基于LDA与HJ-Biplot的金融与风险分析中人工智能与数据驱动研究的文献计量-计算框架

《Information》:Mapping AI and Data-Driven Research in Financial and Risk Analytics Using LDA and HJ-Biplot: A Bibliometric-Computational Framework

【字体: 大 中 小 】 时间:2026年08月30日 来源:Information 4.3

编辑推荐:

  人工智能、机器学习与金融及风险分析的快速融合产生了大量碎片化科学文献,难以识别其主题结构与演化趋势。研究人员提出一种集成潜在狄利克雷分配(LDA)与HJ-Biplot的文献计量-计算框架,用以映射人工智能与数据驱动方法和金融及风险分析交叉领域的研究。从Scop

  
人工智能、机器学习与金融及风险分析的快速融合产生了大量碎片化科学文献,难以识别其主题结构与演化趋势。研究人员提出一种集成潜在狄利克雷分配(LDA)与HJ-Biplot的文献计量-计算框架,用以映射人工智能与数据驱动方法和金融及风险分析交叉领域的研究。从Scopus与Web of Science检索得到1999至2025年4640个来源共20213篇文献记录,预处理后应用LDA提取潜在主题,并利用HJ-Biplot在多变量框架下表征主题、年份、国家与科学来源间的关系。主题数通过K=5至40的整数网格搜索,结合概率主题一致性(probabilistic topic coherence)与人工可分离性检验选定K=36。分析识别出36个潜在主题,涵盖投资组合优化、风险评估、金融科技(fintech)与基于深度学习的预测,显示2010年后人工智能与预测分析主题快速扩张,产出集中于中国、美国与印度。依据年度主题流行度线性趋势的符号与显著性区分出上升、下降与波动主题。该框架以概率主题建模结合多变量双标图(biplot)表示,提供了比传统文献计量计数更细粒度且数据驱动的方案,可复现地追踪跨学科研究领域演化。研究设计为描述性:刻画索引文献的结构,不衡量金融实践或确立所报告模式的因果。
研究背景方面,人工智能(AI)与机器学习(ML)同金融及风险分析的融合催生海量且碎片化的科学文献,传统文献计量计数方法难以刻画其主题结构与演化趋势,而现有研究较少将机器学习主题建模与多变量分析集成于金融管理语境。为弥补这一缺口,研究人员设计了一种文献计量-计算框架,将潜在狄利克雷分配(LDA, Latent Dirichlet Allocation)与HJ-Biplot相结合,对Scopus和Web of Science中1999至2025年人工智能与数据驱动方法同金融及风险分析交叉领域的文献进行映射。研究最终纳入20213篇唯一文献,来自4640个来源,经去重与字段调和后构建语料。结论表明该框架能细粒度刻画36个潜在主题及其随时间、国家与来源的演化,揭示2010年后AI与预测分析类主题快速扩张,产出集中于中国、美国与印度,并以线性趋势显著性区分上升、下降与波动主题;研究为跟踪跨学科领域演化提供可复现的描述性方案,论文发表于《Information》。
关键技术方法上,研究人员从Scopus与Web of Science双库检索标题、摘要与关键词含AI、ML、金融管理、金融科技(fintech)、金融分析等术语的文献,合并后依DOI与归一化标题去重,保留有DOI、可恢复机构归属且年份合规者得20213篇。文本字段由标题、摘要与作者关键词拼接,经小写化、去标点、通用与领域停用词过滤、Porter词干提取及二元词组(bigram)下划线连接,构建文档-词项矩阵并按文档频率剪枝。LDA推断采用collapsed Gibbs sampling(500次迭代、50次燃烧),K值由K=5至40网格搜索以概率主题一致性为主、人工可分离性为辅选K=36。由文档-主题后验矩阵派生主题×年、主题×国家、主题×来源三矩阵,分别中心化并按列标准差标准化后做奇异值分解(SVD),以HJ-Biplot在同一参考系同时表示行列,辅以层次聚类于主成分(HCPC)分组。
研究结果部分,第4.1节文献计量结构与科学产出动态显示,语料年增长率23.94%,篇均引21.42次,中、美、印三国产出主导,文献集中于少数国家但仅反映索引元数据而非技术实力。第4.2节时间演化与知识扩张指出,2010年代后AI、大数据、fintech与预测分析主题占比提升,新冠后数字金融与智能风控文献份额继续上升,描述为文献组成变化而非业界实践因果。第4.3节LDA主题建模获K=36最优,36主题覆盖投资组合优化、运营风险、市场预测、信用评分、欺诈检测、深度学习预测等,并与独立共词网络Louvain划分做部分比对以证主题内聚。第4.4节主题整合与领域结构化通过HJ-Biplot前二维(53.1%方差)显示ML、预测系统、fintech向量集聚,传统风险与市场主题与之并存,表明计算工具嵌入而非替代经典框架。第4.5节主题动态与演化模式对每个主题年度均值后验概率做OLS回归,5%水平下16升、11降、9波动;上升最快为监督学习与集成方法(t_14)、不平衡数据集成(t_35)、先进深度学习架构(t_36)、图学习与注意力(t_16)、工业AI(t_12)、可持续金融与fintech政策(t_25)、供应链区块链安全(t_7);决策支持与NLP(t_2)显著下降。第4.6节主题-国家-来源结构关系以国家双标图(47.1%方差)聚类出三组:一组印、印尼、马来、摩洛哥、巴、沙、南非偏重欺诈检测、加密波动与区块链;一组中、美、英等偏传统风险与决策支持;一组欧陆偏可靠工程与运营风险,揭示产出主题构成而非体量差异。
讨论与结论部分,研究人员强调框架贡献在于应用层集成而非新统计方法:同一文档-主题后验派生三矩阵分别分解,使主题结构可同时读于时间、地理与出版源维度;选HJ-Biplot因其行列同优表示,异于经典/GH双标图或对应分析。K=36之选依赖一致性曲线平台期与人工检查,多种子下均值不孤立分离但无冗余空主题(Hellinger距≥0.73)。语料边界透明化:7.51%文档属明显域外(交通安全、环境空间、临床),宽界至14.61%含可靠工程与能源碳足迹等金融邻接法迁移主题,未稀释核心金融主题。研究为描述性,不衡金融实务、不立因果,仅刻画索引文献结构;其意义在为跨学科、技术驱动领域提供可脚本复现的文献计量-计算范式,揭示AI与数据驱动范式在金融风险分析中的主题迁移与国别集聚规律。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号