DeRisk: An Effective Deep Learning Framework for Credit Risk Prediction over Real-World Financial Data

要約

深層学習技術がここ数年で達成した驚異的な進歩にも関わらず、産業用途向けの最新のリスク予測モデルは依然として、勾配ブースティングやランダム フォレスト手法など、高度に手作業で調整された段階ごとの統計学習ツールに依存しています。
画像や言語とは異なり、現実世界の金融データは高次元で、まばらで、ノイズが多く、非常に不均衡であるため、ディープ ニューラル ネットワーク モデルは、実際にはトレーニングが特に難しく、脆弱になります。
この研究では、現実世界の金融データの信用リスクを予測するための効果的な深層学習リスク予測フレームワークである DeRisk を提案します。
DeRisk は、当社の実稼働システムに導入されている統計学習アプローチよりも優れたパフォーマンスを発揮する初の詳細リスク予測モデルです。
また、当社では、DeRisk の成功を実証するための最も重要な要素を提示するために、当社の手法に関する広範なアブレーション研究も実施しています。

要約(オリジナル)

Despite the tremendous advances achieved over the past years by deep learning techniques, the latest risk prediction models for industrial applications still rely on highly handtuned stage-wised statistical learning tools, such as gradient boosting and random forest methods. Different from images or languages, real-world financial data are high-dimensional, sparse, noisy and extremely imbalanced, which makes deep neural network models particularly challenging to train and fragile in practice. In this work, we propose DeRisk, an effective deep learning risk prediction framework for credit risk prediction on real-world financial data. DeRisk is the first deep risk prediction model that outperforms statistical learning approaches deployed in our company’s production system. We also perform extensive ablation studies on our method to present the most critical factors for the empirical success of DeRisk.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google