論文の概要: Incorporating data drift to perform survival analysis on credit risk

• arxiv url: http://arxiv.org/abs/2601.20533v1
• Date: Wed, 28 Jan 2026 12:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.922799
• Title: Incorporating data drift to perform survival analysis on credit risk
• Title（参考訳）: 信用リスクの生存分析を行うためのデータドリフトの導入
• Authors: Jianwei Peng, Stefan Lessmann,
• Abstract要約: 本研究では,データドリフトが生存率に基づく信用リスクモデルに与える影響について検討する。 非定常環境下でのロバスト性を改善するための動的ジョイントモデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.250238356744497
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Survival analysis has become a standard approach for modelling time to default by time-varying covariates in credit risk. Unlike most existing methods that implicitly assume a stationary data-generating process, in practise, mortgage portfolios are exposed to various forms of data drift caused by changing borrower behaviour, macroeconomic conditions, policy regimes and so on. This study investigates the impact of data drift on survival-based credit risk models and proposes a dynamic joint modelling framework to improve robustness under non-stationary environments. The proposed model integrates a longitudinal behavioural marker derived from balance dynamics with a discrete-time hazard formulation, combined with landmark one-hot encoding and isotonic calibration. Three types of data drift (sudden, incremental and recurring) are simulated and analysed on mortgage loan datasets from Freddie Mac. Experiments and corresponding evidence show that the proposed landmark-based joint model consistently outperforms classical survival models, tree-based drift-adaptive learners and gradient boosting methods in terms of discrimination and calibration across all drift scenarios, which confirms the superiority of our model design.
• Abstract（参考訳）: 生存分析は、信用リスクにおける時間変化の共変量によるデフォルトまでの時間モデリングの標準的アプローチとなっている。 固定データ生成過程を暗黙的に仮定する既存の方法とは異なり、実践においては、借主の行動やマクロ経済状況、政策体制などの変化に起因する様々なデータドリフトに住宅ローンポートフォリオが露出する。 本研究では,データドリフトが生存率に基づく信用リスクモデルに与える影響について検討し,非定常環境下でのロバスト性向上のための動的ジョイント・モデリング・フレームワークを提案する。 提案モデルでは,バランスダイナミクスから導出される縦方向の挙動マーカーと離散時間ハザード定式化を統合し,ランドマークのワンホット符号化と等速キャリブレーションを組み合わせた。 3種類のデータドリフト(sudden, incremental, repeating)は、Freddie Macのローンローンデータセットに基づいてシミュレートされ、分析される。 実験およびそれに対応する証拠により,提案したランドマークベースジョイントモデルは,古典的サバイバルモデル,木系ドリフト適応学習者,勾配向上手法を,すべてのドリフトシナリオの識別と校正の観点から一貫して上回っており,モデル設計の優位性が確認されている。

関連論文リスト

• Temporal-Aligned Meta-Learning for Risk Management: A Stacking Approach for Multi-Source Credit Scoring [0.0]
  本稿では,イタリア中小企業の信用リスク評価のためのメタラーニングフレームワークを提案する。 このアプローチは、ファイナンシャルステートメント参照日時と評価日時を一致させ、発行遅延と非同期データソースから生じるバイアスを軽減する。 経験的検証は、このフレームワークが時間とともに信用リスクの進化を効果的に捉え、標準アンサンブル法に対する時間的一貫性と予測安定性を改善していることを示している。
  論文  参考訳（メタデータ） (2026-01-12T14:36:54Z)
• TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates [0.0]
  TraCeRはトランスフォーマーベースの生存分析フレームワークである。 一連の測定結果からハザード関数を推定する。 複数の実世界のデータセットの実験は、実質的で統計的に重要なパフォーマンス改善を示している。
  論文  参考訳（メタデータ） (2025-12-19T23:24:47Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
  自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。 本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。 既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
  論文  参考訳（メタデータ） (2025-08-12T18:44:36Z)
• Frugal, Flexible, Faithful: Causal Data Simulation via Frengression [4.446798246007668]
  本研究は,Fragalパラメータ化の深い生成的実現であるFragressionを紹介する。 frengressionは正確な推定と、時間変化データのフレキシブルで忠実なシミュレーションを提供する。 我々は、この枠組みが因果的マージンモデリングのための生成的アプローチに新たな研究を巻き起こすことを期待している。
  論文  参考訳（メタデータ） (2025-08-01T18:43:59Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。