Computing Systemic Risk Measures with Graph Neural Networks
创建于 更新于
摘要
本报告扩展了基于随机金融网络的系统性风险度量，采用以Eisenberg-Noe市场清算机制为基础的图结构聚合函数，引入随机资产与随机互联负债矩阵。针对计算难题，提出基于排列等变神经网络（PENN及其扩展XPENN）和图神经网络（GNN）的逼近方法，理论证明了这些模型在近似排列等变节点标注函数上的统一性及表现优越性。数值实验验证该方法相比传统FNN对随机负债矩阵的处理更有效，显著提升系统风险测算与最优救助资本配置的准确性与计算效率[page::0][page::2][page::3][page::5][page::9][page::14][page::29][page::33][page::37]
