信用卡评分预测基于机器学习模型的新数据集
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
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
本研究着重研究使用机器学习检测银行信用卡欺诈的可扩展性。我们比较了现有的机器学习算法和方法与新提出的技术，并证明采用较少的比特数来训练机器学习算法将导致一个更具可扩展性，时间和成本更少的系统。
Jun, 2022
该研究使用机器学习模型，对埃塞俄比亚一家私人银行提供的数据进行分析，发现 XGBoost 模型在 KMeans SMOTE 过采样数据上取得了最高的 F1 分数，而评估信贷风险时，申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要。
Aug, 2022
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
本文旨在探究如何使用聚类方法和机器学习算法，包括自然语言处理（NLP），通过验证报告中所包含的文本信息，来识别和分类信用风险模型中存在的问题。作者使用了嵌入式生成以及四个不同的预训练模型来分析645个所得发现的标题和观察结果，并使用各种聚类方法来将具有相似特征的发现进行分组，从而更有效地识别和分类每个验证维度和严重程度中存在的常见问题。在分析结果中，作者证明了聚类和机器学习可以有效地分析验证报告中的文本信息，并提供了信用风险模型开发和验证中遇到问题的洞见。
Jun, 2023
在消费借贷领域，准确的信贷违约预测是风险缓解和借贷决策优化的关键要素，本研究通过引入创新方法挑战传统模型，构建了一个由LightGBM、XGBoost和LocalEnsemble模块组成的集成方法框架，通过利用独特的特征集直接解决了之前研究中的局限性，旨在为信贷违约预测准确性建立新的标准，实验证明了集成模型在数据集上的有效性，为推动信贷违约预测模型的准确性和稳健性树立了先例。
Feb, 2024
我们提出了一种基于工作流的方法来改进信用违约预测，通过利用机器学习流程中不同技术的优势来解决信用违约预测任务，从数据预处理到训练多个学习模型，并引入集成技术和多目标遗传算法来获得更准确和可靠的信用风险评估。
Mar, 2024
本研究针对现代金融交易中银行信用风险的挑战，通过应用LightGBM、XGBoost和Tabnet模型，以及SMOTEENN技术，解决了人工筛选信用卡申请者的低效率问题。研究表明，结合PCA和SMOTEENN的LightGBM模型在识别潜在高质量客户方面具有显著优势，将为银行的信用卡业务提供更精准的客户预测。
Aug, 2024
本研究探讨了美国信用评分在消费者债务分配中的表现不足，特别是对低评分借款人的错误分类。通过使用机器学习模型，该研究显著提高了对年轻、低收入和少数群体的信用预测准确性，表明改善信用评分性能可以促进对信用的更公平获取。
Aug, 2024