面向企业信用评级的对抗半监督学习

企业信用评级是对企业内部信用风险的分析，在金融风险管理中起着至关重要的作用。传统上，基于企业历史画像的评级评估过程通常昂贵且复杂，往往耗时数月。因此，大多数缺乏资金与时间的公司无法获得自身信用等级。然而，我们认为尽管这些公司没有信用等级（无标签数据），该大数据包含可改进信用体系的有用知识。本工作中，其主要挑战在于如何有效从无标签数据中学习知识并助力提升信用评级系统性能。具体地，我们考虑此前极少被研究的企业信用评级对抗半监督学习（ASSL）问题。提出一种包含两阶段的企业信用评级对抗半监督学习新框架（ASSL4CCR）以解决这些问题。第一阶段，我们通过常规机器学习算法训练常规评级系统，为无标签数据赋予伪评级等级。然后在第二阶段，联合有标签数据与伪标签数据应用对抗半监督学习。为证明所提ASSL4CCR的有效性，我们在中国上市公司评级数据集上进行了广泛实验，证明ASSL4CCR一致优于最先进的方法。