CATNet: A geometric deep learning approach for CAT bond spread prediction in the primary market
Dixon Domfeh and Saeid Safarveisi
定价灾难(CAT)债券的传统模型难以捕获这些工具中固有的复杂关系数据。 本文介绍了CATNet,这是一个应用几何深度学习架构的新框架,即关系图谱卷积网络(R-GCN),将CAT键主市场建模为图表,利用其底层网络结构进行点差预测。 我们的分析显示,CAT债券市场表现出无规模网络的特征,该网络由几个高度连接和有影响力的中心主导。 CATNet展示了高预测性能,明显优于强大的随机森林基准。 将拓扑中心度措施作为特征,进一步显著提高了准确性。 解释性分析证实,这些网络特征不仅仅是统计工件;它们是长期以来关于发行人声誉、承销商影响力和风险集中的行业直觉的定量代理。 这项研究提供了证据,表明网络连接是价格的关键决定因素,为风险评估提供了新的范式,并证明基于图的模型可以提供最先进的准确性和更深层次的、可量化的市场洞察力。
Traditional models for pricing catastrophe (CAT) bonds struggle to capture the complex, relational data inherent in these instruments. This paper introduces CATNet, a novel framework that applies a geometric deep learning architecture, the Relational Graph Convolutional Network (R-GCN), to model the CAT bond primary market as a graph, leveraging its underlying network structure for spread prediction. Our analysis reveals that the CAT bond market exhibits the characteristics of a scale-free netwo...