本文提出一种结合多层网络数据的中小企业(SME)信用评分多模态模型,融合财务交易与所有权网络,采用图神经网络和多种信息融合策略,显著提升违约预测准确率。研究显示,引入网络数据及其方向性和权重能有效建模信用风险传染,提供对风险传播机制的深入理解 。
| 模型类型 | 网络层 | GNN | AUC | AUCPR |
|---|---|---|---|---|
| Baselines | - | - | 0.863 ±0.014 | 0.398 ±0.012 |
| Unimodal | 双层FT-CO | GAT | 0.828 ±0.015 | 0.323 ±0.010 |
| Bimodal | 双层FT-CO | GAT | 0.872 ±0.008 | 0.406 ±0.008 |
报告标题
A multimodal approach to SME credit scoring integrating transaction and ownership networks
作者与机构
Sahab Zandi 等,来自加拿大Western University、英国南安普敦大学及冰岛雷克雅未克大学等多机构合作研究。
发布背景与主题
报告聚焦于小微企业(SMEs)信用评分,提出将交易网络与所有权网络整合进信用风险预测模型,利用图神经网络(GNN)方法优化中小企业贷款违约预测。报告基于一家重要金融机构的庞大贷款数据,创新采用多层网络建模企业间关系,解决传统信用评分对中小企业信息披露有限的挑战。
核心论点与贡献
总体上,作者旨在强调整合多类型数据和先进图神经网络技术,在SME信用风险预测、特别是在风险传染和关联违约层面,所带来的机遇和提升。报告未直接给出目标价或评级,更偏重于方法论创新与实证表现,1,24]。
关键论点
中小企业是经济成长引擎,但因财务信息有限,标准信用评分工具受限。传统如Altman Z-Score等模型很难直接套用。企业间的供应链关系引入复杂系统风险,导致违约高度关联,传统模型忽视这一点风险估计偏差。多层网络方法能够更细致地表达多类型企业间关系,包括所有权和交易层面。
推理基础与数据引用
引用供应链风险的相关文献,表明上下游在信用风险中存在非对称的传染效应。网络科学提供了多层网络的框架(多层节点共享,边不同),尤其适用于捕捉企业主要的非线性交互关系。多层网络考虑关系的方向和强度,信息丰富程度优于单层网络。
核心假设
结构数据不足以反映真实风险,网络关系形成为风险传播的媒介且关键,且数据融合技术能有效利用此类复杂信息。
网络数据建模信用风险
此前研究已尝试单一层的网络数据(供应链、所有权、支付网络)增强风险评估。常用定性指标(邻居计数、默认历史)简化了风险关联。多层网络与多模态学习方法尚少。
多模态学习在信用风险的应用
通过融合财务指标及非结构化数据提高预测准确度。例如文本数据、支付行为或市场信息融合。现有研究多关注文本和数值数据结合,利用网络数据进行多模态融合的研究少且不充分。
本研究创新点
提出以多层网络结构独立建模网络关系信息,结合表格数据,采用图神经网络提取结构特征,再融合,提升预测能力,且对风险传染机制可解释。
多层网络定义
节点集合在所有图层共享,但层间连接不同。利用 supra-adjacency 矩阵定义层内层间连接,设计覆盖交易与所有权两层。
(图1展示多层网络结构及对应邻接矩阵)
图神经网络模型
主要采用Graph Attention Network (GAT)和 Graph Isomorphism Network (GIN)两种GNN。
GAT借助注意力机制赋予邻居节点不同权重,动态强化关键邻居影响力。
GIN则模拟Weisfeiler-Lehman测试,增强区分不同拓扑结构能力,由MLP更新节点特征,权衡自身与邻居信息。
两者均通过迭代更新实现信息传播与结构编码。
多模态信息融合策略
设计并测试早期融合、介于中间的中间融合和后期融合三层次融合策略。重点采用早融合+中间融合混合方式,兼顾原始信息和抽象特征,提升表现。
两种技术路径:简单特征拼接和基于交叉注意力的复杂加权融合。交叉注意力通过构造查询(Q)、键(K)、值(V)机制,使模型聚焦不同模态间重要关系。
四种融合策略组合GNN模型及融合层次设计(见图3、4)。
模型结构
包含单模态(仅网络数据)和双模态模型(网络+表格融合),均包括多个时间步图快照的GNN处理,最终经FNN输出预测。
损失函数采用二分类交叉熵,针对贷款是否违约进行概率预测。
数据集
由某大型金融机构提供,涵盖21.8万企业、120万贷款实例,贷款起始时间2019年7月至2021年10月。
数据清洗包含异常值截断、空值补全(结合模式、指示变量等策略详见附录A),特征筛选剔除高度相关变量,最终保留65个信贷相关变量。
贷款违约率整体3.63%,小型企业违约率显著高于中型企业(图6)。
网络构建
基于交易数据(FT)及共有所有权关系(CO)构建多层网络。采用6个月滚动回溯窗口,按月生成6个时间快照(图7、15)。这种设计平衡了信用风险传播的时效性和噪音控制,适合捕捉中短期风险传染。
评估指标
处理违约率不均衡,采用AUC和AUCPR评估分类性能,后者更注重违约少数类。
报告为学术与应用技术研究,聚焦模型性能和架构设计,并无传统金融报告标配的目标估值或评级估计,更多关注模型如何提升信用风险判别能力及风险传染建模效果。
本研究创新地提出并验证了整合中小企业间财务交易网络和所有权网络的多层网络图神经网络多模态融资风险预测框架。通过使用来自大型银行的实际贷款数据,构建基于供销链和协同所有权关系的双层网络,模型不仅提升了对单一数据结构化预测的能力,也赋予了对传统风险传染路径的新视角。
具体结论包括:
图表深刻揭示了信用风险不仅由公司自身财务状况决定,更多地嵌入于其复杂供应链和所有权网络之中,利用图神经网络捕获风险传染链条是提升风险管理水平的关键路径。未来研究可考虑引入更多类型网络数据(社交媒体、地理邻近度等)与融合方法,以进一步提升模型泛化能力和解释力。
2510.09407.pdf