przez badaczy w tej dziedzinie. Tabela materiałów podsumowuje całe oprogramowanie, biblioteki/zestawy narzędzi, zasoby sprzętowe oraz zbiory danych potrzebne do odtworzenia tego protokołu, natomiast Rysunek 1

Results

Rozproszona optymalizacja decyzji finansowych (RQ1)

Scentralizowane DRL osiągnęło najwyższe skumulowane przychody, ale kosztem słabej ochrony prywatności, z niskim wynikiem prywatności wynoszącym 0,30. Dla porównania, proponowane ramy JLR osiągnęły łączny przychód w wysokości 60,8 miliarda juanów, czyli tylko o 7% mniej niż scentralizowane DRL, przy jednoczesnym zachowaniu wysokiego wyniku prywatności na poziomie 0,92. Ponadto przewyższył niezależne RL i FedSL pod względem sta.......

Discussion

Wyniki pokazują, że proponowane ramy skutecznie odpowiadają na trzy kluczowe wyzwania w rozproszonym zarządzaniu ryzykiem finansowym: (i) optymalizację decyzji finansowych z uwzględnieniem prywatności, (ii) dynamiczne modelowanie zakażenia ryzykiem międzyprzedsiębiorstwowym oraz (iii) interpretowalność zorientowaną na interesariuszy w regulowanych środowiskach danych. Zamiast traktować je jako pojedyncze cele, ramy łączą wspólne uczenie ze wzmocnieniem (JRL) z adaptacyjną siecią neuronową grafu (AGNN) oraz dwukanałową wa.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Oprogramowanie do zarządzania danymi finansowymi	Wind Information Co., Ltd.	Nie ma	Dostarczono kwartalne dane finansowe 300 spółek A-share (2018 i bez przerwy; 2023)
Serwer GPU	NVIDIA	Wersja A100	Sprzęt
Serwer do obliczeń wysokiej wydajności	Dell Technologies	R7525	Wykorzystywane do prowadzenia federacyjnych eksperymentów treningowych ze wzmocnieniem oraz treningu AGNN
Python		Wersja 3.1	Oprogramowanie
PyTorch	Meta AI	Wersja 2.1	Software
Ray RLlib		Wersja 2.6	Zestaw narzędzi
SHAP		Najnowsza wersja	Biblioteka