基于Kolmogorov-Arnold网络的GRU和LSTM用于贷款违约早期预测
机器学习
2025-07-21 v1
摘要
本研究针对时间序列异常检测中的一个关键挑战，旨在提升贷款违约模型的预测能力，使其能够在风险事件发生前超过三个月进行预测，从而实现对违约事件的早期识别，帮助金融机构在风险事件实现前实施预防措施。现有方法存在显著缺点，如在早期预测方面缺乏准确性，以及对训练和测试时间范围的依赖。这些问题限制了其实际应用，尤其是在超出时间数据方面。为此，本研究引入两种创新架构：GRU-KAN和LSTM-KAN，将Kolmogorov-Arnold网络（KAN）与门控循环单元（GRU）和长短期记忆网络（LSTM）相结合。对所提出模型进行了与基线模型（LSTM、GRU、LSTM-Attention和LSTM-Transformer）的评估，考量了准确率、精确率、召回率、F1分数和AUC指标，并在不同的特征窗口长度、样本规模和早期预测区间中进行测试。结果表明，所提出模型在提前三个月的预测准确率可达92%以上，提前八个月的预测准确率可达88%以上，显著优于现有基线方法。
引用
@article{arxiv.2507.13685,
title = {Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction},
author = {Yue Yang and Zihan Su and Ying Zhang and Chang Chuan Goh and Yuxiang Lin and Anthony Graham Bellotti and Boon Giin Lee},
journal= {arXiv preprint arXiv:2507.13685},
year = {2025}
}