FinSurvival：来自金融领域的大规模生存建模任务套件
统计金融
2025-07-22 v1 机器学习
摘要
生存建模预测事件发生的时间，广泛用于风险分析；例如，用于预测基于受限数据的患者存活时间。在人工智能生存模型方面，缺乏大规模、真实且可免费获取的数据集以进行基准测试。本文我们从去中心化金融(DeFi)中公开可得的借贷交易数据中派生出一套16个生存建模任务。每个任务都使用基于索引事件和结果事件选择的自动化管道构建。例如，模型预测用户借入加密货币代币(索引事件)到首次还款(结果事件)的时间。我们构建了一个由16个生存时间预测任务( FinSurvival)组成的生存基准。我们还自动为每个任务创建16个相应的分类问题，通过对生存时间使用受限均值存活时间进行阈值化。超过750万条记录的 FinSurvival 提供了一套真实可靠的金融建模任务，将推动未来的AI生存建模研究。我们的评估表明，这些任务具有挑战性，现有方法尚未充分应对。 FinSurvival 使AI生存模型可用于传统金融、行业、医学和商业领域的评估，而这些领域目前因缺乏大型公共数据集而受限。我们的基准展示了AI模型如何评估DeFi中的机会和风险。未来，FinSurvival基准管道可用于通过纳入更多DeFi交易和协议来创建新的基准，随着加密货币的使用增长。
引用
@article{arxiv.2507.14160,
title = {FinSurvival: A Suite of Large Scale Survival Modeling Tasks from Finance},
author = {Aaron Green and Zihan Nie and Hanzhen Qin and Oshani Seneviratne and Kristin P. Bennett},
journal= {arXiv preprint arXiv:2507.14160},
year = {2025}
}
备注
33 pages, 4 figures, submitted to DMLR