Ontological reasoning on financial knowledge graphs

National Central Banks, such as the Bank of Italy, play a crucial role in maintaining economic and financial stability. They carry out various functions, including economic research, supervising financial intermediaries, and enforcing anti-money laundering regulations. The growing complexity of the financial landscape, marked by intricate corporate structures and cross- and indirect shareholdings, requires the adoption of advanced analytical tools to support institutional responsibilities and decision-making processes. While useful for specific tasks, traditional approaches are inadequate for automatically extracting hidden insights (e.g., corporate control chains), and promptly identifying critical risks (e.g., hostile takeovers). Moreover, the ever-evolving nature of financial markets requires continuous updates and the harmonisation of data from various sources to ensure accurate and timely assessments. In this dissertation, we propose an innovative framework to address these challenges by introducing new methodologies based on Knowledge Representation and Reasoning. The framework integrates the representation of the financial landscape, in the form of a Knowledge Graph, with the logical formalisation of the domain knowledge as reasoning rules in the Vadalog language, a powerful language belonging to the Warded Datalog+- family that provides high expressivity with low computational complexity. Hence, the framework leverages ontological reasoning on Knowledge Graph to offer valuable and comprehensive insights on the complex financial landscape, to enable simulations and consequence analyses, to support the reactive monitoring of specific economic dynamics, and to enhance the prediction of future financial phenomena. It represents a solid tool for supporting data-driven decision-making processes and enhancing research, regulatory, and supervisory activities in the financial context. A first contribution lies in constructing the Italian Companies Knowledge Graph, leveraging the data available at the Bank of Italy, which gathers granular information about Italian companies, their shareholdings, and relationships. The Knowledge Graph also integrates a logical formalisation of fundamental financial concepts, such as the integrated ownership, company control, ultimate controller, and close-links, thus enabling reasoning techniques to derive new implicit and valuable insights in advanced domain analyses. This includes the identification of control concentration in corporate groups or the resilience assessment of the national corporate landscape to economic shocks, as seen during the COVID-19 pandemic. To support regulatory authorities in protecting national strategic assets from foreign acquisitions, we demonstrate the framework can be employed to proactively identify defensive strategies and reactively monitor the implication of potentially hostile acquisitions, even suggesting the application of the regulatory tool Golden Power to block them. As the financial context rapidly evolves, we extend the framework to make the Company Knowledge Graph update process more timely and efficient. We present an advanced methodology that incrementally updates control relationships by efficiently localising ownership variations, thus avoiding costly recomputation on the entire Knowledge Graph. This contribution marks a considerable advancement in the usage of automated reasoning in the context of financial supervision as its employment significantly enhances interactive ``what if'' analysis, in which analysts simulate shareholding variations of one or more companies to figure out potential regulatory implications in advance. A further contribution of this thesis is the definition of an innovative approach for the prediction of corporate takeovers based on the combination of logical reasoning techniques on Knowledge Graphs and predictive statistical models. By identifying and formalising determinants of historical takeovers, the framework can systematically assess the presence of these factors across the entire Company Knowledge Graph and thus provide accurate estimates of the probability of each company being the subject of an acquisition. We recognise the framework to be an advanced and particularly effective tool for the analysis of the financial domain. In order to make it more accessible to financial analysts in their daily activities, we present an interactive web application for Knowledge Graph analysis and exploration, which abstracts the complexity of the logical formalism of business definitions through the metaphor of reasoning widgets. Widgets allow the user to dynamically enrich the analysis, implicitly requesting the underlying reasoning framework to infer new relationships and concepts in real-time. As a final contribution, we present an innovative method, based on the translation of logical rules into active triggers, to enable reasoning techniques within graph databases, such as Neo4J. This solution extends the applicability of reasoning techniques in scenarios that do not have or do not require the use of full-fledged reasoning engines.

Le Banche Centrali Nazionali, come la Banca d’Italia, svolgono un ruolo cruciale nella stabilità economico-finanziaria, esercitando numerose funzioni tra cui ricerca economica, supervisione degli intermediari finanziari e applicazione della normativa antiriciclaggio. La crescente complessità del contesto finanziario, caratterizzato da strutture societarie articolate, partecipazioni incrociate e proprietà indirette, richiede l’adozione di strumenti analitici avanzati per supportare i compiti istituzionali e il processo decisionale. Le metodologie tradizionali, pur offrendo un valido supporto per specifiche attività, risultano non più efficaci per l’estrazione automatica di informazioni latenti (ad esempio, le catene di controllo societario) e per la valutazione tempestiva di fenomeni critici (ad esempio, tentativi di acquisizioni ostili). Inoltre, l’evoluzione continua dei mercati richiede un costante aggiornamento e un'armonizzazione di dati provenienti da fonti eterogenee. Questa tesi di dottorato propone un approccio innovativo per affrontare tali sfide, introducendo nuove metodologie basate sulla rappresentazione della conoscenza e sul ragionamento automatico. Il framework integra la rappresentazione del panorama finanziario, sotto forma di un Knowledge Graph, con la formalizzazione logica della conoscenza del dominio sotto forma di regole di ragionamento nel linguaggio Vadalog, un potente linguaggio appartenente alla famiglia Warded Datalog+- che fornisce un'elevata espressività con una bassa complessità computazionale. Il framework sfrutta tecniche di ragionamento ontologico su Knowledge Graph per generare dettagliate analisi sul complesso panorama finanziario, per consentire simulazioni e analisi delle conseguenze, per supportare il monitoraggio reattivo di specifiche dinamiche economiche e per migliorare la previsione di fenomeni finanziari futuri. Rappresenta pertanto un solido strumento per supportare i processi decisionali basati su evidenze e migliorare le attività di ricerca, regolamentazione e vigilanza nel contesto finanziario. Un primo contributo è rappresentato dalla costruzione di un Knowledge Graph delle imprese italiane, basato sui micro-dati della Banca d'Italia. Oltre a modellare imprese, proprietà e relazioni, il Knowledge Graph integra una formalizzazione logica di concetti finanziari fondamentali, quali possesso integrato, controllo aziendale, controllore di ultima istanza, e close-links. Tale framework abilita tecniche di ragionamento automatico per inferire conoscenza utile a processi di analisi avanzati come l'individuazione di concentrazioni di controllo in conglomerati societari o la valutazione della resilienza del tessuto societario nazionale a shock economici, come ad esempio la pandemia di COVID-19. Al fine di supportare le autorità nelle attività regolatorie per la protezione degli asset strategici nazionali, mostriamo come il framework possa essere sfruttato per identificare proattivamente strategie di difesa di tali asset e monitorare reattivamente le conseguenze di acquisizioni proprietarie potenzialmente ostili ed eventualmente suggerire l'applicazione dello strumento normativo Golden Power per bloccarle. Al fine di rendere più efficiente e tempestivo il processo di aggiornamento del Knowledge Graph a seguito di variazioni degli assetti proprietari, estendiamo il framework con una metodologia avanzata in grado di localizzare tali variazioni e aggiornare incrementalmente le relazioni di controllo aziendale, evitando onerosi ricalcoli sull'intero Knowledge Graph. Questo contributo rappresenta un ulteriore avanzamento significativo nell'uso del ragionamento automatico per la supervisione finanziaria in quanto la sua applicazione apporta un miglioramento sostanziale ad analisi interattive di tipo ``what if'', in cui gli analisti simulano variazioni negli assetti proprietari di singole aziende o interi gruppi societari per comprenderne in anticipo le conseguenze. Un ulteriore contributo di questa tesi consiste nella definizione di un approccio innovativo alla previsione di acquisizioni societarie basato sulla combinazione di tecniche di ragionamento logico su Knowledge Graph e modelli statistici predittivi. Individuando e codificando in logica formale i fattori determinanti di acquisizioni storiche, il framework è in grado di valutare in modo sistematico la presenza di tali fattori sull'intero panorama societario per poi fornire stime accurate sulla probabilità che ciascuna azienda possa essere oggetto di acquisizione. Il framework realizzato dimostra quindi di essere uno strumento avanzato e particolarmente efficace nell'analisi del contesto finanziario. Al fine di renderlo più accessibile nelle attività quotidiane degli analisti, presentiamo un'applicazione web interattiva per l'analisi e la navigazione di Knowledge Graph, che astrae la complessità della formalizzazione logica di definizioni di business tramite reasoning widgets. Tali widget consentono all'utente di arricchirre dinamicamente l'analisi, richiedendo implicitamente al framework sottostante di infererire in tempo reale nuove relazioni e concetti. Come ultimo contributo, presentiamo un metodo innovativo, basato sulla traduzione di regole logiche in trigger attivi, per abilitare tecniche di ragionamento all’interno di database a grafo, come Neo4J. Questa soluzione amplia l’applicabilità delle tecniche di ragionamento in scenari che non dispongono o non richiedono l’impiego di sofisticati motori di ragionamento.