[논문 리뷰] In Search of Lost Edges: A Case Study on Reconstructing Financial Networks

Michael Lebacher, Samantha Cook외 2명|arXiv (Cornell University)|2019. 09. 03.

Complex Network Analysis Techniques인용 수 6

한 줄 요약

이 논문은 SWIFT MT 103 결제 데이터를 사용하여 금융 시스템의 다수의 네트워크 복원 방법을 평가하며, 간선 확률, 차수 구조, 간선 값 예측 성능을 비교한다. 최대 엔트로피 모델(IPFP, GRAVITY)이 값이 부여된 네트워크 복원에서 뛰어난 성능을 보이며, 외생 데이터가 제한된 경우 밀도 보정된 중력 모델(DC-GRAVITY)은 희박한 네트워크와 조밀한 네트워크 모두에 대해 강건한 '플러그 앤 플레이' 선택 사항이다.

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.

연구 동기 및 목표

• 제한된 마진 데이터에서 누락된 금융 네트워크 간선을 추정하는 다양한 네트워크 복원 방법의 성능을 평가하는 것.
• 희박한 네트워크와 조밀한 네트워크 양상에서 복원된 간선 확률, 차수 분포, 간선 값의 정확도를 평가하는 것.
• GDP나 지연된 간선 값과 같은 외생 정보가 복원 품질에 미치는 영향을 조사하는 것.
• 특정 분석 목표(예: 이진 네트워크 복원 대비 값이 부여된 네트워크 복원)에 기반하여 체계적 리스크 분석에 가장 효과적인 모델을 특정하는 것.
• 데이터 가용성, 네트워크 희박성, 금융 네트워크 분석에서의 목적에 따라 모델 선택에 실용적인 지침을 제공하는 것.

제안 방법

• 관측된 행 및 열 마진을 기반으로 최대 엔트로피 모델(IPFP 및 GRAVITY)을 사용하여 알려진 총합과 일관성을 유지하는 네트워크 복원.
• 외생 변수(GDP, 지연된 간선 값 등)를 통합하여 간선 확률 추정을 향상시키는 밀도 보정 중력 모델(DC-GRAVITY)을 도입.
• 특히 희박한 네트워크에서 유용한 노드별 적합도 파rameter를 기반으로 간선 확률을 모델링하는 계층적 적합도 모델(H-FIT)을 적용.
• 지연된 간선 값들을 공변량으로 사용하는 역확률 밀도(IPFP)를 적용하여 간선 값 예측 정확도를 향상시킴(IPFP-LAG).
• 완전히 관측된 SWIFT MT 103 네트워크를 기반으로 모델 간 경쟁적 비교를 수행하며, 분석을 전체(희박) 네트워크 케이스와 부분(조밀) 네트워크 케이스로 분할.
• 간선 확률 예측에 AUC, 구조 복원에 차수 상관관계, 간선 값 추정에 RMSE와 같은 표준 지표를 사용.

실험 결과

연구 질문

• RQ1 희박한 금융 네트워크에서 어떤 네트워크 복원 방법이 간선 확률 예측에 가장 정확한가?
• RQ2 복원 모델은 원래 금융 네트워크의 차수 구조를 얼마나 잘 유지하는가?
• RQ3 GDP나 지연된 값과 같은 외생 정보를 통합할 경우 간선 확률 및 간선 값 예측 정확도는 어느 정도 향상되는가?
• RQ4 희박한 네트워크와 조밀한 네트워크 양상 간 복원 모델의 성능 특성은 어떻게 다를까?
• RQ5 외생 데이터가 가용하지 않은 경우, 일반적인 금융 네트워크 복원에 대해 단일 '플러그 앤 플레이' 모델을 추천할 수 있는가?

주요 결과

• 최대 엔트로피 모델(IPFP 및 GRAVITY)은 희박한 네트워크와 조밀한 네트워크 모두에서 간선 값 복원에서 다른 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 밀도 보정 중력 모델(DC-GRAVITY)은 모든 평가 기준에서 강건하게 작동하며, 외생 데이터가 가용하지 않은 경우 기본 모델로 추천된다.
• 지연된 간선 값을 공변량으로 통합한 IPFP-LAG는 예측 정확도를 크게 향상시키지만, 실무에서 데이터 가용성 제약으로 인해 구현이 어려울 수 있다.
• GDP와 같은 외생 변수는 간선 값과 강하게 연관되어 있을 경우에만 복원 성능을 향상시키며, 열악한 품질의 공변량은 성능을 떨어뜨릴 수 있다.
• 모델이 모든 측면에서 뛰어나지 못한다: 간선 확률 예측에 뛰어난 모델(H-FIT 등)은 간선 값 추정에서는 성능이 떨어질 수 있고, 그 반대의 경우도 마찬가지다.
• 본 연구는 간선 확률 복원과 간선 값 복원이 본질적으로 다른 작업이며, 각각 별도의 모델링 전략이 필요하다는 점을 확인했다.