Beyond the Pre-Service Horizon: Infusing In-Service Behavior for Improved Financial Risk Forecasting
Created by
Haebom
저자
Senhao Liu, Zhiyu Guo, Zhiyuan Ji, Yueguo Chen, Yateng Tang, Yunhai Wang, Xuehao Zheng, Xiang Ao
개요
본 논문은 금융 위험 관리의 사전 위험 평가와 운영 중 부도 감지 단계를 통합하는 새로운 프레임워크인 다중 입자 지식 증류(MGKD)를 제안합니다. MGKD는 운영 중 사용자 행동 데이터를 활용하여 사전 위험 예측을 개선하는 지식 증류의 개념을 따릅니다. 운영 중 데이터로 학습된 교사 모델이 사전 데이터로 학습된 학생 모델을 안내하여 부드러운 레이블을 제공함으로써 서비스 활성화 전에 위험 예측을 향상시킵니다. 조립 입자, 세밀 입자 및 자기 증류를 포함하는 다중 입자 증류 전략을 통해 교사 모델과 학생 모델의 표현과 예측을 정렬합니다. 소수 클래스에 대한 모델의 편향을 완화하기 위해 재가중 전략을 채택합니다. Tencent 모바일 결제의 대규모 실제 데이터 세트에 대한 실험 결과는 오프라인 및 온라인 시나리오 모두에서 제안된 접근 방식의 효과를 보여줍니다.
시사점, 한계점
•
시사점:
◦
사전 위험 평가와 운영 중 부도 감지 단계를 통합하여 금융 위험 관리의 정확도를 향상시킬 수 있는 새로운 프레임워크(MGKD) 제시.
◦
다중 입자 지식 증류 전략을 통해 교사 모델의 지식을 효과적으로 학생 모델에 전달하여 사전 위험 예측 성능을 개선.
◦
소수 클래스(부도 고객)에 대한 모델의 편향을 완화하는 재가중 전략을 통해 모델의 성능을 향상.
◦
대규모 실제 데이터 세트를 사용한 실험을 통해 MGKD의 효과를 검증.
•
한계점:
◦
제안된 MGKD 프레임워크의 일반화 성능에 대한 추가적인 연구가 필요. (다양한 금융 상품 및 데이터셋에 대한 적용성 검증)
◦
특정 데이터셋(Tencent 모바일 결제 데이터)에 대한 의존성을 극복하기 위한 추가 연구 필요.
