[论文解读] 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 4

一句话总结

该论文提出CCR-GNN，一种新型图神经网络，将每家上市公司建模为由相互关联的财务特征构成的图，从而显式学习公司内部特征之间的交互关系。通过利用自外积构建个体图并应用图注意力网络，CCR-GNN在中文上市公司信用评级数据集上超越了当前最先进方法，F1得分达到0.95177。

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.

研究动机与目标

• 为解决现有基于图的模型将公司视为节点而未建模内部特征交互关系的局限性。
• 通过显式捕捉每家公司的高阶特征交互关系，提升企业信用评级预测性能。
• 提出一种新的图级建模方法，将每家上市公司表示为其自身财务特征构成的图。
• 证明图神经网络在建模企业内部特征依赖关系以进行信用风险评估方面的有效性。
• 通过从企业间网络转向企业内部特征图，为GNN在金融风险建模中的应用提供新视角。

提出的方法

• 利用财务特征的自外积为每家上市公司构建独立图，以建模特征间的成对关系。
• 将每家上市公司表示为图结构，其中节点代表特征，边代表特征间交互强度。
• 应用具有多头注意力机制的图注意力网络（GAT），聚合特征节点间的信息，捕捉局部与全局依赖关系。
• 使用三层图注意力网络，注意力头数分别为{8, 64, 9}，前两层采用平均池化，最后一层采用最大池化。
• 采用Adam优化器，初始学习率为0.001，L2正则化系数为0.00001。
• 对多标签信用评级数据集应用SMOTE进行数据增强，以缓解类别不平衡问题。

实验结果

研究问题

• RQ1 通过图结构建模企业内部特征交互关系，是否能提升企业信用评级预测性能？
• RQ2 所提出的CCR-GNN模型在信用评级性能上与传统机器学习及深度学习基线方法相比如何？
• RQ3 图注意力机制在金融数据中对高阶特征交互关系的建模能力有多强？
• RQ4 将每家上市公司表示为其自身特征构成的图，是否能提升信用风险评估中的泛化能力与鲁棒性？
• RQ5 图神经网络能否有效捕捉企业财务特征档案中的局部与全局依赖关系？

主要发现

• CCR-GNN在中文上市公司信用评级数据集上取得最高F1得分0.95177，优于所有基线方法。
• 该模型性能超越XGBoost（第二佳基线），后者F1得分为0.94133。
• CCR-GNN展现出优异的召回率（0.93437）与准确率（0.95012），表明其在所有信用评级类别中均表现稳健。
• 图注意力机制的使用有效促进了高阶特征交互关系的学习，从而提升了预测性能。
• 所提出的公司转图转换方法能有效捕捉内部特征关系，验证了模型架构的创新性。
• 大量消融实验与对比分析表明，图级建模方法显著提升了信用评级预测性能，超越节点级图模型。