Conditional Forecasting of Margin Calls using Dynamic Graph Neural Networks

要約

時間金融ネットワークにおける $m$ ステップ先の条件付き予測問題を解決するための、新しいダイナミック グラフ ニューラル ネットワーク (DGNN) アーキテクチャを紹介します。
提案された DGNN は、金利スワップ (IRS) 取引ネットワークの様式化された特徴を捕捉する時間金融ネットワーク モデルからのシミュレーション データで検証されます。IRS では、金融機関がスワップ契約を動的に取引し、ネットワーク トポロジが基準レートに基づいて条件付きで進化します。
提案されたモデルは、事前に決定されたストレス テスト シナリオの下で条件付き情報を活用することにより、最大 $21$ 日の範囲までの純変動マージンの正確な条件付き予測を生成できます。
私たちの研究は、ネットワークのダイナミクスをストレステストの実践にうまく組み込むことができることを示しており、これにより規制当局や政策立案者にシステミックリスクを監視するための重要なツールが提供されます。

要約(オリジナル)

We introduce a novel Dynamic Graph Neural Network (DGNN) architecture for solving conditional $m$-steps ahead forecasting problems in temporal financial networks. The proposed DGNN is validated on simulated data from a temporal financial network model capturing stylized features of Interest Rate Swaps (IRSs) transaction networks, where financial entities trade swap contracts dynamically and the network topology evolves conditionally on a reference rate. The proposed model is able to produce accurate conditional forecasts of net variation margins up to a $21$-day horizon by leveraging conditional information under pre-determined stress test scenarios. Our work shows that the network dynamics can be successfully incorporated into stress-testing practices, thus providing regulators and policymakers with a crucial tool for systemic risk monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google