Új AI-modell figyeli a bankokat: 8103 intézményt elemez a ST-GAT
A Spatial-Temporal Graph Attention Network (ST-GAT) keretrendszer az amerikai bankrendszer makroprudenciális felügyeletére és a banki problémák korai előrejelzésére készült.
Egy új, magyarázható grafikus neurális hálózat (GNN) alapú megoldás, a ST-GAT keretrendszer segíthet azonosítani a banki distressz korai figyelmeztető jeleit az Egyesült Államokban — írja az ArXiv ML.
A modell 8103 FDIC által biztosított pénzintézetet modellez 58 negyedéves pillanatkép alapján, a 2010 első negyedévétől 2024 második negyedévéig tartó időszakból. A bankok közötti kitettségeket nyilvánosan elérhető FDIC Call Report adatokból rekonstruálták maximális entrópia becsléssel, így egy dinamikus, irányított, súlyozott gráfot hoztak létre.
A ST-GAT keretrendszer 0.939 ± 0.010 AUPRC (Area Under the Precision-Recall Curve) értéket ért el, ami a legmagasabb az összes GNN architektúra között, és csak a XGBoost (0.944) marad el tőle. Az ablációs analízis megerősítette, hogy a BiLSTM időbeli komponens +0.020 AUPRC-vel járul hozzá a teljesítményhez.
Az időbeli figyelmi súlyok monoton csökkenő mintázatot mutatnak, ami összhangban van a hosszú távú strukturális sebezhetőség súlyozásával. A permutációs fontossági elemzés szerint a ROA (Return on Assets) 0.309-es és a NPL (Nem Teljesítő Hitelek) arány 0.252-es értékkel domináns prediktornak számít a modellben.