[論文レビュー] Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks

Bojing Feng, Haonan Xu+2 more|arXiv (Cornell University)|Nov 27, 2020

Financial Distress and Bankruptcy Prediction参考文献 25被引用数 4

ひとこと要約

本稿では、各企業を関連する財務指標のグラフとしてモデル化することで、企業内特徴量間の相互作用を明示的に学習可能な、新しいグラフニューラルネットワークCCR-GNNを提案する。自己外部積を用いた個別グラフ構築とグラフアテンションネットワークの適用により、中国の上場企業信用格付けデータセットにおいて最先端の手法を上回り、F1スコア0.95177を達成した。

ABSTRACT

Credit rating is an analysis of the credit risks associated with a corporation, which reflects the level of the riskiness and reliability in investing, and plays a vital role in financial risk. There have emerged many studies that implement machine learning and deep learning techniques which are based on vector space to deal with corporate credit rating. Recently, considering the relations among enterprises such as loan guarantee network, some graph-based models are applied in this field with the advent of graph neural networks. But these existing models build networks between corporations without taking the internal feature interactions into account. In this paper, to overcome such problems, we propose a novel model, Corporate Credit Rating via Graph Neural Networks, CCR-GNN for brevity. We firstly construct individual graphs for each corporation based on self-outer product and then use GNN to model the feature interaction explicitly, which includes both local and global information. Extensive experiments conducted on the Chinese public-listed corporate rating dataset, prove that CCR-GNN outperforms the state-of-the-art methods consistently.

研究の動機と目的

• 既存のグラフベースのモデルが企業をノードとして扱うが、内部の特徴量相互作用をモデル化しないという制限に対処すること。
• 各企業内の高次元特徴量相互作用を明示的に捉えることで、企業信用格付け予測の精度を向上させること。
• 各企業を自らの財務指標のグラフとして表現する、新しいグラフレベルのモデリングアプローチを提案すること。
• グラフニューラルネットワークが企業内特徴量依存関係をモデル化する有効性を示すこと。
• 企業間ネットワークから企業内特徴量グラフへと視点を転換することで、GNNを金融リスクモデリングに応用する新たな視点を提供すること。

提案手法

• 財務指標の自己外部積を用いて、ペairワイズな特徴量関係をモデル化する各企業向けの個別グラフを構築する。
• ノードを特徴量、エッジを特徴量間の相互作用の強度として表す、企業をグラフとして表現する。
• マルチヘッドアテンションを用いたグラフアテンションネットワーク（GAT）を適用し、局所的およびグローバルな依存関係を捉える情報集約を実現する。
• 3層のグラフアテンション層を用い、アテンションチャネルは{8, 64, 9}に設定。最初の2層は平均プーリング、最後の1層は最大プーリングを採用。
• 初期学習率0.001、L2正則化0.00001を用いたAdamによる最適化を実施。
• 多ラベル信用格付けデータセットにおけるクラス不均衡を解消するため、SMOTEを用いたデータ拡張を実施。

実験結果

リサーチクエスチョン

• RQ1 グラフ構造を用いて企業内特徴量相互作用をモデル化することで、企業信用格付け予測の精度が向上するか？
• RQ2 提案されたCCR-GNNモデルは、従来の機械学習およびディープラーニングベースラインと比較して、信用格付け性能で優れているか？
• RQ3 グラフアテンション機構は、金融データにおける高次元特徴量相互作用のモデル化をどの程度向上させるか？
• RQ4 各企業を自らの特徴量のグラフとして表現することで、信用リスク評価における一般化性能およびロバストネスが向上するか？
• RQ5 グラフニューラルネットワークは、企業の財務プロファイルにおける局所的およびグローバルな特徴量依存関係を効果的に捉えることができるか？

主な発見

• CCR-GNNは中国上場企業信用格付けデータセットにおいて、F1スコア0.95177を達成し、すべてのベースライン手法を上回った。
• XGBoost（2番目に優れたベースライン）のF1スコア0.94133を上回った。
• CCR-GNNは優れた再現率（0.93437）と正答率（0.95012）を示し、全信用格付けクラスにおいて強力な性能を発揮した。
• グラフアテンション機構の活用により、高次元特徴量相互作用の有効な学習が可能となり、予測性能の向上に寄与した。
• 提案された企業からグラフへの変換手法は、内部特徴量関係を効果的に捉えており、モデルのアーキテクチャ的革新を裏付けた。
• 広範なアブレーションと比較により、ノードレベルのグラフモデルをはるかに上回る、グラフレベルのモデリングアプローチの有意な性能向上が確認された。