基于异构图预训练的债券发行人违约风险传播安全高效预测模型
机器学习
2025-01-08 v1 人工智能
摘要
高效预测发债企业的违约风险对于维护债券市场稳定和促进增长至关重要。传统方法通常仅依赖企业的内部数据进行风险评估。相比之下，基于图的技术利用互联的企业信息来增强对目标债券发行人的违约风险识别。传统的图技术（如标签传播算法或 deepwalk）无法有效将企业的固有属性信息与其拓扑网络数据相融合。此外，由于企业间数据稀缺以及安全隐私问题，端到端图神经网络 (GNN) 算法在目标任务上可能难以提供令人满意的性能。为应对这些挑战，我们提出了一种新颖的两阶段模型。在第一阶段，我们采用一种创新的异构图掩码自编码器 (HGMAE) 在庞大的企业知识图谱上进行预训练。随后，在第二阶段，训练一个专门的分类器模型来预测违约风险传播概率。该分类器利用由预训练编码器导出的拼接特征向量与企业特定任务特征向量。通过两阶段训练方法，我们的模型不仅提升了特定违约预测任务中独特债券特征的重要性，还安全高效地利用了从其他企业预训练的全局信息。实验结果表明，我们提出的模型在预测债券发行人违约风险方面优于现有方法。
引用
@article{arxiv.2501.03268,
title = {Heterogeneous Graph Pre-training Based Model for Secure and Efficient Prediction of Default Risk Propagation among Bond Issuers},
author = {Xurui Li and Xin Shan and Wenhao Yin and Haijiao Wang},
journal= {arXiv preprint arXiv:2501.03268},
year = {2025}
}