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

Podsumowanie

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.

Streszczenie

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.

Wprowadzenie

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 danych i PIPL utrudniają scentralizowane przetwarzanie. W tych okolicznościach tradycyjny paradygmat "migracji danych do chmury, scentralizowanego modelowania i zunifikowanego podejmowania decyzji" stoi przed zasadniczym dylematem: poświęcenie prywatności na rzecz efektywności czy utrzymanie silosów danych kosztem suboptymalnych rezultatów³.

Jednocześnie rośnie tempo i intensywność przenoszenia ryzyka finansowego⁴. Wahania makroekonomiczne, napięcia geopolityczne i nieoczekiwane zdarzenia związane z "czarnym łabędziem" mogą szybko rozprzestrzenić się na łańcuchach dostaw, łańcuchach zabezpieczających i przepływach kapitału, prowadząc do ryzyka systemowego^{w 5.} minutzie. Tradycyjne narzędzia, takie jak statyczne sprawozdania finansowe i oceny kredytowe, często nie wystarczają do uchwycenia tych szybko zmieniających się dynamik. Aby rozwiązać to ograniczenie, badacze badali zaawansowane metody obliczeniowe, w tym uczenie ze wzmocnieniem do optymalizacji decyzji finansowych, uczenie federacyjne dla współpracy rozproszonej oraz sieci neuronowe grafowe do modelowania złożonych zależności między firmami⁶. Te podejścia odniosły początkowy sukces w poprawie prognozowania finansowego, kontroli ryzyka kredytowego oraz modelowania zakażenia; jednak większość z nich zakłada dostęp do danych scentralizowanych lub globalnych, co ogranicza praktyczne zastosowanie w kontekstach rozproszonych i ograniczonych prywatnością⁷.

Kolejnym ważnym wyzwaniem jest interpretowalność. Metody takie jak atrybucja cech oparta na SHAP i ekstrakcja reguł decyzyjnej są jedynie częściowymi wyjaśnieniami i zazwyczaj nie spełniają wymagań różnych interesariuszy, takich jak dyrektorzy finansowi, audytorzy i regulatorzy, którzy wymagają, aby procesy decyzyjne były przejrzyste, audytowalne i semantycznie dostępne⁸. Bez interpretowalności nawet bardzo dokładne modele mają trudności z przyjęciem w rzeczywistych środowiskach decyzyjnych dotyczących finansów⁹. Metody głębokiego uczenia ze wzmocnieniem, takie jak DDPG¹, zapewniły fundamentalne postępy, które stanowią podstawę współczesnych systemów decyzyjnych finansowych¹⁰.

Proponowane ramy zakładają, z perspektywy aplikacji, sieć przedsiębiorstwa, w której dane finansowe są rozproszone pomiędzy spółki zależne, partnerów łańcucha dostaw, instytucje finansowe lub węzły regulacyjne, gdzie z powodu ograniczeń prywatności lub jurysdykcji nie można przeprowadzić poolingu surowych danych¹¹. Podejście to sprawdza się dobrze w sytuacji, gdy każdy węzeł przedsiębiorstwa dostarcza szeregi czasowe wskaźników finansowych – zwykle od 50 do 120 cech obejmujących strukturę kapitałową, płynność, rentowność i zdarzenia kredytowe – na liczne okresy sprawozdawcze¹². Framework może być wdrażany w standardowych środowiskach z GPU lub wysokowydajnych procesorów i wspiera szereg kontekstów prawa prywatności, takich jak RODO, CCPA oraz chiński PIPL, poprzez wymianę zaszyfrowanych parametrów modelu zamiast wrażliwych danych^{finansowych 13,14}. Typowe wymagania systemowe obejmują umiarkowaną częstotliwość komunikacji między węzłami oraz stabilną topologię sieci w czasie. Znanym ograniczeniem jest obniżona dokładność w bardzo rzadkich lub bardzo zmiennych sieciach przedsiębiorstwa, gdzie szybkie zmiany strukturalne uniemożliwiają modelowi grafu uczenie się stabilnych zależności między firmami. W takich przypadkach może być konieczne częste przeszkolenie lub krótsze okna czasowe, aby utrzymać stabilność predykcyjną¹⁵.

Na tym tle niniejsze badanie proponuje Financial Risk, ramę opartą na danych, która integruje wspólne uczenie ze wzmocnieniem (JLR) dla optymalizacji rozproszonej¹⁶, adaptacyjną sieć neuronową grafową do modelowania zakażenia w czasie rzeczywistym¹⁷ oraz warstwę interpretacji dwukanałowej dla przejrzystości zorientowanej na interesariuszy¹⁸. Poprzez jednoczesne uwzględnienie prywatności, efektywności, kontroli ryzyka i interpretowalności, ramy te stanowią nowy paradygmat zarządzania finansami w gospodarce cyfrowej.

Protokół

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 przedstawia ogólny przepływ pracy umożliwiający przejrzystą prognozę i kontrolę ryzyka finansowego.

UWAGA: Wszystkie kroki w tym protokole są realizowane w procesie pracy opartym na Pythonie. Lokalni agenci przedsiębiorstwa (klienci) są wykonywani na oddzielnych maszynach lub izolowanych kontenerach, aby emulować rozproszone instytucje, podczas gdy federowana agregacja jest wykonywana na centralnym koordynatorze (serwerze). Trenowanie modeli i wnioskowanie są realizowane za pomocą ram deep-learning (np. PyTorch lub TensorFlow) z akceleracją GPU, jeśli jest dostępna. Operacje sieci neuronowych grafów są realizowane za pomocą biblioteki uczenia grafów (np. PyTorch Geometric lub DGL). Wyjaśnienia SHAP są generowane za pomocą pakietu SHAP. Aby zapewnić powtarzalność, eksperymenty wykorzystują stałe losowe nasiona, zdefiniowane podziały treningów/walidacji/testów, spójne skrypty wstępnego przetwarzania oraz rejestrowane hiperparametry (tempo uczenia się, wielkość partii, rundy komunikacyjne i kryteria wczesnego zatrzymania).

1. Zdefiniuj problem badawczy i sformalizuj modele matematyczne

1. Wyjaśnienie trzech kluczowych celów badawczych: optymalizacja decyzji finansowych w ramach rozproszonych ograniczeń prywatności danych, uchwycenie dynamicznego przenoszenia ryzyka między przedsiębiorstwami oraz zapewnienie logicznej interpretacji decyzyjnej dla wielu interesariuszy.
2. Formalizacja modelu optymalizacji rozproszonych decyzji finansowych
   1. Zdefiniuj przestrzeń decyzyjną dla każdego przedsiębiorstwa: niech decyzje w czasie t dla przedsiębiorstwa i będą , gdzie A_i obejmuje strategie inwestycyjne, finansowe i dywidendowe.
   2. Ustaw długoterminowy cel maksymalizacji zwrotu jako cel optymalizacyjny, wyrażony jako:
      (1)
      gdzie γ to czynnik dyskontowy, R_i to natychmiastowa nagroda, stan lokalny oraz zbiór relacji międzyprzedsiębiorstwowych.
      UWAGA: Taka formuła nagrody zachęca każdego agenta przedsiębiorstwa do optymalizacji podejmowania decyzji nie tylko pod względem własnej sytuacji finansowej, ale także efektu propagacji ryzyka dla powiązanych przedsiębiorstw. W rezultacie JRL wspiera współpracę, ale jednocześnie chroniącą prywatność naukę w różnych podmiotach finansowych rozproszonych.
   3. Wprowadź ograniczenia prywatności: określ, że surowe dane każdego przedsiębiorstwa nie mogą być udostępniane między podmiotami (tzn. dane pozostają lokalne dla każdego przedsiębiorstwa) i nakazuj udostępnianie parametrów zamiast wymiany danych podczas federacyjnego szkolenia.
3. Formalizacja dynamicznego modelu zarażenia ryzykiem
   1. Przedstawij sieć międzyprzedsiębiorstwową jako wykres dynamiczny:
         (2)
      gdzie V oznacza węzły przedsiębiorstwa, a E^t oznacza zmienne w czasie krawędzie zakaźliwości.
   2. Zdefiniuj wagi krawędzi, aby ilościowo określić intensywność transmisji ryzyka od przedsiębiorstwa i do j w czasie t.
   3. Opisz ewolucję stanu ryzyka przedsiębiorstwa i za pomocą nieliniowego równania dynamicznego:
      
      Gdzie f jest nieliniową funkcją aktywacji, a ^∈ zaburzeniem stochastycznym.
4. Sformalizuj model ograniczeń interpretowalności
   1. Ustaw próg dokładności wyjaśnienia: wymagaj, aby prawdopodobieństwo, że wyjście modelu będzie zgodne z wyjaśnieniem, spełnia
         (4)
      Z δ jako progiem akceptacji, natomiast zwięzłość jest utrzymywana poprzez ograniczenie liczby cech wyjaśniających.
      UWAGA: Próg akceptacji jest ustawiony na δ = 0,85 na podstawie kalibracji zestawu walidacyjnego. Ten próg kontroluje minimalną zgodność między wyjściem modelu a wygenerowanym wyjaśnieniem, zapewniając, że wyjaśnienia pozostają wierne przewidywanemu prawdopodobieństwu ryzyka, jednocześnie unikając zbyt długich list cech.
   2. Wprowadź zwięzłość wyjaśnienia, ograniczając liczbę kluczowych cech wyjaśniających do k≤K (gdzie K to z góry zdefiniowana maksymalna liczba interpretowalnych cech).

2. Skonstruowanie ram JRL

1. Wdrożenie lokalnych sieci uczenia ze wzmocnieniem dla każdego przedsiębiorstwa
   UWAGA: Ten krok jest wykonywany na każdym kliencie korporacyjnym (lokalna maszyna/kontener). Podczas federacyjnej agregacji serwerowi przekazywane są tylko parametry modelu (lub aktualizacje parametrów).
   1. Implementuj agenta Deep Deterministic Policy Gradient (DDPG) dla każdego przedsiębiorstwa, w tym strukturę aktor-krytyk (sieć polityk do wyboru działań i sieć krytyków do szacowania wartości).
      UWAGA: Każdy klient inicjalizuje agenta DDPG za pomocą stałego losowego seed, wchodzi w interakcję ze swoim lokalnym środowiskiem, generując przejścia, i przechowuje je w buforze odtwarzania do aktualizacji minibatchów.
   2. Zdefiniuj wyjście sieci krytycznej, aby ocenić wartość par stan-decyzja:
         (5)
2. Zdefiniuj funkcję strat dla sieci krytyków
   1. Oblicz błąd różnicy czasowej za pomocą docelowej sieci krytyków Q_φi , a funkcję straty ustaw jako:
         (6)
   2. Zoptymalizuj parametry sieci krytyków φ_i używając stochastycznego gradientowego zjazdu. W każdym kroku aktualizacji pobierz minibatch przejść z bufora powtórek, oblicz powyższą stratę TD, wstecznie propaguj gradienty i zastosuj aktualizację optymalizatora (np. SGD/Adam). Opcjonalnie zastosować gradientowe przycinanie dla stabilności i zaktualizować docelową sieć krytyków za pomocą miękkiej częstotliwości aktualizacji τ.
3. Optymalizacja parametrów sieci polityki
   1. Oblicz gradient długoterminowego zwrotu J(θ_i) względem parametrów polityki θ_i:
         (7)
   2. Aktualizacja θ_i używa obliczonego gradientu do maksymalizacji skumulowanego zwrotu.
4. Implementuj globalną agregację parametrów za pomocą Federated Averaging (FedAvg)
   1. Na koniec każdej rundy komunikacyjnej zbieraj zaszyfrowane parametry sieciowe polityki (lub delta parametrów) od wszystkich przedsiębiorstw.
   2. Oblicz globalny parametr θ_g, ważąc parametry każdego przedsiębiorstwa według rozmiaru zbioru danych |D_i|:
         (8)
   3. Rozproszyć zaktualizowany globalny parametr θ_g z powrotem do każdego przedsiębiorstwa, aby zsynchronizować sieci lokalne.
      UWAGA: Kroki 2.4.1-2.4.3 wykonywane są w trybie serwer-klient. Klienci przesyłają parametry (lub delta) do serwera centralnego przez zaszyfrowany kanał (np. TLS). Serwer wykonuje FedAvg i przesyła θ_g do wszystkich klientów w kolejnej rundzie.
5. Zwiększenie efektywności komunikacji
   1. Zastosowanie skwantyzowanej kompresji do parametrów modelu, aby zmniejszyć objętość transmisji danych.
   2. Wprowadź szum różnicowego prywatności do każdej lokalnej aktualizacji modelu za pomocą mechanizmu Gaussa. Dla każdej rundy t do wektora gradientowego g stosuje się szum ∈^t ∼ N(0,σ² I) z σ=0,8:
         (9)
      UWAGA: Szum jest aplikowany lokalnie na kliencie tuż przed komunikacją z serwerem, aby wspierać treningi chroniące prywatność w warunkach różnicowych ograniczeń prywatności.
   3. Akceptuj asynchroniczne aktualizacje, aby uwzględnić różnorodne możliwości obliczeniowe między uczestnikami.

3. Zbuduj adaptacyjną sieć neuronową grafu (AGNN) do modelowania zakażenia ryzyka

1. Oblicz wagę uwagi, aby udzielić informacji o dynamicznej macierzy sąsiedztwa
   1. Oblicz współczynnik uwagi między przedsiębiorstwem i i i j w czasie t za pomocą znormalizowanej uwagi produktu skalarnego:
         (10)
      UWAGA: Te wagi uwagi ilościowo określają wpływ każdego sąsiadniego przedsiębiorstwa na zaktualizowany stan ryzyka, umożliwiając audytorom śledzenie prognoz do konkretnych czynników relacyjnych.
   2. Zaktualizuj wagę krawędzi, aby odzwierciedlała intensywność zarażenia w czasie rzeczywistym.
2. Wykonaj przekazywanie wiadomości temporalnych
   1. Agreguj stany ryzyka sąsiada, aby wygenerować wektor wiadomości dla enterprise i
         (11)
3. Zaktualizuj stan ryzyka węzła za pomocą Gated Recurrent Unit (GRU)
   1. Integruj aktualny stan i wektor wiadomości, aby obliczyć stan następnego kroku czasowego:
         (12)
4. Wyodrębniaj osadzenia zakażenia ryzyka i optymalizuj model
   1. Przepuszczenie zaktualizowanego stanu przez wielowarstwowy Perceptron (MLP), aby wygenerować osadzenia zakaźliwe:
         (13)
   2. Zdefiniuj funkcję straty entropii krzyżowej, aby zoptymalizować parametry AGNN:
         (14)
   3. Trenuj AGNN za pomocą propagacji wstecznej z optymalizatorem minibatch (np. Adam) aż do zbieżności. Konstruuj migawki grafów na każdy krok czasowy t i generuj partie czasowe za pomocą przesuwanych okien nad {G_t}. Minimalizuj L na podziale treningowym i monitoruj stratę walidacji w każdej epoce. Stosuj wczesne zatrzymanie, gdy strata walidacji nie poprawia się przez określoną liczbę epok (cierpliwość), lub zatrzymaj się na maksymalnej liczbie epok.

4. Rozwój warstwy dwukanałowej wyjaśnialności

1. Implementuj kanał ważności funkcji oparty na SHAP
   1. Oblicz marginalny wkład każdej cechy x_j do wyjścia modelu na podstawie wartości SHAP:
         (15)
   2. Gdzie φ_j to wartość SHAP cechy x_j, reprezentująca jej wkład addytywny w przewidywanie.
   3. Uszereguj cechy według wartości_{absolutnych φ j} , aby zidentyfikować kluczowe czynniki podejmujące decyzje dotyczące ryzyka finansowego.
2. Implementuj kanał ekstrakcji reguł oparty na drzewie decyzyjnym
   1. Wytrenuj lekki model zastępczy drzewa decyzyjnego. Użyj tej samej macierzy cech wejściowych, co X dostarczonej do modelu ryzyka finansowego, a odpowiadający model wychodzi jako sygnałów nadzoru. Konkretnie, należy użyć albo (i) przewidywanego prawdopodobieństwa (drzewo regresji), albo (ii) dyskretyzowanych poziomów ryzyka (drzewo klasyfikacji) uzyskanych przez progowanie (np. Niskie/Średnie/Wysokie). Trenuj płytkie drzewo decyzyjne o ograniczonej głębokości (np. maksymalna głębokość 3-5), aby ograniczyć naddopasowanie i zachować łatwość interpretacji. Oceń wierność zastępczej, porównując wyniki drzewa z wynikami ryzyka finansowego w ramach dzielenia walidacji z wyjątkiem.
   2. Wyodrębnij czytelne zasady "if-else" z drzewa decyzyjnego. Przejdź każdą ścieżkę od korzenia do liścia i przekonwertuj warunki podziału na reguły koniunktywne. Raportuj reguły, używając oryginalnych nazw wskaźników finansowych oraz progów poznanych przez drzewo. Na przykład: "Jeśli wskaźnik zadłużenia do aktywów >0,6, a pokrycie przepływów pieniężnych <1,2, to poziom ryzyka = wysoki." Usuń stany powtarzalne i zachowaj tylko najbardziej informacyjne zasady (np. najwyższe zasady uszerzone według wsparcia lub wierności).
3. Połączenie dwóch kanałów wyjaśniających
   1. Generuj zintegrowane wyjaśnienia, łącząc wyniki SHAP i reguł. Dla każdej prognozy enterprise raportuj (i) najlepsze cechy SHAP uszeregowane według |φ_j| jako czynniki ilościowe, oraz (ii) dopasowaną ścieżkę reguł drzewa decyzyjnego, która jest wyzwalana przez tę samą instancję wejściową co racjonalność jakościowa. Przedstaw ostateczne wyjaśnienie jako krótki szablon, który łączy wkład cech z odpowiadającym im sformułowaniem reguły, wspierającym zarówno przejrzystość liczbową, jak i interpretowalność opartą na logice.
      UWAGA: Tabela 1 przedstawia przegląd kluczowych zmiennych i wskaźników finansowych wykorzystanych w badaniu, aby wyjaśnić, jak atrybuty wejściowe odnoszą się do prognozy ryzyka na poziomie przedsiębiorstwa.

5. Ustanowienie zintegrowanego algorytmicznego przepływu pracy

1. Inicjalizuj komponenty frameworka
   1. Konfiguruj lokalne sieci polityk i sieci krytycznych dla wszystkich przedsiębiorstw (zgodnie z krokiem 2.1), w tym inicjalizację i ustawienia bufora odtwarzania.
   2. Ustaw parametry początkowe dla AGNN, w tym ukryty wymiar stanu d, hiperparametry GRU oraz rozmiary warstw MLP.
   3. Zainicjalizuj warstwę dwukanałowej wyjaśnialności, w tym konfigurację SHAP (np. strategia próbkowania jądra/tła) oraz ograniczenia drzewa decyzyjnego (np. maksymalna głębokość).
   4. Zdefiniuj globalne parametry agregacji dla FedAvg, w tym częstotliwość komunikacji (interwał okrągły), intensywność szumu prywatności oraz liczbę globalnych rund.
2. Wykonaj iteracyjne aktualizacje frameworku
   1. Dla każdego kroku czasowego t:
      1. Generuj lokalne stany i decyzje z wykorzystaniem sieci politycznych każdego przedsiębiorstwa.
      2. Oblicz natychmiastowe nagrody na podstawie zrealizowanych rezultatów finansowych lub celów zastępczych określonych w równaniu (1).
      3. Aktualizuj lokalne sieci polityki i krytyki za pomocą przejść (zgodnie z krokami 2.2-2.3), korzystając z minibatch próbkowania z bufora powtórek oraz optymalizacji opartej na propagacji wstecznej.
      4. Zbieraj zaszyfrowane parametry lokalne, wykonuj FedAvg w celu aktualizacji parametrów globalnych i rozdzielaj θ_g do przedsiębiorstw (zgodnie z krokiem 2.4).
      5. Aktualizuj AGNN, korzystając z przekazywania wiadomości opartego na uwagi, i wytrenuj moduł zakażenia. Skonstruuj migawkę grafu G_t oraz cechy węzła w kroku czasowym t. Dla każdego węzła i oblicz współczynniki uwagi nad sąsiadami j∈N(i) jako:
            (16)
         Zaktualizuj ukrytą reprezentację za pomocą agregacji ważonej:
            (17)
         Wykonuj przejścia do przodu i do tyłu na podziale treningowym za pomocą optymalizacji minibatch (np. Adam). Trenuj na stałą liczbę globalnych rund (np. 200 strzałów), monitorując straty walidacyjne w każdej rundzie. Zastosuj harmonogram uczenia się, który zmniejsza tempo uczenia się o 0,1, gdy strata w walidacji nie poprawia się w określonym oknie cierpliwości (np. 5 kolejnych epok/rund).
         UWAGA: Taka formuła umożliwia każdemu węzłowi przedsiębiorstwa agregację informacji o sąsiadach, jednocześnie silniej ważąc finansowo istotne (wysokiego ryzyka) relacje, co poprawia wczesne wykrywanie sygnałów ryzyka wywołanych zakażeniem.
      6. Przewiduj prawdopodobieństwa domyślności w przedsiębiorstwie za pomocą osadzeń AGNN.
      7. Generuj wyjaśnienia decyzji i prognozy ryzyka za pomocą warstwy dwukanałowej (zgodnie ze Krokiem 4.3), raportując zarówno sterowniki oparte na SHAP, jak i ścieżkę reguł wyzwalanego drzewa decyzyjnego.
      8. Zbieranie opinii od interesariuszy (opcjonalnie) w celu doprecyzowania jasności wyjaśnień (np. poprawa szablonów wyjaśnień lub dostosowanie maksymalnej liczby zgłoszonych cech k).
3. Ustaw warunki zakończenia
   1. Zakończ iterację, gdy liczba kroków czasowych osiągnie ustalony limit (np. 1000 iteracji) lub gdy wydajność modelu się ustabilizuje (np. gdy AUC-ROC zmienia się o mniej niż 0,01 przez 5 kolejnych iteracji).
   2. Dostarcz zoptymalizowane rezultaty: strategie decyzyjne specyficzne dla przedsiębiorstwa, skalibrowane modele zakażenia ryzyka AGNN oraz ustandaryzowane szablony wyjaśnień.
      UWAGA: Tabela 2 podsumowuje parametry inicjalizacji i ustawienia treningowe we wszystkich środowiskach uczenia się, aby zapewnić pełną powtarzalność eksperymentalnego przepływu pracy.

6. Przygotowanie eksperymentalnych zbiorów danych

1. Zbieraj i przetwarzaj rzeczywisty zbiór danych finansowych
   1. Zbieranie kwartalnych danych finansowych dla 300 chińskich spółek notowanych na giełdzie A-share w latach 2018–2023, obejmujących 8 branż (np. produkcję, finanse i technologie informacyjne).
   2. Uwzględnij cechy finansowe oraz oznaczone zdarzenia ryzyka. Użyj 120 cech finansowych (np. wskaźnik zadłużenia do aktywów, wskaźników przepływów pieniężnych oraz zwrotu z kapitału własnego) oraz etykiet zdarzeń ryzyka, takich jak niewypłacalność i obniżenie ratingu kredytowego.
   3. Podziel zbiór danych chronologicznie. Do szkoleń używaj kwartałów 2018-2021 Q4, Q4 2022 do walidacji oraz Q1-2023 Q4 do testów, co zapewnia brak przecieków czasowych na podziałach.
2. Wygeneruj symulowany zbiór danych rozproszonych
   1. Tworz rozproszone węzły przedsiębiorstwa. Stwórz 10 węzłów przedsiębiorstwa, z których każdy zawiera dane lokalne wrażliwe na prywatność (np. wewnętrzne rekordy transakcji) oraz współdzielone sygnały branżowe (np. średnia stopa wzrostu sektora).
   2. Wprowadź heterogeniczność i szum. Wprowadź większą zmienność do węzłów mniejszych przedsiębiorstw, aby naśladować realistyczną nierównowagę i zmienność danych między uczestnikami.
      UWAGA: Tabela 3 opisuje charakterystykę rzeczywistych i symulowanych zbiorów danych wykorzystywanych do ewaluacji; Zawiera reprezentatywne typy cech, co wspiera przejrzystość w rozumieniu i replikacji danych.

7. Ustalenie modeli bazowych

1. Ustal bazy dla optymalizacji rozproszonych wyników finansowych
   1. Implementacja niezależnego uczenia ze wzmocnieniem (IR): wytrenuj agenta DRL dla każdego przedsiębiorstwa, używając wyłącznie jego lokalnych danych (bez współdzielenia parametrów).
   2. Implementacja Federated Supervised Learning (FedSL): wytrenuj model XGBoost za pomocą FedAvg do generowania statycznych reguł decyzyjnych finansowych.
   3. Implementacja Centralized Deep Reinforcement Learning (CDRL): agregowanie wszystkich danych przedsiębiorstwa w centralnym węźle i trenowanie agenta DDPG (bez ochrony prywatności).
2. Konfiguruj bazy do modelowania zakażenia ryzyka
   1. Implementacja statycznej sieci neuronowej (Static Graph Neural Network (Static GNN): używanie stałej macierzy sąsiedztwa (opartej na przynależności branżowej) do modelowania transmisji ryzyka.
   2. Implementuj sieć pamięci krótkotrwałej (LSTM): modeluj indywidualne trendy ryzyka przedsiębiorstwa, wykorzystując jedynie dane z szeregów czasowych (ignorując relacje międzyprzedsiębiorstwowe).
   3. Zaimplementuj klasyczny model SIR: załóż stałe wskaźniki transmisji ryzyka, aby symulować dynamikę zakażenia.
3. Konfiguruj bazy dla wyjaśnialności
   1. Tylko SHAP: generuj wyjaśnienia wyłącznie na podstawie ważności cech (bez ekstrakcji reguł).
   2. Tylko reguła: generuj wyjaśnienia wyłącznie przy użyciu reguł drzewa decyzyjnego (bez ilościowego ważenia cech).
   3. Bazowy poziom destylacji: przybliż model ryzyka finansowego za pomocą prostszego modelu (np. regresji liniowej), aby uprościć wyjaśnienia.
4. Zadbaj o porównalność bazową. Dopasuj kluczowe hiperparametry na podstawie baz tam, gdzie to możliwe (np. ten sam ukryty rozmiar GRU dla LSTM i AGNN; porównywalne tempo uczenia i budżety treningowe).
   UWAGA: Tabela 4 przedstawia pełne środowisko oprogramowania oraz konfigurację modelu użytą do odtworzenia przepływu procesu ryzyka finansowego, w tym hiperparametry JRL i AGNN, ustawienia prywatności różnicowej oraz federację agregacji.

8. Zdefiniuj metryki oceny

1. Zdefiniuj metryki dla rozproszonej optymalizacji decyzji finansowych
   1. Oblicz skumulowany przychód: użyj funkcji długoterminowego zwrotu z równania (1) do ilościowego określenia całkowitych zysków finansowych w okresie testowym.
   2. Mierz stabilność polityki: obliczaj odchylenie standardowe korekt decyzyjnych (np. zmian wskaźnika inwestycji) na kolejnych etapach czasowych (niższe wartości wskazują na wyższą stabilność).
   3. Oceń ochronę prywatności: użyj indeksu opartego na entropii, aby ocenić odporność na wyciek danych (wyższe oceny oznaczają silniejszą zgodność z prywatnością).
2. Zdefiniuj metryki modelowania zakażenia ryzyka
   1. Oblicz AUC-ROC: oceń dokładność prognoz prawdopodobieństwa domyślności w przedsiębiorstwie (wyższe wartości oznaczają lepszą wydajność).
   2. Mierz wskaźnik rozpoznawania ścieżek: obliczaj proporcję prawidłowo zidentyfikowanych kanałów zakażenia ryzykiem między przedsiębiorstwami.
   3. Ocena dynamicznej adaptacji: zapisz czas (w godzinach) potrzebny na ustabilizowanie błędów predykcyjnych po szoku politycznym (jak opisano w równaniu 3, niższe wartości oznaczają szybszą adaptację).
3. Definiuj metryki wyjaśnialności
   1. Ocena dokładności wyjaśnień: przeprowadz przeglądy eksperckie, aby ocenić spójność między wyjaśnieniami a logiką modelu (na podstawie równań 4 i 14), z ocenami od 0 do 1.
   2. Mierz zwięzłość wyjaśnień: policz średnią liczbę kluczowych cech zawartych w każdym wyjaśnieniu.
   3. Oceń spójność reguł: oceniaj zgodność między wyodrębnionymi regułami a przyjętymi standardami finansowymi firm (od 0 do 1, wyższe wartości oznaczają lepszą zgodność).
   4. Dokumentuj wszystkie metody obliczania metryki: zapisuj wzory i kryteria progowe, aby zapewnić powtarzalność wyników.

9. Metryki oceny

1. Użyj czterech standardowych metryk ewaluacji do oceny wyników prognozowania.
   1. Średni błąd kwadratowy (MSE) oblicza średnią kwadratowych różnic między rzeczywistymi a przewidywanymi wartościami ryzyka. Niższe wartości MSE wskazują na wyższą dokładność w prognozach, jak obliczono:
         (18)
   2. Średni błąd kwadratowy pierwiastka (RMSE) oznacza pierwiastek kwadratowy z błędu predykcji, a zatem zasadniczo odzwierciedla stabilność modelu na różnych skalach:
         (19)
   3. Średni błąd bezwzględny (MAE) oblicza średnie bezwzględne odchylenie między predykcją a wartością rzeczywistym, ze szczególnym uwzględnieniem odporności i interpretowalności.
         (20)
   4. Wskaźnik błędu (ER) to stosunek między odchyleniem przewidywanych wartości a rzeczywistymi wartościami w procentach, co stanowi bardziej intuicyjną miarę związaną z rzeczywistymi wynikami prognozowania:
         (21)

Wyniki

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...

Dyskusja

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...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
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