CSA-Net: 一种用于不平衡财务困境预测的成本敏感自适应混合框架

《Scientific Reports》：CSA-Net: a cost-sensitive adaptive hybrid framework for imbalanced financial distress prediction

　　

摘要

财务困境预测是一个严重不平衡的表格学习问题，其中困境企业罕见，而假阴性错误可能带来不成比例的经济后果。我们提出了 CSA-Net，一种成本敏感的自适应混合框架，它将 LightGBM 视为强大的表格先验，并学习一种轻量级神经残差，其样本特定幅度限制了相对于树预测器的不必要偏差。错误感知目标函数为先前评分不佳的困境观测值赋予额外权重。我们利用五折外部评估、三折内部模型选择、匹配的 12 个候选调优预算、折本地预处理和校正的配对推断，在五个波兰破产预测期和独立的台湾基准上评估了十一种统计、集成、深度表格和神经模型。AUC-PR 被预先指定为主要终点指标。在六组设置中的五组里，CSA-Net 的平均 AUC-PR 排名第一。与独立 LightGBM 相比，在五个波兰预测期中的四个里校正差异具有统计显著性，而台湾基准的差异为正但不具统计显著性；剩余的波兰预测期实际上持平。消融实验表明，通用残差堆叠贡献甚微，而自适应和成本敏感校正占增量增益的大部分。可靠性分析进一步显示了具有竞争力的校准、经过行为验证的事后归因、依赖数据集的鲁棒性以及适度的计算开销。这些发现支持对强大的表格提升模型进行针对性的神经增强，而非追求通用模型优越性。