UQ for Credit Risk Management: A deep evidence regression approach

要約

機械学習は常に、さまざまな信用リスクのアプリケーションに導入されています。
信用リスクの本質的な性質により、予測されるリスク指標の不確実性を定量化することが不可欠であり、不確実性を認識した深層学習モデルを信用リスク設定に適用することは非常に役立ちます。
この研究では、スケーラブルな UQ 対応のディープ ラーニング技術であるディープ エビデンス回帰のアプリケーションを検討し、それをデフォルト時の損失の予測に適用しました。
私たちはディープ エビデンス回帰手法をワイブル プロセスによって生成された学習ターゲット変数に拡張することで文献に貢献し、関連する学習フレームワークを提供します。
シミュレーション データと現実世界のデータの両方に対するアプローチの適用を示します。

要約(オリジナル)

Machine Learning has invariantly found its way into various Credit Risk applications. Due to the intrinsic nature of Credit Risk, quantifying the uncertainty of the predicted risk metrics is essential, and applying uncertainty-aware deep learning models to credit risk settings can be very helpful. In this work, we have explored the application of a scalable UQ-aware deep learning technique, Deep Evidence Regression and applied it to predicting Loss Given Default. We contribute to the literature by extending the Deep Evidence Regression methodology to learning target variables generated by a Weibull process and provide the relevant learning framework. We demonstrate the application of our approach to both simulated and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google