Machine Learning for Corporate Default Risk: Improving Prediction Accuracy in an Era of Globalization and Digitalization
Notice bibliographique
Résumé
In the recent era of financial market uncertainty increase gradually, corprotae default risk becomes a key factor to affect financial market's stability. Therefore, identifying and predicting default risk effectively represents a core challenge for financial institutions and regulatory agencies. Machine learning methods gradually applied for financial market prediction compared to traditional methods, it not only preforms higher predictive accuarcy but also showing unqiue strength in featrure extraction and variable adaptability espacially nonlinear relationships and mult-dimensional variables for corporate risk mangement. This paper aims to explore machine learning's role in predicting corporate default risk and evaluat the applicability and performance of different models in financial markets. Specifically, it compares the Logit, Random Forest, Extreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM)’s predictive ability by using data from 2010-2023’s China's A-share corporate bond market dataset. And results indicate that Random Forest and XGBoost have significantly better perform and identify potential risk effectively. While Logit shows value in interpretability and LSTM have potential power in time series modeling, their overall effectiveness indicates limited. The conclusion emphasizes machine learning holds high, practical value in default risk prediction and provides reference for future risk management's implementation, investment decision-making, and financial stability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».