基于树增强与潜在时空高斯过程的抵押贷款信用风险模型：默认概率与贷款组合
风险管理
2025-12-19 v3 机器学习
统计金融
摘要
我们引入一种新颖的信用风险机器学习模型，通过结合树增强方法与考虑 frailty 相关性的潜在时空高斯过程模型，实现对信用风险的建模。该方法以灵活的数据驱动方式建模预测变量间的非线性关系与相互作用，并能解释由可观测预测变量无法解释的时空差异。我们还展示了该方法在估计与预测方面的计算效率。在应用于大型美国抵押贷款信用风险数据集时，发现基于本方法获得的单个贷款预测默认概率以及预测贷款组合损失分布，均比传统的独立线性危险模型和线性时空模型更准确。通过运用机器学习模型的可解释性工具，我们发现，这种优越性能的可能原因在于预测变量间的显著相互作用与非线性效应，以及时空 frailty 效应的存在。
引用
@article{arxiv.2410.02846,
title = {A Spatio-Temporal Machine Learning Model for Mortgage Credit Risk: Default Probabilities and Loan Portfolios},
author = {Pascal Kündig and Fabio Sigrist},
journal= {arXiv preprint arXiv:2410.02846},
year = {2025}
}