Nov, 2023

纵向与时空生存数据的联合模型

HTML
PDF
TL;DR信用风险分析中，通过固定和时变协变量的生存模型广泛用于预测借款人的时间事件。当时变驱动因素是内生的时，联合建模生存时间和内生协变量的演变是最合适的方法，也称为长期和生存数据的联合模型。此研究提出了时空联合模型（STJM），以捕捉空间和时间效应及其相互作用。采用贝叶斯分层联合模型估算同一特定时间段位于同一地区的借款人未观察到异质性的生存效果。为了在大数据集上估算STJM模型，我们考虑了集成嵌套Laplace逼近（INLA）方法。我们将STJM应用于一个由57,258名美国抵押借款人构成、包含250多万观察值的大数据集，实证结果表明，包括空间效应在内能够稳定地改善联合模型的性能，然而，当我们额外考虑时空交互作用时，收益不太明显。
发现论文，激发创造
  • 多维时间序列预测的贝叶斯时态分解

    本文提出了一种贝叶斯时间分解（BTF）框架，用于在存在缺失值的情况下对多维时间序列进行建模，通过将低秩矩阵/张量分解和向量自回归(VAR)过程集成到一个概率图模型中，该框架可以表征大规模时间序列数据中的全局和局部一致性，并开发了有效的 Gibbs 采样算法进行模型推断和预测，在多个缺失数据和滚动预测任务上验证了该框架的显著优越性。

    Oct, 2019

  • 生存聚类分析

    本文介绍了一种基于贝叶斯非参数的方法，用于识别具有不同风险特征的子种群，并通过在群体层面上利用规律来优化个体预测的时间，进而提高预测性能和可解释性。

    Feb, 2020

  • 超级应用行为模式在信贷风险模型中的应用：金融、统计和监管影响

    本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用Stochastic Gradient Boosting解释的TreeSHAP方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

    May, 2020

  • 滞后多因子模型中引导滞后关系的鲁棒探测

    本文针对多元时间序列系统，提出了一种基于聚类的方法，利用滑动窗口的方式从输入数据中提取子序列时间序列，并采用各种聚类技术和包括非线性在内的多种相似性度量方法，从而稳健地检测出如金融市场和环境数据等不同领域中的时序数据中的先导关系。

    May, 2023

  • 大型时间序列和时空数据模型：调查和展望

    通过收集相关数据集、模型资产和有用工具，我们提供了面向时间序列和时空数据的大规模模型研究的最新进展，强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。

    Oct, 2023

  • 时空线性：面向通用多元时间序列预测

    复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的SpatioTemporal-Linear框架优于深度学习技术中的线性模型和Transformer模型在多种观测和预测时长的数据集上的性能表现。

    Dec, 2023

  • 利用罗合分割法鲁棒地估计因子数据的异质性

    我们提出了一种叫做Rashomon Partition Sets（RPSs）的替代性方法，用于在具有相关结构的协变量中对协变量组合进行划分，并应用于统计分析、先验、近似误差和实证设置。

    Apr, 2024

  • 时序和时空数据扩散模型调查

    本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用，通过按照模型类别、任务类型、数据模态和实际应用领域进行分类，提供了对这些模型分析和生成数据的基本了解，旨在为研究人员和从业者提供一个全面的扩散模型应用的理解，以解决传统挑战并在扩散模型框架下探索创新解决方案。

    Apr, 2024

  • 有关带相关样本的岭回归中的风险与交叉验证

    本研究解决了现有岭回归理论中假设训练样本独立的问题，提出了一种基于随机矩阵理论和自由概率的新方法。研究发现，当样本间存在任意相关性时，传统的广义交叉验证估计器（GCV）无法准确预测外部样本风险，但通过对噪声残差的相关性进行调整，可以得到高效可计算的无偏估计器CorrGCV，带来了重要的理论与实践价值。

    Aug, 2024

  • 具有相关样本的岭回归中的风险和交叉验证

    本研究针对现有岭回归理论假设训练样本独立的局限，提出了一种新颖的方法，利用随机矩阵理论和自由概率来分析数据点的相关性对样本内外风险的影响。研究表明，常规的广义交叉验证估计器在相关数据下无法准确预测外部风险，而在特定条件下提出的CorrGCV方法，可以有效地计算出高维极限下的不偏估计，具有显著应用潜力。

    Aug, 2024