Why Bonds Fail Differently? Explainable Multimodal Learning for Multi-Class Default Prediction
Yi Lu, Aifan Ling, Chaoqun Wang, Yaxin Xu
近年来,在监管改革和宏观经济波动的情况下,中国债券市场的违约率激增。 传统的机器学习模型难以捕捉财务数据的不规则和时间依赖性,而大多数深度学习模型缺乏对财务决策的可解释性。 为了解决这些问题,我们提出了EMDLOT(用于时间序列的可解释多模态深度学习),这是一个用于多类债券默认预测的新框架。 EMDLOT集成了数值时间序列(金融/宏观经济指标)和非结构化文本数据(债券招股说明书),使用Time-Aware LSTM处理不规则序列,并采用软聚类和多层次关注来提高可解释性。 对1994年中国公司(2015-2024)的实验表明,EMDLOT在召回,F1分数和mAP方面优于传统(例如XGBoost)和深度学习(例如LSTM)基准,特别是在识别违约/扩展公司方面。 消融研究验证了每个组件的价值,注意力分析揭示了经济上直观的默认驱动因素。 这项工作为透明的金融风险建模提供了一个实用的工具和值得信赖的框架。
In recent years, China's bond market has seen a surge in defaults amid regulatory reforms and macroeconomic volatility. Traditional machine learning models struggle to capture financial data's irregularity and temporal dependencies, while most deep learning models lack interpretability-critical for financial decision-making. To tackle these issues, we propose EMDLOT (Explainable Multimodal Deep Learning for Time-series), a novel framework for multi-class bond default prediction. EMDLOT integrate...