Исследователи представляют FinInvest-GTCN, Графово-Временную-Каузальную Сеть (Graph-Temporal-Causal Network), предназначенную для оптимизации решений венчурных инвестиций путём решения таких проблем, как гетерогенные данные и нестационарные временные ряды. Модель переопределяет задачу от рекомендации контента к количественной оценке риска и доходности, используя реляционный графовый энкодер, многомасштабное временное слияние и каузальную голову принятия решений для генерации интерпретируемых прогнозов.
- Объединяет реляционный графовый энкодер для топологии экосистемы, модуль многомасштабного временного слияния для долгосрочных зависимостей и каузальную голову принятия решений для прогнозов, скорректированных по риску.
- Реализует Мета-Каузальную Адаптацию (MCA) для обеспечения надёжной тонкой настройки в секторах с дефицитом данных путём согласования обновлений с каузально правдоподобными структурами.
- Достигает результатов уровня state-of-the-art на проприетарных наборах данных венчурного капитала, снижая Среднеквадратичную Ошибку, скорректированную по риску (RA-MSE), с 3.05 до 2.51.
- Увеличивает кумулятивную доходность смоделированного портфеля на 18.7% по сравнению с базовыми моделями.
Эта работа закладывает основу для управляемого данными, объяснимого фреймворка поддержки инвестиционных решений, предлагая повышенную стабильность и интерпретируемость для финансовых приложений с высокими ставками.