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 。
报告标题: Computing Systemic Risk Measures with Graph Neural Networks
作者: Lukas Gonon, Thilo Meyer-Brandis, Niklas Weber
发布机构: 未直接标明(推断为相关学术机构)
发布日期: 2025年9月9日
主题领域: 系统性风险、金融网络、图神经网络(GNN)、机器学习在金融风险测度中的应用
核心论点与目标:
本文提出基于随机分配的系统性风险测度的图结构扩展,结合金融系统中明显的双边债务关系。论文侧重于以Eisenberg和Noe(2001)提出的市场清算算法为基础的系统风险聚合函数,推出在这种图结构下系统性风险测度的定义和存在性,进而研究使用图神经网络及其拓展架构((X)PENNs)来逼近系统性风险测度及最优资本分配。核心贡献包括理论证明存在最优随机分配,提出新颖的迭代优化计算算法,定义和解析保持图结构置换对称性的神经网络架构,并展示这些方法较传统神经网络和基准方法具有更优性能。
摘要介绍了研究的主要对象——随机金融网络中基于随机分配的系统性风险测度,提出用图形神经网络架构(GNNs)和扩展的置换等变神经网络((X)PENNs)来近似这些风险测度。强调模型对图结构的置换等变性处理是其优势,通过数值实验证实置换等变网络优于其他方法。
风险测度是量化金融风险的基础工具,历史沿革由Markowitz(均值-方差)、VaR出发,随金融系统愈发复杂,系统性风险的关注激增。系统性风险测度主要由单变量风险测度应用于系统风险因子组成,强调资本分配“先于”聚合以预防金融传染的思想,更经济有效。测度推广了确定性资本配置到随机资本配置的场景依赖配置,支持从全局到场景依赖的随机分配优化,显著降低资本需求。
系统性风险表达为
[
\rho(X)=\inf_{Y \in \mathcal{C}}\left{\sum_i Y_i \mid \Lambda(X+Y) \in \mathbb{A}\right}
]
其中,X为随机向量风险因子,Λ为聚合函数,C为随机资本分配集合(可覆盖场景特异资本分配),A接受集合代表风险阈值限定。并详细解释对随机资本配置的经济语义和风险管理逻辑。
论文创新之一是考虑包含随机债务矩阵L的网络结构风险聚合函数Λ(a,ℓ),将资产及债务矩阵输入同时考虑,特别针对Eisenberg-Noe清算机制计算聚合函数,捕获金融网络中的传染效应。
详细引入Eisenberg–Noe清算机制,解释金融网络节点资产a∈R+N及债务矩阵ℓ∈R+N×N的定义与作用,定义相对债务矩阵π及清算函数Φ,其固定点即清算向量CV。
聚合函数Λ实例主要包括总偿付缺口(total payment shortfall),即债务总额减去清算的偿付金额总和,以及对特定节点缺口加权,扩展含风险厌恶函数的案例。明确聚合函数要求满足的性质(凸性、递减性、线性增长等)以保证理论推导有效。
定义随机金融网络(A,L)以及对应的系统风险测度ρb(G),严格假设了风险测度η的凸性、单调性和规范化属性;并对资本分配进行了非负性限制,确保结果的金融合理性和数学规整性。
证明了系统风险测度的有界性、凸性以及存在最优随机资本分配,且最优解风险恰达阈值b(Propositions 3.4, 3.5, 3.8)。借助Komlós定理保证极限和最优解存在。结果强化了测度的数学合理性及优化可行性。
通过定义内风险ρcI和外风险ρbO,将系统风险测度表达为寻找资本水平c使得对应的风险最小化函数值不超过阈值b的最小值。正式证明了两种定义的等价性(Proposition 4.5),并结合Komlós定理和测度连续性给出内风险最优分配的存在性。
提出基于经验风险和随机梯度的迭代算法(Algorithm 1)来数值逼近该风险测度。算法核心是:内循环利用神经网络逼近资本分配函数φθ以最小化风险;外循环通过概率二分搜索寻求满足风险阈值的最小资本值。算法设计兼顾场景依赖配置的优化实用性。
特别强调了该框架也覆盖传统确定性资本分配方式(Remark 9),并指出相比线性规划等经典方法,该神经网络方法适合大规模、连续概率空间且计算上更具扩展性(Remark 10)。
引入三类神经网络架构:
清晰定义了PENN和XPENN的数学结构及架构设计,伴随普适逼近定理(Propositions 5.7至5.9及相关引理),说明这些网络能在概率意义下近似任意置换等变节点函数,理论基础扎实。
报告核心在于系统性风险测度的数学定义和数值计算,无传统意义上的股票/债券估值分析。但对系统风险的“价值”通过风险测度ρb(G)和资本需求量表现,算法旨在精准估算该值及对应最优资本分配。相关数学模型基于凸风险测度与最优资本分配优化,且通过图神经网络架构逼近具有高维输入输出特性和图置换对称结构的复杂映射函数。
论文本质上关注由金融网络结构和外部冲击引发的系统性风险:
本文创新性地将系统性风险测度中的随机资本分配框架,结合随机资产和随机债务矩阵,扩展到基于金融网络的图结构模型。通过引入Eisenberg–Noe清算机制,准确体现节点间债务传染,建立了随机网络系统风险测度的数学理论基础,验证了最优随机资本分配的存在性,并给出计算该风险测度的有效迭代优化算法。
采用图神经网络(GNN)和置换等变神经网络架构(PENN与其扩展XPENN)实现了风险测度与最优资本配置映射的有效近似。理论上,该类网络满足普适逼近定理,能保持对节点编号置换的等变性,天然适合图结构数据。实证研究证明:
综上,报告系统地从理论建模、算法设计到神经网络架构创新,再到丰富的数值实验全面展示了新方法在系统风险测度中的优势。研究不仅推动金融网络系统风险测度理论发展,更为实际金融危机预防机制提供了高度可扩展且精确的计算工具。
| 图表/表格 | 描述 | 关键数据和趋势 | 逻辑联系 | 溯源 |
|---|---|---|---|---|
| 图1 (页33) | 默认级联网络与中心星型网络示意图。左为100节点默认链,右为100节点中心星形。显示了两类典型债务结构。 | 展示链条式传染路径和节点集中风险,直观体现两种网络传染机制差异。 | 直观支持默认传播及资本分配策略差异的论述。 | 页33 |
| 表1(页34) | 不同规模(N=10,20,50,100)下,模型(GNN, XPENN, FNN(L))训练1000轮后的内风险和资本分配效果 | GNN和XPENN均能几乎消除内风险(降至0),FNN(L)表现逐渐恶化;训练时间GNN及XPENN表现良好,FNN训练时间增长快。 | 支持GNN及XPENN因结构性设计更适图数据捕捉,FNN局限明显。 | 页34 |
| 表2(页36) | 训练与测试集分割情况下,各模型对内风险的训练效果与泛化能力 | GNN和XPENN拟合训练数据同时泛化能力强,FNN过拟合且泛化差。 | 说明对图结构敏感的模型泛化优势显著。 | 页36 |
| 表3-5(页39-42) | 复杂ER, CP, CPf网络不同模型在固定资本50下内风险测量结果 | XPENN略优于GNN、PENN,FNN效果差,CPf中FNN提升表明固定结构网络示例 | 证实置换等变网络对随机网络结构依赖性强,能有效捕获;结构固定时FNN也能表现。 | 页39,40,41,42 |
| 表6-8(页42-45) | 固定风险阈值b=100下各模型估计系统风险资本量,及对应内风险 | XPENN资本需求最低,GNN、PENN紧随;FNN及其他模型资本需求高,CPf结构下FNN有所回升。 | 支撑高效模型节省资本需求、提升风险管理效率 | 页42,43,44,45 |
| 表9-11(页44-47) | 采用熵风险测度替代期望测度下的系统风险计算,模型表现对比 | 结果趋势基本与前相同,XPENN表现最佳,FNN等依旧表现落后。 | 验证神经网络方法对多样风险度量的泛用能力。 | 页44,45,46,47 |
本报告基于提供的科研论文,深入剖析了系统性风险测度的理论数学基础、计算框架及神经网络逼近方法,结合丰富图神经网络架构与实验数据进行了深入评述。精准综合理论证明与实际数值表现,揭示图结构和随机资本分配的重要性,证实XPENN等置换等变架构在复杂金融网络风险管理中的实用潜力与领先地位,为金融系统风险度量与机器学习交叉领域开辟了重要路径。
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
2410.07222.pdf