|
Getting your Trinity Audio player ready...
|
Bankkreditratings sind entscheidend für die Bewertung der finanziellen Gesundheit einer Bank und beeinflussen Kreditkosten sowie die Stabilität des Finanzsystems. Die Vorhersage dieser Ratings, insbesondere in Zeiten finanzieller Instabilität, ist von großer Bedeutung, wie der Bankrott der Silicon Valley Bank im Jahr 2023 zeigte. Graph-Neuronale Netze (GNNs) sind vielversprechend für die Finanzrisikoprognose, stehen jedoch vor Herausforderungen, da Interbankenbeziehungen oft vertraulich sind und die Homophilie in abgeleiteten Netzwerken gering ist.
Um diese Probleme zu adressieren, stellen Junyi Liu und Stanley Kok in ihrer Arbeit das Heterogeneous Topological Graph Neural Network (HTGNN) vor. Dieses Modell kombiniert zwei Arten von Netzwerken:
- Ein Interbanken-Kreditnetzwerk: Dieses wird mithilfe der Minimum-Density-Methode (MDM) aus öffentlich verfügbaren Bankbilanzdaten abgeleitet. MDM minimiert die Anzahl der Verbindungen, die zur Verteilung eines bestimmten Kreditvolumens auf dem Interbankenmarkt erforderlich sind, basierend auf der Annahme, dass Interbankenbeziehungen mit Kosten verbunden sind.
- Ein Bankennetzwerk, das mittels Persistenter Homologie (PH) gelernt wird: PH, ein Werkzeug der Topologischen Datenanalyse (TDA), identifiziert stabile topologische Strukturen in komplexen, hochdimensionalen Datensätzen. Im HTGNN wird PH verwendet, um ein Netzwerk aus Finanzdaten (z.B. Liquidität, Einkommen, Einlagen) zu konstruieren, indem die räumlichen Beziehungen zwischen Banken als Punkte in einem hochdimensionalen Raum analysiert werden. Dies ermöglicht die Erfassung robuster struktureller Regelmäßigkeiten, die in traditionellen Interbanken-Netzwerken oft fehlen und zu einer höheren Homophilie führen.
Das HTGNN-Modell integriert diese beiden Netzwerke in einem heterogenen GNN, wobei separate Adjazenz‑, Normalisierungs- und Gewichtsmatrizen für jeden Kantentyp verwendet werden. Die Beiträge beider Netzwerke werden durch Hyperparameter gewichtet.
Experimente auf einem globalen Bankdatensatz von 2019 bis 2023 (4548 Banken, 70 Merkmale pro Quartal) zeigen, dass HTGNN beide Baselines – ein Modell, das nur das MDM-Netzwerk (LQM) verwendet, und ein Modell, das nur das PH-Netzwerk (PH) verwendet – konsistent übertrifft. HTGNN erzielt im Durchschnitt eine um etwa 2 % höhere Genauigkeit als die PH-Baseline und etwa 6 % höhere Genauigkeit als die LQM-Baseline. Die statistische Signifikanz dieser Verbesserungen wurde durch gepaarte t‑Tests bestätigt.
Die Autoren schlussfolgern, dass HTGNN eine effektive Methode zur Vorhersage von Bankkreditratings darstellt, indem es die geringe Homophilie in Interbanken-Kreditnetzwerken adressiert und robuste strukturelle Informationen durch persistente Homologie nutzt. Zukünftige Arbeiten könnten die Anwendung von HTGNN zur Erkennung von Ansteckungsrisiken in Finanznetzwerken umfassen.