IA e Topologia Preveem Ratings de Crédito Bancário com Nova Rede Neural
Agências como Standard & Poor's e Moody's fornecem ratings de crédito que influenciam significativamente a tomada de decisões por diversas partes interessadas no mercado financeiro. No entanto, a aplicação direta de Redes Neurais Gráficas (GNNs), que são eficazes na alavancagem de informações de rede, é frequentemente complicada pela indisponibilidade de um grafo completo de conexões interbancárias, muitas vezes devido a preocupações com privacidade.
Para contornar essa limitação, a pesquisa utiliza a homologia persistente, uma ferramenta da análise topológica de dados (TDA), para construir uma rede que captura relações subjacentes entre os bancos que podem não ser explicitamente visíveis em uma rede de empréstimo tradicional. Essa rede topológica é então combinada com a rede de empréstimo convencional para criar uma rede heterogênea. O modelo HTGNN integra informações de ambas as fontes, permitindo uma compreensão mais rica das interconexões e dependências entre as instituições financeiras.
Os autores realizaram experimentos utilizando um conjunto de dados global e real, validando a eficácia do modelo HTGNN na previsão de ratings de crédito bancário. Os resultados demonstram que a abordagem heterogênea, que incorpora insights topológicos, leva a previsões aprimoradas em comparação com métodos que dependem apenas de redes de conexão diretas ou informações financeiras tradicionais.
Esta pesquisa tem implicações importantes para investidores e órgãos reguladores. A capacidade de prever com mais precisão os ratings de crédito bancário pode aprimorar a mitigação proativa de riscos e a implementação de medidas eficazes para a estabilidade do mercado. O código associado a este trabalho está disponível publicamente. O estudo foi apresentado no Workshop on Information Technologies and Systems (WITS) em 2024.