Cybersikkerhedsbrud kan sende aktiekurser i frit fald, men de fleste prognosemodeller er bygget til at fange trend, sæson og autokorrelation – ikke sjældne, heterogene eksterne chok. Nu introducerer forskere bag EventTime en ramme, der kombinerer langsigtet markedsudvikling, kortsigtet præ-hændelsesdynamik og hændelsesmetadata for at estimere det forventede tab i dagene efter en offentliggørelse af et sikkerhedsbrud.
Modellen adresserer et konkret problem: Selvom brud offentliggøres som diskrete begivenheder via nyheder, regulatoriske indberetninger eller databaser, udfolder konsekvenserne sig gennem kontinuerlig markedsadfærd. EventTime bruger et såkaldt event-fusionsmodul, der kobler tidsmæssige repræsentationer med hændelsesattributter for at identificere relevante markedsmønstre. For at håndtere sparsom supervision introducerer forskerne en dynamisk kontrastiv læringsmekanisme, der konstruerer positive og negative par under træning.
Som del af arbejdet har forskerne opbygget datasættet SECURE, der kobler cybersikkerhedshændelser med aktiemarkedstidsserier og strukturerede samt LLM-genererede semantiske features. Eksperimenter viser, at EventTime konsekvent overgår state-of-the-art tidsserie- og hændelsesbevidste baseline-modeller i at estimere finansielle tab efter hændelser. Yderligere analyser peger på mere hændelsesfølsomme repræsentationer, større robusthed over for ufuldstændige metadata og mere fortolkelige estimater af kortsigtet markedspåvirkning.
For beslutningstagere – især inden for risikostyring, compliance og investering – betyder det, at man kan få et mere præcist billede af, hvor hårdt et cyberangreb rammer kursen, og dermed bedre grundlag for at sætte stop-loss-niveauer, prissætte forsikringer eller vurdere porteføljeudsætning. Modellen er stadig på forskningsstadiet, men den peger på en retning, hvor AI kan omsætte rå hændelsesdata til operationelle risikovurderinger.
