基于半监督学习的金融素养预测
机器学习
2023-12-19 v1 计算工程、金融与科学
计算机与社会
计量经济学
摘要
金融素养（FL）代表个人将资产转化为收入的能力，现代定义中已加入对数字货币的理解。FL 可以通过半监督学习（SSL）利用金融网络中未标记的记录数据进行预测。目前对 FL 的测量与预测研究尚不广泛，导致对客户金融参与后果的理解有限。先前的研究表明，低 FL 会增加社会危害的风险。因此，准确估计 FL 以便为金融素养较低的群体分配特定的干预计划至关重要。这不仅能提高公司盈利能力，还能减少政府支出。一些研究将 FL 预测视为分类任务，而另一些则致力于开发 FL 的定义及其影响。本文研究了利用带有高斯噪声的合成少数类过采样回归技术（SMOGN）进行采样，从客户金融数据中学习其 FL 水平的机制。我们提出了用于半监督回归的 SMOGN-COREG 模型，应用 SMOGN 处理不平衡数据集，并采用非参数多学习器协同回归（COREG）算法进行标记。我们在五个数据集上将 SMOGN-COREG 模型与六种知名的回归器进行了比较，以评估所提模型在不平衡且未标记的金融数据上的有效性。实验结果证实，所提方法在处理不平衡和未标记的金融数据方面优于对比模型。因此，SMOGN-COREG 是利用未标记数据估计 FL 水平的一步进展。
引用
@article{arxiv.2312.10984,
title = {Predicting Financial Literacy via Semi-supervised Learning},
author = {David Hason Rudd and Huan Huo and Guandong Xu},
journal= {arXiv preprint arXiv:2312.10984},
year = {2023}
}
备注
12 pages