É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de método
Esta pesquisa propõe o Financial Risk, uma estrutura orientada por dados projetada para melhorar a previsão e o controle do risco financeiro na economia digital usando aprendizado distribuído, modelagem dinâmica de contágio e mecanismos de interpretabilidade.
Na era da economia digital, a gestão financeira está migrando para a tomada de decisão baseada em dados. Os três desafios mais importantes são: (a) restrições distribuídas de privacidade de dados, (b) contágio rápido de riscos financeiros entre empresas interconectadas e (c) lógica de decisão transparente para múltiplos stakeholders. A Financial Risk enfrenta esses desafios com uma estrutura que inclui Aprendizagem por Reforço Conjunto (JRL) para otimização distribuída de decisões financeiras, uma Rede Neural de Grafos Adaptativos (AGNN) para modelar efeitos de contágio em tempo real e uma camada de interpretação de canal duplo para aumentar a transparência. Experimentos foram realizados utilizando dados financeiros trimestrais de 2018 a 2023 com 300 empresas chinesas listadas em A-share, além de um conjunto de dados distribuído simulado. Os principais achados indicam que o JRL alcançou uma receita acumulada de 60,8 bilhões de yuans (com uma pontuação de privacidade de 0,92), enquanto o AUC do AGNN atingiu 0,89 e estabilizou erros em duas horas após choques de política. O desempenho da camada de interpretação atingiu 85% de precisão com uma média de 2,8 características-chave. Todas essas descobertas demonstram que o Arcabouço de Risco Financeiro equilibra privacidade, eficiência, controle de riscos e interpretabilidade, e oferece um paradigma prático para a gestão de riscos financeiros na economia digital.
Na era da economia digital, a gestão financeira corporativa passará de práticas baseadas em experiência para paradigmas orientados pordados 1. Transações em tempo real, sensores IoT e sistemas corporativos baseados em nuvem geram dados financeiros multidimensionais de forma contínua, abrindo novas perspectivas para previsões de precisão, financiamento inteligente e alocação dinâmicade ativos 2. Ainda assim, os dados financeiros são disseminados entre subsidiárias, parceiros da cadeia de suprimentos, instituições financeiras e reguladores, e os requisitos legais cada vez mais rigorosos re....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Este protocolo descreve os passos para construir o arcabouço de Risco Financeiro para previsão e controle de riscos financeiros na economia digital e para reproduzir os experimentos de validação correspondentes. O protocolo abrange formalização de modelos matemáticos, construção de módulos de estrutura, integração de fluxos de trabalho, preparação de conjuntos de dados, configuração de linha de base e definição de métricas de avaliação, possibilitando a reprodutibilidade por pesquisadores na área. A Tabela de Materiais resume todo o software, bibliotecas/kits de ferramentas, recursos de hardware e conjuntos de dados necessários para reproduzir esse pr....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Otimização de decisão financeira distribuída (RQ1)
A DRL centralizada atingiu a maior receita acumulada, mas ao custo de uma proteção de privacidade ruim, com uma pontuação baixa de 0,30. Em contraste, o modelo proposto de JLR alcançou uma receita acumulada de 60,8 bilhões de yuans, apenas 7% menor que a DRL centralizada, mantendo uma alta pontuação de privacidade de 0,92. Além disso, superou a Independent RL e o FedSL em estabilidade de decisão. Assim, o framework proposto pa.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os resultados demonstram que o framework proposto aborda efetivamente três desafios centrais na gestão distribuída de riscos financeiros: (i) otimização de decisões financeiras que preserva a privacidade, (ii) modelagem dinâmica do contágio de risco entre empresas e (iii) interpretabilidade orientada para stakeholders em ambientes de dados regulados. Em vez de tratar esses como objetivos isolados, a estrutura combina o aprendizado por reforço conjunto (JRL) com uma rede neural de grafos .......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores não têm nada a revelar.
Essa pesquisa foi apoiada pelo Colégio de Técnicos Comerciais de Zhejiang. O autor agradece às instituições financeiras e empresas que forneceram dados e expertise no domínio. Agradecimento especial aos colegas por seus insights sobre aprendizagem federada e modelagem de risco. Também reconhecemos o suporte técnico das comunidades e ferramentas de código aberto que facilitaram esse trabalho.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Software de Gerenciamento de Dados Financeiros | Wind Information Co., Ltd. | N/A | Fornecidos dados financeiros trimestrais de 300 empresas A-share (2018– 2023) |
| Servidor GPU | NVIDIA | Versão A100 | Hardware |
| Servidor de Computação de Alto Desempenho | Dell Technologies | R7525 | Usado para executar aprendizado por reforço federado e experimentos de treinamento AGNN |
| Python | Versão 3.1 | Software | |
| PyTorch | Meta IA | Versão 2.1 | Software |
| Ray RLlib | Versão 2.6 | Toolkit | |
| SHAP | Versão mais recente | Biblioteca |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.