[論文レビュー] In Search of Lost Edges: A Case Study on Reconstructing Financial Networks

Michael Lebacher, Samantha Cook+2 more|arXiv (Cornell University)|Sep 3, 2019

Complex Network Analysis Techniques被引用数 6

ひとこと要約

本稿は、SWIFT MT 103決済データを用いて、金融システムにおける複数のネットワーク再構築手法を評価し、エッジ確率、次数構造、エッジ値の予測性能を比較している。最大エントロピーモデル（IPFP、GRAVITY）は、価値付きネットワーク再構築において優れた性能を示す一方、外部情報が限られる状況では密度補正付き重力モデル（DC-GRAVITY）が、スパースおよびドライヴネットワークの両方において堅牢な「即戦可」の選択肢であることが判明した。

ABSTRACT

To capture the systemic complexity of international financial systems, network data is an important prerequisite. However, dyadic data is often not available, raising the need for methods that allow for reconstructing networks based on limited information. In this paper, we are reviewing different methods that are designed for the estimation of matrices from their marginals and potentially exogenous information. This includes a general discussion of the available methodology that provides edge probabilities as well as models that are focussed on the reconstruction of edge values. Besides summarizing the advantages, shortfalls and computational issues of the approaches, we put them into a competitive comparison using the SWIFT (Society for Worldwide Interbank Financial Telecommunication) MT 103 payment messages network (MT 103: Single Customer Credit Transfer). This network is not only economically meaningful but also fully observed which allows for an extensive competitive horse race of methods. The comparison concerning the binary reconstruction is divided into an evaluation of the edge probabilities and the quality of the reconstructed degree structures. Furthermore, the accuracy of the predicted edge values is investigated. To test the methods on different topologies, the application is split into two parts. The first part considers the full MT 103 network, being an illustration for the reconstruction of large, sparse financial networks. The second part is concerned with reconstructing a subset of the full network, representing a dense medium-sized network. Regarding substantial outcomes, it can be found that no method is superior in every respect and that the preferred model choice highly depends on the goal of the analysis, the presumed network structure and the availability of exogenous information.

研究の動機と目的

• 限られた周辺データから欠落している金融ネットワークエッジを推定するための、さまざまなネットワーク再構築手法の性能を評価すること。
• スパースおよびドライヴ金融ネットワークトポロジーの両方において、再構築されたエッジ確率、次数分布、エッジ値の正確性を評価すること。
• GDP やラグ付きエッジ値などの外部情報が再構築品質に与える影響を調査すること。
• システムリスク分析の目的に応じた最適なモデルを同定すること（例：バイナリネットワークと価値付きネットワーク再構築の違い）。
• データ可用性、ネットワークスパarsity、金融ネットワーク分析における目的用途に応じたモデル選択の実用的ガイドラインを提供すること。

提案手法

• 観測された行および列の周辺合計に基づき、最大エントロピーモデル（IPFP および GRAVITY）を用いて、既知の合計と整合性を持つネットワークを再構築する。
• 外部変数（例：GDP、ラグ付きエッジ値）を組み込んだ密度補正付き重力モデル（DC-GRAVITY）を導入し、エッジ確率推定の精度を向上させる。
• ノード固有のフィットネスパラメータに基づいてエッジ確率をモデル化する階層的フィットネスモデル（H-FIT）を適用し、特にスパースネットワークにおいて有効である。
• ラグ付きエッジ値を共変量として用いた逆確率密度（IPFP-LAG）を用い、エッジ値の予測精度を向上させる。
• 完全な（スパース）および部分集合（ドライヴ）ネットワークケースに分けて分析するため、完全に観測されたSWIFT MT 103ネットワークを用いて、モデル間の競合比較を実施する。
• AUC によるエッジ確率予測、次数相関による構造回復、RMSE によるエッジ値推定といった標準指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 スパース金融ネットワークにおいて、どのネットワーク再構築手法がエッジ確率予測において最も正確か？
• RQ2 再構築モデルは、元の金融ネットワークの次数構造をどの程度適切に保持しているか？
• RQ3 GDP やラグ付き値などの外部情報を組み込むことで、エッジ確率およびエッジ値予測の正確性はどの程度向上するか？
• RQ4 再構築モデルの性能特性は、スパースネットワークとドライヴネットワークトポロジーの両者でどのように異なるか？
• RQ5 外部データが入手不可である状況において、一般に使用可能な「即戦可」モデルを1つ推薦できるか？

主な発見

• 最大エントロピーモデル（IPFP および GRAVITY）は、スパースおよびドライヴネットワーク両方の状況において、エッジ値再構築において他の手法を常に上回る性能を示した。
• 密度補正付き重力モデル（DC-GRAVITY）は、すべての評価基準において堅牢に性能を発揮し、外部データが入手不可な状況では標準モデルとして推奨される。
• ラグ付きエッジ値を共変量として組み込む（IPFP-LAG）ことで、予測精度が著しく向上するが、実務上はデータ可用性の制約により実装が困難な場合がある。
• GDP などの外部変数は、エッジ値と強く関連している場合にのみ再構築性能を向上させる。質の低い共変量は結果を悪化させる可能性がある。
• 1つのモデルがすべての側面で優れているわけではない：エッジ確率予測に優れるモデル（例：H-FIT）はエッジ値推定では劣ることがあり、逆もまた然りである。
• 本研究は、エッジ確率再構築とエッジ値再構築は根本的に異なるタスクであり、それぞれに異なるモデリング戦略を要することを確認した。