基于双粒度提示的异构金融数据统一建模框架
计算工程、金融与科学
2026-04-21 v6 人工智能
摘要
当前的工业信用评分模型仍然严重依赖人工调参的统计学习方法。尽管深度学习架构具有潜力，但由于异构金融数据的复杂性以及对不断演变的信用状况进行建模的挑战，它们在工业信用评分中一直难以持续超越传统统计模型。为了弥合这一差距，我们引入了 FinLangNet，这是一种新颖的框架，将信用评分重新表述为多尺度序列学习问题。FinLangNet 通过结合表格特征提取与时序序列建模的双模块架构处理异构金融数据，生成用户在多个时间跨度上未来金融行为的概率分布。一项关键创新是序列模块内的双提示机制，该机制引入了可学习的提示，分别在特征级粒度（用于捕获细粒度时间模式）和用户级粒度（用于聚合整体风险特征）上运作。值得注意的是，真实世界的部署实现了 KS 提升 6.3 个百分点，同时坏账率降低了 9.9%。
引用
@article{arxiv.2404.13004,
title = {A Unified Framework for Modeling Heterogeneous Financial Data via Dual-Granularity Prompting},
author = {Yu Lei and Zixuan Wang and Yiqing Feng and Junru Zhang and Yahui Li and Chu Liu and Tongyao Wang and Dongyang Li},
journal= {arXiv preprint arXiv:2404.13004},
year = {2026}
}
备注
ACL 2026 Oral