面向金融风险预测的时序图神经网络综述

金融风险预测在金融市场监管和金融投资中扮演重要角色,近年来已成为人工智能和金融科技领域的热门研究主题.由于金融事件的实体之间存在复杂的投资、供应等关系,现有的金融风险预测研究常利用各种静态和动态的图结构来建模金融实体间的关系,并通过卷积图神经网络等方法将相关的图结构信息嵌入金融实体的特征表示中,使其能够同时表征金融风险相关的语义和结构信息.然而,以前的金融风险预测综述仅关注了基于静态图结构的研究,这些研究忽视了金融事件中实体间关系会随时间动态变化的特性,降低了风险预测结果的准确性.随着时序图神经网络的发展,越来越多的研究开始关注基于动态图结构的金融风险预测,对这些研究进行系统、全面的回顾有助于学习者构建面向金融风险预测研究的完整认知.根据从动态图中提取时序信息的不同途径,首先综述3类不同的时序图神经网络模型.然后,根据不同的图学习任务,分类介绍股价趋势风险预测,贷款违约风险预测,欺诈交易风险预测,以及洗钱和逃税风险预测共4个领域的金融风险预测研究.最后,总结现有时序图神经网络模型在金融风险预测方面遇到的难题和挑战,并展望未来研究的潜在方向.

近期股市价格走势与宏观经济协调性风险分析

股市价格走势与宏观经济运行的协调性是投资分析中很重要的研究问题。文章基于传统理论,对现阶段二者的协调性进行了分析,得出了其对投资分析具有较大风险的结论。通过深究原因,提出几个简单的解决方法。