基于实时数字信号的机器学习驱动财务困境早期预警系统
机器学习
2025-10-28 v1 计算机与社会
摘要
全球和国内经济环境日益不稳定，增加了针对家庭层面财务困境的风险。然而，传统计量经济模型常依赖滞后和聚合数据，限制了其有效性。本研究引入基于机器学习的早期预警系统，利用实时数字和宏观经济信号来识别财务困境。使用一组为期 13 个月、追踪 750 户家庭的面板数据集，该框架结合了社会经济属性、宏观经济指标（如 GDP 增长、通胀和外汇波动）以及数字经济措施（包括 ICT 需求和市场波动性）。通过数据预处理和特征工程，我们引入滞后变量、波动性措施和交互项，以捕捉财务稳定性的渐进和突然变化。我们将逻辑回归和决策树等基线分类器与随机森林、XGBoost 和 LightGBM 等高级集成模型进行基准测试。我们的结果表明，来自数字经济的工程特征显著提升了预测准确性。该系统可靠地为二元困境检测和多类别严重程度分类提供支持，基于 SHAP 的解释识别通胀波动和 ICT 需求为关键预测因子。关键的是，该框架设计用于在国家机构和低带宽地区的可扩展部署，确保为决策者和实践者提供可访问性。通过以透明和可解释的方式实现机器学习本研究表明，为财务困境提供近实时早期预警的可行性和影响。这为加强家庭韧性并指导预防性干预策略提供了可操作的见解。
引用
@article{arxiv.2510.22287,
title = {Machine Learning Enabled Early Warning System For Financial Distress Using Real-Time Digital Signals},
author = {Laxmi pant and Syed Ali Reza and Md Khalilor Rahman and MD Saifur Rahman and Shamima Sharmin and Md Fazlul Huq Mithu and Kazi Nehal Hasnain and Adnan Farabi and Mahamuda khanom and Raisul Kabir},
journal= {arXiv preprint arXiv:2510.22287},
year = {2025}
}