在全球金融体系的互联特性下，系统性风险的脆弱性显而易见，少数机构的失败可能引发灾难性的级联违约。传统风险模型在捕捉这些网络复杂的非线性动态方面常常显得力不从心。尽管图神经网络（GNNs）在建模关系数据方面展现出潜力，但它们主要学习相关模式并作为黑箱运作，缺乏对冲击传播因果机制的洞察，这对需要可解释模型以进行压力测试和制定有效干预措施的监管者来说至关重要。
我们提出了CausalGraphX，一个将GNN与反事实推理相结合的新框架，以提供可解释的系统性风险评估。CausalGraphX采用图注意力机制，学习机构脆弱性的表示，并使用对抗正则化技术确保这些表示捕捉因果驱动因素，而不是虚假的相关性。此外，我们提出了一种基于优化的方法来生成反事实解释，回答诸如“在特定压力情境下，最低资本注入量是多少才能防止银行A违约？”等问题。
我们在大规模合成金融网络上验证了CausalGraphX。结果表明，CausalGraphX在预测级联违约方面显著优于传统和深度学习基线，同时提供稀疏、合理且可操作的反事实解释。
博主点评： CausalGraphX通过结合图神经网络与反事实推理，成功填补了传统金融风险模型的不足，提供了可解释性，极大地增强了金融监管的有效性。其在复杂金融网络中的应用潜力值得期待。