論文の概要: PDx -- Adaptive Credit Risk Forecasting Model in Digital Lending using Machine Learning Operations

• arxiv url: http://arxiv.org/abs/2512.22305v1
• Date: Fri, 26 Dec 2025 05:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.97924
• Title: PDx -- Adaptive Credit Risk Forecasting Model in Digital Lending using Machine Learning Operations
• Title（参考訳）: PDx -- 機械学習操作を用いたデジタルレンディングにおける適応的信用リスク予測モデル
• Authors: Sultan Amed, Chan Yu Hang, Sayantan Banerjee,
• Abstract要約: PDxは、デジタル融資における信用リスクを予測するための適応型機械学習操作(MLOps)駆動意思決定システムである。 PDxは、堅牢なMLOpsパイプラインを通じて、継続的モデル監視、再トレーニング、バリデーションを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents PDx, an adaptive, machine learning operations (MLOps) driven decision system for forecasting credit risk using probability of default (PD) modeling in digital lending. While conventional PD models prioritize predictive accuracy during model development with complex machine learning algorithms, they often overlook continuous adaptation to changing borrower behaviour, resulting in static models that degrade over time in production and generate inaccurate default predictions. Many financial institutes also find it difficult transitioning ML models from development environment to production and maintaining their health. With PDx we aimed to addresses these limitations using a dynamic, end-to-end model lifecycle management approach that integrates continuous model monitoring, retraining, and validation through a robust MLOps pipeline. We introduced a dynamic champion-challenger framework for PDx to regularly update baseline models to recalibrate independent parameters with the latest data and select the best-performing model through out-of-time validation, ensuring resilience against data drift and changing credit risk patterns. Our empirical analysis shows that decision tree-based ensemble models consistently outperform others in classifying defaulters but require frequent updates to sustain performance. Linear models (e.g., logistic regression) and neural networks exhibit greater performance degradation. The study demonstrate with PDx we can mitigates value erosion for digital lenders, particularly in short-term, small-ticket loans, where borrower behavior shifts rapidly. We have validated the effectiveness of PDx using datasets from peer-to-peer lending, business loans, and auto loans, demonstrating its scalability and adaptability for modern credit risk forecasting.
• Abstract（参考訳）: 本稿では、デジタル融資におけるデフォルト(PD)モデリングの確率を用いて、信用リスクを予測するための適応型機械学習操作(MLOps)駆動意思決定システムPDxを提案する。 従来のPDモデルは、複雑な機械学習アルゴリズムでモデル開発中に予測精度を優先順位付けするが、借主の振る舞いを変えるための継続的適応を見落とし、結果として、生産時間の経過とともに劣化し、不正確なデフォルトの予測を生成する。 多くの金融機関は、MLモデルを開発環境から生産環境へ移行し、健康を維持するのが難しいと考えている。 PDxでは、堅牢なMLOpsパイプラインを通じて、継続的モデル監視、再トレーニング、バリデーションを統合する、動的でエンドツーエンドのモデルライフサイクル管理アプローチを使用して、これらの制限に対処することを目指していました。 我々はPDxの動的アドレナラーフレームワークを導入し、ベースラインモデルを定期的に更新し、最新のデータで独立パラメータを再検討し、アウトオブタイム検証、データドリフトに対するレジリエンスの確保、信用リスクパターンの変更を通じて最高のパフォーマンスモデルを選択する。 我々の経験的分析によると、決定木に基づくアンサンブルモデルは、デフォルト値の分類では他より一貫して優れているが、性能を維持するには頻繁な更新が必要である。 線形モデル(例えば、ロジスティック回帰)とニューラルネットワークは、より大きなパフォーマンス劣化を示す。 この研究はPDxを用いて、特に借主の行動が急速に変化する短期的小口ローンにおいて、デジタル貸し手にとって価値の侵食を軽減できることを示した。 我々は、ピアツーピア融資、ビジネスローン、自動車ローンのデータセットを用いてPDxの有効性を検証し、現代の信用リスク予測のスケーラビリティと適応性を実証した。

関連論文リスト

• Real-Time Performance Analysis of Multi-Fidelity Residual Physics-Informed Neural Process-Based State Estimation for Robotic Systems [0.0]
  MFR-PINP(Multi-fidelity residual Physics-informed Neural Process)に基づく新しいリアルタイム・データ駆動型推定手法を提案する。 具体的には、MFR-PINPを課題とし、MFR-PINPのモデルミスマッチ問題に対処し、単純で低忠実な予測と複雑で高忠実な基底トラスダイナミクスの間の残差を学習する。 本稿では,MFR-PINPに基づくハイブリッドオンライン学習環境のための推定器の実装について述べる。
  論文  参考訳（メタデータ） (2025-11-11T13:30:51Z)
• Advanced Risk Prediction and Stability Assessment of Banks Using Time Series Transformer Models [10.79035001851989]
  本稿では,時系列トランスモデルに基づく予測フレームワークを提案する。 モデルとLSTM, GRU, CNN, TCN, RNN-Transformerモデルを比較した。 実験結果から,Time Series Transformerモデルは平均二乗誤差(MSE)と平均絶対誤差(MAE)評価指標の両方において,他のモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T08:15:27Z)
• KACDP: A Highly Interpretable Credit Default Prediction Model [2.776411854233918]
  本稿では,KAN(Kolmogorov-Arnold Networks)に基づく手法を提案する。 Kansは学習可能なアクティベーション機能を持ち、線形重みを持たない新しいタイプのニューラルネットワークアーキテクチャである。 実験により、KACDPモデルは、パフォーマンス指標において、メインストリームの信用デフォルト予測モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-26T12:58:03Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングした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） (2023-08-03T10:21:53Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。