融合文本语义与财务指标图谱：一种面向金融风险分类的可解释深度学习方法

《Scientific Reports》：Integrating textual semantics and financial indicator graphs: an interpretable deep learning approach for financial risk classification

　　

摘要

金融风险分类需要对异构文本披露和结构化会计信息进行联合分析，但现有方法通常独立建模这些模态，并为单个预测提供有限的证据。为了解决这些局限性，本研究提出了用于风险分类的金融图增强 BERT（FinGraph-BERT），这是一种将公司年度财务报告分类为基于修正 Altman Z\('\) 分数的代理风险类别的多模态框架。该模型使用领域预训练的金融语言编码器来捕获上下文风险信号，并从可复现的会计和比率依赖关系中构建报告内财务指标图。语义 - 结构对齐机制缩小了文本特征和图特征之间的表示差距，随后进行交互感知多模态融合，用于高风险、中风险和低风险分类。为减少信息泄漏，使用按公司分组和类别分层划分的方法对报告进行划分，确保同一家公司不会出现在不同的实验子集中。在重构的 FinQA 数据集上的实验表明，FinGraph-BERT 在 30 次独立运行中达到了 \(0.814\pm 0.008\) 的准确率和 \(0.796\pm 0.009\) 的宏观 F1 分数。与 BERT+GAT 相比，其准确率提高了 3.3 个百分点，宏观 F1 分数提高了 3.7 个百分点。消融实验和统计分析证实了图推理、语义 - 结构对齐和多模态融合的贡献。集成梯度进一步提供了词元和指标级解释，而删除和插入测试表明，高归因特征对预测的影响比随机排序的特征更强烈。这些结果展示了 FinGraph-BERT 在可解释的报告级代理风险分类方面的有效性，而不是直接预测未来的破产或违约事件。