相关分类
最新研究
通过量子奇异价值转换实施信用风险分析
信用风险分析对金融机构的有效运作至关重要。 量子振幅估计(QAE)提供了比经典方法(用于估计风险价值(VaR)和风险条件值(CVAR))等指标的二次加速的潜力。 然而,在有效扩展解决这些估计问题的量子电路的实现方面仍然存在许多限制。 其中一个主要挑战是使用昂贵的限制性算术,必须在量子电路内实现。 在本文中,我们建议使用量子奇点值转换(QSVT)来显著降低实施状态准备运算符的成本,这是QAE进行信用风险分析的基础。 我们还介绍了端到端代码实现和模拟研究的结果,以验证拟议方法并展示其益处。
抵押贷款信用风险的空间-时间机器学习模型:违约概率和贷款组合
我们通过将树提升与潜在的时空高斯过程模型相结合,为信用风险引入了一种新的机器学习模型,该模型考虑了脆弱性相关性。 这允许以灵活的数据驱动方式对预测变量之间的非线性和相互作用进行建模,并解释无法通过可观察的预测变量解释的时空变化。 我们还展示了如何以计算高效的方式进行估计和预测。 在对美国大型抵押贷款信用风险数据集的应用中,我们发现,与传统的独立线性危险模型和线性时空模型相比,使用我们的新方法获得的个人贷款的预测性默认概率和预测性贷款组合损失分布都更准确。 使用机器学习模型的可解释性工具,我们发现这种出色表现的可能原因是预测变量中的强相互作用和非线性效应以及时空弱点效应的存在。
气候驱动的美国加倍 玉米损失概率:与神经网络蒙特卡洛互动模拟
气候变化不仅威胁到农业生产者,也威胁到相关的公共机构和金融机构。 这些重要的粮食系统行为者包括负责确保种植者生计和支持应对持续全球变暖的政府实体。 我们研究美国未来的风险。 玉米带地理区域为这样一个关键机构:美国 联邦作物保险计划。 具体而言,我们预测气候驱动的作物损失在具有政策重要性的“风险单位”规模的影响。 通过我们展示的神经网络蒙特卡洛方法构建,模拟预测了更频繁和更严重的损失,这将导致本世纪中叶玉米收益保护保险索赔的年度概率翻倍。 我们还提供了一个开源的管道和交互式可视化工具,通过可配置的统计处理来探索这些结果。 总之,我们填补了当前对气候适应的理解中的一个重要空白,通过弥合现有的历史产量估计和气候预测,以预测与政策相关的粒度的作物损失指标。
通过用于洗钱检测的对比式学习与变压器进行表示学习
目前的工作解决了洗钱问题。 引入了一个新的过程,它通过变压器神经网络利用定性和定量数据的结构化时间序列。 这个过程的第一步是通过对比学习(没有任何标签)来学习时间序列的表示。 第二步利用这些陈述来生成所有观察结果的洗钱评分。 然后采用双阈值方法,通过Benjamini-Hochberg(BH)程序确保受控假阳性率。 实验证实,变压器能够产生通用表示,在领域专家的最低限度监督下,成功地利用洗钱模式。 它还说明了检测非欺诈者和欺诈者的新程序的能力较高,同时保持了假阳性率的控制。 这与基于规则的程序或基于LSTM架构的程序形成鲜明对比。
使用InsurTech授权风险因素进行特定实体网络风险评估
缺乏高质量的公共网络事件数据限制了网络风险评估的实证研究和预测建模。 由于公司不愿披露可能损害其声誉或投资者信心的事件,这一挑战仍然存在。 因此,从精算的角度来看,潜在的决议得出了两个方面:增强现有的网络事件数据集和实施先进的建模技术,以优化可用数据的使用。 对现有数据驱动方法的审查突出表明,在公开可用的数据集中,缺乏针对实体的组织特征。 为了解决这一差距,我们提出了一个新的InsurTech框架,该框架通过实体特定的属性丰富网络事件数据。 我们开发各种机器学习(ML)模型:一个多标签分类模型来预测网络事件类型(例如,隐私违规,数据泄露,欺诈和勒索,IT错误和其他)的发生,以及一个多输出回归模型来估计其年度频率。 虽然分类器和回归链也用于探索网络事件类型之间的依赖关系,但在我们的数据集中未观察到显着的相关性。 此外,我们应用多种可解释的ML技术来识别和交叉验证InsurTech在ML模型中开发的潜在风险因素。 我们发现,与仅使用传统风险因素相比,InsurTech授权功能增强了预测发生和频率估计稳健性。 该框架生成透明、针对特定实体的网络风险简介,支持定制承保和主动式网络风险缓解。 它为保险公司和组织提供数据驱动的见解,以支持决策和合规规划。
基于隐私化敏感属性的无歧视保险定价
公平性已成为机器学习算法领域的关键考量，尤其是随着AI持续改变社会各领域的决策。为确保这些算法无偏见且不基于性别和种族等敏感属性歧视个体，算法偏见领域引入了多种公平性概念及在不同场景中实现这些概念的方法。尽管进展迅速，但并非所有行业都同等程度地采纳了这些公平性原则。保险行业是其中一个值得关注的领域。在保险定价中，公平性通过独特且专业化的框架定义。因此，按照既定概念实现公平性并不能自动确保保险定价的公平。特别是，监管机构日益强调定价算法的透明度，并对保险公司收集和使用敏感消费者属性施加限制。这些因素为定价算法中公平性的实现带来了额外挑战。为解决这些复杂性并满足监管要求，我们提出了一种高效方法，仅使用隐私化敏感属性构建适用于保险领域的公平模型。值得注意的是，我们的方法确保了统计保证，无需直接访问敏感属性，并能适应不同的透明度要求，在满足监管需求的同时确保保险定价的公平性。
保险AI的不保险风险:政府作为最后度假村的保险人
许多专家认为,人工智能系统迟早会带来无法保险的风险,包括存在的风险。 这就造成了一个极端的判断问题:如果发生这样的灾难,如果任何一方可以追究责任,很少有人可以追究责任。 本文提出了一种新的解决方案:政府为人工智能开发人员提供的强制性补偿计划。 该计划使用风险定价的赔偿费来诱导社会最佳护理水平。 风险估计由调查专家确定,包括赔偿开发商。 贝叶斯真理血清机制用于激励诚实和费力的反应。 与替代方案相比,这种方法可以更好地利用所有私人信息,并为向开发人员提供更清晰的信号,说明他们必须减轻哪些风险才能降低费用。 建议收取的费用用于帮助资助安全研究开发商需要的资金,采用基金匹配机制(Quadratic Financing)来诱导这种公共产品的最佳供应。 在Quadratic融资下,安全研究项目将争夺开发商的私人捐款,这表明每个项目都将得到公共资金的补充。
基于机器学习的压力测试框架为印度金融市场投资组合
本文介绍了印度金融市场部门压力测试的机器学习驱动框架,重点关注金融服务、信息技术、能源、消费品和药品。 最初,我们通过主成分分析和自动编码器通过尺寸减小和潜在因子建模来解决传统应力测试中观察到的限制。 基于此,我们扩展了使用变量自动编码器的方法,该方法为潜在空间引入了概率结构。 这使得蒙特卡洛情景生成成为可能,从而能够对压力市场条件进行更细致、更细致、更感知的分销模拟。 拟议的框架捕获了复杂的非线性依赖关系,并通过风险值和预期不足支持风险估计。 这些管道共同展示了机器学习方法的潜力,以提高财务压力测试的灵活性,稳健性和实用性。
深度对冲管理尾性风险
扩展Buehler等人的2019年深度对冲范式,我们创新地使用深度神经网络来参数化凸风险最小化(CVaR / ES)用于投资组合尾部风险对冲问题。 通过在危机时期的引导市场模拟器上进行全面的数字实验 - 可定制交易成本,风险预算,流动性限制和市场影响 - 我们的端到端框架不仅实现了重要的单日99
财务报告综合风险评估的可解释AI:一种轻量级的分层变压器网络方法
每个公开交易的美国公司都会提交一份10-K年度报告,其中包含对财务健康和风险的重要见解。 我们提出了Tiny eXplainable Risk Assessor(TinyXRA),这是一种轻量级且可解释的基于变压器的模型,可自动评估这些报告的公司风险。 与以前仅依靠超额回报标准差的工作(根据法马法模式调整)不同,TinyXRA将偏斜,kurtosis和Sortino比率纳入更全面的风险评估。 我们利用 TinyBERT 作为我们的编码器,有效地处理冗长的财务文件,再加上一种新的动态、基于注意力的单词云机制,提供直观的风险可视化,同时过滤不相关的术语。 这种轻量级设计可确保跨各种计算环境进行可扩展的部署,具有数千份财务文档的实时处理功能,这对于计算资源有限的生产系统至关重要。 我们采用三胞胎损失进行风险四分位数分类,通过捕获风险差异的方向和大小,在现有文献中改进对损失方法。 我们的 TinyXRA 在 2013-2024 年的数据集上实现了 7 个测试年的最先进预测准确性,同时提供透明和可解释的风险评估。 我们进行全面的消融研究,以评估我们的贡献,并通过系统地删除高度参与的单词和句子,并通过检查解释一致性来定量评估模型解释。 本文以研究结果、实际意义、局限性和未来的研究方向结束。
本地生产网络中企业层面系统性风险的演化与决定因素
近期如COVID-19疫情和地缘政治紧张等危机暴露了供应链的脆弱性并导致其断裂，引发产品短缺、成本上升和经济不稳定。这促使人们日益重视评估系统性风险，即企业中断对整个经济的影响。然而，企业通过重构供应链接来应对危机的能力在很大程度上被忽视，限制了我们对于生产网络韧性的理解。本文研究了2015至2022年匈牙利生产网络中企业层面系统性风险的动态变化与决定因素。我们采用启发式最大熵零模型作为基准，该模型通过在行业层面保持每家企业的总投入（需求）和产出（供给），生成处于均衡状态的生产网络集合。研究表明，具有最高系统性风险的相对稳定企业群体在COVID-19期间发生了结构性变化，那些促成经济交换的企业成为经济中的关键参与者——这一结果未被零模型复现。尽管在疫情爆发前实证系统性风险与零模型值高度吻合，但此后由于企业的适应性行为导致经济更具韧性，该风险显著降低。此外，企业的国际贸易量（作为可能中断的对象）成为其系统性风险的重要预测指标。然而，国际联系不能为观察到的趋势提供明确解释，因为进口和出口通过供需渠道对本地系统性风险产生相反影响。
机器学习算法的比较分析,用于预测默认概率
预测潜在贷款违约概率(PD)是金融机构的一个关键目标。 近年来,机器学习(ML)算法在各种预测任务中取得了显着的成功;然而,它们仍然相对未充分利用信用风险分析。 本文通过比较五个预测模型的性能 - 随机森林,决策树,XGBoost,梯度提升和AdaBoost - 与主要使用的Logistic回归,以及来自Scheule等人的基准数据集,突出了ML算法为这一领域提供的机会。 (Credit Risk Analytics: The R Companion) 我们的研究结果强调了每种方法的优势和劣势,为贷款组合中PD预测最有效的ML算法提供了有价值的见解。
生成式AI在精算科学中的先进应用:ChatGPT之外的案例研究
本文展示了生成式AI(GenAI)对精算科学的变革性影响,四个实施的案例研究说明了这一点。 它从AI的历史概述开始,追溯其从早期神经网络到现代GenAI技术的演进。 第一个案例研究展示了大型语言模型(LLM)如何通过从非结构化文本数据中导出显著功能来提高索赔成本预测,从而显着减少了底层机器学习任务中的预测错误。 在第二个案例研究中,我们使用检索增强一代的GenAI概念探索市场比较的自动化,以识别和处理文档中的相关信息。 第三个案例研究强调了微调视觉支持的LLM在分类汽车损坏类型和提取上下文信息方面的能力。 第四个案例研究提出了一个多智能体系统,可以自主分析来自给定数据集的数据,并生成相应的报告,详细说明关键发现。 除了这些案例研究外,我们还概述了GenAI在保险行业的进一步潜在应用,例如理赔处理和欺诈检测的自动化,以及文件是否符合内部或外部政策的验证。 最后,我们讨论与使用GenAI相关的挑战和考虑因素,涵盖监管问题,道德问题和技术限制等。
网络循环方向流分解
我们介绍了循环定向流量分解(CDFD),这是一个用于分析加权定向网络中循环的新框架。 CDFD将流量分为两个组件:一个圆形(无差分)组件和一个承载所有净定向流的循环组件。 这产生了0(完全循环)和1(仅由循环叠加形成的网络)之间的标准化循环指数,并补充测量方向性。 该指数捕获了循环中涉及的流量比例,并承认了一系列解释 - 例如系统关闭,反馈,加权强连接性,结构冗余或效率低下。 虽然分解通常是非独特的,但我们表明,所有分解的集形成一个结构良好的几何空间,具有有利的拓扑特性。 在这个空间中,我们突出了两个与不同分析目标一致的基准分解:最小化净流量的最大循环率解决方案,以及平衡流转发(BFF)解决方案,这是一种独特的本地可计算分解,可在所有可行周期中分配循环流量,与原始网络结构成比例。 我们展示了合成和实证网络上两种分解的解释价值和计算可操作性。 他们在检测有意义的结构变化方面优于现有的循环指标。 该分解还能够实现结构分析 - 例如映射循环流的分布 - 并支持需要明确流量分配或路由的实际应用,包括多边网和高效传输。
供应链金融中增强信用风险管理的条件生成模型
跨境电子商务(CBEC)的迅速扩张为中小企业创造了重大机遇,但由于中小企业的信用记录有限,融资仍然是一个重大挑战。 第三方物流(3PL)主导的供应链融资(SCF)已成为一个有前途的解决方案,利用过境库存作为抵押品。 我们为3PL领导的SCF量身定制了先进的信用风险管理框架,解决了信用风险评估和贷款规模确定的双重挑战。 具体来说,我们通过基于Quantile-Regression的生成元建模(QRGMM)利用销售分布的条件生成建模作为风险估计的基础。 我们提出了一个统一的框架,能够灵活地估计多种风险措施,同时引入功能性风险措施制定,系统地捕捉这些风险措施与不同贷款水平之间的关系,并得到理论担保的支持。 为了捕捉电子商务销售数据中复杂的协方差交互,我们将QRGMM与深度保理机(DeepFM)集成在一起。 合成和真实世界数据的广泛实验验证了我们模型在信用风险评估和贷款规模确定方面的功效。 这项研究代表了生成式AI在CBEC SCF风险管理中的开创性应用,为增强信贷实践和改善中小企业获得资本提供了坚实的基础。
人工智能ETF、人工智能代币和绿色市场的动态溢出和投资策略
本文使用R2分解方法调查了AI ETF,AI代币和绿色市场的风险溢出效应。 我们揭示了几个关键见解。 首先,整体传输连接度指数(TCI)与同期TCI紧密对齐,而滞后的TCI明显较低。 其次,AI ETF和清洁能源充当风险传递者,而AI代币和绿色债券作为风险接收者。 第三,与AI ETF和绿色资产相比,AI代币难以对冲,并提供有限的对冲能力。 然而,多变量投资组合有效地降低了AI代币投资风险。 其中,最小相关性组合优于最小方差和最小连接性投资组合。
在外源性和内源性不确定性下进行风险评估
目前的风险评估忽略了储能可用性本身的随机性,从而在运行过程中导致潜在的风险。 本文提出了通用储能(GES)的重新定义,该储能允许提供概率储备。 提出了具有外源性和内源性不确定性(EXU EDU)描述的数据驱动的统一模型,用于四种典型的GES类型。 此外,还提议风险指数评估GES的忽略(EXU EDU)的影响。 EXU EDU之间的比较结果在分配系统中得到说明,具有一天前的机会约束优化(CCO),并且观察到后者存在更严重的风险,这表明系统操作员(SO)应该采用新的策略来解决EDU的不确定性。
不确定性感知策略:通过子抽样进行稳健财务优化的模型无关框架
本文解决了量化金融中模型不确定性的挑战,其中投资组合配置、衍生品定价和风险管理的决策依赖于从有限数据中估计随机模型。 在实践中,真实概率度量的缺乏迫使依赖经验近似,甚至小的错误估计都可能导致决策质量的显着偏差。 在Klibanoff等人的框架基础上再接再厉。 (2005年),我们通过将传统货币风险措施所驱动的外部“不确定性措施”叠加在模型空间上,从而增强了传统目标 - 无论是投资环境中的预期效用还是套期保值指标。 在缺乏自然模型分布或贝叶斯方法不切实际的情况下,我们提出了一个临时的子采样策略,类似于统计金融中的引导,以及与深度学习中的迷你批次采样相关的,以近似模型的不确定性。 为了解决幼稚实现的二次内存需求,我们还介绍了一种适应的随机梯度下降算法,可以实现高效的并行化。 通过分析,模拟和实证研究 - 包括多周期,真实数据和高维示例 - 我们证明不确定性措施优于传统的指标策略混合,我们的基于模型的与模型无关的样本采样方法不仅增强了对抗模型风险的稳健性,而且还实现了与更精细的贝叶斯方法相媲美的性能。
信用风险的可解释LLM:系统审查和分类
近年来发展起来的大型语言模型(LLM)通过分析分析师报告和公司披露等财务文本来实现信用风险评估。 本文介绍了第一个系统审查和分类,重点是基于LLM的信用风险估计方法。 我们通过选择2020-2025年间发表的60篇相关论文,通过PRISMA研究策略确定了基本模型架构。 我们研究了用于信用违约预测和风险分析等场景的数据。 由于本文的主要焦点是可解释性,我们将解释性机制、思维链提示和基于LLM的信用模型的自然语言理由等概念进行分类。 分类法将文献组织在四个主要标题下:模型架构、数据类型、可解释性机制和应用领域。 基于此分析,我们强调了基于LLM的信用评分系统的主要未来趋势和研究差距。 本文旨在成为人工智能和金融研究人员的参考论文。
随机森林检测和识别非法内幕交易的方法
根据《交易所法》,1934年的非法内幕交易是滥用特权公司信息。 虽然“例行公事”的“机会主义”内幕交易之间存在模糊的界限,但发现内部人士的策略,以操纵公平的市场价格,这对手工工程方法来说是一个艰难的战斗。 在由多个协方体结构构建的详细高维金融和贸易数据的背景下,在这项研究中,我们探索,实施并提供与现有研究的详细比较(Deng等人。 (2019))并通过将主要组件分析集成到随机森林(PCA-RF)中,然后独立实施自动端到端的最先进的方法,然后独立随机森林(RF)与320和3984随机选择,半手动标记和标准化交易来自多个行业。 这些设置成功地发现了潜在的结构,并发现了非法的内幕交易。 在多种场景中,我们表现最佳的模型准确地分类了96.43%的交易。 在所有交易中,模型发现95.47是合法的,98.00是非法的。 此外,该模型在将合法分类为非法时很少犯的错误,只错过了2.00%。 除了分类任务,模型生成的基于Gini Impurity的特征排名,我们的分析显示,基于排列值的所有权和治理相关功能起着重要作用。 总之,一种简单而强大的自动化端到端方法可以缓解劳动密集型活动,以重定向资源,以加强规则制定和跟踪未捕获的非法内幕交易交易。 我们强调,发达的金融和交易功能能够发现欺诈行为。