論文の概要: DeRisk: An Effective Deep Learning Framework for Credit Risk Prediction
over Real-World Financial Data
- arxiv url: http://arxiv.org/abs/2308.03704v1
- Date: Mon, 7 Aug 2023 16:22:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 12:41:57.261859
- Title: DeRisk: An Effective Deep Learning Framework for Credit Risk Prediction
over Real-World Financial Data
- Title(参考訳): DeRisk: 実世界の財務データに対する信用リスク予測のための効果的なディープラーニングフレームワーク
- Authors: Yancheng Liang, Jiajie Zhang, Hui Li, Xiaochen Liu, Yi Hu, Yong Wu,
Jinyao Zhang, Yongyan Liu, Yi Wu
- Abstract要約: 実世界の金融データに対する信用リスク予測のための効果的なディープラーニングリスク予測フレームワークであるDeRiskを提案する。
DeRiskは、当社のプロダクションシステムにデプロイされた統計的学習アプローチよりも優れた、最初のディープリスク予測モデルです。
- 参考スコア(独自算出の注目度): 13.480823015283574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the tremendous advances achieved over the past years by deep learning
techniques, the latest risk prediction models for industrial applications still
rely on highly handtuned stage-wised statistical learning tools, such as
gradient boosting and random forest methods. Different from images or
languages, real-world financial data are high-dimensional, sparse, noisy and
extremely imbalanced, which makes deep neural network models particularly
challenging to train and fragile in practice. In this work, we propose DeRisk,
an effective deep learning risk prediction framework for credit risk prediction
on real-world financial data. DeRisk is the first deep risk prediction model
that outperforms statistical learning approaches deployed in our company's
production system. We also perform extensive ablation studies on our method to
present the most critical factors for the empirical success of DeRisk.
- Abstract(参考訳): 過去数年間のディープラーニング技術による大きな進歩にもかかわらず、最新の産業応用のリスク予測モデルは、勾配向上やランダム森林法といった高度に手作業による統計的学習ツールに依存している。
画像や言語と異なり、現実世界の金融データは高次元、スパース、ノイズ、非常に不均衡であり、ディープニューラルネットワークモデルは特にトレーニングが難しく、実際に脆弱である。
本研究では,現実の金融データに基づく信用リスク予測のための効果的なディープラーニングリスク予測フレームワークであるDeRiskを提案する。
deriskは、当社のプロダクションシステムにデプロイされた統計学習アプローチを上回った、最初の深層リスク予測モデルです。
また,deriskの実証的成功に最も重要な因子を示すため,本手法の広範なアブレーション実験を行った。
関連論文リスト
- Analysis of Financial Risk Behavior Prediction Using Deep Learning and Big Data Algorithms [7.713045399751312]
本稿では,金融リスク予測のためのディープラーニングとビッグデータアルゴリズムの有効性と有効性について検討する。
ディープラーニングベースのビッグデータリスク予測フレームワークを設計し、実際の財務データセット上で実験的に検証する。
論文 参考訳(メタデータ) (2024-10-25T08:52:04Z) - Enhancing Data Quality through Self-learning on Imbalanced Financial Risk Data [11.910955398918444]
本研究では、既存の金融リスクデータセットを強化するためのデータ前処理手法について検討する。
本稿では,(1)マイノリティクラスに特化された合成サンプルを生成すること,(2)バイナリフィードバックを用いてサンプルを精製すること,(3)擬似ラベルを用いた自己学習を行うこと,の3つを紹介する。
我々の実験は、より堅牢な金融リスク予測システムを開発する上で重要な要素であるマイノリティ・クラス・キャリブレーションの改善に焦点を当てたTriEnhanceの有効性を明らかにした。
論文 参考訳(メタデータ) (2024-09-15T16:59:15Z) - FinLangNet: A Novel Deep Learning Framework for Credit Risk Prediction Using Linguistic Analogy in Financial Data [7.920794613231792]
FinLangNetは、言語構造を反映する構造において、クレジットローンの軌跡を概念化する。
我々はFinLangNetが従来の統計手法を超越して信用リスクを予測することを示した。
論文 参考訳(メタデータ) (2024-04-19T17:01:46Z) - Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning [61.2224355547598]
大規模言語モデル(LLM)のオープンソース化は、アプリケーション開発、イノベーション、科学的進歩を加速させる。
我々の調査は、この信念に対する重大な監視を露呈している。
我々の研究は、慎重に設計されたデモを配置することにより、ベースLSMが悪意のある命令を効果的に解釈し実行できることを実証する。
論文 参考訳(メタデータ) (2024-04-16T13:22:54Z) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳(メタデータ) (2023-08-22T12:53:09Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Holistic Adversarial Robustness of Deep Learning Models [91.34155889052786]
敵対的堅牢性は、安全性と信頼性を確保するために、機械学習モデルの最悪のケースパフォーマンスを研究する。
本稿では,深層学習モデルの対角的ロバスト性に関する研究課題の概要と研究手法の基礎原則について概説する。
論文 参考訳(メタデータ) (2022-02-15T05:30:27Z) - Modeling Multivariate Cyber Risks: Deep Learning Dating Extreme Value
Theory [6.451038884092264]
提案モデルは,深層学習による高精度な点予測と極値理論による高量子化予測を享受する。
実際のハニーポット攻撃データに基づく実証的な証拠は、提案モデルが極めて良好な予測性能を有することを示している。
論文 参考訳(メタデータ) (2021-03-15T15:18:53Z) - Sequential Deep Learning for Credit Risk Monitoring with Tabular
Financial Data [0.901219858596044]
深層学習による信用リスク評価の新たなアプローチを創出する試みを紹介します。
本稿では,深い再帰と因果畳み込みに基づくニューラルネットワークを用いた新しいクレジットカードトランザクションサンプリング手法を提案する。
時間的畳み込みネットワークを用いた逐次的深層学習アプローチは、ベンチマーク非逐次木モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-12-30T21:29:48Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。