面向行类型依赖预测的自适应建模方法（RTDPA）：银行业信用风险分析机器学习模型设计框架
机器学习
2023-11-21 v1 风险管理
摘要
在许多真实世界数据集中，各行可能具有不同特征，并需要不同的建模方法以实现准确预测。本文提出一种面向行类型依赖预测的自适应建模方法（RTDPA）。我们的框架支持开发能够有效处理单一数据集中多种行类型的模型。来自 XXX 银行的数据集包含两类不同风险类别：个人贷款与农业贷款，每类又划分为标准、次级、可疑与损失四个等级。我们对不同行类型执行了定制化的数据预处理与特征工程，并选用了传统机器学习预测模型与先进集成技术。研究结果表明，所有预测方法的精确率均稳定不低于 90%。对于 RTDPA，算法针对每种行类型分别应用，使模型能够捕捉各行类型的特定模式与特征。该方法基于行类型实现针对性预测，为给定数据集提供更准确且定制化的分类。此外，所提模型持续为决策者提供具有战略价值的、持久的洞察，服务于银行业。
引用
@article{arxiv.2311.10799,
title = {Adaptive Modelling Approach for Row-Type Dependent Predictive Analysis (RTDPA): A Framework for Designing Machine Learning Models for Credit Risk Analysis in Banking Sector},
author = {Minati Rath and Hema Date},
journal= {arXiv preprint arXiv:2311.10799},
year = {2023}
}