Computing Systemic Risk Measures with Graph Neural Networks
创建于 更新于
摘要
本文扩展了带随机资本分配的系统性风险量化框架，将其引入随机金融网络和显式模型的银行间负债矩阵中，聚焦基于Eisenberg–Noe清算机制的聚合函数。针对该复杂图结构数据，本文提出运用图神经网络（GNN）及扩展置换等变神经网络（XPENN）进行风险分配函数逼近，理论上证明XPENN具备泛化能力，并通过数值实验验证其优于传统前馈神经网络，显著提升系统性风险度量和最优救助资本分配的近似效率与效果 [page::0][page::2][page::3][page::5][page::6][page::10][page::18][page::30][page::31][page::33][page::41][page::43]。
