論文の概要: Systemic Risk Radar: A Multi-Layer Graph Framework for Early Market Crash Warning

• arxiv url: http://arxiv.org/abs/2512.17185v1
• Date: Fri, 19 Dec 2025 03:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.223828
• Title: Systemic Risk Radar: A Multi-Layer Graph Framework for Early Market Crash Warning
• Title（参考訳）: Systemic Risk Radar: 早期市場のクラッシュ警告のためのマルチレイヤグラフフレームワーク
• Authors: Sandeep Neela,
• Abstract要約: 我々は,金融市場を多層グラフとしてモデル化し,脆弱性やクラッシュ・レジリエム遷移の早期兆候を検出するフレームワークであるシステミックリスクレーダ(SRR)を提案する。 我々は、Dot-comの事故、Global Financial Crisis、COVID-19ショックの3大危機でSRRを評価した。 その結果、構造的ネットワーク情報により、特徴ベースモデルのみと比較して、早期警戒信号が有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial crises emerge when structural vulnerabilities accumulate across sectors, markets, and investor behavior. Predicting these systemic transitions is challenging because they arise from evolving interactions between market participants, not isolated price movements alone. We present Systemic Risk Radar (SRR), a framework that models financial markets as multi-layer graphs to detect early signs of systemic fragility and crash-regime transitions. We evaluate SRR across three major crises: the Dot-com crash, the Global Financial Crisis, and the COVID-19 shock. Our experiments compare snapshot GNNs, a simplified temporal GNN prototype, and standard baselines (logistic regression and Random Forest). Results show that structural network information provides useful early-warning signals compared to feature-based models alone. This correlation-based instantiation of SRR demonstrates that graph-derived features capture meaningful changes in market structure during stress events. The findings motivate extending SRR with additional graph layers (sector/factor exposure, sentiment) and more expressive temporal architectures (LSTM/GRU or Transformer encoders) to better handle diverse crisis types.
• Abstract（参考訳）: 構造的脆弱性がセクター、市場、投資家の行動にまたがって蓄積されると、金融危機が生じる。 これらのシステム移行の予測は、市場参加者間の相互作用の進化から生じるため、価格の孤立した動きだけでは困難である。 金融市場を多層グラフとしてモデル化し,システム的脆弱性やクラッシュ・レジリエム遷移の早期兆候を検出するフレームワークであるシステミックリスクレーダ(SRR)を提案する。 我々は、Dot-comの事故、Global Financial Crisis、COVID-19ショックの3大危機でSRRを評価した。 我々の実験は、スナップショットGNN、簡易時間GNNプロトタイプ、標準ベースライン(論理回帰とランダムフォレスト)を比較した。 その結果、構造的ネットワーク情報により、特徴ベースモデルのみと比較して、早期警戒信号が有用であることが示唆された。 この相関に基づくSRRのインスタンス化は、ストレスイベント中の市場構造の有意義な変化をグラフで表すことを示す。 その結果、SRRの拡張をグラフ層(セクタ/要素露出、感情)とより表現力のあるテンポラルアーキテクチャ(LSTM/GRUまたはTransformerエンコーダ)で動機付け、さまざまな危機タイプをうまく扱えるようになった。

関連論文リスト

• DynBERG: Dynamic BERT-based Graph neural network for financial fraud detection [3.8271803328378677]
  グラフ-BERTとGRU(Gated Recurrent Unit)層を統合した新しいアーキテクチャであるDynBERGを導入する。 主要な暗号通貨市場イベントであるダークマーケットシャットダウン(Dark Market Shutdown)におけるすべてのトランザクションを含む、Bitcoinトランザクションを含むEllipticデータセット上で、当社のモデルを評価します。
  論文  参考訳（メタデータ） (2025-10-28T10:31:39Z)
• A Multi-Layer Machine Learning and Econometric Pipeline for Forecasting Market Risk: Evidence from Cryptoasset Liquidity Spillovers [0.0]
  我々は、中核暗号セットの流動性とボラティリティのプロキシが、市場全体のリスクを予測する流出を発生させるかどうかを調査する。 我々の経験的枠組みは, (A) コア流動性とリターン間の相互作用, (B) 流動性とリターンを結び付ける主成分関係, (C) 断続的ボラティリティの団結を捉えるボラティリティ・ファクター・プロジェクションの3つの統計層を統合している。
  論文  参考訳（メタデータ） (2025-10-22T22:36:34Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Bubble, Bubble, AI's Rumble: Why Global Financial Regulatory Incident Reporting is Our Shield Against Systemic Stumbles [29.86669983369923]
  現在のAIインシデントデータベースは、クラウドソーシングやニューススクレイピングに依存しており、体系的に資本市場の異常を見落としている。 本稿では,医療・航空のインシデントドキュメンテーションモデルを用いて,取引後の報告フレームワークを合成する,規制グレードのグローバルデータベースを提案する。 我々は、AI主導のシステムリスクの不安定な「カルドロン」に対して、AI主導の金融市場におけるリスク管理を強化し、レジリエンスを高めるための即時行動を求めます。
  論文  参考訳（メタデータ） (2025-09-30T12:01:25Z)
• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework [27.025720728622897]
  時系列ネットワークにおける因果構造を推定するための非パラメトリック・時間変化指向情報グラフ(TV-DIG)フレームワークを提案する。 本枠組みは、金融ネットワーク内の主要資産・産業セクター間の相互接続性とシステム的リスクの進化を特定し、監視するものである。
  論文  参考訳（メタデータ） (2023-12-27T20:09:57Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• 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)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)

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。