44,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
22 °P sammeln
  • Broschiertes Buch

Ce livre intègre la recherche sur les risques financiers des entreprises à la technologie des réseaux neuronaux graphiques (GNN) pour relever les défis de l'analyse des données financières complexes et des interconnexions entre les entreprises. Il explore trois domaines clés : 1. Représentation dynamique des graphes : Un cadre pour l'apprentissage de représentations graphiques dynamiques basées sur les rôles structurels est proposé, capturant l'évolution temporelle et les dépendances topologiques globales, marquant la première utilisation de l'apprentissage récurrent dans ce contexte.2. les…mehr

Produktbeschreibung
Ce livre intègre la recherche sur les risques financiers des entreprises à la technologie des réseaux neuronaux graphiques (GNN) pour relever les défis de l'analyse des données financières complexes et des interconnexions entre les entreprises. Il explore trois domaines clés : 1. Représentation dynamique des graphes : Un cadre pour l'apprentissage de représentations graphiques dynamiques basées sur les rôles structurels est proposé, capturant l'évolution temporelle et les dépendances topologiques globales, marquant la première utilisation de l'apprentissage récurrent dans ce contexte.2. les effets de débordement du momentum : Un algorithme GNN dual est introduit pour modéliser les relations interentreprises dynamiques et complexes et les effets de débordement, offrant une nouvelle approche pour analyser leur impact sur la volatilité du marché des valeurs mobilières. 3. Interprétabilité du risque financier : Pour surmonter la nature de boîte noire des modèles d'apprentissage profond, un cadre GNN hétérogène est développé pour générer des sous-graphes de preuves qui révèlent les facteurs internes et externes affectant le risque financier de l'entreprise, améliorant ainsi la transparence du modèle.
Autorenporträt
Huaming Du se doctoró en la Southwestern University of Finance and Economics. Sus intereses de investigación incluyen la inferencia causal, los LLM, Fintech y el aprendizaje de representación gráfica. Ha publicado artículos en conferencias y revistas como KDD, IEEE TKDE, IEEE TETC, etc.