論文の概要: Credit Risk Analysis for SMEs Using Graph Neural Networks in Supply Chain

• arxiv url: http://arxiv.org/abs/2507.07854v1
• Date: Thu, 10 Jul 2025 15:33:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.464419
• Title: Credit Risk Analysis for SMEs Using Graph Neural Networks in Supply Chain
• Title（参考訳）: グラフニューラルネットワークを用いた中小企業のサプライチェーンにおける信用リスク分析
• Authors: Zizhou Zhang, Qinyan Shen, Zhuohuan Hu, Qianying Liu, Huijie Shen,
• Abstract要約: 本稿では、空間依存をマッピングし、デフォルトリスクを予測するグラフニューラルネットワーク(GNN)ベースのフレームワークを提案する。 DiscoverとAnt Creditの実際のデータセットに対するテストは、GNNが従来のGNNベースラインを超えることを示している。 また、規制当局が銀行に対するサプライチェーンの破壊の影響をモデル化し、物質不足からローンデフォルトを正確に予測し、CCARリスクバッファーの鍵となるデータを提供する。
• 参考スコア（独自算出の注目度）: 2.060688901523233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small and Medium-sized Enterprises (SMEs) are vital to the modern economy, yet their credit risk analysis often struggles with scarce data, especially for online lenders lacking direct credit records. This paper introduces a Graph Neural Network (GNN)-based framework, leveraging SME interactions from transaction and social data to map spatial dependencies and predict loan default risks. Tests on real-world datasets from Discover and Ant Credit (23.4M nodes for supply chain analysis, 8.6M for default prediction) show the GNN surpasses traditional and other GNN baselines, with AUCs of 0.995 and 0.701 for supply chain mining and default prediction, respectively. It also helps regulators model supply chain disruption impacts on banks, accurately forecasting loan defaults from material shortages, and offers Federal Reserve stress testers key data for CCAR risk buffers. This approach provides a scalable, effective tool for assessing SME credit risk.
• Abstract（参考訳）: 中小企業(中小企業)は、現代経済にとって不可欠であるが、信用リスク分析は、特に直接信用記録を欠いているオンライン貸し手にとって、希少なデータに苦しむことが多い。 本稿では、トランザクションとソーシャルデータからの中小企業インタラクションを活用し、空間依存のマッピングとローンデフォルトリスクの予測を行うグラフニューラルネットワーク(GNN)ベースのフレームワークを提案する。 DiscoverとAnt Creditの実際のデータセット(サプライチェーン分析のための23.4Mノード、デフォルト予測のための8.6Mノード)によるテストでは、GNNが従来のGNNベースラインを超えており、AUCはサプライチェーンマイニングのための0.995と0.701である。 また、規制当局が銀行に対するサプライチェーンの破壊の影響をモデル化し、物質不足からローンデフォルトを正確に予測し、CCARリスクバッファーの鍵となるデータを提供する。 このアプローチは、中小企業の信用リスクを評価するためのスケーラブルで効果的なツールを提供する。

関連論文リスト

• Prediction of Bank Credit Ratings using Heterogeneous Topological Graph Neural Networks [2.7613060052810914]
  本研究は、持続的ホモロジーを利用して、銀行間の関係を捉えるネットワークを構築し、これを従来の貸与ネットワークと組み合わせ、異種ネットワークを構築する。 グローバルな実世界のデータセットの実験は、HTGNNの有効性を検証する。 本研究は、積極的なリスク軽減と効果的な市場介入の実施を促進するために、投資家や規制機関に影響を及ぼす。
  論文  参考訳（メタデータ） (2025-05-17T13:49:25Z)
• Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
  本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。 提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。 この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-10-05T20:49:05Z)
• Research on Credit Risk Early Warning Model of Commercial Banks Based on Neural Network Algorithm [12.315852697312195]
  この研究は、特にバックプロパゲーション(BP)ニューラルネットワークのような高度なニューラルネットワーク技術を利用して、商業銀行の信用リスクをプリエンプションする新しいモデルを開発した。 研究結果は、このモデルが信用リスク管理の予測と精度を効果的に向上させることを示唆した。
  論文  参考訳（メタデータ） (2024-05-17T13:18:46Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)
• Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph Neural Networks [2.7910505923792637]
  本稿では,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。 まず、まず、セルフアウトの製品に基づいて各企業の個々のグラフを構築し、次に、GNNを使用して機能相互作用を明示的にモデル化する。 中国の上場企業評価データセットで実施された実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。
  論文  参考訳（メタデータ） (2020-11-27T02:57:14Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。