文件名称：深度学习：来自用户生成文本的信用违约预测-研究论文
文件大小：619KB
文件格式：PDF
更新时间：2024-06-29 11:54:12
Machine learning deep
数字技术产生了大量非结构化数据，传统银行和金融科技公司可以存储和访问这些数据。 先前关于该主题的文献表明，这种非结构化数据的某些方面对于有关信贷合同的接受和定价的决策可能很有价值。 从业者和学者都对这些信息实际上是否有价值以及如何利用它进行信用风险预测感兴趣。 我们采用深度学习技术从 Lending Club 上用户生成的文本中提取与信用相关的信息。 我们的结果证实，即使是用户生成的一小段文本也可以显着改善信用违约预测。 我们对四种深度神经网络架构和更传统的从文本中检索信用相关信息的方法进行了基准测试。 平均嵌入网络优于所有其他深度学习架构。 深度学习模型几乎在所有情况下都优于更传统的方法。 在传统方法中，拼写错误的信息量特别大。