加载中...
本文提出一种面向意大利中小企业的时序对齐元学习信用评分框架:先以年报为锚构建静态(12个月)PD模型,再用月度行为数据通过EWMA与指数插值建模PD的月度演进,最后采用堆叠(stacking)将多源评分融合为可解释的元模型,从而解决数据发布滞后与多频率异步问题并提升预测稳定性与时序一致性
| Data Source | Period | Update Frequency | Sample Size | Lag |
|---|---|---|---|---|
| Balance Sheets | 2017-2023 | Annual | 18,454 | 3-9 months |
| Central Credit Register | 2017-2024 | Monthly | 18,454 | 2 months |
| Expert Indicators | 2017-2024 | Variable | 18,454 | 2 months |
| Variable | Coefficient | Std. Error | z-value | P-value |
|---|---|---|---|---|
| Intercept | -5.1478 | 0.133 | -38.73 | 0.000 |
| logit(PD_crd) | 0.9770 | 0.042 | 23.28 | 0.000 |
| logit(PD_bhv) | 0.5839 | 0.029 | 19.95 | 0.000 |
| C(crd_size)[micro] | 1.1503 | 0.159 | 7.22 | 0.000 |
| Model | AUC | F-measure | Recall | Specificity |
|---|---|---|---|---|
| Fusion Static | 0.900 | 0.821 | 0.820 | 0.822 |
| Behavioral (baseline) | 0.808 | 0.721 | 0.662 | 0.818 |
| CRD (baseline) | 0.833 | 0.689 | 0.591 | 0.882 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(每个重要图/表)
估值与性能解释(方法与假设解读)
风险因素评估
批判性视角与细微差别
结论性综合
(结束语)总体而言,本报告在识别并系统化解决信贷评分中“时间错位”这一操作性问题方面具有明确贡献,方法论与实证结果相互支撑,但若用于实际风控部署,仍需进一步的稳健性与外部验证工作以保证在不同经济/数据环境下的可靠性。
2601.07588.pdf