본 논문은 금융 데이터의 복잡성, 특히 장기 예측 시나리오에서 기존의 수동 조정 통계 학습 방법에 의존하는 산업 신용 평가 모델의 한계를 해결하기 위해, 다중 스케일 분포 생성을 기반으로 하는 새로운 신용 평가 모델 FinLangNet을 제안합니다. FinLangNet은 표 형태의 데이터를 시계열 데이터로 변환하여 다양한 시간 척도에 걸친 사용자 임베딩을 생성하고, LLM의 프롬프트 기반 학습에서 영감을 얻어 특징 수준과 사용자 수준의 두 가지 프롬프트를 도입하여 사용자 행동을 모델링합니다. 실험 결과, FinLangNet은 온라인 XGBoost 벤치마크보다 KS 지표에서 7.2% 향상, 상대 불량 채무율에서 9.9% 감소를 달성하며, 공개 UEA 아카이브에서도 우수한 성능을 보여 시간 시계열 분류 작업에 대한 확장성과 적응성을 입증했습니다.
