一种基于复杂金融网络的系统性风险评估方法技术方案

本发明专利技术涉及一种基于复杂金融网络的系统性风险评估方法，具体包括以下步骤：S1、基于广度优先搜索算法获取目标企业的状况数据和担保贷款信息，建立担保网络模型，并构建所有相关的传染链，对担保网络模型和传染链动态更新；S2、根据构建的传染链，建立链内注意力神经网络和链间注意力神经网络，采用多级特征学习层计算得到传染链和风险评级的潜在风险信息；S3、建立卷积神经网络模型，根据传染链和风险评级的潜在风险信息，得到目标企业的风险等级评估结果。与现有技术相比，本发明专利技术具有提高在复杂的金融贷款网络中预测系统性风险的准确性、提高系统性风险评分的有效性、具有较高的适用性和灵活性等优点。适用性和灵活性等优点。适用性和灵活性等优点。

【技术实现步骤摘要】
一种基于复杂金融网络的系统性风险评估方法


[0001]本专利技术涉及金融风险
，尤其是涉及一种基于复杂金融网络的系统性风险评估方法。

技术介绍

[0002]中小企业贷款在促进技术创新、推动经济发展、改善民生和增加就业等方面有着重要的作用。目前由于商业银行信贷评估的标准较高，中小企业很难满足银行的授信准入要求。为了满足商业银行的贷款评估标准，很多中小企业选择互相担保以获得银行授信，由此形成了结构复杂的担保网络。当借款方的贷款违约时，风险则沿着担保方向在网络中层层传递。风险的层层传递造成了潜在的系统性风险，也给国家金融安全和监管带来了严峻的挑战。相比于现有针对个体企业的独立风险评估，从风险传染角度进行分析，可以识别高风险的担保群体。这种以系统角度鉴别个体风险对系统产生的影响，可以预警会集中爆发的关联性风险，也可以为关联风险的监控提供依据。
[0003]自20世纪50年代起，银行业便开始建立风险量化模型。之后，巴塞尔委员会发布了一系列关于银行监管的建议(巴塞尔协议)。全世界的银行广泛接受巴塞尔协议，巴赛尔协议提出的一些指标(例如违约概率、损失给定违约、违约暴露风险等)已经被多数银行作为风险管理的评价指标。然而，这些方法高度依赖于单个公司的财务报表，往往忽视了网络中其他企业的违约对该企业的影响。同时，因为中小企业的财务状况很难通过披露的财报来衡量，导致监测这些贷款网络的状态成为一件非常复杂的事。
[0004]为了解决贷款风险评估这一挑战，工业界引入了许多基于深度学习的技术。例如，递归和图形神经网络已被引入企业违约预测和自动特征学习中。然而，这些方法更适用于个人和小规模企业的评估，当需要对大规模担保贷款网络时，这些方法在分析规模和精度上存在着明显的局限性。因此，需要更准确并兼顾可解释性的模型来检测风险并防止系统性危机。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的面对大规模担保贷款网络时分析规模和精度上存在着明显的局限性的缺陷而提供一种基于复杂金融网络的系统性风险评估方法，有助于金融监管者和风险管理者更好地跟踪和理解贷款网络中的风险传染和系统性风险。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于复杂金融网络的系统性风险评估方法，具体包括以下步骤：
[0008]S1、基于广度优先搜索算法获取目标企业的状况数据和担保贷款信息，建立担保网络模型，并构建所有相关的传染链，对担保网络模型和传染链动态更新；
[0009]S2、根据构建的传染链，建立链内注意力神经网络和链间注意力神经网络，采用多级特征学习层计算得到传染链和风险评级的潜在风险信息；
[0010]S3、建立卷积神经网络模型，根据传染链和风险评级的潜在风险信息，得到目标企业的风险等级评估结果。
[0011]所述担保网络模型G的公式如下所示：
[0012]G＝(V,E)
[0013]其中，V＝{v1,v2,
…
,v
|V|
}为节点集，每一个节点代表担保网络模型中的中小企业，E＝{e1,e2,
…
,e
|E|
}为边集，每一条边代表节点之间的担保关系，|V|表示节点的数量，|E|表示担保网络模型中的边的数量。
[0014]进一步地，所述目标企业的状况数据包括注册资本、员工人数和财务状况，嵌入在担保网络模型的节点的属性中；所述目标企业的担保贷款信息包括担保金额、贷款金额和贷款利息，保存在担保网络模型的边的属性中。
[0015]进一步地，所述步骤S1中所有相关的传染链形成传染链集，具体公式如下所示：
[0016]C＝{c1,c2,
…
,c
|C|
}
[0017]c
i
＝{(v,e)|v∈Diff(v
i
,G)∪e∈Diff(v
i
,G)}
[0018]其中，C为传染链集，传染链c
i
是节点v
i
的最大风险扩散范围，Diff(v
i
,G)表示从v
i
穿过担保网络模型G的边。
[0019]由于担保合同存在有效期，因此在步骤S1中，担保网络模型和传染链在训练阶段和预测阶段进行动态更新。
[0020]所述步骤S1中还包括首先通过查询操作将银行贷款记录通过KEY值连接起来，重建初始的担保网络模型；在特征学习过程中，由于担保关系是动态的：如果担保被签发，就向网络G添加一条临时边e；当担保到期时，就将这条边删除。最后，将集合内节点和边的属性作为传染链的特征。
[0021]所述步骤S2中传染链和风险评级的潜在风险信息包括节点级风险特征、链级风险特征和网络级风险特征。
[0022]进一步地，所述节点级风险特征包括节点特征和边缘特征，通过归属图学习层计算得到给定节点v
i
的个体特征具体公式如下所示：
[0023][0024]其中，为节点特征，为边缘特征，W
I
和a
I
为可训练权重，NN
I
表示单个特征学习模块中的全连接神经层，是节点v
i
的邻域集，||表示并操作。
[0025]进一步地，所述链级风险特征通过链内注意力神经网络计算得到，具体公式如下所示：
[0026][0027][0028][0029]其中，节点v
j
表示共享同一传染链的v
i
的邻居节点，LeakyReLU(
·
)表示Leaky Rectified Linear Unit的非线性变换，W
c
是链内注意力神经网络进行学习的加权矩阵，是链内注意力神经网络的注意权重，为同一传染链上节点v
i
的邻域集。
[0030]进一步地，所述网络级风险特征通过链间注意力神经网络和链级风险特征计算得到，具体公式如下所示：
[0031][0032]其中，σ表示sigmoid函数，表示网络级注意系数，表示网络级中节点v
i
的邻域，K是链间神经网络最后一层上的多头关注数。如果两条链c
i
和c
j
共享相同的节点，则c
i
和c
j
中的节点为网络级邻域。
[0033]进一步地，所述步骤S2中采用了K个独立的关注机制，执行特征的线性组合，通过多级表征的组合得到每个节点的输出特征。
[0034]所述步骤S3中计算风险等级评估结果的损失函数具体如下所示：
[0035][0036][0037]z
i,r
＝MLP
r
(rep
r
,i；θ
r
),r∈{c,n}
[0038]其中，y∈{1,2,
…
,l}是风险评级类别，rep
r
表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复杂金融网络的系统性风险评估方法，其特征在于，具体包括以下步骤：S1、基于广度优先搜索算法获取目标企业的状况数据和担保贷款信息，建立担保网络模型，并构建所有相关的传染链，对担保网络模型和传染链动态更新；S2、根据构建的传染链，建立链内注意力神经网络和链间注意力神经网络，采用多级特征学习层计算得到传染链和风险评级的潜在风险信息；S3、建立卷积神经网络模型，根据传染链和风险评级的潜在风险信息，得到目标企业的风险等级评估结果。2.根据权利要求1所述的一种基于复杂金融网络的系统性风险评估方法，其特征在于，所述担保网络模型G的公式如下所示：G＝(V,E)其中，V＝{v1,v2,
…
,v
|V|
}为节点集，每一个节点代表担保网络模型中的中小企业，E＝{e1,e2,
…
,e
|E|
}为边集，每一条边代表节点之间的担保关系，|V|表示节点的数量，|E|表示担保网络模型中的边的数量。3.根据权利要求2所述的一种基于复杂金融网络的系统性风险评估方法，其特征在于，所述目标企业的状况数据包括注册资本、员工人数和财务状况，嵌入在担保网络模型的节点的属性中；所述目标企业的担保贷款信息包括担保金额、贷款金额和贷款利息，保存在担保网络模型的边的属性中。4.根据权利要求2所述的一种基于复杂金融网络的系统性风险评估方法，其特征在于，所述步骤S1中所有相关的传染链形成传染链集，具体公式如下所示：C＝{c1,c2,
…
,c
|C|
}c
i
＝{(v,e)|v∈Diff(v
i
,G)∪e∈Diff(v
i
,G)}其中，C为传染链集，传染链c
i
是节点v
i
的最大风险扩散范围，Diff(v
i
,G)表示从v
i
穿过担保网络模型G的边。5.根据权利要求1所述的一种基于复杂金融网络的系统性风险评估方法，其特征在于，所述步骤S2中传染链和风险评级的潜在风险信息包括节点级风险特征、链级风险特征和网络级风险特征。6.根据权利要求5所述的一种基于复杂金融网络的系统性风险评估方法，其特征在于，所述节点级风险特征包括节点特征和边缘特征，通过归属图学习层计算得到给定节点v
i
的个体特征具体公式如下所示：其中，为节点特征，为边缘特征，W
I
和a
I
为可训练权重，NN
I
表示单个特征学习模块中的全连接神经层，是节点v
i
的邻域集，||表示并操作。7.根...

【专利技术属性】
技术研发人员：程大伟，蒋昌俊，朱明志，
申请(专利权)人：同济大学，
类型：发明
国别省市：