该研究使用结构经济模型分析了在线小额贷款平台上人类评估者的决策动力，并估算了模型参数。研究发现人类评估者的决策中存在基于偏好和信念两种类型的性别偏见，均偏向女性申请人。通过对事实模拟，研究量化了性别偏见对贷款授予结果和公司及借款人福利的影响。研究还发现，机器学习算法可以缓解偏好和信念两种性别偏见。
Jan, 2022
研究提出了一个概念性框架，通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现，并确定了一些独立和混淆变量对客户流失的影响和可能原因。
Apr, 2023
本文研究了金融科技贷款平台的贷款筛选中所存在的表征偏差问题，并提出了一种基于Transformer的序列贷款筛选模型，采用自监督对比学习和领域自适应来解决这个问题。实验结果表明，该模型显著促进了资金决策的包容性，并将贷款筛选精度和利润分别提高了7.10％和8.95％。
May, 2023
本文针对部分标注的学习问题进行研究，提出了一种基于工具变量框架的加权学习方法，分析了预测规则全人群风险的端点识别条件，并在半合成金融数据集上进行了实验，证明了方法在选择偏差存在时具有更优异的性能。
Jun, 2023
本文介绍了一种基于非参数估计的选择模型，该模型使用神经网络逼近各种现有选择模型，并扩展到包括对内生特征的估计，同时介绍了一种有效的置信区间构建方法，使用真实数据进行了实证分析，并验证了其在实际应用中的可行性。
Jul, 2023
电子商务平台提供给消费者的消费信贷服务为购物提供了便利的贷款渠道，并有潜力刺激销售。本研究发展了一种基于分布估计的框架，将现有的实值回归、倒数权重和双机器学习估计器扩展为在Rubin的因果框架内的分布估计器，并通过一个真实数据集应用了这些估计器。我们的研究发现，信贷额度正向影响所有分位数的支出，然而随着信贷额度的增加，消费者将更多资金分配给奢侈品（高分位数）而不是必需品（低分位数）。
Dec, 2023
本文提出了一种在定价环境中进行需求预测的新方法，通过建模价格作为需求的输入变量之间的因果关系，结合双机器学习方法和基于Transformer的预测模型。通过广泛的实证实验，在一个完全控制的设置中，我们证明了我们的方法通过合成但真实的数据更好地估计了因果效应。同时，我们展示了在真实世界数据中，我们的方法在离线策略设置（即定价策略发生变化时）中表现优于预测方法，只在在线策略设置中略有落后。
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
通过学习排名的方法，我们提出了一种在预算约束下有效分配治疗的方法，并验证了其在合成和真实数据上的有效性。
在金融机构中，评分模型的建立和评估基于已接受申请人的数据，而他们的还款行为已知。然而，这样做会产生抽样偏差，而论文中提出的两种方法，即拒绝推理和贝叶斯框架，有效地解决了这个问题，并证实了它们在预测性能和盈利能力方面的优越性。
Jul, 2024