Multi-Perspective Fusion Graph Model for Financial Distress Prediction of Listed Companies

Diese Studie führt ein multiperspektivisches Fusionsgraphen-Modell ein, das textliche und tabellarische Daten integriert, um finanzielle Schwierigkeiten in börsennotierten Unternehmen vorherzusagen. Das Modell konstruiert separate Graphen für textliche und tabellarische Daten mit dem KNN-Algorithmus und verwendet das GraphSAGE-Modell, um Merkmale aus diesen Graphen zu extrahieren und zu verschmelzen. Die Studie konzentriert sich auf börsennotierte chinesische Unternehmen zwischen 2001 und 2020 und stützt sich dabei auf jährliche Berichtstexte, Finanzdaten, makroökonomische Daten und nichtfinanzielle Daten. Die Ergebnisse zeigen, dass die Einbeziehung von Textinformationen die Vorhersagefähigkeit des Modells signifikant verbessert, wobei das GraphSAGE-Modell traditionelle Modelle wie logistische Regression, Random Forest und künstliche neuronale Netzwerke übertrifft. Die Studie unterstreicht auch die Bedeutung der unabhängigen Extraktion von Merkmalen aus verschiedenen Datentypen, um die Vorhersagegenauigkeit zu verbessern. Die ökonomischen Vorteile verschiedener Modelle werden analysiert und zeigen, dass das GraphSAGE-Modell risikoarme Unternehmen vollständig identifizieren und im Rahmen von Short-Positions-Strategien höhere potenzielle Gewinne erzielen kann. Die Studie schließt mit Vorschlägen für zukünftige Forschungsrichtungen, einschließlich der Einbeziehung zusätzlicher Textdatenquellen, der Entwicklung dynamischer Netzwerkstrukturen und der Erforschung komplexerer Methoden zur Featureextraktion.