FinLangNet: A Novel Deep Learning Framework for Credit Risk Prediction Using Linguistic Analogy in Financial Data

要約

リスク予測における最近の産業アプリケーションは、依然として広範囲にわたって手動で調整された統計的学習手法に大きく依存しています。
現実世界の金融データは、その高次元性、疎性、高いノイズ レベル、および重大な不均衡を特徴としており、ディープ ニューラル ネットワーク モデルの効果的な適用に対して独特の課題を引き起こしています。
この研究では、言語構造を反映した構造で信用ローンの軌跡を概念化する、新しい深層学習リスク予測フレームワーク FinLangNet を紹介します。
このフレームワークは、自然言語処理技術を適応させることで言語との構造的類似性を利用し、現実世界の金融データを使用した信用リスク予測用に調整されています。
詳細な金融イベントのシーケンスを通じて信用履歴の進化と予測可能性を分析することに焦点を当てています。
私たちの研究は、FinLangNet が信用リスクの予測において従来の統計的手法を上回り、これらの手法との統合によりクレジット カード不正予測モデルが強化され、コルモゴロフ-スミルノフ指標で 1.5 ポイントを超える大幅な改善を達成したことを示しています。

要約(オリジナル)

Recent industrial applications in risk prediction still heavily rely on extensively manually-tuned, statistical learning methods. Real-world financial data, characterized by its high-dimensionality, sparsity, high noise levels, and significant imbalance, poses unique challenges for the effective application of deep neural network models. In this work, we introduce a novel deep learning risk prediction framework, FinLangNet, which conceptualizes credit loan trajectories in a structure that mirrors linguistic constructs. This framework is tailored for credit risk prediction using real-world financial data, drawing on structural similarities to language by adapting natural language processing techniques. It focuses on analyzing the evolution and predictability of credit histories through detailed financial event sequences. Our research demonstrates that FinLangNet surpasses traditional statistical methods in predicting credit risk and that its integration with these methods enhances credit card fraud prediction models, achieving a significant improvement of over 1.5 points in the Kolmogorov-Smirnov metric.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google