本文提出了一种基于深度学习方法的银行零售客户信用评分的新方法。我们使用 RNNs 分析精细的跨国数据来为贷款申请人计算信用评分，并证明我们的方法显著优于基于某大型欧洲银行客户数据的基线方法。此外，我们在银行的贷款申请人上开展 pilot study，该研究为该机构带来了显著的财务收益。本文还描述了我们的方法具有的其他一些非常重要的优势。

Nov, 2019

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

使用循环神经网络作为实时欺诈检测系统，以短计算时间和少量能源资源实现了比现有技术更准确的多序列特征自由欺诈检测，节约了数百万美元。

Feb, 2020

本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

Oct, 2023

该篇论文初步探讨了运用神经网络进行信用风险评估时，为提高模型的可解释性，已提出了一些技术。

Nov, 2018

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

本研究对于公司信用评级的深度学习模型进行结构化数据和非结构化数据的多模态融合，其中以卷积神经网络为基础的模型与两种融合策略的效果最佳；此外，我们还发现更复杂的深度学习模型未必能够带来最好的性能，然而，如果注意力机制为性能最佳，那么交叉注意力机制为必要的融合策略；最后，我们比较了短期、中期和长期表现，并得出 Moody's 信用评级超过标普和惠誉等其他机构的结论。

Apr, 2023

本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

Aug, 2018

这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

May, 2022

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