Основанная на данных система прогнозирования и контроля финансовых рисков в цифровой экономике

Summary

В данном исследовании предлагается финансовый риск — основанный на данных фреймворк, предназначенный для улучшения прогнозирования и контроля финансовых рисков в цифровой экономике с использованием распределённого обучения, динамического моделирования заражения и механизмов интерпретируемости.

Abstract

В эпоху цифровой экономики финансовое управление смещается в сторону принятия решений на основе данных. Три самых важных вызова: (a) распределённые ограничения по конфиденциальности данных, (b) быстрое распространение финансовых рисков между взаимосвязанными предприятиями и (c) прозрачная логика принятия решений для множества заинтересованных сторон. Financial Risk решает эти задачи с помощью фреймворка, включающего совместное обучение с подкреплением (JRL) для распределённой оптимизации финансовых решений, нейронную сеть адаптивных графов (AGNN) для моделирования эффектов заражения в реальном времени и двухканальный слой интерпретации для повышения прозрачности. Эксперименты проводились с использованием ежеквартальных финансовых данных с 2018 по 2023 год по 300 китайским компаниям, котируемым A-акциями, а также с имитированным распределённым набором данных. Ключевые результаты показывают, что JRL достигла накопленного дохода в 60,8 миллиарда юаней (с показателем конфиденциальности 0,92), тогда как AUC AGNN достиг 0,89 и стабилизировал ошибки в течение двух часов после политических шоков. Производительность слоя интерпретации достигла 85% точности при среднем 2,8 ключевых признаках. Все эти результаты демонстрируют, что рамка финансового риска балансирует между конфиденциальностью, эффективностью, контролем рисков и интерпретируемостью, а также предлагает практическую парадигму управления финансовыми рисками в цифровой экономике.

Introduction

В эпоху цифровой экономики корпоративное финансовое управление сместится с практик, основанных на опыте, к парадигмам, основанным^{на данных. 1}. Транзакции в реальном времени, датчики IoT и облачные корпоративные системы непрерывно генерируют многомерные финансовые данные, открывая новые горизонты для точного прогнозирования, умного финансирования и динамического распределения^{активов 2}. Тем не менее, финансовые данные распространяются между дочерними компаниями, партнёрами по цепочке поставок, финансовыми учреждениями и регуляторами, а всё более строгие юридические требования к безопасности данных и PIPL затрудняют централизованную обработку. В таких условиях традиционная парадигма «миграции данных в облако, централизованное моделирование, единое принятие решений» по сути сталкивается с дилеммой: жертвовать конфиденциальностью ради эффективности или поддерживать изолированные данные ценой неоптимальных^{результатов 3}.

В то же время скорость и интенсивность заражения финансовыми рисками^{растут 4}. Макроэкономические колебания, геополитическая напряжённость и неожиданные события «чёрного лебедя» могут быстро распространяться по цепочкам поставок, залоговым цепочкам и потокам капитала, приводя к системному риску за⁵ минут. Традиционные инструменты, такие как статическая финансовая отчетность и кредитные рейтинги, часто недостаточны для отражения этих быстро меняющихся динамик. Для устранения этого ограничения исследователи исследовали передовые вычислительные методы, включая обучение с подкреплением для оптимизации финансовых решений, федеративное обучение для распределённого сотрудничества и графовые нейронные сети для моделирования сложных межфирмовых^{зависимостей 6}. Эти подходы добились первоначального успеха в улучшении финансового прогнозирования, контроля кредитного риска и моделирования заражения; однако большинство из них предполагают доступ к централизованным или глобальным данным, что ограничивает практическую применимость в распределённых и ограниченных приватностью^{контекстах 7}.

Ещё одна важная проблема — это интерпретируемость. Методы, такие как атрибуция признаков на основе SHAP и извлечение правил принятия решений, являются лишь частичными объяснениями и, как правило, не могут соответствовать требованиям различных заинтересованных лиц, таких как финансовые директори, аудиторы и регуляторы, которые требуют, чтобы процессы принятия решений были прозрачными, подлежащими аудиту и семантически^{доступными 8}. Без интерпретации даже высокоточные модели испытывают трудности с применением в реальных финансовых^{условиях принятия решений 9}. Методы глубокого подкрепления обучения, такие как DDPG¹, предоставили фундаментальные достижения, лежащие в основе современных финансовых систем^{принятия решений 10}.

С точки зрения применения предлагаемая структура предполагает корпоративную сеть, в которой финансовые данные распределены между дочерними компаниями, партнёрами по цепочке поставок, финансовыми учреждениями или регуляторными узлами, где объединение необработанных данных невозможно из-за ограничений конфиденциальности или^{юрисдикции 11}. Этот подход хорошо работает в ситуации, когда каждый узел предприятия предоставляет финансовые показатели в виде временных серий — обычно от 50 до 120 характеристик, охватывающих структуру капитала, ликвидность, прибыльность и кредитные события — за несколько отчетных^{периодов 12}. Фреймворк может быть развернут в стандартных GPU-поддерживаемых или высокопроизводительных CPU-средах и поддерживает ряд юридических контекстов конфиденциальности, таких как GDPR, CCPA и китайский PIPL, путем обмена зашифрованных параметров модели вместо конфиденциальных финансовых^{записей 13,14}. Типичные системные требования включают умеренную частоту связи между узлами и стабильную сетевую топологию со временем. Известное ограничение — снижение точности при крайне разрежённых или крайне волатильных корпоративных сетях, где быстрые структурные сдвиги мешают графовой модели освоить устойчивые межфирменные зависимости. В таких случаях может потребоваться частое переобучение или более короткие временные окна для поддержания предсказательной^{стабильности 15}.

На этом фоне настоящая работа предлагает Financial Risk — фреймворк, основанный на данных, интегрирующий Joint Reinforcement Learning (JLR) для распределённой^{оптимизации 16}, нейронную сеть адаптивных графов для моделирования заражения^{в реальном времени 17} и двухканальный слой интерпретации для ориентированной на заинтересованных сторон^{прозрачности 18}. Одновременно учитывая вопросы конфиденциальности, эффективности, контроля рисков и интерпретируемости, эта структура создаёт новую парадигму финансового управления в цифровой экономике.

Protocol

Этот протокол описывает шаги по созданию рамочной структуры финансового риска для прогнозирования и контроля финансовых рисков в цифровой экономике, а также для воспроизведения соответствующих экспериментов по валидации. Протокол охватывает формализацию математических моделей, создание модуля фреймворка, интеграцию рабочих процессов, подготовку наборов данных, установку базовой линии и определение метрик оценки, что обеспечивает воспроизводимость исследователями в этой области. Таблица материалов обобщает всё программное обеспечение, библиотеки/наборы инструментов, аппаратные ресурсы и наборы данных, необходимые для воспроизведения этого протокола, а рисунок 1 представляет общий рабочий процесс для прозрачного прогнозирования и контроля финансовых рисков.

ПРИМЕЧАНИЕ: Все этапы этого протокола реализованы в рабочем процессе на Python. Локальные корпоративные агенты (клиенты) выполняются на отдельных машинах или изолированных контейнерах для эмуляции распределённых институтов, тогда как федеративная агрегация выполняется на центральном координаторе (сервере). Обучение и вывод моделей реализуются с использованием фреймворка глубокого обучения (например, PyTorch или TensorFlow) с ускорением GPU, когда это возможно. Операции с нейронной сетью графов реализуются с помощью библиотеки для обучения графов (например, PyTorch Geometric или DGL). Объяснения SHAP генерируются с помощью пакета SHAP. Для обеспечения воспроизводимости эксперименты используют фиксированные случайные семени, заранее определённые разделы на обучение/валидацию/тестирование, последовательные скрипты предварительной обработки и зарегистрированные гиперпараметры (скорость обучения, размер партии, раунды связи и критерии раннего остановки).

1. Определить исследовательскую задачу и формализовать математические модели

1. Прояснить три основные цели исследования: оптимизировать финансовые решения в условиях распределённых ограничений конфиденциальности данных, фиксировать динамическое межкорпоративное заражение рисками и обеспечить интерпретируемую человеком логику принятия решений для множественных заинтересованных сторон.
2. Формализация распределённой модели оптимизации финансовых решений
   1. Определите пространство принятия решений для каждого предприятия: пусть решения принимаются в момент t для предприятия i , где A_i включает стратегии инвестиций, финансирования и дивидендов.
   2. Установите долгосрочную цель максимизации доходности как цель оптимизации, выраженную как:
      (1)
      где γ — коэффициент дисконтирования, r_i — мгновенный вознаграждение, местное государство и множество межпредприятийных отношений.
      ПРИМЕЧАНИЕ: Эта формулировка вознаграждения побуждает каждого корпоративного агента оптимизировать принятие решений, исходя не только из собственного финансового положения, но и влияния риска на связанные предприятия. В результате JRL поддерживает совместное, но при этом сохраняющее конфиденциальность обучение между распределёнными финансовыми структурами.
   3. Ввести ограничения конфиденциальности: указать, что сырые данные каждого предприятия не могут быть обмениваны между организациями (то есть данные остаются локальными для каждого предприятия), и обязать обмен параметрами вместо обмена данными во время федеративного обучения.
3. Формализация модели динамической конфицирования риска
   1. Представим межкорпоративную сеть в виде динамического графа:
      (2)
      где V обозначает корпоративные узлы, а E^t — изменяющиеся во времени грани заражения.
   2. Определите веса ребра для количественной оценки интенсивности передачи риска от предприятия i к j в момент времени t.
   3. Опишите эволюцию состояния риска предприятия i с помощью нелинейного динамического уравнения:
      
      где f — нелинейная функция активации, ∈ ^t — стохастическое возмущение.
4. Формализация модели ограничений интерпретируемости
   1. Установите порог точности объяснения: требуйте вероятность совпадения результата модели с объяснением, чтобы удовлетворить
      (4)
      При этом δ является порогом принятия, а лаконичность поддерживается за счёт ограничения количества объяснительных особенностей.
      ПРИМЕЧАНИЕ: Порог принятия установлен на δ = 0,85 на основе калибровки на валидационном наборе. Этот порог контролирует минимальное согласование между результатом модели и сгенерированным объяснением, обеспечивая точность объяснений предсказанной вероятности риска и избегая чрезмерно длинных списков признаков.
   2. Навязываете лаконичность объяснения, ограничивая количество ключевых объяснительных признаков k≤K (где K — заранее определённое максимальное количество интерпретируемых признаков).

2. Построить фреймворк JRL

1. Развернуть локальные сети обучения с подкреплением для каждого предприятия
   ПРИМЕЧАНИЕ: Этот шаг выполняется на каждом корпоративном клиенте (локальной машине/контейнере). Только параметры модели (или обновления параметров) передаются серверу во время федеративной агрегации.
   1. Реализовать агент глубокого детерминированного градиента политики (DDPG) для каждого предприятия, включая структуру актор-критик (сеть политик для выбора действий и критическая сеть для оценки стоимости).
      ПРИМЕЧАНИЕ: Каждый клиент инициализирует агент DDPG с фиксированным случайным seed, взаимодействует с локальной средой для генерации переходов и хранит их в буфере повторов для минипакетных обновлений.
   2. Определите выход критической сети для оценки значения пар состояние-решение:
      (5)
2. Определите функцию потерь для критической сети
   1. Вычислите ошибку временной разности с помощью целевой критической сети Q_φi , и установите функцию потерь как:
      (6)
   2. Оптимизируйте параметры критической сети_{φ используя} стохастический градиентный спуск. На каждом этапе обновления выбирайте минипакет переходов из буфера повтора, вычисляйте потери TD выше, обратно распространяйте градиенты и применяйте обновление оптимизатора (например, SGD/Adam). Опционально применяйте градиентное клипирование для стабильности и обновляйте целевую критическую сеть с помощью скорости мягкого обновления τ.
3. Оптимизировать параметры сети политики
   1. Вычислим градиент долгосрочной доходности J(θ_i) по параметрам политики θ_i:
      (7)
   2. Обновить θ_i с использованием вычисленного градиента для максимизации накопленной отдачи.
4. Реализовать глобальную агрегацию параметров с помощью федеративного усреднения (FedAvg)
   1. Собирайте зашифрованные сетевые параметры политики (или дельты параметров) от всех предприятий в конце каждого раунда коммуникации.
   2. Вычислите глобальный параметр θ_g, взвешивая параметры каждого предприятия по размеру её набора данных |D_i|:
      (8)
   3. Распределите обновлённый глобальный параметр_{θ g обратно} по каждому предприятию для синхронизации локальных сетей.
      ПРИМЕЧАНИЕ: Шаги 2.4.1-2.4.3 выполняются в рабочем процессе сервер-клиент. Клиенты загружают параметры (или дельты) на центральный сервер через зашифрованный канал (например, TLS). Сервер выполняет FedAvg и транслирует_{θ g обратно} всем клиентам для следующего раунда.
5. Повышение эффективности коммуникации
   1. Применить квантизированное сжатие к параметрам модели для уменьшения объёма передачи данных.
   2. Вводите дифференциальный шум конфиденциальности в каждое обновление локальной модели с помощью механизма Гаусса. Для каждого круга t к вектору градиента g применяется шум ∈^t ∼ N(^{0,σ 2} I) с σ=0,8:
      (9)
      ПРИМЕЧАНИЕ: Шум применяется локально на клиенте непосредственно перед коммуникацией с сервером для поддержки обучения, сохраняющего конфиденциальность, при условиях дифференциальных ограничений конфиденциальности.
   3. Принимать асинхронные обновления для учёта гетерогенных вычислительных возможностей участников.

3. Создать нейронную сеть адаптивных графов (AGNN) для моделирования риска заражения

1. Рассчитайте веса внимания для формирования динамической матрицы смежности
   1. Вычислите коэффициент внимания между предприятием i и j в момент времени t с помощью нормированного внимания по точечному произведению:
      (10)
      ПРИМЕЧАНИЕ: Эти веса внимания количественно оценивают влияние каждого соседнего предприятия на обновлённый уровень риска, позволяя аудиторам отслеживать прогнозы до конкретных реляционных драйверов.
   2. Обновите вес ребра с помощью отражения интенсивности заражения в реальном времени.
2. Выполнение передачи временных сообщений
   1. Агрегированные состояния риска соседей для генерации вектора сообщения для предприятия i
      (11)
3. Обновите состояние риска узла с помощью Гейтированного повторяющегося блока (GRU)
   1. Интегрируйте текущее состояние и вектор сообщения для вычисления состояния следующего временного шага:
      (12)
4. Извлекать вложения заражения риска и оптимизировать модель
   1. Передайте обновлённое состояние через многослойный перцептрон (MLP) для генерации вложений заражения:
      (13)
   2. Определите функцию потерь кросс-энтропии для оптимизации параметров AGNN:
      (14)
   3. Обучайте AGNN с помощью обратного распространения с минипакетным оптимизатором (например, Adam) до сходимости. Постройте снимки графа за шаг времени t и генерируйте временные пакеты с помощью скользящих окон над {G_t}. Минимизируйте L на тренировочном разделе и отслеживайте потерю валидации каждую эпоху. Применяйте раннюю остановку, если потеря валидации не улучшается в течение заранее определённого количества эпох (терпение), или останавливайтесь на максимальном числе эпох.

4. Разработать двухканальный слой объяснимости

1. Реализация канала важности функций на основе SHAP
   1. Вычислите предельный вклад каждой признака x_j в результат модели с использованием значений SHAP:
      (15)
   2. Где φ_j — значение SHAP признака x_j, отражающее его аддитивный вклад в предсказание.
   3. Ранг определяется по абсолютным значениям φ_j для выявления ключевых факторов, принимающих решения по финансовому риску.
2. Реализовать канал извлечения правил на основе дерева принятия решений
   1. Обучите легкую модель замены дерева решений. Используйте ту же матрицу входных признаков X, что и модель финансового риска, и соответствующие выходы модели в качестве сигналов надзора. В частности, используйте либо (i) предсказанную вероятность (регрессионное дерево), либо (ii) дискретизированные уровни риска (классификационное дерево), полученные порогами (например, Low/Medium/High). Обучить неглубокое дерево принятия решений с ограниченной глубиной (например, максимальная глубина 3-5), чтобы снизить переподгонку и сохранить интерпретируемость. Оцените верность суррогатной матери, сравнивая выходы дерева с результатами финансового риска на удерживаемом разделе валидации.
   2. Извлечь читаемые человеком правила «if-else» из дерева решений. Пройдите каждый путь от корня к листу и преведите условия разделения в конъюнктивные правила. Отчёт о правилах, используя оригинальные названия финансовых индикаторов и пороги, изученные деревом. Например: «Если соотношение долга к активам >0,6 и покрытие денежного потока <1,2, то уровень риска = Высок.» Уберите избыточные условия и оставьте только самые информативные правила (например, топовые правила, ранжированные по поддержке или достоверности).
3. Объедините два канала объяснения
   1. Генерируйте интегрированные объяснения, комбинируя SHAP и результаты на основе правил. Для каждого корпоративного прогноза сообщайте (i) о топ-k характеристиках SHAP, ранжированных по |φ_j| как количественные драйверы, и (ii) путь согласованного правила дерева решений, который запускается тем же входным экземпляром, что и качественное обоснование. Представите окончательное объяснение в виде короткого шаблона, который сочетает вклад признаков с соответствующим правилом для поддержки как числовой прозрачности, так и логической интерпретируемости.
      ПРИМЕЧАНИЕ: В таблице 1 представлен обзор основных переменных и финансовых индикаторов, используемых в исследовании, чтобы обеспечить ясность относительно того, как входные атрибуты связаны с прогнозом риска на уровне предприятия.

5. Создать интегрированный алгоритмический рабочий процесс

1. Инициализация компонентов фреймворка
   1. Настраивайте локальные сети политики и критические сети для всех предприятий (в соответствии с шагом 2.1), включая инициализацию и настройки буфера воспроизведения.
   2. Установите начальные параметры для AGNN, включая размерность скрытого состояния d, гиперпараметры GRU и размеры слоев MLP.
   3. Инициализировать двухканальный слой объяснимости, включая конфигурацию SHAP (например, стратегию выборки ядра/фона) и ограничения дерева принятия решений (например, максимальную глубину).
   4. Определите глобальные параметры агрегации для FedAvg, включая частоту связи (интервал раундов), интенсивность шума приватности и количество глобальных раундов.
2. Выполнение итеративных обновлений фреймворка
   1. Для каждого временного шага t:
      1. Генерируйте локальные штаты и решения с использованием политической сети каждого предприятия.
      2. Вычислить мгновенные вознаграждения на основе реализованных финансовых результатов или прокси-целей, определённых в уравнении (1).
      3. Обновлять локальные политики и критические сети с помощью переходов (в соответствии со шагами 2.2-2.3), используя минипакетную дискретизацию из буфера повтора и оптимизацию на основе обратного распространения.
      4. Собирать зашифрованные локальные параметры, выполнять FedAvg для обновления глобальных параметров и распространять_{θ g между} предприятиями (в соответствии со шагом 2.4).
      5. Обновить AGNN с помощью передачи сообщений на основе внимания и обучить модуль заражения. Постройте снимок графа G_t и признаки узла на шаге времени t. Для каждого узла i вычислим коэффициенты внимания по соседям j∈N(i) как:
         (16)
         Обновите скрытое представление с помощью взвешенной агрегации:
         (17)
         Выполняйте передачи вперёд и назад на тренировочном разделе с помощью оптимизатора минипакета (например, Адама). Тренируйтесь к фиксированному числу глобальных раундов (например, 200 раундов), контролируя потерю валидации в каждом раунде. Примените планировщик скорости обучения, который снижает скорость обучения в 0,1 раза, если потеря валидации не улучшается в заранее определённом окне терпения (например, 5 последовательных эпох/раундов).
         ПРИМЕЧАНИЕ: Эта формулировка позволяет каждому корпоративному узлу агрегировать информацию о соседях, при этом более сильно взвешивая финансово значимые (высокорисковые) отношения, что улучшает раннее выявление сигналов риска, вызванных заражением.
      6. Прогнозировать вероятности по умолчанию для предприятия с помощью вложений AGNN.
      7. Генерируйте объяснения для решений и прогнозов рисков через двухканальный слой (в соответствии с шагом 4.3), отчёт как драйверов на основе SHAP, так и путь триггерного правила дерева решений.
      8. Собирайте отзывы заинтересованных сторон (по желанию) для улучшения ясности объяснений (например, пересмотр шаблонов объяснений или корректировка максимального количества зарегистрированных характеристик k).
3. Заданные условия завершения
   1. Прекращайте итерации, когда количество временных шагов достигает заранее установленного лимита (например, 1000 итераций) или когда производительность модели стабилизируется (например, когда AUC-ROC меняется менее чем на 0,01 за 5 последовательных итераций).
   2. Предоставляйте оптимизированный результат: корпоративные стратегии принятия решений, калиброванные модели заражения рисками AGNN и стандартизированные шаблоны объяснений.
      ПРИМЕЧАНИЕ: Таблица 2 суммирует параметры инициализации и настройки обучения во всех обучающих средах, чтобы обеспечить полную воспроизводимость экспериментального рабочего процесса.

6. Подготовка экспериментальных наборов данных

1. Собирайте и обрабатывайте реальный финансовый набор данных
   1. Собирать ежеквартальные финансовые данные по 300 китайским компаниям, котируемым на акции A, с 2018 по 2023 год, охватывающих 8 отраслей (например, производство, финансы и информационные технологии).
   2. Включайте финансовые характеристики и отмеченные рисковые события. Используйте 120 финансовых показателей (например, соотношение долга к активам, индикаторы денежного потока и рентабельность собственного капитала) и метки рисковых событий, такие как дефолт и понижение кредитного рейтинга.
   3. Разделите набор данных по хронологическому порядку. Используйте 2018 Q1-2021Q4 для обучения, Q1-2022 Q4 для валидации и Q1-2023 Q4 2023 для тестирования, чтобы избежать временных утечек между разделами.
2. Сгенерировать смоделированный распределённый набор данных
   1. Создавайте распределённые корпоративные узлы. Создайте 10 корпоративных узлов, каждый из которых хранит локальные данные с чувствительностью к конфиденциальности (например, внутренние транзакционные записи) и общие отраслевые сигналы (например, средний темп роста по сектору).
   2. Добавляйте гетерогенность и шум. Внедрить большую вариабельность в узлы малых предприятий, чтобы имитировать реалистичный дисбаланс данных и волатильность среди участников.
      ПРИМЕЧАНИЕ: Таблица 3 описывает характеристики реальных и смоделированных наборов данных, используемых для оценки; Он включает репрезентативные типы признаков, что обеспечивает прозрачность в понимании и репликации данных.

7. Создание базовых моделей

1. Организуйте базовые показатели для дисперсированной оптимизации финансовых результатов
   1. Реализовать независимое обучение с подкреплением (IR): обучить агент DRL для каждого предприятия, используя только локальные данные (без обмена параметрами).
   2. Реализовать федеративное контролируемое обучение (FedSL): обучить модель XGBoost через FedAvg для генерации статических финансовых правил принятия решений.
   3. Внедрить централизованное глубокое подкрепляющее обучение (CDRL): агрегировать все корпоративные данные в центральный узел и обучить агента DDPG (без защиты конфиденциальности).
2. Настройте базовые линии для моделирования риска заражения
   1. Реализовать статическую нейронную сеть графов (статический GNN): использовать фиксированную матрицу смежности (на основе отраслевой принадлежности) для моделирования передачи рисков.
   2. Внедрение сети Long Short-Term Memory (LSTM): моделирование индивидуальных тенденций корпоративных рисков, используя только данные временных рядов (игнорируя межкорпоративные связи).
   3. Реализовать классическую модель SIR: предположить фиксированные скорости передачи рисков для моделирования динамики заражения.
3. Настройка базовых линий для объяснимости
   1. SHAP-only: генерируйте объяснения только с использованием важности признаков (без извлечения правил).
   2. Только по правилам: генерируют объяснения только с использованием правил дерева решений (без количественного взвешивания признаков).
   3. Базовый уровень дистилляции: приближите модель финансового риска с помощью более простой модели (например, линейной регрессии) для упрощения объяснений.
4. Обеспечьте базовую сопоставимость. Сопоставьте ключевые гиперпараметры по базовым линиям, где это применимо (например, одинаковый скрытый размер GRU для LSTM и AGNN; сопоставимые темпы обучения и бюджеты на обучение).
   ПРИМЕЧАНИЕ: В таблице 4 показана полная программная среда и конфигурация моделей, используемые для воспроизведения рабочего процесса финансового риска, включая гиперпараметры JRL и AGNN, настройки дифференциальной конфиденциальности и протокол федеративной агрегации.

8. Определить метрики оценки

1. Определить метрики для распределённой финансовой оптимизации
   1. Рассчитать накопленную выручку: используйте функцию долгосрочной доходности из уравнения (1) для количественной оценки общей финансовой выгоды в период тестирования.
   2. Измеряйте устойчивость политики: вычислите стандартное отклонение корректировок решений (например, изменения коэффициента инвестиций) на последовательных временных шагах (более низкие значения указывают на более высокую стабильность).
   3. Оценивайте защиту конфиденциальности: используйте индекс на основе энтропии для оценки устойчивости к утечке данных (более высокие показатели указывают на более сильное соблюдение требований конфиденциальности).
2. Определить метрики для моделирования риска заражения
   1. Вычислить AUC-ROC: оценить точность корпоративных прогнозов вероятности по умолчанию (более высокие значения указывают на лучшую производительность).
   2. Измерить уровень распознавания пути: рассчитать долю правильно выявленных каналов заражения риска между предприятиями.
   3. Оценка динамической адаптивности: фиксировать время (в часах), необходимое модели для стабилизации ошибок прогноза после политического шока (как описано в уравнении 3, меньшие значения указывают на более быструю адаптацию).
3. Определите метрики для объяснимости
   1. Оценивайте точность объяснения: проводите экспертные обзоры для оценки согласованности между объяснениями и модельной логикой (на основе уравнений 4 и 14), при этом оценки варьируются от 0 до 1.
   2. Измерьте лаконичность объяснения: подсчитайте среднее количество ключевых признаков, включённых в каждое объяснение.
   3. Оценивайте согласованность правил: оценивайте соответствие между извлечёнными правилами и принятыми корпоративными финансовыми стандартами (от 0 до 1, более высокие значения указывают на лучшее соответствие).
   4. Документируйте все методы вычисления метрик: формулы записи и пороговые критерии для обеспечения воспроизводимости результатов.

9. Метрики оценки

1. Используйте четыре стандартных метрики оценки для оценки эффективности прогноза.
   1. Средняя квадратична ошибка (MSE) вычисляет среднее значение квадратов разности между фактическими и прогнозируемыми значениями риска. Более низкие значения MSE указывают на более высокую точность прогнозирования, как рассчитано:
      (18)
   2. Ошибка среднего квадрата корня (RMSE) обозначает квадратный корень ошибки предсказания, и, следовательно, по сути отражает стабильность модели на различных масштабах:
      (19)
   3. Средняя абсолютная ошибка (MAE) вычисляет среднее абсолютное отклонение между предсказанием и истинным значением, с акцентом на устойчивость и интерпретируемость.
      (20)
   4. Коэффициент ошибки (ER) — это отношение между отклонениями прогнозируемых и фактических значений в процентах, что обеспечивает более интуитивно понятную меру, связанную с реальной эффективностью прогнозирования:
      (21)

Results

Распределенная оптимизация финансовых решений (RQ1)

Централизованная DRL достигла наибольшего совокупного дохода, но ценой плохой защиты конфиденциальности с низким показателем конфиденциальности 0,30. В отличие от этого, предлагаемая структура JLR достигла совокупного дохода в 60,8 миллиарда юаней, что всего на 7% меньше, чем централизованная DRL, при сохранении высокого показателя конфиденциальности 0,92. Кроме того, он превзошел Independent RL и FedSL по стабильности принят...

Discussion

Результаты показывают, что предлагаемая структура эффективно решает три основные задачи распределённого управления финансовыми рисками: (i) оптимизация финансовых решений с сохранением конфиденциальности, (ii) динамическое моделирование межкорпоративного риска и (iii) интерпретируемость, ориентированная на заинтересованных сторон, в регулируемых условиях данных. Вместо того чтобы рассматривать их как отдельные цели, фреймворк объединяет совместное обучение с подкреплением (JRL) с адаптив...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Программное обеспечение для управления финансовыми данными	Wind Information Co., Ltd.	Н/Д	Предоставлены квартальные финансовые данные по 300 компаниям A-share (2018– 2023)
GPU-сервер	NVIDIA	Версия A100	Аппаратное обеспечение
Высокопроизводительный вычислительный сервер	Dell Technologies	R7525	Используется для проведения экспериментов с федеративным подкреплением обучения и обучения AGNN
Python		Версия 3.1	Программное обеспечение
PyTorch	Meta AI	Версия 2.1	Программное обеспечение
Рэй Р. Либ		Версия 2.6	Toolkit
ШАП		Последняя версия	Библиотека