Uma Estrutura Orientada por Dados para a Previsão e Controle de Riscos Financeiros na Economia Digital

Summary

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.

Abstract

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.

Introduction

Na era da economia digital, a gestão financeira corporativa passará de práticas baseadas em experiência para paradigmas orientados por^{dados 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 dinâmica^{de 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 relacionados à segurança de dados e ao PIPL dificultam o processamento centralizado. Nessas circunstâncias, o paradigma tradicional de "migração de dados para modelagem centralizada na nuvem e tomada de decisão unificada" enfrenta fundamentalmente um dilema: sacrificar a privacidade em prol da eficiência ou manter silos de dados ao custo de resultados^{subótimos 3}.

Ao mesmo tempo, a velocidade e a intensidade do contágio do risco financeiro estão^{crescendo 4}. Flutuações macroeconômicas, tensão geopolítica e eventos inesperados de "cisne negro" podem se espalhar rapidamente por cadeias de suprimentos, cadeias de colateral e fluxos de capital, levando a risco sistêmico em^{minutos 5}. Ferramentas convencionais, como demonstrações financeiras estáticas e classificações de crédito, frequentemente são insuficientes para capturar essas dinâmicas em rápida evolução. Para enfrentar essa limitação, os pesquisadores exploraram métodos computacionais avançados, incluindo aprendizado por reforço para otimização de decisões financeiras, aprendizado federado para colaboração distribuída e redes neurais de grafos para modelagem de dependências complexas entre^{empresas 6}. Essas abordagens alcançaram sucesso inicial na melhoria da previsão financeira, controle de risco de crédito e modelagem de contágio; No entanto, a maioria deles assume acesso a dados centralizados ou globais, limitando assim a aplicabilidade prática em contextos distribuídos e com restrições de privacidade⁷.

Outro desafio importante é a interpretabilidade. Métodos como atribuição de características baseada em SHAP e extração de regras de decisão são apenas explicações parciais, e geralmente não podem atender aos requisitos de vários stakeholders como CFOs, auditores e reguladores, que exigem que os processos de decisão sejam transparentes, auditáveis e semanticamente^{acessíveis 8}. Sem interpretabilidade, mesmo modelos altamente precisos têm dificuldade para ser adotados em ambientes reais de tomada de decisão financeira⁹. Métodos de aprendizado por reforço profundo, como o DDPG¹, forneceram avanços fundamentais que sustentam os sistemas de decisão financeira^{modernos 10}.

A estrutura proposta assume, do ponto de vista da aplicação, uma rede empresarial em que os dados financeiros são distribuídos entre subsidiárias, parceiros da cadeia de suprimentos, instituições financeiras ou nós regulatórios, onde o pooling de dados brutos não pode ser feito devido a restrições de privacidade ou^{jurisdição 11}. A abordagem funciona bem em cenários em que cada nó empresarial fornece indicadores financeiros de séries temporais — geralmente variando de 50 a 120 características que abrangem estrutura de capital, liquidez, lucratividade e eventos de crédito — ao longo de vários períodos^{de reporte 12}. A estrutura pode ser implantada em ambientes padrão de CPU habilitados por GPU ou de alto desempenho e suporta diversos contextos de leis de privacidade, como GDPR, CCPA e PIPL da China, trocando parâmetros de modelo criptografados em vez de registros financeiros^{sensíveis 13,14}. Os requisitos típicos do sistema incluem frequência moderada de comunicação entre nós e topologia de rede estável ao longo do tempo. Uma limitação conhecida é a redução da precisão em redes empresariais extremamente esparsas ou altamente voláteis, nas quais mudanças estruturais rápidas impedem o modelo de grafos de aprender dependências interempresas constantes. Nesses casos, podem ser necessários retreinamentos frequentes ou prazos mais curtos para manter a estabilidade^{preditiva 15}.

Nesse contexto, o presente estudo propõe o Financial Risk, uma estrutura orientada por dados que integra Joint Reinforcement Learning (JLR) para otimização^{distribuída 16}, uma rede neural adaptativa de grafos para modelagem de contágio^{em tempo real 17}, e uma camada de interpretação de canal duplo para transparência orientada a partes^{interessadas 18}. Ao abordar simultaneamente privacidade, eficiência, controle de riscos e interpretabilidade, essa estrutura oferece um novo paradigma para a gestão financeira na economia digital.

Protocol

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 protocolo, enquanto a Figura 1 apresenta o fluxo geral de trabalho para previsão e controle transparentes de risco financeiro.

NOTA: Todas as etapas deste protocolo são implementadas em um fluxo de trabalho baseado em Python. Agentes empresariais locais (clientes) são executados em máquinas separadas ou contêineres isolados para emular instituições distribuídas, enquanto a agregação federada é executada em um coordenador central (servidor). O treinamento e a inferência de modelos são implementados usando uma estrutura de deep learning (por exemplo, PyTorch ou TensorFlow) com aceleração por GPU quando disponível. Operações em redes neurais de grafos são implementadas usando uma biblioteca de aprendizado de grafos (por exemplo, PyTorch Geometric ou DGL). As explicações SHAP são geradas usando o pacote SHAP. Para garantir reprodutibilidade, os experimentos utilizam sementes aleatórias fixas, divisões pré-definidas de treino/validação/teste, scripts de pré-processamento consistentes e hiperparâmetros registrados (taxa de aprendizado, tamanho do lote, rodadas de comunicação e critérios de parada precoce).

1. Definir o problema de pesquisa e formalizar modelos matemáticos

1. Esclarecer os três objetivos centrais da pesquisa: otimizar decisões financeiras sob restrições distribuídas de privacidade de dados, capturar contágio dinâmico de riscos entre empresas e garantir lógica de decisão interpretável por humanos para múltiplos stakeholders.
2. Formalizar o modelo distribuído de otimização de decisões financeiras
   1. Defina o espaço de decisão para cada empresa: deixe as decisões no tempo t para a empresa i , onde A_i inclui estratégias de investimento, financiamento e dividendos.
   2. Defina a meta de maximização do retorno de longo prazo como o objetivo de otimização, expressa como:
      (1)
      onde γ é o fator de desconto, r_i é a recompensa instantânea, o estado local e o conjunto de relações entre empresas.
      NOTA: Esta formulação de recompensas incentiva cada agente empresarial a otimizar a tomada de decisões com base não apenas em sua situação financeira, mas também nos efeitos de propagação de riscos nas empresas conectadas. Como resultado, o JRL apoia o aprendizado colaborativo, mas que preserva a privacidade, entre entidades financeiras distribuídas.
   3. Imponha restrições de privacidade: especifique que os dados brutos de cada empresa não possam ser compartilhados entre entidades (ou seja, os dados permanecem locais para cada empresa) e exija o compartilhamento de parâmetros em vez da troca de dados durante o treinamento federado.
3. Formalizar o modelo dinâmico de contágio de risco
   1. Represente a rede interempresarial como um grafo dinâmico:
      (2)
      onde V denota nós empresariais e^{E t} denota arestas de contágio variáveis no tempo.
   2. Defina pesos de borda para quantificar a intensidade de transmissão de risco da empresa i para j no tempo t.
   3. Descreva a evolução do estado de risco da empresa i usando uma equação dinâmica não linear:
      
      Onde f é uma função de ativação não linear e ∈^t uma perturbação estocástica.
4. Formalizar o modelo de restrição de interpretabilidade
   1. Defina o limiar de precisão da explicação: exige a probabilidade de a saída do modelo corresponder à explicação para satisfazer
      (4)
      Com δ como limiar de aceitação, enquanto a concisão é mantida limitando o número de características explicativas.
      NOTA: O limiar de aceitação é definido para δ = 0,85 com base na calibração do conjunto de validação. Esse limiar controla a concordância mínima entre a saída do modelo e a explicação gerada, garantindo que as explicações permaneçam fiéis à probabilidade de risco prevista, evitando listas de características excessivamente longas.
   2. Imponha concisão explicativa limitando o número de características-chave explicativas a k≤K (onde K é um número máximo pré-definido de características interpretáveis).

2. Construir o framework JRL

1. Implante redes locais de aprendizado por reforço para cada empresa
   NOTA: Esta etapa é realizada em cada cliente corporativo (máquina/contêiner local). Apenas parâmetros do modelo (ou atualizações de parâmetros) são comunicados ao servidor durante a agregação federada.
   1. Implemente um agente de Gradiente de Política Determinístico Profundo (DDPG) para cada empresa, incluindo uma estrutura ator-crítico (rede de políticas para seleção de ações e rede de críticos para estimativa de valor).
      NOTA: Cada cliente inicializa o agente DDPG com uma semente aleatória fixa, interage com seu ambiente local para gerar transições e as armazena em um buffer de replay para atualizações minibatch.
   2. Defina a saída da rede crítica para avaliar o valor dos pares estado-decisão:
      (5)
2. Defina a função de perda para a rede crítica
   1. Calcule o erro de diferença temporal usando a rede crítica alvo Q_φi , e defina a função de perda como:
      (6)
   2. Otimize os parâmetros da rede crítica φ_i usando a descida de gradiente estocástico. Em cada etapa de atualização, amostre um minilote de transições do buffer de replay, calcule a perda de TD acima, retropropage gradientes e aplique uma atualização do otimizador (por exemplo, SGD/Adam). Opcionalmente, aplique clipping de gradiente para estabilidade e atualize a rede de críticos alvo usando uma taxa de atualização suave τ.
3. Otimizar os parâmetros da rede de políticas
   1. Calcule o gradiente do retorno de longo prazo J(θ_i) em relação aos parâmetros de política θ_i:
      (7)
   2. Atualize θ_i usando o gradiente calculado para maximizar o retorno acumulado.
4. Implementar agregação global de parâmetros via Média Federada (FedAvg)
   1. Colete parâmetros criptografados de política de rede (ou deltas de parâmetros) de todas as empresas ao final de cada rodada de comunicação.
   2. Calcule o parâmetro global θ_g ponderando os parâmetros de cada empresa pelo tamanho do seu conjunto de dados |D_i|:
      (8)
   3. Distribua o parâmetro global atualizado θ_g de volta para cada empresa para sincronizar as redes locais.
      NOTA: Os passos 2.4.1-2.4.3 são realizados com um fluxo de trabalho servidor-cliente. Os clientes enviam parâmetros (ou deltas) para o servidor central por meio de um canal criptografado (por exemplo, TLS). O servidor executa FedAvg e transmite θ_g de volta para todos os clientes para a próxima rodada.
5. Aprimorar a eficiência da comunicação
   1. Aplicar compressão quantizada aos parâmetros do modelo para reduzir o volume de transmissão de dados.
   2. Injete ruído de privacidade diferencial em cada atualização local de modelo usando o mecanismo Gaussiano. Para cada rodada t, o ruído ^∈t ∼ N(0,σ² I) com σ=0,8 é aplicado ao vetor gradiente g:
      (9)
      NOTA: O ruído é aplicado localmente no cliente imediatamente antes da comunicação com o servidor para apoiar o treinamento que preserva a privacidade sob restrições de privacidade diferencial.
   3. Aceite atualizações assíncronas para acomodar habilidades computacionais heterogêneas entre os participantes.

3. Construir a Rede Neural de Grafos Adaptativos (AGNN) para modelagem de contágio de risco

1. Calcule pesos de atenção para informar a matriz dinâmica de adjacência
   1. Calcule o coeficiente de atenção entre a empresa i e j no tempo t usando atenção normalizada pelo produto escalar:
      (10)
      NOTA: Esses pesos de atenção quantificam a influência de cada empresa vizinha no estado de risco atualizado, permitindo que auditores rastreem previsões até determinantes relacionais específicos.
   2. Atualize o peso da borda para refletir a intensidade de contágio em tempo real.
2. Realizar passagem temporal de mensagens
   1. Agregar estados de risco de vizinho para gerar o vetor de mensagem para enterprise i
      (11)
3. Atualize o estado de risco do nó usando uma Unidade Recorrente Controlada (GRU)
   1. Integre o estado atual e o vetor da mensagem para calcular o próximo estado do passo de tempo:
      (12)
4. Extrair embeddings de contágio de risco e otimizar o modelo
   1. Passe o estado atualizado por um Perceptron Multilayer (MLP) para gerar embeddings de contágio:
      (13)
   2. Defina a função de perda cruzada de entropia para otimizar os parâmetros AGNN:
      (14)
   3. Treine o AGNN usando retropropagação com um otimizador minibatch (por exemplo, Adam) até a convergência. Construa instantâneos de grafos por passo de tempo t e gere lotes temporais usando janelas deslizantes sobre {_{G t}}. Minimize o L na divisão de treinamento e monitore a perda de validação a cada época. Aplique parar precocemente quando a perda de validação não melhorar por um número pré-definido de épocas (paciência), ou pare em um número máximo de épocas.

4. Desenvolver a camada de explicabilidade de canal duplo

1. Implemente o canal de importância de características baseado em SHAP
   1. Calcule a contribuição marginal de cada característica x_j para a saída do modelo usando valores SHAP:
      (15)
   2. Onde φ_j é o valor SHAP da característica x_j, representando sua contribuição aditiva para a previsão.
   3. Classifique as características por valores absolutos φ_j para identificar os principais fatores que impulsionam decisões de risco financeiro.
2. Implemente o canal de extração de regras baseado em árvore de decisão
   1. Treine um modelo substituto leve de árvore de decisão. Use a mesma matriz de características de entrada X fornecida ao modelo de Risco Financeiro e as saídas correspondentes do modelo como sinais de supervisão. Especificamente, use (i) a probabilidade prevista (árvore de regressão) ou (ii) níveis de risco discretizados (árvore de classificação) obtidos por limiar (por exemplo, Baixo/Médio/Alto). Treine uma árvore de decisão rasa com profundidade limitada (por exemplo, profundidade máxima 3-5) para reduzir o sobreajuste e preservar a interpretabilidade. Avalie a fidelidade substituta comparando as saídas da árvore com as saídas de Risco Financeiro em uma divisão de validação mantida.
   2. Extraia regras "se-se" legíveis por humanos da árvore de decisão. Percorra cada caminho da raiz para a folha e converta as condições de divisão em regras conjuntivas. Regras de reporte usando os nomes originais dos indicadores financeiros e os limiares aprendidos pela árvore. Por exemplo: "Se a relação dívida/ativo >0,6 e a cobertura de fluxo de caixa <1,2, então nível de risco = Alto." Remova condições redundantes e mantenha apenas as regras mais informativas (por exemplo, as melhores regras classificadas por suporte ou fidelidade).
3. Funda os dois canais de explicação
   1. Gerar explicações integradas combinando SHAP e saídas baseadas em regras. Para cada previsão empresarial, reporte (i) as principais k características SHAP classificadas por |φ_j| como os fatores quantitativos, e (ii) o caminho de regras da árvore de decisão correspondente que é acionado pela mesma instância de entrada que a justificativa qualitativa. Apresente a explicação final como um modelo curto que combina contribuições de recursos com uma instrução de regra correspondente para apoiar tanto a transparência numérica quanto a interpretabilidade baseada em lógica.
      NOTA: A Tabela 1 apresenta uma visão geral das variáveis centrais e indicadores financeiros usados na pesquisa para fornecer clareza sobre como os atributos de entrada se relacionam com a previsão de risco em nível empresarial.

5. Estabelecer o fluxo de trabalho algorítmico integrado

1. Inicializar componentes do framework
   1. Configure redes locais de políticas e redes de críticos para todas as empresas (em conformidade com o Step 2.1), incluindo seeds de inicialização e configurações de replay-buffer.
   2. Defina parâmetros iniciais para o AGNN, incluindo dimensão de estado oculta d, hiperparâmetros GRU e tamanhos de camada MLP.
   3. Inicialize a camada de explicabilidade de canal duplo, incluindo configuração SHAP (por exemplo, estratégia de amostragem kernel/background) e restrições da árvore de decisão (por exemplo, profundidade máxima).
   4. Defina parâmetros globais de agregação para o FedAvg, incluindo frequência de comunicação (intervalo de rodada), intensidade de ruído de privacidade e número de rodadas globais.
2. Executar atualizações iterativas do framework
   1. Para cada passo de tempo t:
      1. Gerar estados locais e decisões usando a rede de políticas de cada empresa.
      2. Calcule recompensas instantâneas com base em resultados financeiros realizados ou objetivos proxy definidos na Eq. (1).
      3. Atualize redes locais de políticas e críticas usando transições (consistente com os Passos 2.2-2.3), usando amostragem minibatch do buffer de replay e otimização baseada em retropropagação.
      4. Colete parâmetros locais criptografados, execute o FedAvg para atualizar parâmetros globais e distribua θ_g para as empresas (consistente com a etapa 2.4).
      5. Atualize o AGNN usando a passagem de mensagens baseada em atenção e treine o módulo de contágio. Construa o snapshot do grafo G_t e as características do nó no passo de tempo t. Para cada nó i, calcule os coeficientes de atenção sobre vizinhos j∈N(i) como:
         (16)
         Atualize a representação oculta usando agregação ponderada:
         (17)
         Realize passagens para frente e para trás na divisão de treinamento usando um otimizador minibatch (por exemplo, Adam). Treine para um número fixo de rodadas globais (por exemplo, 200 rodadas) enquanto monitora a perda de validação a cada rodada. Aplique um escalonador de taxa de aprendizado que reduza a taxa de aprendizado por um fator de 0,1 quando a perda de validação não melhora em uma janela de paciência pré-definida (por exemplo, 5 épocas/rodadas consecutivas).
         NOTA: Esta formulação permite que cada nó empresarial agregue informações de vizinhos enquanto pondera mais fortemente os relacionamentos financeiramente significativos (de alto risco), o que melhora a detecção precoce de sinais de risco impulsionados por contágio.
      6. Prediga probabilidades de inadimpleção empresarial usando embeddings AGNN.
      7. Gerar explicações para decisões e previsões de risco via a camada de canal duplo (consistente com o Passo 4.3), reportando tanto os drivers baseados em SHAP quanto o caminho de regras da árvore de decisão acionado.
      8. Colete feedback dos stakeholders (opcional) para refinar a clareza das explicações (por exemplo, revisar os modelos de explicação ou ajustar o número máximo de características relatadas k).
3. Definir condições de terminação
   1. Pare de iterar quando o número de passos de tempo atingir um limite pré-definido (por exemplo, 1000 iterações) ou quando o desempenho do modelo estiver estabilizado (por exemplo, quando o AUC-ROC mudar em menos de 0,01 por 5 iterações consecutivas).
   2. Forneça resultados otimizados: estratégias de decisão específicas para empresas, modelos calibrados de contágio de risco AGNN e modelos de explicação padronizados.
      NOTA: A Tabela 2 resume os parâmetros de inicialização e configurações de treinamento em todos os ambientes de aprendizagem para fornecer total reprodutibilidade do fluxo de trabalho experimental.

6. Preparar conjuntos de dados experimentais

1. Colete e processe o conjunto de dados financeiro real
   1. Colete dados financeiros trimestrais de 300 empresas chinesas listadas em A-share de 2018 a 2023, abrangendo 8 setores (por exemplo, manufatura, finanças e tecnologia da informação).
   2. Inclua recursos financeiros e eventos de risco rotulados. Use recursos financeiros 120 (por exemplo, índice dívida/ativo, indicadores de fluxo de caixa e retorno sobre o patrimônio líquido) e rótulos de evento de risco, como inadimplência e rebaixamento de classificação de crédito.
   3. Divida o conjunto de dados cronologicamente. Use o 1º trimestre de 2018 ao quarto trimestre de 2021 para treinamento, o primeiro trimestre de 2022 ao quarto trimestre de 2022 para validação e o primeiro trimestre de 2023 ao quarto trimestre de 2023 para testes, garantindo que não haja vazamento temporal entre os divisores.
2. Gerar o conjunto de dados distribuído simulado
   1. Crie nós empresariais distribuídos. Crie 10 nós empresariais, cada um contendo dados locais sensíveis à privacidade (por exemplo, registros internos de transações) e sinais compartilháveis em nível industrial (por exemplo, taxa média de crescimento setorial).
   2. Injete heterogeneidade e ruído. Injetar maior variabilidade em nós de pequenas empresas para emular desequilíbrios realistas de dados e volatilidade entre os participantes.
      NOTA: A Tabela 3 descreve as características dos conjuntos de dados reais e simulados usados para avaliação; Inclui tipos de características representativas, apoiando assim a transparência na compreensão e replicação dos dados.

7. Estabelecer modelos de referência

1. Estabeleça linhas de base para otimização de resultados financeiros dispersos
   1. Implementar Aprendizagem por Reforço Independente (IR): treinar um agente DRL para cada empresa usando apenas seus dados locais (sem compartilhamento de parâmetros).
   2. Implementar o Aprendizado Supervisionado Federado (FedSL): treine um modelo XGBoost via FedAvg para gerar regras estáticas de decisão financeira.
   3. Implemente Aprendizado Profundo Centralizado por Reforço (CDRL): agregue todos os dados corporativos em um nó central e treine um agente DDPG (sem proteção de privacidade).
2. Configure linhas de base para modelagem de contágio de risco
   1. Implementar uma Rede Neural de Grafos Estáticos (GNN Estática): use uma matriz fixa de adjacência (baseada na afiliação ao setor) para modelar a transmissão de risco.
   2. Implementar a rede de Memória de Curto Prazo (LSTM): modelar as tendências individuais de risco da empresa usando apenas dados de séries temporais (ignorando relacionamentos entre empresas).
   3. Implemente o modelo clássico SIR: assuma taxas fixas de transmissão de risco para simular dinâmicas de contágio.
3. Configure linhas de base para explicabilidade
   1. Apenas SHAP: gerar explicações usando apenas importância de características (sem extração de regras).
   2. Apenas regras: gerar explicações usando apenas regras da árvore de decisão (sem ponderação quantitativa de características).
   3. Linha de base de destilação: aproximar o modelo de Risco Financeiro com um modelo mais simples (por exemplo, regressão linear) para simplificar as explicações.
4. Garanta a comparabilidade de referência. Corresponder hiperparâmetros-chave entre linhas de base quando aplicável (por exemplo, mesmo tamanho oculto do GRU para LSTM e AGNN; taxas de aprendizado e orçamentos de treinamento comparáveis).
   NOTA: A Tabela 4 mostra o ambiente completo de software e a configuração do modelo usados para reproduzir o fluxo de trabalho de Risco Financeiro, incluindo hiperparâmetros JRL e AGNN, configurações de privacidade diferencial e protocolo de agregação federada.

8. Definir métricas de avaliação

1. Defina métricas para otimização distribuída de decisões financeiras
   1. Calcule a receita acumulada: use a função de retorno de longo prazo na Equação (1) para quantificar os ganhos financeiros totais durante o período de teste.
   2. Meça a estabilidade da política: calcule o desvio padrão dos ajustes de decisão (por exemplo, mudanças no índice de investimento) ao longo de passos de tempo consecutivos (valores mais baixos indicam maior estabilidade).
   3. Avalie a proteção de privacidade: use um índice baseado em entropia para avaliar resistência a vazamento de dados (pontuações mais altas indicam maior conformidade com a privacidade).
2. Defina métricas para modelagem de contágio de risco
   1. Calcule o AUC-ROC: avalie a precisão das previsões de probabilidade padrão corporativa (valores mais altos indicam melhor desempenho).
   2. Meça a taxa de reconhecimento de caminhos: calcule a proporção de canais de contágio de risco corretamente identificados entre empresas.
   3. Avaliar a adaptabilidade dinâmica: registrar o tempo (em horas) necessário para que o modelo estabilize erros de previsão após um choque de política (conforme descrito na Equação 3, valores mais baixos indicam adaptação mais rápida).
3. Defina métricas para explicabilidade
   1. Avalie a precisão das explicações: realize revisões especializadas para avaliar a consistência entre explicações e lógica do modelo (com base nas Equações 4 e 14), com pontuações variando de 0 a 1.
   2. Meça a concisão da explicação: conte o número médio de características-chave incluídas em cada explicação.
   3. Avalie a consistência das regras: avalie o alinhamento entre as regras extraídas e os padrões financeiros corporativos aceitos (variando de 0 a 1, valores mais altos indicam melhor conformidade).
   4. Documente todos os métodos de cálculo de métricas: registre fórmulas e critérios de limiar para garantir a reprodutibilidade dos resultados.

9. Métricas de avaliação

1. Use quatro métricas padrão de avaliação para analisar o desempenho da previsão.
   1. O Erro Quadrático Médio (MSE) calcula a média das diferenças quadráticas entre os valores de risco reais e previstos. Valores MSE mais baixos indicam maior precisão na previsão, conforme calculado:
      (18)
   2. Erro Quadrático Médio Raiz (RMSE) denota a raiz quadrada do erro de previsão e, portanto, reflete essencialmente a estabilidade do modelo em uma faixa de escalas:
      (19)
   3. O Erro Absoluto Médio (MAE) calcula o desvio absoluto médio entre a previsão e o valor verdadeiro, com foco na robustez e interpretabilidade.
      (20)
   4. Taxa de Erro (ER) é a razão entre o desvio dos valores previstos e os valores reais em porcentagem, fornecendo assim uma medida mais intuitiva relacionada ao desempenho real da previsão:
      (21)

Results

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...

Discussion

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 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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