时间序列特征冗余悖论：基于抵押贷款违约预测的实证研究
统计金融
2025-01-03 v1 人工智能
机器学习
摘要
随着机器学习在金融风险管理中的广泛应用，传统观点认为，更长的训练周期和更多的特征变量有助于提升模型性能。本文以抵押贷款违约预测为研究对象，实证发现了一个与传统认知相悖的现象：在时间序列预测中，增加训练数据的时间跨度和引入非关键特征，反而会导致预测效果的显著下降。本研究利用房利美（Fannie Mae）的抵押贷款数据，比较了不同时间窗口长度（如单一年份）和不同特征组合下的预测性能。结果表明，较短的时间窗口（如单一年份）结合精心筛选的关键特征，能够获得更优的预测结果。实验分析揭示，过长的时间跨度可能引入历史数据中的噪声和过时的市场模式，而过多的非关键特征则会干扰模型对核心违约风险因素的学习。本研究不仅挑战了传统“多多益善”的数据建模观念，也为金融风险预测中的特征选择和时间窗口设定提供了新的见解和实践指导。
关键词
引用
@article{arxiv.2501.00034,
title = {Time Series Feature Redundancy Paradox: An Empirical Study Based on Mortgage Default Prediction},
author = {Chengyue Huang and Yahe Yang},
journal= {arXiv preprint arXiv:2501.00034},
year = {2025}
}