基于股票市场多源异构大数据,采用异构图神经网络等人工智能领域前沿技术构建微观层面下股票市场金融风险关联网络,并运用异构图神经网络和Transformer等机器学习模型识别金融实体的内部风险和耦合交互作用,在此基础上运用SEIR传染病模型实现对金融风险传染路径的动态模拟。研究发现:基于异构图神经网络的金融风险预测显著提升股票市场风险识别的准确率,对稀疏数据、动态关联场景的适用性更强;融入异构图神经网络和分层图Transformer的风险传染模型,可根据股票市场实时数据迭代优化传染概率预测,增强风险预测传染的动态性,降低滞后性,为风险阻断提供更具实操性的决策依据;股票市场中行业与区域冲击会通过超边扩散,快速放大企业的风险规模,其中风险的单点爆发由核心节点逐步扩散,而多点爆发通过超边结构产生放大效应,更容易引发系统性风险。
展开