基于多源域知识迁移学习的小微企业信用评分

摘要：

针对新业务,新场景下金融机构目标数据集"高维小样本"的问题,本文提出了基于多源域知识迁移学习的小微企业信用风险测度方法,其能够迁移学习其它数据源(源域)的知识以提升目标域模型的预测效果.该方法通过对来自多个源域的多种源域知识进行归纳提取,进而将其纳入目标域模型的构建中,可以充分利用源域知识,提升目标域模型的估计精度.另外,模型无需获取各源域的原始数据,因此很大程度上降低了数据传输中隐私泄露的风险.模拟实验和企业信用评分的实例数据验证了所提方法的可行性及其在变量选择,系数估计和分类预测上的良好效果.该方法能够在隐私限制的背景下有效迁移源域知识以克服信用评分中目标数据集信息量不足,而导致估计效果较差的问题.

关键词：多源域知识、迁移学习、信用评分、小微企业

所属期刊栏目：43

分类号：F830.5(金融、银行)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1320-1332