抵押风险的深度学习
本研究提出了一种贝叶斯竞争风险比例风险模型,描述了按揭贷款违约和还款,使用马尔可夫链蒙特卡罗方法进行贝叶斯推断,并使用实际的违约 / 还款数据进行模型实现,讨论了从贝叶斯分析中获得的其他见解。
Jun, 2017
本篇研究使用 Deep Evidence Regression 技术,通过扩展这种方法的学习目标变量来预测违约的损失率。其应用旨在减少信用风险领域的不确定性,通过真实和模拟数据的实验也证明了其应用的有效性。
May, 2023
该研究通过结合机器学习技术和因果推断,考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响,并对主动和被动管理的基金进行了区分。结果显示,梯度提升是预测基金回报的有用工具,例如,利率上升 1%导致主动管理基金回报下降 - 11.97%。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会,并为基金经理和投资者提供了富有洞察力和数据驱动的建议。
Mar, 2024
利用深度学习模型和 LSTM 层,研究了大规模收集的 121 种不同类别的特征对高等教育学生保留率的影响,早期对毕业和风险学生的区分能力良好,在后期对退学和转学的区分能力依赖于随时间累积的数据,提供个体层面的预测并解决转学结果问题,为教育结果预测提供了新的见解。
Sep, 2023
通过对房屋贷款申请决策的真实数据添加反事实(模拟)种族偏见,本文展示了即使没有将族裔作为预测变量,机器学习模型(XGBoost)仍然会重复这种偏见。接下来比较了几种去偏方法:禁止变量的平均值、在禁止变量中选择最优预测(一种新方法)以及同时最小化误差和预测与禁止变量之间的关联。去偏可以恢复部分原始决策,但结果对于偏见是否通过代理方式产生是敏感的。
May, 2024
本研究使用移动电话数据的行为签名来预测南美电信所提供的信贷的还款结果,表明低信用历史个人的行为特征在一定程度上可以优于传统的信用报告预测还款违约的能力,此方法可为无法通过传统方式获得信用分的人群提供更多选择,如未被银行认可的人群。
Dec, 2017
作者提出了一种基于图神经网络和循环神经网络构建的动态多层网络的信用风险评估模型,该模型考虑了不同类型的连接和这些连接随时间的演变,并通过使用自定义的注意机制提高了模型表现,与传统方法相比,在预测借款人违约概率方面,我们的模型带来了更好的结果和对连接和时间戳重要性分析的新见解。
Feb, 2024
在本文中,我们提出了 DeRisk,这是一种有效的深度学习风险预测框架,用于真实世界的金融数据的信用风险预测,首次超越了我们公司生产系统中部署的统计学习方法。我们还对我们的方法进行了广泛的消融研究,以展示 DeRisk 在实证成功中最关键的因素。
Aug, 2023
本文提出了一种新的信用风险评估方法,采用深度循环卷积神经网络并利用长期历史金融数据序列的新型信用卡交易抽样技术,优于现有的基于树模型的方法,能够实现显著的金融节约和更早的信用风险检测。
Dec, 2020