本研究提出了一种新的动态图神经网络（DGNN）架构，用于在时间金融网络中进行条件$m$步预测。通过模拟利率掉期交易网络数据验证，该模型能够准确预测净变动保证金，为监管机构提供监测系统性风险的工具。

研究者提出了L2GMOM，一种机器学习框架，利用金融网络预测回报。回测结果显示，投资组合的盈利能力和风险控制有显著提高，夏普比率为1.74。