Predicting systemic risk in financial systems using Deep Graph Learning

Abstract

El riesgo sistémico es el riesgo de contagio desde una entidad financiera individual hacia el sistema financiero debido a las interconexiones existentes. Contar con herramientas potentes para analizar y predecir el riesgo sistémico en grandes redes financieras es esencial para garantizar la estabilidad del sistema financiero, evitando las externalidades negativas derivadas del fallo de una institución financiera sistémicamente importante. En este contexto, el Aprendizaje Automático (Machine Learning, ML) ha demostrado ser una herramienta útil gracias a su capacidad para manejar relaciones complejas. Sin embargo, las técnicas tradicionales están limitadas en su uso de las interacciones entre entidades y de la estructura de la red, lo cual ha demostrado ser de gran importancia para el riesgo sistémico.

Por ello, este trabajo propone el uso de Redes Neuronales sobre Grafos (Graph Neural Networks, GNNs) para el análisis del riesgo sistémico. Las GNNs utilizan la estructura de la red y la información de las características para abordar redes financieras a gran escala, proporcionando los beneficios del ML al tiempo que emplean toda la información disponible (interrelaciones entre nodos y características de nodos, aristas y del grafo). Asimismo, presentamos C2R, un enfoque para reducir el esfuerzo de preetiquetado de métricas de riesgo sistémico costosas, mediante el preetiquetado en un pequeño número de clases mientras se predicen puntuaciones continuas de riesgo.

Hemos evaluado las GNNs frente al ML tradicional en la clasificación de entidades según su importancia en el riesgo sistémico en dos redes diferentes, comparando sus capacidades de generalización con distintas cantidades de datos disponibles. Las GNNs logran incrementos porcentuales medios del 94% y del 15% en el Coeficiente de Correlación de Matthews (MCC) en comparación con el ML, obteniendo mejoras estadísticamente significativas del MCC en la mayoría de los escenarios. Al combinar C2R con GNNs para predecir el cuantil de riesgo sistémico a partir de las etiquetas de clase, los modelos alcanzan mejoras estadísticamente significativas en el RMSE del cuantil.

A partir de nuestros experimentos, podemos confirmar que los modelos GNN están mejor adaptados para la predicción del riesgo sistémico en redes financieras y deberían preferirse frente al Aprendizaje Automático tradicional. Los resultados obtenidos también confirman que la estructura de la red y las características de las relaciones (características de las aristas) contienen información útil para nuestra tarea.

Systemic risk is the risk of infection from an individual financial entity to the financial system due to existing interconnections. Having powerful tools to analyze and predict systemic risk in large financial networks is essential to ensure the stability of the financial system, avoiding the negative externalities derived from the failure of a systemically important financial institution. In this context, Machine Learning (ML) has proved to be a useful tool thanks to its ability to deal with complex relations. However, traditional techniques are limited in their use of the interactions between entities and the network structure, which has been shown to be of great importance for systemic risk. Thus, this work proposes Graph Neural Networks (GNNs) for systemic risk analysis. GNNs use the network structure and feature information to deal with large-scale financial networks, providing the benefits of ML while using all the available information (node inter-relations and node, edge, and graph features). We also present C2R, an approach to reduce the pre-labeling effort for costly systemic risk metrics by pre-labeling into a small number of classes while predicting continuous risk scores. We have tested GNNs against traditional ML in classifying entities by systemic risk importance in two different networks, comparing their generalization capabilities with different amounts of available data. GNNs achieve a 94% and 15% Matthew's Correlation Coefficient (MCC) average percentage increase compared to ML, achieving statistically significant MCC improvements in most scenarios. When combining C2R with GNNs to predict the systemic risk quantile from the class labels, the models achieve statistically significant improvements in the quantile RMSE. From our experiments, we can confirm that GNN models are better suited for systemic risk prediction on financial networks and should be preferred over traditional Machine Learning. The results obtained also confirm the fact that the network structure and the features of the relations (edge features) hold useful information for our task.