信用风险管理中的不确定性量化：深度证据回归方法

机器学习已不可避免地渗入各类信用风险应用。由于信用风险的内在性质，量化预测风险指标的不确定性至关重要，而将具有不确定性感知的深度学习模型应用于信用风险场景会非常有帮助。在这项工作中，我们探索了一种可扩展的具备不确定性量化（UQ）意识的深度学习技术——深度证据回归（Deep Evidence Regression）的应用，并将其用于预测违约损失（Loss Given Default）。我们通过将深度证据回归方法扩展至学习由威布尔（Weibull）过程生成的目标变量，并提供相应的学习框架，从而对文献作出贡献。我们展示了该方法在模拟数据与真实世界数据上的应用。