Fusing LLMs and KGs for Formal Causal Reasoning behind Financial Risk Contagion

金融风险往往会从一个实体传播到另一个实体，最终导致系统性风险。防止这种风险的关键在于理解风险传染背后的因果链。尽管如此，现有方法主要强调识别风险，忽略了风险的潜在因果分析。为了解决这个问题，我们提出了一种风险传染因果推理模型，称为RC2R，它利用大型语言模型（LLMs）的逻辑推理能力，通过金融知识图谱（KGs）中嵌入的事实和专家知识来分析风险传染的因果机制。在数据层面上，我们利用金融KGs构建因果指令，使LLMs能够对风险传播进行正式的因果推理，并解决LLMs的“因果鹦鹉”问题。在模型架构方面，我们通过多尺度对比学习对各种粒度的标记和节点进行对齐的融合模块，然后通过跨多头注意机制的软提示将文本和图形结构数据融合起来。为了量化风险传染，我们引入了一个风险路径推断模块，用于计算图中每个节点的风险得分。最后，我们使用桑基图可视化风险传染路径及其强度，提供详细的因果解释。在金融KGs和供应链数据集上的全面实验表明，我们的模型在预测性能和超出分布（OOD）泛化能力方面优于几种最先进的模型。我们将公开提供数据集和代码，以鼓励进一步研究和发展这个领域。

论文试图提出一种新的风险传染因果推理模型，名为RC2R，以解决当前风险管理方法主要集中于识别风险而忽略了风险传染的根本原因分析的问题。

该模型利用大型语言模型的逻辑推理能力，结合金融知识图谱中的事实和专家知识，构建因果指令，实现对风险传播机制的分析。同时，该模型还通过多尺度对比学习、跨多头注意力机制等方式，将文本和图形结构数据进行融合，并引入风险路径推断模块计算风险得分。

该模型在金融知识图谱和供应链数据集上进行了全面的实验，结果表明其预测性能和超出分布（OOD）泛化能力优于几种最先进的模型。论文还提供了开源数据集和代码，以鼓励进一步的研究和开发。

最近的相关研究包括“基于图神经网络的金融风险传染预测”和“金融风险传染建模：一个基于事件树的方法”。