基于门控循环单元的流动性覆盖率预测：风险管理中的深度学习模型
机器学习
2024-10-28 v1
摘要
随着全球经济的融合与金融市场的高度互联，金融机构正面临前所未有的挑战，尤其是流动性风险。这篇论文提出一种基于门控循环单元(GRU)的流动性覆盖率(LCR)预测模型，以帮助金融机构更有效地管理其流动性风险。通过利用深度学习技术中的 GRU 网络，该模型能够自动学习历史数据中的复杂模式，并准确预测未来一段时间的 LCR。实验结果表明，与传统方法相比，本文提出的 GRU 模型在平均绝对误差(MAE)方面具有显著优势，证明其更高的准确性和鲁棒性。这不仅为金融机构提供了更可靠的流动性风险管理工具，也为监管机构制定更科学、更合理的政策提供了支持，这有助于提高整个金融体系的稳定性。
引用
@article{arxiv.2410.19211,
title = {Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management},
author = {Zhen Xu and Jingming Pan and Siyuan Han and Hongju Ouyang and Yuan Chen and Mohan Jiang},
journal= {arXiv preprint arXiv:2410.19211},
year = {2024}
}