金融风险预测与合规中的贝叶斯建模：不确定性管理
风险管理
2025-12-19 v1 人工智能
机器学习
摘要
贝叶斯分析框架能够精确量化不确定性，为金融风险管理提供了重大突破。我们构建了一个集成方法，持续增强市场波动率预测、欺诈检测和合规监控中的风险处理。我们的概率模型具有解释性，结果可靠：我们对每日S&P 500收益的1天 ahead 95% VaR 预测进行了评估，训练期为2000至2019年，测试期为2020至2024年。对无条件（Kupiec）和条件（Christoffersen）覆盖进行正式检验显示，LSTM基线模型实现了接近名义的校准；而带Student-t创新的GARCH(1,1)模型则低估了尾部风险。我们提出的折扣因子DLM模型产生略为保守的VaR估计，存在聚类违规现象。贝叶斯Logistic回归提升了欺诈检测的召回率和AUC-ROC；分层Beta状态空间模型提供了透明且自适应的合规风险评估。该管道以精确的不确定性量化、解释性和GPU加速分析为特征，实现了最高可达50倍的加速。剩余挑战包括稀疏欺诈数据和代理合规标签，但该框架能够提供可操作的风险见解。未来扩展将扩充特征集合、探索 regime-switching 先验，并增强可扩展推断。
引用
@article{arxiv.2512.15739,
title = {Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance},
author = {Sharif Al Mamun and Rakib Hossain and Md. Jobayer Rahman and Malay Kumar Devnath and Farhana Afroz and Lisan Al Amin},
journal= {arXiv preprint arXiv:2512.15739},
year = {2025}
}