通过自学习增强不平衡金融风险数据的数据质量
原文中文，约500字，阅读约需1分钟。发表于：。本研究解决了金融风险领域中数据稀缺和类别不平衡对风险预测模型性能的影响。提出了一种名为TriEnhance的新方法，通过生成合成样本、利用二元反馈进行筛选以及自学习伪标签来优化样本。实验结果显示，TriEnhance有效改善了少数类的校准，提高了金融风险预测系统的鲁棒性。
金融风险预测在金融领域中起关键作用，机器学习方法被广泛应用于自动检测潜在风险。FinPT和FinBench是解决过时算法和缺乏统一、开源金融基准的新方法。FinPT通过在大型预训练基础模型上进行Profile Tuning来进行金融风险预测。FinBench是一组高质量的金融风险数据集。实验证明了FinPT的有效性。
