本文研究如何应用深度学习和卷积神经网络来在电信环境下构建更好的预测模型，并解决其中的非常规问题——预测电信运营商客户流失。该文通过创新的编码方法将客户活动数据和CDR数据转换为图像，并得出名为WisNet的模型。实验结果表明，WisNet在使用结构化输入数据时学习特征的能力胜过手工特征的机器学习模型，且无需费时的特征工程，同时可实现模型的泛化性及提取有用的表示。

Nov, 2015

本文利用神经网络对数字营销进行优化，建立了能够对用户在线行为模型的模型，在此基础上利用蒙特卡罗模拟预测未来潜在客户的转化率。

Apr, 2018

通过对电子商务中产品资料层次结构的非线性关系进行全球训练，将跨系列信息融入到LSTM模型中，从而实现产生准确可靠的销售预测的目标。同时，提出了系统性的预处理框架和产品分组策略，以克服电子商务中的挑战。

Jan, 2019

该研究提出了一种新模型——TVGNN，通过共同建模会议通话对话和公司网络，对波动率进行预测，取得了较好的效果。

May, 2022

使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测，并通过测试数据的评估度量验证了该模型的优越性。同时，文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。

Apr, 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

使用深度学习结构对频率和严重性数据进行机器学习的保险定价研究，将广义线性模型与神经网络结合，在多种输入特征存在的情况下进行性能比较并构建全局替代模型，为实际部署提供技术性费率表。

Oct, 2023

本研究提出了一种多模态融合学习模型，用于识别金融服务提供商中客户流失风险水平，并通过引入迟误融合和混合融合技术取得了显著的流失预测改进，实现了91.2％的测试准确率、66的平均准确性和54的宏平均F1得分，同时还发现了负面情绪、低金融素养得分和高风险客户之间的正相关关系。

Dec, 2023

该研究探讨使用深度学习长短期记忆（LSTM）模型进行准确的股票价格预测及其对投资组合设计的影响，研究表明LSTM模型在准确预测股票价格和指导投资决策方面的有效性，并提供了对印度当前金融市场动态的有价值的见解。

May, 2024

企业信用评估对于评估金融风险至关重要；图神经网络通过模拟实体之间的关系，可更深入理解这些金融网络；然而现有的基于图神经网络的方法主要强调实体级别的注意机制，往往忽视了不同特征维度的异质重要性，因此在充分建模信用风险水平方面存在不足；为解决这个问题，我们提出了一种名为图维度注意网络（GDAN）的新型架构，它结合了维度级别的注意机制来捕捉精细的与风险相关的特征；此外，我们探索了金融场景中基于图神经网络方法的可解释性，并提出了一种简单但有效的基于数据的解释器，称为GDAN-DistShift；DistShift通过量化消息传递过程中的分布变化来提供边级别的可解释性；此外，我们收集了一个真实的多源企业信用评估数据集（ECAD）并向研究界提供了访问权，因为在这个领域缺乏高质量的数据集；在ECAD上进行的大量实验证明了我们方法的有效性；此外，我们还对知名的SMEsD和DBLP数据集运行了GDAN，并取得了优秀的结果。

Jul, 2024