异质特征空间下分布偏移的贷款回收率预测迁移学习

准确预测回收率（RR）对信用风险管理与监管资本确定至关重要。然而，在许多贷款组合中，RR建模受到违约事件发生频率低导致的数据稀缺制约。迁移学习（TL）提供了一种有前景的途径，通过利用相关但更丰富的源域信息来缓解这一挑战，但其有效性关键取决于分布偏移的存在与强度，以及源域与目标域特征空间之间可能的异质性。本文提出了FT-MDN-Transformer，一种专门设计用于在异质特征集上进行RR预测迁移学习的混合密度表格Transformer架构。该模型同时产生贷款级别的点估计和组合级别的预测分布，从而支持广泛的实际RR预测应用。我们在受控的蒙特卡洛模拟中评估了所提方法，该模拟允许系统性地变化协变量、条件和标签偏移，以及在一个真实的迁移设置中使用Global Credit Data（GCD）贷款数据集作为源域和新债券数据集作为目标域。我们的结果表明，当目标域数据有限时，FT-MDN-Transformer优于基线模型，在协变量和条件偏移下表现尤为突出，而标签偏移仍然具有挑战性。我们还观察到其概率预测紧密追踪经验回收率分布，提供了比传统点预测指标更丰富的信息。总体而言，这些发现突显了分布感知迁移学习架构在改善数据稀缺信用组合中RR预测方面的潜力，并为在异质数据环境中运作的风险管理者提供了实用见解。