TL;DR
- چکیده: پیشبینی دقیق نرخهای بازیابی (RR) برای مدیریت ریسک اعتباری و تعیین سرمایه نظارتی مرکزی است.
- با این حال،.
- در بسیاری از پورتفولیوهای وام،.
چه اتفاقی افتاد
چکیده: پیشبینی دقیق نرخهای بازیابی (RR) برای مدیریت ریسک اعتباری و تعیین سرمایه نظارتی مرکزی است. با این حال،.
در بسیاری از پورتفولیوهای وام،. مدلسازی RR به دلیل کمبود دادههای ناشی از رویدادهای پیشفرض نادر محدود میشود.
یادگیری انتقال (TL) یک راه امیدوارکننده برای کاهش این چالش با بهرهبرداری از اطلاعات حوزههای منبع مرتبط اما. غنیتر ارائه میدهد،.
اما اثربخشی آن به شدت به حضور و قدرت تغییرات توزیعی و به ناهمگونی بالقوه بین فضاهای ویژگی. منبع و هدف بستگی دارد.
این مقاله FT-MDN-Transformer را معرفی میکند،. یک معماری ترانسفورماتور جدولی با چگالی مخلوط که بهطور خاص برای TL در پیش بینی RR در مجموعه.
ویژگیهای ناهمگن طراحی شده است. این مدل هم تخمینهای نقطهای در سطح وام و هم توزیعهای پیشبینیکننده در سطح پرتفوی را تولید میکند،.
در نتیجه طیف وسیعی از برنامههای کاربردی پیش بینی RR ما رویکرد پیشنهادی را در یک شبیهسازی. مونت کارلو کنترلشده ارزیابی میکنیم که تغییرات سیستماتیک تغییرات متغیرهای کمکی،.
شرطی و برچسب را تسهیل میکند،. و همچنین در یک تنظیم انتقال واقعی با استفاده از دادههای اعتبار جهانی (GCD) بهعنوان منبع و مجموعه.
دادههای اوراق قرضه جدید بهعنوان هدف. نتایج ما نشان میدهد که FT-MDN-Transformer زمانی که دادههای دامنه هدف محدود هستند،.
عملکرد بهتری نسبت به مدلهای پایه دارد،. در حالی که تغییر مچنان چالش برانگیز است.
ما همچنین پیشبینیهای احتمالی آن را برای ردیابی دقیق توزیعهای بازیابی تجربی مشاهده میکنیم و اطلاعات غنیتری نسبت. به معیارهای پیشبینی نقطه مرسوم به تنهایی ارائه میکنیم.
بهطور کلی،. یافتهها پتانسیل معماریهای TL آگاه از توزیع را برای بهبود پیشبینی RR در پورتفولیوهای اعتباری کم داده و.
ارائه بینشهای عملی برجسته میکنند. برای مدیران ریسک که تحت محیطهای داده ناهمگن عمل میکنند.
نظرات: پیش چاپ قبل از بررسی همتا مدیریت ریسک (q-fin. RM); Machine Learning (cs.
LG) بهعنوان: (یا v1 [q-fin. RM] برای این نسخه) ذکر کنید.
از: Christopher Gerling [مشاهده ایمیل] [v1] جمعه، 3 آوریل 2026، 07: 54: 49 UTC (8,824 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.