信用风险建模的多模态洞察：整合气候与文本数据用于违约预测
风险管理
2026-01-05 v1 计算金融
摘要
信用风险评估越来越依赖传统结构化财务数据之外的多样化信息来源，特别是针对财务史记录有限的中小企业（mSEs）。本研究提出一种多模态框架，将结构化信用变量、气候面板数据和非结构化文本叙述整合到统一的学习架构中。具体而言，我们使用长短期记忆网络（LSTM）、门控循环单元（GRU）和Transformer模型来分析这些数据模态之间的相互作用。实证结果表明，基于气候或文本数据的单模态模型优于仅依赖结构化数据的模型，而多数据模态集成可显著提升信用违约预测效果。通过基于SHAP的可解释性方法，我们发现物理气候风险在违约预测中发挥重要作用，其中雨导致的水淹因素最具影响力。总体而言，本研究证明了多模态方法在AI赋能决策中的潜力，为信用风险评估提供了稳健工具，同时推动了环境与文本见解在预测分析中的更广泛集成。
引用
@article{arxiv.2601.00478,
title = {Multimodal Insights into Credit Risk Modelling: Integrating Climate and Text Data for Default Prediction},
author = {Zongxiao Wu and Ran Liu and Jiang Dai and Dan Luo},
journal= {arXiv preprint arXiv:2601.00478},
year = {2026}
}