Computing Systemic Risk Measures with Graph Neural Networks
Lukas Gonon, Thilo Meyer-Brandis, Niklas Weber
本文调查了明确模拟双边负债的随机金融网络的系统性风险措施。 我们将Biagini,Fouque,Fritelli和Meyer-Brandis(2019)的系统性风险措施概念扩展到图形结构化数据。 特别是,我们专注于一个聚合函数,该函数源自Eisenberg和Noe(2001)提出的市场清算算法。 在这个设置中,我们展示了一个最佳的随机分配,它分配了整体最小的救助资本,并确保了网络的安全。 我们研究系统风险和最佳随机分配的近似数值方法。 我们建议使用神经网络的排列等同架构,如图神经网络(GNN)和我们命名的(扩展)等价神经网络((X)PENNs)的类。 我们将它们的性能与几个基准分配进行比较。 GNN和(X)PENN的主要特征是,它们相对于底层图形数据是排列等数。 在数值实验中,我们发现这些排列等变量方法优于其他方法。
This paper investigates systemic risk measures for stochastic financial networks of explicitly modelled bilateral liabilities. We extend the notion of systemic risk measures from Biagini, Fouque, Fritelli and Meyer-Brandis (2019) to graph structured data. In particular, we focus on an aggregation function that is derived from a market clearing algorithm proposed by Eisenberg and Noe (2001). In this setting, we show the existence of an optimal random allocation that distributes the overall minima...