ГРАФОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ СИСТЕМНОГО РИЗИКУ ТА КЛАСТЕРНО-ОРІЄНТОВАНОЇ ДИВЕРСИФІКАЦІЇ

Анотація

У статті представлено дослідження графових нейронних мереж як більш досконалої альтернативи кореляційним моделям, заснованим на евклідовій геометрії, для аналізу взаємозв’язків на фінансових ринках. Традиційні стратегії диверсифікації часто ґрунтуються на припущенні про незалежність активів або наявність між ними лише лінійних кореляцій, що не враховує складні нелінійні шляхи поширення шоків у глобальних ринках. У роботі фондовий ринок моделюється як динамічний гетерогенний граф, у якому вузли, що представляють активи, з’єднані ребрами, які відображають різні типи взаємозв’язків, зокрема виробничі ланцюги постачання, спільну інституційну власність та лагові кореляції дохідностей. Запропоновано архітектуру Graph Attention Network для формування ризикових вкладень (Risk Embeddings), які кількісно оцінюють вразливість активу до шоків, що поширюються мережею.

Метою роботи є розроблення топологічно орієнтованої моделі диверсифікації, здатної виявляти приховані кластери ризику. Використання графових нейронних мереж дозволяє перейти від галузевої диверсифікації до підходу, заснованого на кластеризації графа за даними, що враховує структурну складність сучасної фінансової екосистеми та притаманні їй системні залежност.і

Методологія передбачає побудову динамічних графів активів із використанням порогової фільтрації та алгоритму k-найближчих сусідів на основі коефіцієнтів кореляції Пірсона та Спірмена, застосування Message Passing Neural Networks для агрегування ризикових сигналів від сусідніх вузлів, використання підходу Hierarchical Risk Parity до навчених графових вкладень замість безпосередніх рядів дохідностей, а також аналіз зв’язку між центральністю вузлів і показниками бета-коефіцієнта та хвостового ризику.

Наукова новизна полягає у впровадженні багатовимірного ризикового вкладення (Multi-Relational Risk Embedding) — нового векторного представлення активів, що враховує залежності вищого порядку. На відміну від лінійного методу головних компонент, запропоноване графове вкладення дозволяє простежити, як шок у конкретному вузлі поширюється мережею та впливає на віддалені вузли, формуючи прогностичну оцінку системної крихкості на основі топології фінансової системи.

Практична цінність дослідження полягає у створенні інструменту візуалізації для стрес-тестування, який дозволяє менеджерам з управління ризиками ідентифікувати активи-суперпоширювачі у складі портфеля. Це забезпечує можливість формування антифрагильних портфелів, структурно декупльованих від системно вразливих кластерів, що зменшує ймовірність одночасних обвалів під час криз ліквідності та забезпечує більш детальний підхід до диверсифікації.

Висновки. Топологія мережі є критично важливим виміром ринкового ризику, який часто ігнорується класичними моделями. Отримані результати свідчать, що кластеризація, заснована на графових вкладеннях, дозволяє виявити концентрації ризику, які залишаються непомітними для традиційних методів, що приводить до суттєвого покращення коефіцієнта Сортіно та значного зниження максимальної просадки в періоди ринкової контагії.