宏观经济压力下的金融机器学习中的条件对抗性脆弱性

金融决策系统中使用的机器学习模型在非平稳的经济环境中运行，但对抗鲁棒性通常是在静态假设下进行评估的。本文引入了条件对抗性脆弱性，这是一种在宏观经济压力期间系统性放大对抗性脆弱性的情境依赖现象。我们提出了一种用于时间索引表格金融分类任务的情境感知评估框架，评估鲁棒性时将其条件化于外部经济压力指标。通过基于波动率的情境分段作为宏观经济条件的代理，我们在保持模型架构、攻击方法和评估协议不变的前提下，对比了平静期和压力期间的模型行为。基线预测性能在不同情境下保持相当，表明经济压力本身并不会导致固有的性能退化。然而，在对抗扰动下，处于压力情境中的模型表现出显著的性能下降，包括预测准确率、决策阈值和风险敏感结果。我们进一步展示了这种放大效应会导致虚假阴性率的增加，在不利条件下增加错失高风险案件的风险。为补充数值鲁棒性指标，我们引入了一个基于大语言模型对模型解释进行语义审计的解释性治理层。总之，这些结果表明金融机器学习中的对抗鲁棒性是一种情境依赖的性质，动机是针对高风险金融部署实施情境感知方法进行模型风险评估。