Apr, 2024

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

PDF
TL;DR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。
risk predictiondeep learningfinlangnetcredit riskfinancial data
发现论文，激发创造
  • 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

    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。

    Aug, 2023

  • 金融欺诈检测的文本数据挖掘：深度学习方法

    使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

    Aug, 2023

  • RiskLabs：基于多源数据的大型语言模型预测金融风险

    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

  • 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

  • 信贷风险与大型语言模型：从 P2P 贷款的贷款描述中构建风险指标

    通过利用借款人在贷款申请过程中提供的文本描述，本文提出了一种新颖的方法来解决信息不对称的挑战。我们运用大型语言模型（LLM）来处理这些文本描述，通过转移学习将 LLM 适应到特定的任务中，从而显著改善信用风险分类器的性能。然而，基于 LLM 的系统的内在不透明性以及潜在偏见的不确定性，凸显了对监管框架的重要考虑和用户信任相关的担忧，并在 P2P 借贷和人工智能的动态领域中开辟了新的研究途径。

    Jan, 2024

  • FinBERT：使用预训练语言模型进行金融情感分析

    本文提出了一种名为 FinBERT 的基于 BERT 预训练语言模型，用于在金融领域处理自然语言处理任务，实验结果表明它在当前两个金融情感分析数据集上的表现优于现有的机器学习方法。

    Aug, 2019

  • 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

  • 面向数据的金融大型语言模型

    通过数据中心的方法，我们提出了一种能够更好地处理金融任务的金融 LLM（FLLM）模型，通过多任务提示优化来对数据进行预处理和预理解，并通过推断增强推理（AAR）自动生成训练数据，实验结果表明，我们的数据中心 FLLM 模型显著优于基于原始文本的金融 LLMs，在金融分析和解释任务上达到了最新水平，我们还开源了一个新的金融分析和解释基准，这种方法为解锁 LLMs 在复杂现实领域的潜力提供了希望。

    Oct, 2023

  • 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

  • FinLLMs：用大型语言模型生成金融推理数据集的框架

    基于大型语言模型，通过使用常见的金融公式生成金融问题回答数据，FinLLMs 方法提供一种解决数据资源有限和注释成本高昂问题的方法。实验结果表明，由 FinLLMs 生成的合成数据有效地提升了金融领域几个大规模数值推理模型的性能，超过了两个常用基准金融问题回答数据集。

    Jan, 2024