Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Методическая статья
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.
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.
В эпоху цифровой экономики корпоративное финансовое управление сместится с практик, основанных на опыте, к парадигмам, основаннымна 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 распределенияактивов 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 безопасност....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
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 ....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
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.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
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.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторам нечего раскрывать.
Это исследование было поддержано Чжэцзянским коммерческим техникумом. Автор благодарит финансовые учреждения и предприятия, предоставившие данные и экспертизу. Особая благодарность выражается коллегам за их взгляды на федеративное обучение и моделирование рисков. Мы также признаём техническую поддержку со стороны сообществ с открытым исходным кодом и инструменты, которые способствовали этой работе.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| 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 |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.