CONDITIONAL FORECASTING OF MARGIN CALLS USING DYNAMIC GRAPH NEURAL NETWORKS
创建于 更新于
摘要
本报告提出了一种结合GC-LSTM的动态图神经网络（DGNN）架构，用于在时间动态金融网络中有条件地多步预测净变动保证金。模型基于模拟的隔夜指数互换（OIS）网络数据，结合金融实体特征和条件的参考利率路径，能够准确预测最长21天的净变动保证金，为监管者提供了动态网络层面系统性风险的前瞻性压力测试工具 [page::0][page::2][page::7][page::11][page::24]。
