Pembelajaran mendalam yang konsisten untuk pemantauan risiko kredit menggunakan data keuangan tabular

anotasi 

Pembelajaran mesin memainkan peran penting dalam mencegah kerugian finansial di industri perbankan. Mungkin tantangan peramalan yang paling mendesak adalah menilai risiko kredit (risiko gagal bayar utang). Risiko seperti itu bisa mengakibatkan kerugian miliaran dolar setiap tahun. Saat ini, sebagian besar manfaat pembelajaran mesin dalam memprediksi risiko kredit disebabkan oleh model pohon keputusan penyempurnaan gradien. Namun, manfaat ini mulai berkurang jika tidak didukung oleh sumber data baru dan / atau fitur fleksibel berteknologi tinggi. Pada artikel ini, kami menyajikan upaya kami untuk membuat pendekatan baru untuk penilaian risiko kredit menggunakan pembelajaran mendalam yang tidak melibatkan pemantauan yang kompleks, tidak bergantung pada input model baru.Kami mengusulkan metode baru untuk mengambil transaksi kartu kredit untuk digunakan dengan jaringan saraf konvolusional berulang dan kausal yang dalam yang menggunakan urutan temporal data keuangan, tanpa persyaratan sumber daya khusus. Kami menunjukkan bahwa pendekatan sekuensial kami untuk pembelajaran mendalam menggunakan jaringan konvolusional sementara telah mengungguli model pohon referensi yang tidak konsisten, mencapai penghematan finansial yang signifikan dan deteksi dini risiko kredit. Kami juga mendemonstrasikan potensi pendekatan kami untuk digunakan dalam lingkungan produksi, di mana teknik pengambilan sampel yang diusulkan memungkinkan penyimpanan urutan yang efisien dalam memori, menggunakannya untuk pelatihan dan produksi online yang cepat.yang menggunakan urutan waktu data keuangan, tanpa persyaratan sumber daya khusus. Kami menunjukkan bahwa pendekatan sekuensial kami untuk pembelajaran mendalam menggunakan jaringan konvolusional sementara telah mengungguli model pohon referensi yang tidak konsisten, mencapai penghematan finansial yang signifikan dan deteksi dini risiko kredit. Kami juga mendemonstrasikan potensi pendekatan kami untuk digunakan dalam lingkungan produksi, di mana teknik pengambilan sampel yang diusulkan memungkinkan penyimpanan urutan yang efisien dalam memori, menggunakannya untuk pelatihan dan produksi online yang cepat.yang menggunakan urutan waktu data keuangan, tanpa persyaratan sumber daya khusus. Kami menunjukkan bahwa pendekatan sekuensial kami untuk pembelajaran mendalam menggunakan jaringan konvolusional sementara telah mengungguli model pohon referensi yang tidak konsisten, mencapai penghematan finansial yang signifikan dan deteksi dini risiko kredit. Kami juga mendemonstrasikan potensi pendekatan kami untuk digunakan dalam lingkungan produksi, di mana teknik pengambilan sampel yang diusulkan memungkinkan penyimpanan urutan yang efisien dalam memori, menggunakannya untuk pelatihan dan produksi online yang cepat.mencapai penghematan finansial yang signifikan dan deteksi dini risiko kredit. Kami juga mendemonstrasikan potensi pendekatan kami untuk digunakan dalam lingkungan produksi, di mana teknik pengambilan sampel yang diusulkan memungkinkan penyimpanan urutan yang efisien dalam memori, menggunakannya untuk pelatihan dan produksi online yang cepat.mencapai penghematan finansial yang signifikan dan deteksi dini risiko kredit. Kami juga mendemonstrasikan potensi pendekatan kami untuk digunakan dalam lingkungan produksi, di mana teknik pengambilan sampel yang diusulkan memungkinkan penyimpanan urutan yang efisien dalam memori, menggunakannya untuk pelatihan dan produksi online yang cepat. 

KEYWORDS credit risk, tabular data, credit card transactions, recurrent neural networks, temporal convolutional networks 

1.   

  ,    ,   ,     (, ). ,   [24]. 

(GBDTs), , [10]. ,          .  , ,      , , . . -,   , . -,    . , - ( ) -  , , (, [6]). 

, ,    . ,  GBDT, ,    (TCN)  . , , . - . 

        [9, 23],   [3, 26] [1,19]. ,    , (RNN) TCN, . , ,      .  , , ,  « » ,  / . ,  ,     -.     - . 

 , , . , ( )   -. ,   . , , - . 

2.  

2.1.   

, . , () 1,5   . 

2.1.1. .   . , , ,    ()  , 127    . : ( , . .) ( , . .).  ,   . - . 

2.1.2.  .   15 , 2016 2017 .     , 45   . , ( ) . 

      6   ( )  , 2017 2018 ,     . , . 2%   . , - - , - , .

2.1.3.  . ,  , . , .   : 

•    ( / ) 10 ,   ; 

  
  
  
  
  

•  «»     , , , ( GBDT), , , : (s₁, s₂, . . . , s_k ), s_i > s_j , for all i > j,   : 

  
  
  
  
  

x - , xˆ-  ( . . 1); 

•    - [5]; 

•  ()  , [18]   :  

1.     ; 

   
   
   
   
   

2.     1, : 

   
   
   
   
   

G - , | G | - , k – -, ( k = 30), y - .  

• ,    . 

2.2.   

   . . ,     ,    - . , , ,     . 

 – . -, , - . -, , 11 .   ( . 2).    ,       (  10 ). 

     . ,    – , , . , . 

     12 , . . 

2.3.   

, ,  GBDT .  GBDT , . ,  (  TabNet) . 

2.3.1 . (MLP) . MLP /   .   "" , MLP [13]. , , , . 

2.3.2. TabNet. TabNet -   ,  [2].   ,    .  TabNet  : . , .    , ,    , (. 3). , , .

2.3.3.  . , GBDT: . RNNS , . 

 long short-term memory (LSTM) RNN [14],   RNN.   ,   . RNN,  zoneout [17]. , zoneout  RNN. , , zoneout   .  zoneout  , RNN . LSTM  zoneout  .4. 

2.3.4   . RNN , , . ,  RNN  [21]. , [4, 7, 11, 15, 20]. , , ,  RNNs. , . , t t (. . 5) [25]. 

, , ,    (TCN) [4]. , TCNS  (), , ,    [27]. TCNS ,    , (. . 6), [12]. TCN  , .  deep TCN . 7. 

2.4.   

2.4.1. . , /, ,  SigOpt [8]. , - . , 5- MLP, 3- LSTM ( 2 LSTM ) 6- TCN ( 2 TCN 4 ). ( ~0,2). 

2.4.2. . [16] [22]. - ( = 0,9, 0,999), , . - , . 

2.4.3.  . , . , 512 0,8, 1e-4, , . 

2.4.4 . .   ,   .   ( = (2*AUROC) - 1). , , - . - . 

3.  

GBDT 1.    (  15 000 ) , . 

, LSTM TCN,   GBDT. MLP  TabNet  . , , LSTM TCN GBDT, , , . ,   , , , (  ). 

3.1.  .  , , . ,    , . 

LSTM TCN GBDT ( ,  , ) 2. ,  GBDT, -, ( 6 ),  , , ( 7-12 ) ( 13-18 ), , . 

3.2.  .  ( ). 8 , , , , , « » ,  . LSTM, TCN 12 , TCN LSTM .    , ,    . , 2016 . 

3.3. -.  , , LSTM TCN -. , , 2017 . . 9, . , , . , . 

3.4.  .  TCN LSTM ,   . NVDIA Tesla V100, ~30 , TCN - 512 , ~50   LSTM. , TCN , , LSTM. 

, LSTM , TCN. Bai et al. [4], LSTM / , . , TCN . ,   1 , , ( 10 ). , , , , (TCN) (LSTM). 

4. . 

, , , . . 

, . , TCN . , ,    -. 

, , LSTM TCN. , GBDT    ,  . , - ( ) . 

- , ,    , , . , , . , . 

[1] Peter Martey Addo, Dominique Guegan, and Bertrand Hassani. 2018. Credit

risk analysis using machine and deep learning models. Risks 6, 2 (2018), 38.

https://doi.org/10.3390/risks6020038

[2] Sercan O. Arik and Tomas Pfister. 2019. TabNet: Attentive Interpretable Tabular

Learning. (2019). arXiv:1908.07442

[3] Dmitrii Babaev, Alexander Tuzhilin, Maxim Savchenko, and Dmitrii Umerenkov. E.T.-Rnn: Applying deep learning to credit loan applications. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2183–2190. https://doi.org/10.1145/3292500.3330693

[4] Shaojie Bai, J. Zico Kolter, and Vladlen Koltun. 2018. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. (2018). arXiv:1803.01271

[5] George EP Box and David R Cox. 1964. An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological) 26, 2 (1964), 211–243.

[6] Tianqi Chen and Carlos Guestrin. 2016. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD Unternational Conference on Knowledge Discovery and Data Mining. 785–794.

[7] Yann N Dauphin, Angela Fan, Michael Auli, and David Grangier. 2017. Language modeling with gated convolutional networks. In Proceedings of the 34th International Conference on Machine Learning. 933–941.

[8] Ian Dewancker, Michael McCourt, and Scott Clark. 2015. Bayesian Optimization Primer.

[9] Dmitry Efimov, Di Xu, Alexey Nefedov, and Archana Anandakrishnan. 2019. Using Generative Adversarial Networks to Synthesize Artificial Financial Datasets. In 33rd Conference on Neural Information Processing Systems, Workshop on Robust AI in Financial Services.

[10] Jerome H. Friedman. 2001. Greedy function approximation: A gradient boosting machine. Annals of Statistics 29, 5 (2001), 1189–1232. https://doi.org/10.2307/ 2699986

[11] Jonas Gehring, Michael Auli, David Grangier, Denis Yarats, and Yann N Dauphin. Convolutional sequence to sequence learning. In Proceedings of the 34th International Conference on Machine Learning. 1243–1252.

[12] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2016. Identity mappings in deep residual networks, Vol. 9908 LNCS. Springer Verlag, 630–645. https://doi.org/10.1007/978-3-319-46493-0_38 arXiv:1603.05027

[13] Geoffrey E Hinton, Nitish Srivastava, Alex Krizhevsky, Ilya Sutskever, and Ruslan R Salakhutdinov. 2012. Improving neural networks by preventing coadaptation of feature detectors. arXiv:1207.0580 (2012).

[14] Sepp Hochreiter and Jürgen Schmidhuber. 1997. Long Short-Term Memory. Neural Computation 9, 8 (1997), 1735–1780. https://doi.org/10.1162/neco.1997.9. 8.1735

[15] Nal Kalchbrenner, Lasse Espeholt, Karen Simonyan, Aaron van den Oord, Alex Graves, and Koray Kavukcuoglu. 2016. Neural machine translation in linear time. arXiv preprint arXiv:1610.10099 (2016).

[16] Diederik P Kingma and Jimmy Ba. 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980 (2014).

[17] David Krueger, Tegan Maharaj, János Kramár, Mohammad Pezeshki, Nicolas Ballas, Nan Rosemary Ke, Anirudh Goyal, Yoshua Bengio, Aaron Courville, and Chris Pal. 2017. Zoneout: Regularizing rnns by randomly preserving hidden activations. In Proceedings of the 5th International Conference on Learning Representations. arXiv:1606.01305

[18] Christopher D Manning, Prabhakar Raghavan, and Hinrich Schütze. 2008. Introduction to information retrieval. Cambridge University Press. 234–265 pages.

[19] Loris Nanni and Alessandra Lumini. 2009. An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring. Expert Systems with Applications 36, 2 (2009), 3028–3033. https://doi.org/10.1016/j.eswa. 2008.01.018

[20] Aaron van den Oord, Sander Dieleman, Heiga Zen, Karen Simonyan, Oriol Vinyals, Alex Graves, Nal Kalchbrenner, Andrew Senior, and Koray Kavukcuoglu. Wavenet: A generative model for raw audio. arXiv preprint arXiv:1609.03499 (2016).

[21] Razvan Pascanu, Tomas Mikolov, and Yoshua Bengio. 2013. On the difficulty of training recurrent neural networks. In Proceedings of the 30th International Conference on Machine Learning. 1310–1318.

[22] Lutz Prechelt. 1998. Early stopping-but when? In Neural Networks: Tricks of the trade. Springer, 55–69.

[23] Abhimanyu Roy, Jingyi Sun, Robert Mahoney, Loreto Alonzi, Stephen Adams, and Peter Beling. 2018. Deep learning detecting fraud in credit card transactions. In Proceedings of the Systems and Information Engineering Design Symposium,129–134. https://doi.org/10.1109/SIEDS.2018.8374722

[24] Lyn C Thomas, David B Edelman, and Jonathan N Crook. 2002. Credit scoring and its applications. SIAM.

[25] Alex Waibel, Toshiyuki Hanazawa, Geoffrey Hinton, Kiyohiro Shikano, and Kevin J Lang. 1989. Phoneme recognition using time-delay neural networks. IEEE transactions on acoustics, speech, and signal processing 37, 3 (1989), 328–339.

[26] Chongren Wang, Dongmei Han, Qigang Liu, dan Suyuan Luo. 2018. Pendekatan deep learning untuk penilaian kredit Peer-to-Peer lending menggunakan mekanisme attention LSTM. IEEE Access 7 (2018), 2161-2168.

[27] Fisher Yu dan Vladlen Koltun. 2016. Agregasi konteks multi-skala dengan konvolusi dilatasi. Dalam Prosiding Konferensi Internasional ke-4 tentang Representasi Pembelajaran. arXiv: 1511.07122