Aug, 2024

基于LightGBM、XGBoost和Tabnet的先进用户信用风险预测模型及SMOTEENN的应用

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 深度学习与梯度提升：信用评分领域最先进机器学习算法的基准测试

    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

  • 自然语言处理数据集机器学习模型评估与特征重要性分析

    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

  • 基于NLP聚类和机器学习的信用风险模型问题分析：来自验证报告的洞见

    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

  • 基于LightGBM和特征工程的高效商业银行客户信用风险评估

    本文基于Kaggle中一家外国商业银行的客户信息数据集，使用LightGBM算法构建分类器对客户进行分类，以帮助银行判断客户信用违约的可能性。通过特征工程处理，如缺失值处理、编码、不平衡样本等，极大地提高了机器学习效果。本文的主要创新在于在原始数据集的基础上构建了新的特征属性，使分类器的准确率达到了0.734，AUC达到了0.772，超过了许多基于相同数据集的分类器。该模型可以为商业银行的信用授予提供一些参考，同时也为其他类似研究提供了一些特征处理的思路。

    Aug, 2023

  • 信用卡评分预测基于机器学习模型的新数据集

    本研究利用机器学习模型对信用卡违约进行预测，通过一系列实验和数据处理技术，结果表明多层感知器神经网络（MLP）在预测信用卡违约和评估潜在风险方面表现优越，帮助银行等金融机构更早地预测贷款违约。

    Oct, 2023

  • 合奏方法：使用LightGBM、XGBoost和LocalEnsemble进行信用违约预测的创新

    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

  • 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

    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

  • 基于神经网络算法的商业银行信用风险预警模型研究

    在全球化金融市场中，商业银行面临不断升级的信贷风险，从而对银行资产安全和金融稳定性提出更高要求。本研究利用先进的神经网络技术，特别是反向传播神经网络，开创了一种新的模型来预测商业银行的信贷风险。通过比较分析，阐明了神经网络模型在预测商业银行信贷风险方面的优越性。实验结果表明，该模型有效提高了信贷风险管理的远见性和准确性。

    May, 2024

  • 高级支付安全系统：XGBoost、CatBoost和SMOTE集成

    利用XGBoost和LightGBM等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

    Jun, 2024