信用风险预测的基础模型：游戏规则改变者？

预测模型在信用风险管理中发挥着关键作用，通过准确估计违约概率和损失来指导关键决策。广泛的研究引入了新的建模技术，并辅之以巩固最先进技术的大规模基准研究。如今，梯度提升模型与 SHAP 解释器相结合等准标准已经出现，但风险模型的持续改进仍然是重中之重。与此同时，人工智能的快速进步，尤其是 大语言模型，已经颠覆了预测建模范式。在来自不同领域的广泛数据集上进行预训练的基础模型通过利用先验知识表现出了卓越的性能。虽然表格数据的基础模型在自然语言处理和计算机视觉中很流行，但最近才出现。我们推测，对域外数据进行预训练在小数据环境中特别有益，例如中小企业贷款或专门的企业投资组合，并且可能有助于解决长期存在的挑战，包括低违约投资组合和类别不平衡。本文对最近提出的表格基础模型与广泛的竞争对手进行了基准测试，包括已建立的和先进的机器学习技术，涉及两个核心任务：PD 和 LGD 建模。我们的评估包括各种数据集、性能指标和实验条件。我们发现表格基础模型通常在数据集和任务中表现最佳。此外，随着数据集大小的缩小，它们的预测性能显着提高。这些结果非常引人注目，因为这些模型是开箱即用的测试，无需超参数调整，确保了易用性并降低了计算成本。