DOI: https://doi.org/10.1016/j.asoc.2026.115213
تاريخ النشر: 2026-04-12
المؤلف: Yue Yang وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تتناول هذه الدراسة تحدي تحسين دقة التنبؤ لنماذج التخلف عن سداد القروض للتعرف المبكر على التخلف، مع التركيز على التنبؤات التي تتجاوز ثلاثة أشهر مسبقًا. تحتوي الطرق التقليدية على قيود، بما في ذلك دقة ضعيفة في التنبؤات المبكرة والاعتماد على التدريب والاختبار ضمن نفس السنة، مما يقيد قابليتها للتطبيق على البيانات خارج الوقت. للتغلب على هذه المشكلات، يقترح المؤلفون هيكلين جديدين: GRU-KAN و LSTM-KAN، اللذان يدمجان شبكات Kolmogorov-Arnold (KAN) مع وحدات تكرارية مغلقة (GRU) وشبكات الذاكرة الطويلة القصيرة (LSTM). تم تقييم النماذج المقترحة بدقة مقابل نماذج أساسية مختلفة، بما في ذلك LSTM و GRU و LSTM-Attention و LSTM-Transformer، عبر مقاييس متعددة مثل الدقة، والدقة، والاسترجاع، ودرجة F1، و AUC.
تكشف النتائج أن نماذج GRU-KAN و LSTM-KAN تحقق دقة تنبؤ تزيد عن 92% قبل ثلاثة أشهر و تزيد عن 88% قبل ثمانية أشهر، متجاوزة بشكل كبير أداء النماذج الأساسية الحالية. تعزز هذه النماذج إدارة المخاطر الاستباقية لتنبؤ التخلف عن سداد القروض من خلال تمكين التنبؤات الموثوقة قبل عدة أشهر وإدارة البيانات خارج الوقت (OOT) بشكل فعال. ومن الجدير بالذكر أن نموذج GRU-KAN يظهر باستمرار أداءً متفوقًا وموثوقية عبر أطوال نوافذ الميزات المتغيرة ومجموعات بيانات تدريب صغيرة. لا تُظهر هذه الدراسة فقط فعالية النماذج المعتمدة على KAN في التكيف مع انزياح المفاهيم، بل تسلط الضوء أيضًا على قابليتها العملية في البيئات المالية المعقدة، حيث تكون التنبؤات الدقيقة وفي الوقت المناسب ضرورية للتخفيف من المخاطر واتخاذ القرارات المستنيرة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية اكتشاف الشذوذ في السلاسل الزمنية في التنقيب عن البيانات وتعلم الآلة، خاصة في التنبؤ بالتخلف عن سداد القروض، التي تشكل مخاطر كبيرة على المؤسسات المالية. يحدث التخلف عن سداد القروض عندما يفشل المقترضون في سداد قروضهم في الوقت المحدد، مما يستلزم تحليل بيانات تاريخية واسعة وخصائص المقترضين لتحديد الأفراد ذوي المخاطر العالية. تكافح النماذج الحالية، مثل تلك المعتمدة على الذاكرة الطويلة القصيرة (LSTM)، مع دقة التنبؤ والتنبؤات في الوقت المناسب، مما يحد من فائدتها العملية للبنوك في تنفيذ استراتيجيات إدارة المخاطر.
تهدف هذه الدراسة إلى معالجة هذه القيود من خلال تطوير نموذجين مبتكرين، LSTM-KAN و GRU-KAN، استنادًا إلى شبكات Kolmogorov-Arnold (KAN). تم تصميم هذه النماذج لتعزيز قدرات التنبؤ المبكر من خلال السماح بالتدريب والاختبار على بيانات من سنوات مختلفة، مما يحسن من التكيف مع المعلومات الجديدة. تقيم الدراسة النماذج عبر ثلاثة سيناريوهات تجريبية: أطوال نوافذ الميزات المتغيرة، تقييم تأثير الفجوة الفارغة بين ميزات الإدخال وفترات المراقبة، وتحليل الأداء مع أحجام عينات مختلفة. تشير النتائج إلى أن النماذج المقترحة يمكن أن تستفيد بشكل فعال من البيانات التاريخية الواسعة وتقدم تنبؤات في الوقت المناسب، مما يزود المؤسسات المالية بأدوات لإدارة المخاطر الاستباقية وتحسين جودة الأصول.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث. يتفصل التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. استخدمت الدراسة إطارًا كميًا، حيث تم استخدام طرق إحصائية لتحليل البيانات التي تم جمعها من عينة السكان. يتم وصف الأدوات والأدوات المحددة المستخدمة للقياس، مما يضمن إمكانية تكرار الدراسة.
بالإضافة إلى ذلك، يتناول القسم الاعتبارات الأخلاقية التي تم أخذها في الاعتبار، مثل الموافقة المستنيرة وسرية معلومات المشاركين. تم تصميم المنهجية لتقليل التحيز وتعزيز موثوقية النتائج، مما يساهم في قوة نتائج البحث. بشكل عام، تعتبر الطرق المستخدمة جزءًا لا يتجزأ من التحقق من استنتاجات الدراسة وضمان نزاهة النتائج.
النتائج
في هذا القسم، يوضح المؤلفون تصميم وتحليل ثلاثة تجارب تهدف إلى تقييم أداء نماذجهم المقترحة عبر أبعاد مختلفة. تركز التجارب على تأثيرات أطوال نوافذ الميزات المختلفة، وقدرات النماذج على التنبؤ المبكر بأحداث التخلف، وأدائها مع عينات تدريب محدودة. يتم تقييم النماذج المقترحة مقابل نماذج أساسية معروفة، بما في ذلك GRU و LSTM و LSTM-Attention و LSTM-Transformer.
بالإضافة إلى ذلك، يتم تحليل النتائج في القسم 4.4، حيث يتم تقييم أداء النماذج عبر مجموعات من سنوات مختلفة، باستخدام نافذة الميزات المثلى، وحجم البيانات، والفترات الزمنية المحددة في التجارب السابقة. يوفر هذا التقييم الشامل رؤى حول قوة ومرونة النماذج المقترحة في سيناريوهات متنوعة.
المناقشة
تقوم قسم المناقشة في الورقة البحثية بتقييم نقدي للمنهجيات الحالية في التنبؤ بالتخلف عن سداد القروض، مع تسليط الضوء على القيود الكبيرة في استخدام بيانات خارج العينة (OOS) وبيانات خارج الوقت (OOT). اعتمدت الدراسات السابقة، مثل تلك التي أجراها زاندي وآخرون ووانغ وآخرون، بشكل أساسي على بيانات OOS، مما أدى غالبًا إلى توقعات متفائلة بشكل مفرط بسبب التشابه بين مجموعات التدريب والاختبار. يفشل هذا النهج في الاستفادة من السياق التاريخي الأوسع الضروري للتطبيقات في الوقت الحقيقي. علاوة على ذلك، قامت العديد من الدراسات بتقليل المشكلة إلى تصنيف ثنائي ثابت، متجاهلة الديناميات الزمنية الكامنة في سلوكيات سداد القروض. يجادل المؤلفون بضرورة استخدام بيانات OOT لتعزيز قدرات التنبؤ المبكر، مما يحسن من القابلية العملية للنماذج التنبؤية.
كما يستعرض القسم التقدم في اكتشاف الشذوذ في السلاسل الزمنية باستخدام نماذج مثل GRU و LSTM، مشيرًا إلى فعاليتها في التقاط الاعتماديات طويلة الأجل. بينما يوفر GRU كفاءة حسابية، يتفوق LSTM في الحفاظ على الذاكرة عبر تسلسلات ممتدة. تقدم الورقة هياكل هجينة، GRU-KAN و LSTM-KAN، التي تدمج هذه الشبكات العصبية التكرارية مع شبكات Kolmogorov-Arnold (KAN) لالتقاط الأنماط المعقدة بشكل أفضل في بيانات السلاسل الزمنية. من خلال اعتماد نهج منظم يتضمن معالجة البيانات، والتغطية، واستخراج الميزات، تهدف النماذج المقترحة إلى تعزيز دقة التنبؤ في سيناريوهات التخلف عن السداد. يؤكد المؤلفون على إمكانيات KAN في نمذجة العلاقات غير الخطية المعقدة، التي قد تتجاهلها الطرق التقليدية، وبالتالي معالجة قيود الأطر التنبؤية الحالية.
القيود
تنشأ قيود هذه الدراسة بشكل أساسي من اعتمادها على مجموعة بيانات فريدي ماك، التي، على الرغم من كونها واسعة وتعكس بيانات القروض في العالم الحقيقي، قد لا تلتقط بالكامل تنوع السياقات المالية. يجب أن تتضمن الأبحاث المستقبلية مجموعات بيانات إضافية لتقييم قوة وعمومية النماذج المطورة.
علاوة على ذلك، تناولت الدراسة عدم توازن الفئات من خلال تقليل العينة؛ ومع ذلك، هناك إمكانية للتحسين من خلال استكشاف مجموعة أوسع من تقنيات إعادة العينة، مثل طرق توليد البيانات الاصطناعية مثل SMOTE (تقنية زيادة العينة الأقلية الاصطناعية) أو الشبكات التنافسية التوليدية (GANs). أخيرًا، يمكن أن تستفيد الأعمال المستقبلية من تطوير نماذج تكيفية قادرة على معالجة انزياح المفاهيم، مما يعزز قدرتها على التكيف مع توزيعات البيانات المتطورة وضمان توقعات أكثر موثوقية في البيئات الديناميكية.
DOI: https://doi.org/10.1016/j.asoc.2026.115213
Publication Date: 2026-04-12
Author(s): Yue Yang et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This study tackles the challenge of improving the predictive accuracy of loan default models for early identification of defaults, specifically aiming for predictions more than three months in advance. Traditional methods have limitations, including poor accuracy in early predictions and reliance on training and testing within the same year, which restricts their applicability to out-of-time data. To overcome these issues, the authors propose two novel architectures: GRU-KAN and LSTM-KAN, which integrate Kolmogorov-Arnold Networks (KAN) with Gated Recurrent Units (GRU) and Long Short-Term Memory (LSTM) networks. The proposed models were rigorously evaluated against various baseline models, including LSTM, GRU, LSTM-Attention, and LSTM-Transformer, across multiple metrics such as accuracy, precision, recall, F1 score, and AUC.
The findings reveal that the GRU-KAN and LSTM-KAN models achieve over 92% prediction accuracy three months in advance and over 88% eight months in advance, significantly surpassing the performance of existing baselines. These models enhance proactive risk management for loan default prediction by enabling reliable forecasts months ahead and effectively managing out-of-time (OOT) data. Notably, the GRU-KAN model consistently exhibits superior performance and robustness across varying feature window lengths and small training datasets. This research not only demonstrates the effectiveness of KAN-based models in adapting to concept drift but also highlights their practical applicability in complex financial environments, where timely and accurate predictions are crucial for risk mitigation and informed decision-making.
Introduction
The introduction of this research paper emphasizes the significance of time series anomaly detection in data mining and machine learning, particularly in predicting loan defaults, which pose substantial risks to financial institutions. Loan defaults occur when borrowers fail to repay their loans on time, necessitating the analysis of extensive historical data and borrower characteristics to identify high-risk individuals. Current models, such as those based on Long Short-Term Memory (LSTM), struggle with predictive accuracy and timely forecasts, limiting their practical utility for banks in implementing risk management strategies.
This study aims to address these limitations by developing two innovative models, LSTM-KAN and GRU-KAN, based on Kolmogorov-Arnold Networks (KAN). These models are designed to enhance early prediction capabilities by allowing training and testing on data from different years, thereby improving adaptability to new information. The research evaluates the models across three experimental scenarios: varying feature window lengths, assessing the impact of a blank interval between input features and observation periods, and analyzing performance with different sample sizes. The findings suggest that the proposed models can effectively utilize extensive historical data and provide timely predictions, thereby equipping financial institutions with tools for proactive risk management and improved asset quality.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical procedures. The study utilized a quantitative framework, employing statistical methods to analyze the data gathered from the sample population. Specific instruments and tools used for measurement are described, ensuring replicability of the study.
Additionally, the section addresses the ethical considerations taken into account, such as informed consent and confidentiality of participant information. The methodology is designed to minimize bias and enhance the reliability of the findings, thereby contributing to the robustness of the research outcomes. Overall, the methods employed are integral to validating the study’s conclusions and ensuring the integrity of the results.
Results
In this section, the authors detail the design and analysis of three experiments aimed at assessing the performance of their proposed models across various dimensions. The experiments focus on the effects of different feature window lengths, the models’ capabilities for early prediction of default events, and their performance with limited training samples. The proposed models are benchmarked against established baselines, including GRU, LSTM, LSTM-Attention, and LSTM-Transformer.
Additionally, the results are analyzed in Section 4.4, where the performance of the models is evaluated across cohorts from different years, utilizing the optimal feature window, data volume, and time intervals identified in the preceding experiments. This comprehensive evaluation provides insights into the robustness and adaptability of the proposed models in diverse scenarios.
Discussion
The discussion section of the research paper critically evaluates existing methodologies in loan default prediction, highlighting significant limitations in the use of out-of-sample (OOS) and out-of-time (OOT) data. Previous studies, such as those by Zandi et al. and Wang et al., primarily relied on OOS data, which often resulted in overly optimistic predictions due to the similarity between training and test sets. This approach fails to leverage the broader historical context necessary for real-time applications. Furthermore, many studies have reduced the problem to static binary classification, neglecting the temporal dynamics inherent in loan repayment behaviors. The authors argue for the necessity of utilizing OOT data to enhance early prediction capabilities, thereby improving the practical applicability of predictive models.
The section also reviews advancements in time series anomaly detection using models like GRU and LSTM, noting their effectiveness in capturing long-term dependencies. While GRU offers computational efficiency, LSTM excels in maintaining memory over extended sequences. The paper introduces hybrid architectures, GRU-KAN and LSTM-KAN, which integrate these recurrent neural networks with Kolmogorov-Arnold Networks (KAN) to better capture complex patterns in time series data. By employing a structured approach that includes data preprocessing, masking, and feature extraction, the proposed models aim to enhance prediction accuracy in loan default scenarios. The authors emphasize the potential of KAN in modeling intricate non-linear relationships, which traditional methods may overlook, thus addressing the limitations of existing predictive frameworks.
Limitations
The limitations of this study primarily stem from its reliance on the Freddie Mac dataset, which, while extensive and reflective of real-world loan data, may not fully capture the diversity of financial contexts. Future research should incorporate additional datasets to assess the robustness and generalizability of the models developed.
Moreover, the study tackled class imbalance through undersampling; however, there is potential for improvement by investigating a broader range of resampling techniques, such as synthetic data generation methods like SMOTE (Synthetic Minority Over-sampling Technique) or Generative Adversarial Networks (GANs). Lastly, future work could benefit from the development of adaptive models capable of addressing concept drift, thereby enhancing their ability to adjust to evolving data distributions and ensuring more reliable predictions in dynamic environments.