Aug, 2023

DeRisk：基于实际金融数据的信用风险预测的有效深度学习框架

PDF
TL;DR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。
deep learningrisk predictionindustrial applicationsfinancial datastatistical learning
发现论文，激发创造
  • 基于表格金融数据的信用风险监控的序列深度学习

    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

  • FinLangNet：一种利用金融数据中的语言类比进行信用风险预测的新型深度学习框架

    金融数据上的创新深度学习风险预测框架 FinLangNet，在 credit risk 预测上超过传统统计方法并与之结合以改善信用卡欺诈预测模型。

    Apr, 2024

  • 金融中的深度学习

    使用深度学习层次模型探索金融预测和分类问题，应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题，以便探测和利用当前任何金融经济理论看不到的数据交互。

    Feb, 2016

  • 信用风险管理中的不确定性建模：一种基于深度证据回归的方法

    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

  • 面向信贷借贷的可解释深度学习：案例研究

    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

  • 金融风险鲁棒分类

    使用领域特定的原始对抗攻击以及文献记录的对抗攻击，我们使用贷款等级分类问题来探讨机器学习模型对用户报告数据中微小变化的敏感性，并使用强健优化算法来构建金融服务的模型对扰动有抗分类误差的能力，这是金融服务深度学习中对抗攻击和防御的首项研究。

    Nov, 2018

  • E.T.-RNN：将深度学习应用于信用贷款申请

    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

  • 可解释的信用风险选择性学习

    本研究是关于解决传统的 logistic 回归模型的精度和可解释性问题，引入了一种具有可解释性的选择性神经网络模型，主要应用于信贷风险评估领域，同时本文也在研究中比较了各种模型的优劣，得出结论，浅层神经网络能更好地提升精度而不显著牺牲解释性。

    Sep, 2022

  • 深度网络中的不确定性建模：短期和嘈杂序列的预测

    本研究探讨了使用深度学习模型（配合异方差模型）进行金融预测的应用，并且新增了在产品中摒弃低可信度预测的机制来提升用户体验。

    Jul, 2018

  • 基于神经网络算法的商业银行信用风险预警模型研究

    在全球化金融市场中，商业银行面临不断升级的信贷风险，从而对银行资产安全和金融稳定性提出更高要求。本研究利用先进的神经网络技术，特别是反向传播神经网络，开创了一种新的模型来预测商业银行的信贷风险。通过比较分析，阐明了神经网络模型在预测商业银行信贷风险方面的优越性。实验结果表明，该模型有效提高了信贷风险管理的远见性和准确性。

    May, 2024