Dijital Ekonomide Finansal Risk Tahmini ve Kontrolü İçin Veri Odaklı Bir Çerçeve

Summary

Bu araştırma, dağıtık öğrenme, dinamik bulaşım modelleme ve yorumlanabilirlik mekanizmaları kullanarak dijital ekonomide finansal risk tahmini ve kontrolünü geliştirmek için tasarlanmış veri odaklı bir çerçeve olan Financial Risk'i önermektedir.

Abstract

Dijital ekonomi çağında, finansal yönetim veri odaklı karar alma sistemine doğru kayıyor. En önemli üç zorluk şunlardır: (a) dağıtık veri gizliliği kısıtlamaları, (b) birbirine bağlı işletmeler arasında finansal risklerin hızlı bulaşması ve (c) birden fazla paydaş için şeffaf karar mantığı. Financial Risk, bu zorlukları dağıtık finansal karar optimizasyonu için Ortak Pekiştirme Öğrenmesi (JRL), gerçek zamanlı bulaşıcı etkileri modellemek için Adaptif Grafik Sinir Ağı (AGNN) ve şeffaflığı artırmak için çift kanallı yorumlama katmanı içeren bir çerçeveyle ele almaktadır. Deneyler, 2018'den 2023'e kadar 300 Çinli A-hisseli şirketin üç aylık finansal verileri ve simüle edilmiş dağıtık veri seti kullanılarak gerçekleştirildi. Önemli bulgular, JRL'nin 60,8 milyar yuan (gizlilik puanı 0,92) toplam gelir elde ettiğini, AGNN'nin AUC'sinin 0,89'a ulaştığını ve politika şoklarından sonraki iki saat içinde hataları stabilize ettiğini gösteriyor. Yorumlama katmanının performansı ortalama 2.8 ana özellikle %85 doğruluğa ulaşmıştır. Tüm bu bulgular, Finansal Risk çerçevesinin gizlilik, verimlilik, risk kontrolü ve yorumlanabilirliği dengelediğini ve dijital ekonomide finansal risk yönetimi için pratik bir paradigma sunduğunu göstermektedir.

Introduction

Dijital ekonomi çağında, kurumsal finansal yönetim deneyim temelli uygulamalardan veri odaklı paradigmalara^{geçecektir 1}. Gerçek zamanlı işlemler, IoT sensörleri ve bulut tabanlı kurumsal sistemler, çok boyutlu finansal verileri durmaksızın üreterek hassas tahmin, akıllı finansman ve dinamik varlık tahsisi için yeni fırsatlar^{açıyor 2}. Yine de, finansal veriler bağlı kuruluşlar, tedarik zinciri ortakları, finansal kurumlar ve düzenleyiciler arasında dağıtılıyor ve veri güvenliği ile PIPL ile ilgili giderek daha sıkılaşan yasal gereklilikler, merkezi işlemleri zorlaştırıyor. Bu koşullarda, geleneksel "veri taşınması, bulut merkezileştirme modelleme, birleşik karar verme" paradigması temelde bir ikilemle karşı karşıyadır: verimlilik için gizlilikten feda etmek mi yoksa veri silolarını korumak mı gerekirse optimal olmayan sonuçlar³.

Aynı zamanda, finansal risk bulaşmasının hızı ve yoğunluğu^{artmaktadır 4}. Makroekonomik dalgalanmalar, jeopolitik gerilim ve beklenmedik "kara kuğu" olayları, tedarik zincirleri, teminat zincirleri ve sermaye akışları boyunca hızla yayılabilir ve^5. dakikada sistemik riske yol açabilir. Statik finansal tablolar ve kredi notları gibi geleneksel araçlar, bu hızla gelişen dinamikleri yakalamak için genellikle yetersizdir. Bu sınırlamayı gidermek için, araştırmacılar finansal kararların optimizasyonu için pekiştirici öğrenme, dağıtık iş birliği için federasyon öğrenme ve karmaşık firmalar arası bağımlılıkların modellenmesi için grafik sinir ağları gibi gelişmiş hesaplamalı yöntemleri^{keşfetmiştir 6}. Bu yaklaşımlar, finansal tahmin, kredi riski kontrolü ve bulaşım modellemesini geliştirmede ilk başarıya ulaşmıştır; ancak çoğu, merkezi veya küresel verilere erişimi varsayar, böylece dağıtık ve gizlilik kısıtlı bağlamlarda pratik uygulanabilirliği^{sınırlar 7}.

Bir diğer önemli zorluk ise yorumlanabilirliktir. SHAP tabanlı özellik atfişi ve karar kuralı çıkarma gibi yöntemler yalnızca kısmi açıklamalardır ve genellikle CFO'lar, denetçiler ve düzenleyiciler gibi çeşitli paydaşların kararlı süreçlerinin şeffaf, denetlenebilir ve anlamsal olarak erişilebilir olmasını gerektiren gereksinimlerini^{karşılayamazlar.} 8. Yorumlanabilirlik olmadan, son derece hassas modeller bile gerçek finansal karar alma ortamlarında benimsenmekte^{zorlanır 9}. DDPG¹ gibi derin pekiştirme öğrenme yöntemleri, modern finansal karar sistemlerinin temelini oluşturan temel ilerlemeler^{sağlamıştır 10}.

Önerilen çerçeve, uygulama açısından finansal verilerin bağlı kuruluşlar, tedarik zinciri ortakları, finansal kurumlar veya düzenleyici düğümler arasında dağıtıldığı bir kurumsal ağı varsayıyor; burada ham veri havuzu gizlilik veya yetki kısıtlamaları nedeniyle yapılamıyor¹¹. Bu yaklaşım, her işletme düğümünün genellikle sermaye yapısı, likidite, kârlılık ve kredi olaylarını kapsayan 50 ila 120 özellik arasında zaman serisi finansal göstergeler sağladığı bir durumda iyi çalışır. Çerçeve, standart GPU destekli veya yüksek performanslı CPU ortamlarında da kullanılabilir ve GDPR, CCPA ve Çin'in PIPL gibi çeşitli gizlilik hukuku bağlamlarını, hassas finansal kayıtlar yerine şifrelenmiş model parametreleri değiştirerek^{destekler (13,14}). Tipik sistem gereksinimleri arasında düğümler arasında orta frekans iletişim frekansı ve zaman içinde kararlı ağ topolojisi bulunur. Bilinen bir sınırlama, son derece seyrek veya son derece değişken kurumsal ağlarda hassasiyetin azalmasıdır; bu ağlarda hızlı yapısal değişimler grafik modelinin sürekli firmalar arası bağımlılıkları öğrenmesini engeller. Bu durumlarda, tahmini kararlılığı korumak için sık sık yeniden eğitim veya daha kısa zaman aralığı gerekebilir¹⁵.

Bu bağlamda, mevcut çalışma dağıtık optimizasyon¹⁶ için Ortak Pekiştirme Öğrenmesi (JLR), gerçek zamanlı bulaşım modelleme için uyarlanabilir grafik sinir ağı^ve paydaş odaklı^{şeffaflık 18} için çift kanallı yorumlama katmanını entegre eden veri odaklı bir çerçeve olan Financial Risk'i önermektedir. Gizlilik, verimlilik, risk kontrolü ve yorumlanabilirliği aynı anda ele alarak, bu çerçeve dijital ekonomide finansal yönetim için yeni bir paradigma sağlar.

Protocol

Bu protokol, dijital ekonomide finansal risk tahmini ve kontrolü için Finansal Risk çerçevesinin oluşturulması ve ilgili doğrulama deneylerinin yeniden üretilmesi adımlarını açıklar. Protokol, matematiksel model biçimlendirmesi, çerçeve modülü oluşturma, iş akışı entegrasyonu, veri seti hazırlanması, temel düzen ve değerlendirme metrik tanımını kapsar; bu da alandaki araştırmacılar tarafından tekrarlanabilirliği mümkün kılar. Materyaller Tablosu , bu protokolü yeniden üretmek için gereken tüm yazılımları, kütüphaneleri/araç setlerini, donanım kaynaklarını ve veri setlerini özetlerken, Şekil 1 şeffaf finansal risk tahmini ve kontrolü için genel iş akışını sağlar.

NOT: Bu protokolteki tüm adımlar Python tabanlı bir iş akışında uygulanmıştır. Yerel kurumsal ajanlar (istemciler), dağıtık kurumları emüle etmek için ayrı makinelerde veya izole konteynerlerde çalıştırılırken, federasyon toplama merkezi bir koordinatör (sunucu) üzerinde yürütülür. Model eğitimi ve çıkarım, GPU hızlandırma ile birlikte derin öğrenme çerçevesi (örneğin PyTorch veya TensorFlow) kullanılarak uygulanır. Grafik sinir ağı işlemleri, bir grafik öğrenme kütüphanesi (örneğin, PyTorch Geometric veya DGL) kullanılarak uygulanır. SHAP açıklamaları SHAP paketi kullanılarak oluşturulur. Tekrarlanabilirliği sağlamak için deneyler sabit rastgele tohumlar, önceden tanımlanmış tren/doğrulama/test bölünmeleri, tutarlı ön işleme betikleri ve kayıtlı hiperparametreler (öğrenme oranı, parti büyüklüğü, iletişim turları ve erken durma kriterleri) kullanır.

1. Araştırma problemini tanımlayın ve matematiksel modelleri resmileştirin

1. Üç temel araştırma hedefini netleştirin: dağıtık veri gizliliği kısıtlamaları altında finansal kararları optimize etmek, dinamik şirketler arası risk bulaşmasını yakalamak ve çoklu paydaşlar için insan tarafından yorumlanabilir karar mantığını sağlamak.
2. Dağıtık finansal karar optimizasyon modelini resmileştirin
   1. Her işletme için karar alanını tanımlayın: Kararları kurumsal i için t zamanında alın, burada A_i yatırım, finansman ve temettü stratejilerini içerir.
   2. Uzun vadeli getiri maksimizasyon hedefini optimizasyon hedefi olarak belirleyin, şöyle ifade edilir:
      (1)
      burada γ indirim faktörü, r_i anlık ödül, yerel durum ve işletmeler arası ilişkiler kümesi.
      NOT: Bu ödül formülasyonu, her işletme temsilcisini sadece kendi finansal durumlarına değil, aynı zamanda bağlantılı işletmeler üzerindeki risk yayılım etkilerine de göre karar alma süreçlerini optimize etmeye teşvik eder. Sonuç olarak, JRL dağıtık finansal kuruluşlar arasında işbirlikçi ama gizliliği koruyan öğrenmeyi destekler.
   3. Gizlilik kısıtlamaları getirilir: her şirketin ham verilerinin kurumlar arasında paylaşılamayacağını belirtir (yani veri her işletmeye yerel kalır) ve federe eğitim sırasında veri alışverişi yerine parametre paylaşımını zorunlu kılın.
3. Dinamik risk bulaşması modelini resmileştirin
   1. Şirketler arası ağı dinamik bir grafik olarak temsil et:
      (2)
      burada V , kurumsal düğümleri, E^t ise zaman değişkeni bulaşıcı kenarları gösterir.
   2. Risk iletim yoğunluğunu kurumsal i'den j zamanında t zamanında nicelleştirmek için kenar ağırlıkları tanımlanır.
   3. Enterprise i'in risk durumunun evrimini doğrusal olmayan dinamik denklem kullanarak tanımlayın:
      
      Burada f, doğrusal olmayan bir aktivasyon fonksiyonu ^{ve ∈} stokastik bir bozulmadır.
4. Yorumlanabilirlik kısıtlama modelini resmileştirin
   1. Açıklama doğruluk eşiğini belirleyin: model çıktısının açıklamayla eşleşme olasılığının sağlanmasını gerektirin
      (4)
      Kabul eşiği δ olurken, açıklayıcı özelliklerin sayısının sınırlandırılmasıyla özlülük korunur.
      NOT: Kabul eşiği, doğrulama kümesindeki kalibrasyona göre δ = 0.85 olarak ayarlanmıştır. Bu eşik, model çıktısı ile oluşturulan açıklama arasındaki minimum uyumu kontrol eder; açıklamaların tahmin edilen risk olasılığına sadık kalmasını sağlarken çok uzun özellik listelerinden kaçınır.
   2. Açıklama özlüğünü sağlamak için ana açıklayıcı özelliklerin sayısını k≤K ile sınırlayın (burada K, önceden tanımlanmış maksimum yorumlanabilir özellik sayısıdır).

2. JRL çerçevesini oluştur

1. Her işletme için yerel pekiştirme öğrenme ağları kurmak
   NOT: Bu adım her kurumsal istemci (yerel makine/konteyner) üzerinde gerçekleştirilir. Federe toplama sırasında sunucuya yalnızca model parametreleri (veya parametre güncellemeleri) iletilir.
   1. Her işletme için bir Deep Deterministic Policy Gradient (DDPG) ajanı uygulayın; bu ajan, aktör-eleştirel yapısı (eylem seçimi için politika ağı ve değer tahmini için eleştirel ağı) dahildir.
      NOT: Her istemci, sabit rastgele bir tohumla DDPG ajanını başlatır, yerel ortamıyla etkileşime girip geçişler oluşturur ve bunları minibatch güncellemeleri için tekrar tamponunda saklar.
   2. Durum-karar çiftlerinin değerini değerlendirmek için kritik ağ çıktısını tanımlayın:
      (5)
2. Kritik ağ için kayıp fonksiyonunu tanımlayın
   1. Hedef kritik ağı Q_φi kullanılarak zaman farkı hatasını hesaplayın ve kayıp fonksiyonunu şu şekilde ayarlayın:
      (6)
   2. Kritik ağ parametrelerini stokastik gradyan inişi kullanarak φ i optimize edin. Her güncelleme adımında, tekrar tamponundan bir mini geçiş grubu örnekleyin, yukarıdaki TD kaybını hesaplayın, gradyanları geri yayınız ve optimizator güncellemesi uygulayın (örneğin, SGD/Adam). İstereğe bağlı olarak stabilite için gradyan kırpma uygulayın ve hedef kritik ağını yumuşak güncelleme hızı τ ile güncelleyebilirsiniz.
3. Politika ağı parametrelerini optimize edin
   1. Politika parametreleri θ i ile karşılaştırıldığında uzun vadeli getiri J(θ_i)'nin_gradyanını hesaplayın:
      (7)
   2. Hesaplanan gradyanı kullanarak θ i güncellemesi ve kümülatif dönüşü maksimize etmek.
4. Federated Average (FedAvg) aracılığıyla küresel parametre toplama uygulanabilir
   1. Her iletişim turunun sonunda tüm işletmelerden şifreli politika ağ parametrelerini (veya parametre deltalarını) toplayın.
   2. Her işletmenin parametrelerini veri seti boyutuna göre ağırlıklandırarak küresel parametre θ_g hesaplayın |Dİ|:
      (8)
   3. Güncellenmiş küresel parametre θ g her işletmeye dağıtarak yerel ağları senkronize edin.
      NOT: 2.4.1-2.4.3 adımları sunucu-istemci iş akışı ile gerçekleştirilir. İstemciler, parametreleri (veya deltaları) şifreli bir kanal (örneğin TLS) üzerinden merkezi sunucuya yükler. Sunucu FedAvg uygular ve bir sonraki tur için tüm istemcilere θ_g iletir.
5. İletişim verimliliğini artırın
   1. Veri iletim hacmini azaltmak için model parametrelerine kuantize sıkıştırma uygulayın.
   2. Her yerel model güncellemesine Gauss mekanizması kullanılarak diferansiyel gizlilik gürültüsü ekleyin. Her t turu için, gradient vektörü g'ye ∈^t ∼ N(0,σ² I) ile σ=0.8 ile gürültü uygulanır:
      (9)
      NOT: Gürültü, sunucuya iletikten hemen önce istemci üzerinde yerel olarak uygulanır ve diferansiyel gizlilik kısıtlamaları altında gizlilik koruma eğitimini destekler.
   3. Katılımcılar arasında heterojen hesaplama yeteneklerini karşılamak için asenkron güncellemeleri kabul edin.

3. Risk bulaşması modelleme için Adaptif Grafik Sinir Ağı (AGNN) Oluştur

1. Dinamik bitişiklik matrisini bilgilendirmek için dikkat ağırlıklarını hesaplayın
   1. Normalize nokta-çarpım dikkatini kullanarak t zamanında kurumsal i ile j arasındaki dikkat katsayısını hesaplayın:
      (10)
      NOT: Bu dikkat ağırlıkları, her komşu işletmenin güncellenen risk durumu üzerindeki etkisini nicelikle ölçüyor ve denetçilerin tahminleri belirli ilişkisel sürücülere kadar takip etmesini sağlar.
   2. Gerçek zamanlı bulaşıcı yoğunluğunu yansıtacak şekilde kenar ağırlığını güncelleyin.
2. Zamansal mesaj iletimi gerçekleştirin
   1. Enterprise i için mesaj vektörü oluşturmak üzere komşu risk durumlarını topla
      (11)
3. Düğüm risk durumunu bir Kapılı Tekrarlayan Ünite (GRU) kullanarak güncelleyin
   1. Mevcut durumu ve mesaj vektörünü entegre ederek bir sonraki zaman adımı durumunu hesaplayın:
      (12)
4. Risk bulaşıcı gömülmelerini çıkarın ve modeli optimize edin
   1. Güncellenmiş durumu bir Çok katmanlı Perceptron (MLP) üzerinden geçirerek bulaşıcı gömmeler oluşturulur:
      (13)
   2. AGNN parametrelerini optimize etmek için çapraz entropi kaybı fonksiyonunu tanımlayın:
      (14)
   3. AGNN'i, minibatch optimizatörü (örneğin, Adam) ile geri yayılmayı kullanarak eğitin ve yakınsamaya kadar kullanın. Zaman adımı t başına grafik anlık görüntüleri oluşturun ve {G_t} üzerinde kayan pencereler kullanarak zamansal gruplar oluşturun. Eğitim bölünmesinde L'yi en aza indirin ve her dönemde doğrulama kaybını izleyin. Doğrulama kaybı önceden belirlenmiş bir dönem sayısında iyileşmediğinde erken durdurma uygulanır (sabır), ya da maksimum sayıda dönemde durur.

4. Çift kanallı açıklanabilirlik katmanını geliştirin

1. SHAP tabanlı özellik önem kanalını uygulayın
   1. Her özelliğin x_j'nin model çıktısına marjinal katkısını SHAP değerleri kullanılarak hesaplayın:
      (15)
   2. Burada φ_j , x_j özelliğinin SHAP değeridir ve tahmine katkısını temsil eder.
   3. Finansal risk kararlarının temel itici güçlerini belirlemek için özellikleri mutlak φ_j değerlerine göre sıralayın.
2. Karar ağacı tabanlı kural çıkarma kanalını uygulayın
   1. Hafif bir karar ağacı vekili modeli eğitin. Finansal Risk modeline sağlanan X giriş özellik matrisini ve ilgili model çıktılarını denetim sinyali olarak kullanın. Özellikle, (i) tahmin edilen olasılık (regresyon ağacı) veya (ii) eşik belirleme yoluyla elde edilen (örneğin Düşük/Orta/Yüksek) ayrık risk seviyeleri (sınıflandırma ağacı) kullanabilirsiniz. Aşırı uyumu azaltmak ve yorumlanabilirliği korumak için sınırlı derinlikle (örneğin, maksimum derinlik 3-5) sığ bir karar ağacı eğitin. Ağaç çıktılarını Finansal Risk çıktılarıyla karşılaştırarak vekil doğruluğu değerlendirin.
   2. Karar ağacından insan tarafından okunabilir "eğer" kurallarını çıkarın. Her kökten yaprağa yolu geçin ve bölünme koşullarını konjonktif kurallara dönüştürün. Kuralları ağaç tarafından öğrenilen orijinal finansal gösterge isimleri ve eşikleri kullanılarak raporlayın. Örneğin:"Borç-varlık oranı >0.6 ve nakit akışı kapsamı <1.2 ise, risk seviyesi = Yüksek." Gereksiz koşulları kaldırın ve sadece en bilgilendirici kuralları (örneğin, destek veya sadakatle sıralanan en iyi kurallar) koruyun.
3. İki açıklama kanalını birleştirin
   1. SHAP ve kural tabanlı çıktıları birleştirerek entegre açıklamalar oluşturun. Her kurumsal tahmin için, (i) |φ_j| ile sıralanmış en üst k SHAP özelliklerini raporlayın. nicel sürücüler olarak ve (ii) nitel mantıkla aynı girdi örneği tarafından tetiklenen eşleşen karar ağacı kural yolu. Son açıklamayı, özellik katkılarını karşılık gelen bir kural ifadesiyle eşleştiren kısa bir şablon olarak sunun; böylece hem sayısal şeffaflık hem de mantık temelli yorumlanabilirlik destek olur.
      NOT: Tablo 1, araştırmada kullanılan temel değişkenler ve finansal göstergelerin genel bir özetini sunarak, girdi özelliklerinin kurumsal düzeyde risk tahminiyle nasıl ilişkili olduğuna dair netlik sağlar.

5. Entegre algoritmik iş akışını kurmak

1. Çerçeve bileşenlerini başlatın
   1. Tüm işletmeler için yerel politika ağlarını ve kritik ağları yapılandırın (Adım 2.1 ile uyumlu), başlatma tohumları ve tekrar oynatma tamponu ayarları dahil.
   2. AGNN için gizli durum boyutu d, GRU hiperparametreleri ve MLP katman boyutları dahil olmak üzere başlangıç parametrelerini belirleyin.
   3. SHAP yapılandırması (örneğin, çekirdek/arka plan örnekleme stratejisi) ve karar ağacı kısıtlamaları (örneğin, maksimum derinlik) dahil olmak üzere çift kanallı açıklanabilirlik katmanını başlatın.
   4. FedAve için iletişim frekansı (tur aralığı), gizlilik gürültüsü yoğunluğu ve küresel tur sayısı dahil olmak üzere küresel toplama parametrelerini tanımlayın.
2. Iterative framework updates gerçekleştir
   1. Her zaman adımı t için:
      1. Her işletmenin politika ağını kullanarak yerel eyaletler ve kararlar oluşturun.
      2. Gerçekleşen finansal sonuçlara veya Eq. (1)'de tanımlanan vekil hedeflere dayalı anlık ödülleri hesaplayın.
      3. Yerel politika ve kritik ağları geçişler kullanarak güncelleye (Adım 2.2-2.3 ile uyumlu), tekrar tamponundan minibatch örnekleme ve geri yayılma tabanlı optimizasyon kullanarak.
      4. Şifrelenmiş yerel parametreleri toplayın, FedAvg ile küresel parametreleri güncelleye verin ve θ_g'yi işletmelere dağıtın (adım 2.4 ile tutarlı).
      5. AGNN'yi dikkat tabanlı mesaj iletimi kullanarak güncelleyin ve bulaşma modülünü eğitin. Grafik anlık görüntüsü G_t ve düğüm özelliklerini zaman adımı t'de oluşturun. Her i düğümü için, komşuları j∈N(i) üzerindeki dikkat katsayılarını şu şekilde hesaplayın:
         (16)
         Gizli temsil ile ağırlıklı toplama ile güncellenin:
         (17)
         Eğitim bölünmesinde minibatch optimizatoru (örneğin, Adam) kullanarak ileri ve geri geçişler yapın. Her turda doğrulama kaybını izlerken, sabit sayıda küresel tur (örneğin 200 tur) için eğitim yapın. Doğrulama kaybı önceden tanımlanmış sabır penceresi için (örneğin, 5 ardışık dönem/tur) iyileşmediğinde, öğrenme hızını 0.1 kat azaltan bir öğrenme hızı zamanlayıcısı uygulayın.
         NOT: Bu formülasyon, her işletme düğümünün komşu bilgilerini toplamasını sağlarken finansal açıdan önemli (yüksek riskli) ilişkileri daha güçlü bir şekilde ağırlıklandırmasını sağlar; bu da bulaşma kaynaklı risk sinyallerinin erken tespitini iyileştirir.
      6. AGNN gömmeleri kullanarak kurumsal varsayılan olasılıkları tahmin edin.
      7. Çift kanallı katman üzerinden kararlar ve risk tahminleri için açıklamalar oluşturun (Adım 4.3 ile tutarlı), hem SHAP tabanlı sürücüleri hem de tetiklenen karar ağacı kural yolunu raporlayın.
      8. Açıklama netliğini geliştirmek için paydaş geri bildirimleri (isteğe bağlı) toplayın (örneğin, açıklama şablonlarını gözden geçirmek veya bildirilen özelliklerin maksimum sayısını ayarlamak k).
3. Set sonlandırma koşulları
   1. Zaman adımlarının sayısı önceden belirlenmiş bir sınıra ulaştığında (örneğin, 1000 yineleme) veya model performansı stabilleştiğinde (örneğin, AUC-ROC 5 ardışık yinelemede 0.01'den az değiştiğinde) yinelemeyi bırakın.
   2. Optimize edilmiş çıktı sunun: kurumsal özel karar stratejileri, kalibre edilmiş AGNN risk bulaşım modelleri ve standartlaştırılmış açıklama şablonları.
      NOT: Tablo 2 , tüm öğrenme ortamlarında başlatma parametrelerini ve eğitim ayarlarını özetleyerek deneysel iş akışının tam tekrarlanabilirliğini sağlar.

6. Deneysel veri setleri hazırla

1. Gerçek finansal veri setini topla ve işle
   1. 2018'den 2023'e kadar 8 sektörü (örneğin, üretim, finans ve bilgi teknolojileri) kapsayan 300 Çinli A-stock listeli şirketin üç aylık finansal verilerini toplayın.
   2. Finansal özellikleri ve etiketlenmiş risk olaylarını ekleyin. 120 finansal özellik (örneğin, borç-varlık oranı, nakit akışı göstergeleri ve özkaynak getirisi) ve temerrüt ile kredi notu düşüşü gibi risk olayı etiketleri kullanın.
   3. Veri setini kronolojik olarak böl. Eğitim için 2018 Q1-2021 Q4'ünü, doğrulama için 2022 Q1-2022 Q4'ü ve test için 2023 Q1-2023 Q4'ü kullanın; böylece splitler arasında zaman sızıntısı olmamasını sağlar.
2. Simüle edilmiş dağıtık veri setini oluşturun
   1. Dağıtık kurumsal düğümler oluşturun. Her biri gizlilik açısından hassas yerel verileri (örneğin, dahili işlem kayıtları) ve paylaşılabilir sektör düzeyindeki sinyalleri (örneğin, sektör ortalama büyüme oranı) tutan 10 kurumsal düğüm oluşturun.
   2. Heterojenlik ve gürültü ekleyin. Katılımcılar arasında gerçekçi veri dengesizliği ve dalgalanmasını taklit etmek için daha küçük kurumsal düğümlere daha yüksek değişkenlik ekleyin.
      NOT: Tablo 3, değerlendirme için kullanılan gerçek ve simüle edilmiş veri setlerinin özelliklerini tanımlar; Temsilci özellik türleri içerir, böylece veri anlaşılması ve çoğaltma konularında şeffaflığı destekler.

7. Temel modeller oluşturun

1. Dağıtılmış finansal sonuç optimizasyonu için temel çizgiler düzenleyin
   1. Bağımsız Pekiştirme Öğrenmesi (IR) uygulayın: her işletme için yalnızca yerel verilerini kullanarak (parametre paylaşımı olmadan) bir DRL ajanı eğitin.
   2. Federe Denetimli Öğrenmeyi (FedSL) uygulayın: FedAvg üzerinden bir XGBoost modelini eğitip statik finansal karar kuralları oluşturun.
   3. Merkezi Derin Pekiştirme Öğrenmesi (CDRL) uygulayın: Tüm kurumsal verileri merkezi bir düğüme toplayın ve bir DDPG ajanı eğitin (gizlilik koruması yok).
2. Risk bulaşma modellemesi için bazları yapılandırma
   1. Statik Grafik Sinir Ağı (Statik GNN) uygulayın: Risk iletimini modellemek için sabit bir bitişik matris (sektör bağlantısına göre) kullanın.
   2. Uzun Kısa Süreli Bellek (LSTM) ağı uygulayın: yalnızca zaman serisi verileriyle bireysel kurumsal risk eğilimlerini modelleyin (şirketler arası ilişkileri göz ardı ederek).
   3. Klasik SIR modelini uygulayın: bulaşma dinamiklerini simüle etmek için sabit risk iletim hızlarını varsayın.
3. Açıklanabilirlik için temel çizgileri yapılandırma
   1. Sadece SHAP: yalnızca özellik önemi kullanılarak açıklamalar oluşturun (kural çıkarma yok).
   2. Sadece kurallar: yalnızca karar ağacı kuralları kullanılarak açıklamalar oluşturun (nicel özellik ağırlıklandırması yok).
   3. Damıtma temeli: Finansal Risk modelini açıklamaları basitleştirmek için daha basit bir modelle (örneğin, doğrusal regresyon) yaklaşık olarak eşleştirin.
4. Temel karşılaştırılabilirliği sağla. Geçerli olduğunda temel parametreleri tabanlar arasında eşleştirin (örneğin, LSTM ve AGNN için aynı GRU gizli boyutu; karşılaştırılabilir öğrenme oranları ve eğitim bütçeleri).
   NOT: Tablo 4, JRL ve AGNN hiperparametreleri, diferansiyel gizlilik ayarları ve federasyon toplama protokolü dahil olmak üzere Finansal Risk iş akışını yeniden üretmek için kullanılan tam yazılım ortamı ve model yapılandırmasını göstermektedir.

8. Değerlendirme metriklerini tanımlayın

1. Dağıtılmış finansal karar optimizasyonu için metrikleri tanımlayın
   1. Kümülatif geliri hesaplayın: Test döneminde toplam finansal kazançları nicelendirmek için Denklem (1)'deki uzun vadeli getiri fonksiyonunu kullanın.
   2. Politika istikrarını ölçmek: karar ayarlamalarının (örneğin, yatırım oranındaki değişiklikler) ardışık zaman adımları boyunca standart sapmasını hesaplayın (düşük değerler daha yüksek istikrarı gösterir).
   3. Gizlilik korumasını değerlendirin: veri sızıntısına karşı direnci puanlamak için entropi tabanlı bir endeks kullanın (yüksek puanlar daha güçlü gizlilik uyumunu gösterir).
2. Risk bulaşması modellemesi için metrikleri tanımlayın
   1. AUC-ROC hesaplayın: kurumsal varsayılan olasılık tahminlerinin doğruluğunu değerlendirin (yüksek değerler daha iyi performans gösterir).
   2. Yol tanıma oranını ölç: işletmeler arasında doğru tanımlanmış risk bulaşıcı kanallarının oranını hesaplayın.
   3. Dinamik uyum sağlamayı değerlendirin: Politika şokundan sonra modelin tahmin hatalarını stabilize etmesi için gereken zamanı (saat cinsinden) kaydedin (Denklem 3'te açıklandığı gibi, düşük değerler daha hızlı uyum anlamına gelir).
3. Açıklanabilirlik için metrikleri tanımlayın
   1. Açıklama doğruluğunu değerlendirin: açıklamalar ile model mantığı arasındaki tutarlılığı puanlamak için uzman incelemeleri yapın (Denklemler 4 ve 14'e dayanarak), puanlar 0'dan 1'e kadar değişir.
   2. Açıklama özlüğünü ölç: Her açıklamada yer alan temel özelliklerin ortalama sayısını say.
   3. Kural tutarlılığını değerlendirin: çıkarılan kurallar ile kabul edilen kurumsal finansal standartlar arasındaki uyumu puanlayın (0'dan 1'e kadar, daha yüksek değerler daha iyi uyumu gösterir).
   4. Tüm metrik hesaplama yöntemlerini belgeleyin: sonuçların tekrarlanabilirliğini sağlamak için formülleri ve eşik kriterlerini kaydedin.

9. Değerlendirme metrikleri

1. Tahmin performansını değerlendirmek için dört standart değerlendirme metriği kullanın.
   1. Ortalama Kare Hata (MSE), gerçek ve öngörülen risk değerleri arasındaki kare farkların ortalamasını hesaplar. Daha düşük MSE değerleri, tahminde daha yüksek doğruluğu gösterir, hesaplandığı gibi:
      (18)
   2. Kök Ortalama Kare Hatası (RMSE), tahmin hatasının karekökünü ifade eder ve bu nedenle model kararlılığını çeşitli ölçekler arasında yansıtır:
      (19)
   3. Ortalama Mutlak Hata (MAE), tahmin ile gerçek değer arasındaki ortalama mutlak sapmayı hesaplar; odaklanarak dayanıklılık ve yorumlanabilirlik üzerine odaklanır.
      (20)
   4. Hata Oranı (ER), tahmin edilen ve gerçek değerlerin yüzde cinsinden sapması arasındaki orandır; bu nedenle gerçek dünya tahmin performansıyla ilgili daha sezgisel bir ölçüm sağlar:
      (21)

Results

Dağıtık finansal karar optimizasyonu (RQ1)

Merkezi DRL en yüksek kümülatif gelire ulaştı ancak düşük gizlilik puanı olan 0.30 gizlilik puanıyla, zayıf gizlilik koruması karşılığında gerçekleşti. Buna karşılık, önerilen JLR çerçevesi 60,8 milyar yuan toplam gelir elde etti; bu, merkezi DRL'den sadece %7 daha düşük ve yüksek gizlilik puanı olan 0,92'yi korudu. Ayrıca, karar kararlılığı açısından Bağımsız RL ve FedSL'den daha iyi performans gösterdi. Dolayısıyla, önerilen JLR çer...

Discussion

Sonuçlar, önerilen çerçevenin dağıtık finansal risk yönetiminde üç temel zorluğu etkili bir şekilde ele aldığını göstermektedir: (i) gizlilik koruyucu finansal karar optimizasyonu, (ii) işletmeler arası risk bulaşmasının dinamik modellemesi ve (iii) düzenlenmiş veri ortamları altında paydaş odaklı yorumlanabilirlik. Bunları izole hedefler olarak ele almak yerine, çerçeve ortak pekiştirme öğrenmesini (JRL) adaptif grafik sinir ağı (AGNN) ve çift kanallı açıklama katmanı ile birleştirir; b...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Finansal Veri Yönetim Yazılımı	Rüzgar Bilgi Şirketi, Ltd.	Yok	300 A-hisseli şirketin (2018 ve sonra; 2023)
GPU sunucusu	NVIDIA	A100 Versiyonu	Donanım
Yüksek Performanslı Hesaplama Sunucusu	Dell Technologies	R7525	Federasyon takviye öğrenme ve AGNN eğitim deneylerinin yürütülmesi için kullanılır
Python		Sürüm 3.1	Yazılım
PyTorch	Meta AI	Sürüm 2.1	Yazılım
Ray RLlib		Sürüm 2.6	Toolkit
SHAP		En Son Sürüm	Kütüphane