CATNet：用于CAT债券在一级市场的利差预测的几何深度学习方法
证券定价
2026-04-07 v2 人工智能
机器学习
计算金融
风险管理
摘要
传统的CAT债券定价模型难以捕捉这些工具所固有的复杂关联数据。本文引入CATNet，一种新型框架，应用几何深度学习架构——关系图卷积网络(R-GCN)——将CAT债券一级市场建模为图形，利用其底层网络结构进行利差预测。我们的分析揭示，CAT债券市场具有规模自由网络的特征，这种结构由少数高度连接且具有影响力的枢纽主导。CATNet在预测性能方面显著优于强大的随机森林和XGBoost基准。可解释性分析确认，网络的拓扑属性并非仅是统计artifact；它们是对行业长期直觉——关于发行人声誉、承销商影响力以及灾难集中程度——的量化替代品。该研究提供了证据，表明网络连通性是价格的关键决定因素，为风险评估提供新范式，证明图基模型能够实现最先进的准确性并提供更深刻、可量化的市场见解。
引用
@article{arxiv.2508.10208,
title = {CATNet: A geometric deep learning approach for CAT bond spread prediction in the primary market},
author = {Dixon Domfeh and Saeid Safarveisi},
journal= {arXiv preprint arXiv:2508.10208},
year = {2026}
}