論文の概要: Evolutionary Rule Extraction from Corporate Default Prediction Models

• arxiv url: http://arxiv.org/abs/2605.29478v1
• Date: Thu, 28 May 2026 07:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.883563
• Title: Evolutionary Rule Extraction from Corporate Default Prediction Models
• Title（参考訳）: 企業デフォルト予測モデルからの進化的ルール抽出
• Abstract要約: 中小企業(中小企業)は、ほとんどの経済圏の企業の大半を占めている。 機械学習(ML)の最近の進歩は、信用リスクモデリングにおける予測性能を改善している。 本研究では,中小企業のデフォルト予測器について検討し,説明可能な人工知能(XAI)技術を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small and medium-sized enterprises (SMEs) represent the majority of firms in most economies and often face financial constraints and higher vulnerability to financial distress. Predicting SME default is therefore crucial for financial institutions, policymakers, and researchers. Recent advances in machine learning (ML) have improved predictive performance in credit risk modeling. Yet, the limited interpretability of complex models raises concerns regarding transparency and regulatory compliance. This study investigates SME's default predictors and applies explainable artificial intelligence (XAI) techniques to them. Using a panel of 50,718 Italian SME over the period 2015-2024, we compare traditional econometric approaches with several ML classifiers. The empirical results show that ML models significantly outperform the traditional logistic regression benchmark in terms of Balanced Accuracy and PR-AUC. To address the interpretability challenge, we introduce DEXiRE-EVO, a novel evolutionary rule extraction framework that combines multi-objective optimization with the Contextual Importance and Utility (CIU) explainability method. The extracted rules reveal economically meaningful patterns associated with SME financial distress, highlighting the roles of weak internal liquidity generation, internal capital erosion, high leverage, and operational inefficiency. Additionally, contextual macroeconomic conditions and the persistence of financial instability contribute to identifying high-risk firms. In general, the results show that combining ML with evolutionary rule extraction can improve both predictive performance and interpretability in credit risk modeling, thus supporting more transparent, data-driven decision-making in financial environments.
• Abstract（参考訳）: 中小企業(中小企業)は、ほとんどの経済圏の企業の大半を占めており、金融上の制約や金融難に対する脆弱性に直面することが多い。 したがって、中小企業のデフォルトを予測することは、金融機関、政策立案者、研究者にとって重要である。 機械学習(ML)の最近の進歩は、信用リスクモデリングにおける予測性能を改善している。 しかし、複雑なモデルの限定的な解釈可能性によって、透明性と規制遵守に関する懸念が高まる。 本研究では,中小企業のデフォルト予測器について検討し,説明可能な人工知能(XAI)技術を適用した。 2015～2024年の間に50,718のイタリアの中小企業のパネルを用いて、伝統的な計量的アプローチといくつかのML分類器を比較した。 実験結果から、MLモデルは従来のロジスティック回帰ベンチマークよりも、バランスド精度とPR-AUCで大幅に優れていることが示された。 解釈可能性問題に対処するために,多目的最適化とCIU(Contextual Importance and Utility)説明可能性法を組み合わせた新しい進化的ルール抽出フレームワークであるDEXiRE-EVOを導入する。 抽出されたルールは、中小企業の財政難に関連する経済的意味のあるパターンを明らかにし、内部流動性の発生の弱さ、自己資本の侵食、高レバレッジ、運用不効率の役割を明らかにする。 さらに、文脈的マクロ経済条件と金融不安定性の持続性は、リスクの高い企業を特定するのに寄与する。 一般的に,MLと進化的ルール抽出を組み合わせることで,信用リスクモデリングにおける予測性能と解釈可能性の両方が向上し,金融環境における透明性とデータ駆動型意思決定を支援することが示唆された。

関連論文リスト

• Comparative Evaluation of Machine Learning Approaches for Minority-Class Financial Distress Prediction Under Class Imbalance Constraints [0.0]
  本稿では,古典的統計手法,アンサンブル学習手法,探索的ニューラルモデルの比較評価を行った。 本研究は、厳密なクラス不均衡制約下での財政的危機予測のための再現性と解釈可能な機械学習を支援するための応用工学評価として位置づけられている。
  論文  参考訳（メタデータ） (2026-05-13T19:44:25Z)
• Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? [4.0057196015831495]
  大言語モデル(LLM)は、ゼロショットプロンプトによる分類タスクのための古典的な機械学習モデルの柔軟な代替品として、ますます研究されている。 本研究では,ゼロショットLPMに基づく分類器と,現実のローンデフォルト予測タスクにおいて,最先端の勾配ブースティングモデルであるLightGBMとを体系的に比較する。 我々は,それらの予測性能を評価し,SHAPを用いて特徴属性を分析し,LLM生成自己説明の信頼性を評価する。
  論文  参考訳（メタデータ） (2025-10-29T17:05:00Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• StockBench: Can LLM Agents Trade Stocks Profitably In Real-world Markets? [44.10622904101254]
  大規模言語モデル(LLM)は、最近、自律エージェントとして強力な能力を示した。 実時間複数ヶ月の株式トレーディング環境でLLMエージェントを評価するためのベンチマークであるStockBenchを紹介する。 我々の評価では、ほとんどのLLMエージェントは、単純な買い買い得ベースラインよりも優れているが、いくつかのモデルでは、より高いリターンをもたらし、より効果的にリスクを管理する可能性を実証している。
  論文  参考訳（メタデータ） (2025-10-02T16:54:57Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Multi-Channel Graph Neural Network for Financial Risk Prediction of NEEQ Enterprises [0.0]
  本稿では、構造化金融指標、テキスト開示、企業関係データを統合し、総合的な金融リスク予測を行う多チャンネルディープラーニングフレームワークを提案する。 我々のモデルは、AUC、Precision、Recall、F1 Scoreの点で、従来の機械学習手法と単一モダリティベースラインを大きく上回っていることを示す。 この研究は中小企業のリスクモデリングに関する理論的および実践的な洞察を提供し、金融規制当局や投資家を支援するデータ駆動ツールを提供する。
  論文  参考訳（メタデータ） (2025-07-17T04:57:51Z)
• FinHEAR: Human Expertise and Adaptive Risk-Aware Temporal Reasoning for Financial Decision-Making [58.04602111184477]
  FinHEARは、人間の専門知識と適応的リスク認識推論のためのフレームワークである。 専門のエージェントを編成し、過去の傾向を分析し、現在の出来事を解釈し、専門家にインフォームドされた前例を検索する。 金融データセットの実証的な結果から、FinHEARはトレンド予測やトレーディングタスクにおいて、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-06-10T04:06:51Z)
• Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management [5.864973298916232]
  本稿では、金融機関が流動性リスクをより効果的に管理できるように、ゲートリカレントユニット(GRU)ネットワークに基づく流動性カバレッジ比(LCR)予測モデルを提案する。 ディープラーニング技術におけるGRUネットワークを利用することで、モデルは過去のデータから複雑なパターンを自動的に学習し、将来しばらくの間LCRを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-24T23:43:50Z)
• Are LLMs Rational Investors? A Study on Detecting and Reducing the Financial Bias in LLMs [44.53203911878139]
  大規模言語モデル(LLM)は、複雑な市場データとトレンドを解釈する金融分析において、ますます採用されている。 Financial Bias Indicators (FBI)は、Bias Unveiler、Bias Detective、Bias Tracker、Bias Antidoteといったコンポーネントを備えたフレームワークである。 我々は、23のLLMを評価し、財務因果知識に基づく非バイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T04:26:08Z)
• Ploutos: Towards interpretable stock movement prediction with financial large language model [43.51934592920784]
  PloutosはPloutosGenとPloutosGPTで構成される新しい金融フレームワークである。 PloutosGenには、テキストや数値など、さまざまなモーダルデータを分析し、異なる観点から定量的戦略を提供する、複数の主要な専門家が含まれている。 PloutosGPTのトレーニング戦略は、GPT-4を誘導して合理性を生成するリアビューミラープロンプト機構と、LLMを微調整するための動的トークン重み付け機構を活用する。
  論文  参考訳（メタデータ） (2024-02-18T10:28:18Z)
• Predictive AI for SME and Large Enterprise Financial Performance Management [0.0]
  バランスシートと所得計算の標準比率を補完する新しい金融・マクロ経済比率を紹介します。 また、企業パフォーマンスを予測するための教師付き学習モデル(MLレグレッタとニューラルネットワーク)とベイジアンモデルも提供します。 提案した変数は,標準産業比率に比例してモデル精度を向上させることができると結論づける。
  論文  参考訳（メタデータ） (2023-09-22T11:04:32Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• 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)
• 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。