研究发现，LLMs 在信用评估中具有潜力，可以克服传统模型的局限，强调金融行业中客观决策的重要性。

Oct, 2023

用人工智能在金融领域应用的一项新型框架 RiskLabs，通过整合各种金融数据和大语言模型来分析和预测金融风险。通过实证实验结果，我们展示了 RiskLabs 在金融市场的波动性和方差预测中的有效性，并讨论了大语言模型在这一领域中的关键作用。这些发现不仅对 AI 在金融领域的应用做出了贡献，也为在金融风险评估中应用大语言模型开启了新的途径。

Apr, 2024

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

大规模语言模型在信用风险评估中的潜力研究表明，当遵循精心设计的提示并辅以领域特定知识时，这些语言模型可以与传统机器学习模型的性能相媲美。尤其值得注意的是，它们只使用了极少的数据 - 仅 20 个数据点，相比于机器学习模型的 800 个数据点少了 40 倍。大规模语言模型在降低误报率和增强公平性方面表现出色，这两个方面对于风险分析至关重要。虽然我们的结果没有超过传统机器学习模型，但它们突显了大规模语言模型在类似任务中的潜力，并为未来在多样化的机器学习任务中利用大规模语言模型的能力奠定了基础。

Jul, 2023

利用机器学习模型预测中国的 P2P 借贷平台的失败，通过筛选方法和包装方法，建立了一个严格而实用的预测平台失败的变量的程序。研究确定了一组在不同选择方法和模型中一致出现在特征子集中的可靠变量，表明它们在预测平台失败方面的可靠性和相关性。本研究的发现对于在中国 P2P 借贷行业中进行监管的机构和投资者具有重要的实际意义。

Nov, 2023

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

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

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

本文对大型语言模型（LLMs）中的风险评估问题进行了探讨，并重点研究了奖励模型在感知和分类不同类型风险时面临的挑战，通过使用 Anthropic Red 团队的数据集，对信息风险、恶意用途和歧视 / 仇恨内容等主要风险类别进行了分析，研究结果表明 LLMs 倾向于认为信息风险较少有害，并通过特殊开发的回归模型对此进行了确认，此外，研究还揭示了 LLMs 在信息风险场景中对风险反应较不严格，强调了 LLM 风险评估中的关键安全问题以及对改进人工智能安全措施的需求。

Mar, 2024

尽管大型语言模型在自然语言处理方面取得了令人瞩目的成就，但它们也存在重要的风险。本文定义和形式化了决策风险和综合风险这两种不同类型的风险，并提出了评估这些风险的风险中心化评估框架和四个新指标。最后，我们提出了一种名为 DwD 的风险调整校准方法，帮助大型语言模型在整体自然语言推理架构中降低这些风险。实验证明了评估框架的实用性以及 DwD 在降低决策风险和综合风险方面的功效。

Oct, 2023