Supervised Contrastive Learning for Affect Modelling
University of Malta（马耳他大学）
传统上，情感建模被视为将来自多种形式的用户输入的可测量的情感表现映射到情感标签的过程。这种映射通常是通过端到端（表现到影响）的机器学习过程推断出来的。相反，如果我们训练一般的、主体不变的表征，考虑情感信息，然后使用这种表征来建模情感，会怎么样？在本文中，我们假设，影响标签形成一个不可分割的一部分，而不仅仅是训练信号，一个影响表示，我们探讨了如何最近的范例对比学习可以用来发现一般的高层次的影响注入表示建模的影响。我们介绍了三种不同的监督对比学习的方法来训练表示，考虑影响信息。在这项初步研究中，我们测试了所提出的方法，唤醒预测的RECOLA数据集的基础上，从多种形式的用户信息。结果表明，对比学习的表征能力和它的效率，提高情感模型的准确性。除了与端到端唤醒分类相比的更高性能之外，所得到的表示是通用的和主题不可知的，因为训练是通过任何多模态语料库中可用的一般情感信息来指导的。
2022-08-25 cs.AI cs.HC cs.LG
SAICL: Student Modelling with Interaction-level Auxiliary Contrastive Tasks for Knowledge Tracing and Dropout Prediction
RIIID AI Research（RIIID人工智能研究院）；KAIST（韩国科学技术院）
知识追踪和辍学预测是网络教育评估学生知识状态或防止辍学的关键。虽然传统的系统与学生互动遭受数据稀疏和过拟合，最近的样本级对比学习有助于缓解这个问题。样本级方法的一个主要局限是将学生的行为交互序列视为一个束，因此通常无法编码时间上下文并跟踪其动态变化，从而难以找到用于知识跟踪和辍学预测的最佳表示。为了在序列中应用时间上下文，本研究引入了一种新的学生建模框架SAICL：\textbf{s}学生建模与\textbf{a}辅助\textbf{i}交互水平的\textbf{c}对比\textbf{l}学习。详细地，SAICL可以利用所提出的自监督/监督交互级对比目标：MilCPC（\textbf{M} ulti-\textbf{I} interaction- \textbf{L} level \textbf{C} ontrasive \textbf{P} redictive \textbf{C} oding）和SupCPC（\textbf{Sup} served \textbf{C} ontrasive \textbf{P} redictive \textbf{C} oding）。虽然以前用于学生建模的样本级对比方法高度依赖于数据增强方法，但SAICL没有数据增强，同时在自我监督和监督设置中表现出更好的性能。通过将交叉熵与对比目标相结合，所提出的SAICL在不影响推理成本的情况下实现了与其他…
2022-10-19 cs.AI cs.CY cs.LG
Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs
Flinders University（弗林德斯大学）；Northwest A&F University（西北农林科技大学）；UNSW（新南威尔士大学）；RMIT University（皇家墨尔本理工大学）
针对EHR数据缺失和时间不规则导致的住院死亡率预测难题，提出融合图分析患者分层与对比学习的插补-预测网络，在两个真实数据集的插补和预测任务上均达SOTA。
2023-08-19 cs.LG
Masked Contrastive Representation Learning
The University of Melbourne（墨尔本大学）
掩蔽图像建模（例如，掩码自编码器）和对比学习（例如，Momentum Contrast）在无监督视觉表示学习上表现出令人印象深刻的性能。这项工作提出了掩蔽对比表示学习（MACRL）的自我监督的视觉预训练。特别是，MACRL利用了掩蔽图像建模和对比学习的有效性。我们对连体网络采用非对称设置（即，两个分支中的编码器-解码器结构），其中一个分支具有较高的掩码比和较强的数据增强，而另一个分支采用较弱的数据破坏。我们优化的对比学习目标的基础上学习的功能，从编码器在两个分支。此外，我们最小化的$L_1$重建损失，根据解码器的输出。在我们的实验中，MACRL在各种视觉基准测试中表现出优异的结果，包括CIFAR-10，CIFAR-100，Tiny-ImageNet和其他两个ImageNet子集。我们的框架提供了关于自我监督视觉预训练和未来研究的统一见解。
2022-11-11 cs.CV cs.LG
OC-Distill: Ontology-aware Contrastive Learning with Cross-Modal Distillation for ICU Risk Prediction
UC Berkeley（伯克利大学）；UCSF（旧金山大学）；Samsung Advanced Institute of Technology (SAIT)（三星先进技术研究所）
OC-Distill通过两阶段框架提升ICU风险预测性能，利用本体感知对比学习和跨模态知识蒸馏，提高模型对患者相似性的捕捉能力及预测效率。
2026-08-14 cs.LG
Advancing Wildfire Risk Prediction via Morphology-Aware Curriculum Contrastive Learning
University of Calabria（卡拉布里亚大学）
本文提出一种基于形态的课程对比学习方法，通过增强潜在表示来解决野火风险预测中的数据不平衡和高维时空数据复杂性问题。
2025-07-23 cs.AI cs.LG
TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning
East China Normal University（华东师范大学）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）；Harvard University（哈佛大学）；Ant Group（蚂蚁集团）；Gatech（佐治亚理工学院）
动态图建模由于其在推荐系统、金融交易、社交网络等领域的广泛应用而受到广泛关注。虽然近年来已经提出了许多工作动态图建模，有效的和可扩展的模型还有待开发。在本文中，我们提出了一种新的图神经网络的方法，称为TCL，它处理动态演变的图形在连续时间的方式，并使有效的动态节点表示学习，捕捉时间和拓扑信息。从技术上讲，我们的模型包含三个新的方面。首先，我们将普通的Transformer推广到时态图学习场景，并设计了一个图拓扑感知的Transformer。其次，顶部的建议图Transformer，我们引入了一个两个流编码器，分别提取表示与两个相互作用的节点，然后利用共同关注的Transformer模型在语义层面上的相互依赖关系。最后，我们受到最近开发的对比学习的启发，提出通过最大化两个未来交互节点的预测表示之间的互信息（MI）来优化我们的模型。受益于此，我们的动态表示可以保持高层次（或全球）语义的互动，从而是强大的嘈杂的互动。据我们所知，这是首次尝试将对比学习应用于动态图上的表示学习。我们在四个基准数据集上评估了我们的模型，实验结果证明了我们的模型的优越性。
2021-05-17 cs.AI cs.LG
Generalization Bounds for Adversarial Contrastive Learning
Wuhan University（武汉大学）
众所周知，深度网络对对抗攻击很脆弱，对抗性训练是用于训练鲁棒模型的最流行方法之一。为了利用未标记的数据，最近的工作已经将对抗训练应用于对比学习（对抗对比学习; ACL），并获得了有希望的鲁棒性能。然而，ACL的理论还没有得到很好的理解。为了填补这一空白，我们利用Rademacher复杂性来分析ACL的泛化性能，特别关注$\ell_p$攻击下的线性模型和多层神经网络（$p \ge 1$）。我们的理论表明，下游任务的平均对抗风险可以由上游任务的对抗无监督风险的上界。实验结果验证了我们的理论。
2023-02-21 cs.LG stat.ML
An Augmentation-Aware Theory for Self-Supervised Contrastive Learning
Peking University（北京大学）；University of Twente（特文特大学）
首次提出自监督对比学习的增强感知误差界，揭示数据增强引发的权衡对监督风险的影响，并通过像素级和表示级实验验证了理论结果。
2025-05-28 cs.LG
Separated Contrastive Learning for Organ-at-Risk and Gross-Tumor-Volume Segmentation with Limited Annotation
Xiamen University（厦门大学）；The Hong Kong University of Science and Technology（香港科技大学）；Peking University（北京大学）；The Hong Kong Polytechnic University（香港理工大学）；Manteia Technologies Co.,Ltd（Manteia科技有限公司）
危及器官（OAR）和肿瘤体积（GTV）的自动划分对放射治疗计划的制定具有重要意义。然而，这是一个具有挑战性的任务，学习强大的表示在有限的像素（体素）明智的注释准确划定。像素级的对比学习可以通过从未标记的数据中学习密集表示来减轻对注释的依赖。最近的研究在这个方向上设计的各种对比损失的特征图，产生歧视性的功能，为每个像素在地图上。然而，同一地图中的像素不可避免地共享语义比它们实际上更接近，这可能会影响同一地图中像素的区分，并导致与其他地图中像素的不公平比较。为了解决这些问题，我们提出了一个分离的区域级对比学习方案，即SepaReg，其核心是将每个图像分成区域，并分别对每个区域进行编码。具体而言，SepaReg包括两个组件：结构感知图像分离（SIS）模块和器官内和器官间蒸馏（IID）模块。该算法在结构信息的指导下，对图像集进行操作，重建区域集。器官间表示将通过典型的跨区域对比损失从该集合中学习。另一方面，IID被提议通过利用器官内表示来解决区域集合中的数量不平衡，因为微小的器官可能产生较少的区域。我们进行了广泛的实验，以评估所提出的模型上的公共数据集和两个私人数据集。实验结果表明，所提出的模型的有效性，始终实现更好的性能比国家的最先进的方法。代码可在https://github.com/jcwang123/Separate_CL上获得。
2022-04-20 cs.CV cs.LG eess.IV
Event-Based Contrastive Learning for Medical Time Series
Massachusetts Institute of Technology（麻省理工学院）；Harvard Medical School（哈佛医学院）
本文提出基于事件的对比学习方法EBCL，通过在关键医疗事件前后保留时间信息学习患者异构数据嵌入，并在心力衰竭患者队列上验证其在下游任务和患者表型聚类中的有效性。
2024-08-08 cs.LG
A Refined Generalization Analysis for Extreme Multi-class Supervised Contrastive Representation Learning
School of Computing and Information Systems, Singapore Management University（新加坡国立管理学院计算机与信息系统学院）
针对对比表示学习在有限标注数据中构造元组导致依赖性的问题，提出改进的U-统计量分析，得到与类别数R同阶的样本复杂度，并设计新估计器在长尾分布下实现O(k)的样本复杂度。
2026-05-28 cs.LG stat.ML
Compute Allocation in Bilinear Contrastive Representation Learning via Scaling Laws
The University of Sydney（悉尼大学）
研究对比学习在草图线性模型下的缩放规律，通过分析高斯潜变量配对设置，推导出风险分解和显式缩放定律，揭示了优化与有限样本噪声随模型大小、数据和训练时间的变化。
2026-10-20 cs.LG
BENDR: using transformers and a contrastive self-supervised learning task to learn from massive amounts of EEG data
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Li Ka Shing Knowledge Institute（李嘉诚知识研究所）
用于脑机接口（BCI）分类的深度神经网络（DNN）通常被期望在各种上下文中训练时学习一般特征，使得这些特征可以根据特定上下文进行微调。虽然在这种方法中发现了一些成功，但我们认为这种解释是有限的，另一种方法可以更好地利用新（公开）的大规模EEG数据集。我们考虑如何调整用于语言建模（LM）的技术和架构，这些技术和架构似乎能够处理大量的数据，并以同样的方式开发具有DNN的脑电成像建模（EM）。我们特别适应的方法有效地用于自动语音识别，类似的（LM）使用一个自我监督的训练目标，学习压缩表示的原始数据信号。在适应EEG之后，我们发现单个预训练模型能够对使用不同硬件记录的完全新颖的原始EEG序列进行建模，并且不同的受试者执行不同的任务。此外，该模型的内部表示和整个架构都可以针对各种下游BCI和EEG分类任务进行微调，在更特定于任务（睡眠阶段分类）的自我监督方面优于先前的工作。
2021-01-28 cs.LG cs.NE q-bio.QM
Toward Improving Predictive Risk Modelling for New Zealand's Child Welfare System Using Clustering Methods
Auckland University of Technology（奥克兰理工大学）
本文结合主成分分析与K-Means聚类识别新西兰儿童福利数据中的潜在群体，并评估按聚类分别训练的LASSO逻辑回归模型性能，发现不同聚类间无显著差异，但针对较年幼儿童的聚类表现略好，提示可能需要按年龄分别建模以提升准确性。
2023-08-08 cs.LG stat.ML
Temporal Supervised Contrastive Learning for Modeling Patient Risk Progression
Carnegie Mellon University（卡内基梅隆大学）；National Library of Medicine（国家医学图书馆）
针对患者风险概率随时间变化的预测问题，提出带最近邻配对机制的时序监督对比学习框架，在临床数据集和合成数据上均优于现有基线。
2023-12-10 cs.AI cs.LG stat.ML
An Attention-based Framework for Fair Contrastive Learning
FPT Software（FPT软件公司）；AI Center（人工智能中心）；National University of Singapore（新加坡国立大学）
本文提出一种基于注意力机制的公平对比学习方法，通过建模偏差交互并聚焦去偏样本，在不降低下游准确率的前提下显著提升表示的去偏效果。
2024-11-22 cs.LG
MoMo: Conditioned Contrastive Representation Learning for Preference-Modulated Planning
Massachusetts Institute of Technology（麻省理工学院）
MoMo通过特征线性调制和低秩神经调制，实现基于偏好调节的对比表征学习，使规划保守性在推理时可连续调节，提升时间与偏好一致性。
2026-05-14 cs.LG
Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records
University of Kansas（堪萨斯大学）；West Virginia University（西弗吉尼亚大学）；University of Florida（佛罗里达大学）
本文提出OTCSurv框架，利用删失与观测生存时长构造可调难度负样本对，并结合本体与自注意力编码器，提升EHR中AKI风险的生存预测及可解释性。
2023-09-27 cs.LG
From Representation to Clusters: A Contrastive Learning Approach for Attributed Hypergraph Clustering
本文提出了一种端到端的对比学习方法CAHC，用于属性超图聚类，通过联合嵌入和聚类优化实现节点嵌入学习与聚类结果的同步生成。
2026-03-10 cs.LG
Topology Reorganized Graph Contrastive Learning with Mitigating Semantic Drift
College of Computer Science & Technology, Nanjing University of Aeronautics & Astronautics（南京航空航天大学计算机科学与技术学院）；MIIT Key Laboratory of Pattern Analysis and Machine Intelligence, Nanjing University of Aeronautics & Astronautics（南京航空航天大学工信部模式分析与机器智能重点实验室）
针对图对比学习中数据增强盲目性和负样本配对导致语义漂移的问题，提出两种全局拓扑增强方法挖掘节点语义相关性与表征拓扑，并设计基于原型的负样本对选择过滤假负样本，有效提升表示学习质量。
2024-07-23 cs.AI cs.LG
Cross-Platform and Cross-Domain Abusive Language Detection with Supervised Contrastive Learning
The University of British Columbia（不列颠哥伦比亚大学）
在不同的在线平台上滥用语言的流行一直是一个主要的问题，提出了自动跨平台滥用语言检测的需要。然而，以前的工作集中在连接来自多个平台的数据，固有地采用经验风险最小化（ERM）方法。在这项工作中，我们从领域泛化目标的角度来解决这一挑战。我们设计了SCL-Fish，这是一种有监督的对比学习集成Meta学习算法，可以在看不见的平台上检测滥用语言。我们的实验分析表明，SCL-Fish实现了更好的性能比ERM和现有的国家的最先进的模型。我们还表明，SCL-Fish是数据高效的，并且在对滥用语言检测任务进行微调时，与大规模预训练模型的性能相当。
2022-11-11 cs.CL cs.LG
Efficient Availability Attacks against Supervised and Contrastive Learning Simultaneously
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）
提出同时针对监督与对比学习的高效可用性攻击，采用类对比数据增强于监督误差最小化/最大化框架，实现两者最坏情况不可学习性且计算消耗更低。
2024-02-06 cs.LG stat.ML
Enhancing Context Through Contrast
VNIT（维什瓦拉亚国立理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
提出基于Barlow Twins损失最大化互信息的上下文增强步骤，将语言视为隐式增强以提升神经机器翻译性能，且适用于任意预训练嵌入。
2024-01-06 cs.AI cs.CL cs.LG
Modelling catastrophic risk in international equity markets: An extreme value approach
这封信使用块极大值极值方法来量化国际股票市场的灾难性风险。风险度量是从收益分布的设定阈值中产生的，该阈值避免了对表现出不同风险水平的市场使用绝对收益的陷阱。从对领先市场的应用来看，这封信发现日经指数比富时指数和道琼斯指数更容易发生灾难性风险。
2011-03-29 q-fin.RM q-fin.ST
The case of 'Less is more': Modelling risk-preference with Expected Downside Risk
本文讨论了另一种解释的实证研究结果矛盾的积极关系之间的风险（方差）和回报（预期收益率）。我们发现，这些矛盾的结果可能是由于错误的定义的风险感知，我们通过引入预期下行风险（EDR）纠正。EDR参数，类似于预期损失或条件风险价值，测量尾部风险，但是，适合并更好地解释投资者的效用感知。我们的研究结果表明，当使用EDR作为风险度量时，预期收益率与风险之间的正关系和负关系可以在标准条件下（例如，期望效用理论和正风险厌恶）导出。因此，不需要其他心理学解释或效用理论的额外边界条件来解释这一现象。此外，我们的经验表明，它是一个更精确的线性预测预期收益率比波动率，无论是对个别资产和投资组合。
2017-04-18 q-fin.RM
Parameter estimation of a Levy copula of a discretely observed bivariate compound Poisson process with an application to operational risk modelling
本文提出了一种在不知道共同冲击的情况下估计离散观测的二元复合Poisson过程的Levy Copula参数的方法。该方法在小样本模拟研究中进行了测试。此外，该方法被应用到一个真实的数据集和拟合优度检验。通过本文的研究，Levy Copula函数成为操作风险高级度量方法的现实工具。
2012-12-01 q-fin.RM
Modelling cross-border systemic risk in the European banking sector: a copula approach
我们提出了一种新的方法的基础上马歇尔-奥尔金（MO）copula模型的跨境系统性风险。拟议的框架估计的影响，系统性和特异质成分的系统性风险。首先，我们提出了一个最大似然方法来估计MO copula的参数。为了使用非困境银行的数据进行这些估计，我们认为时间银行倒闭作为删失样本。因此，我们提出了一个估计程序的MO copula删失数据。来自欧洲银行的经验证据表明，所提出的删失模型避免了可能低估的传染风险。
2014-11-05 q-fin.RM q-fin.ST
Modelling Extremal Dependence for Operational Risk by a Bipartite Graph
我们引入了一个基于重尾分布和二分图的操作损失统计模型，该模型捕捉了操作风险数据的事件类型和业务线结构。该模型明确考虑了损失的帕累托尾和它们之间的异质依赖结构。然后，我们推导出估计个人以及聚合的尾部风险，衡量在非常高的置信水平的风险价值和条件尾部预期，并提供了一个渐近充分的资本配置方法。这种尾部风险的措施和资本分配的估计方法也提出了模拟数据和测试。最后，通过获得真实世界的操作风险损失从意大利银行系统，我们表明，即使有少量的观察，建议的估计方法产生可靠的估计，并量化依赖的经验网络的手段有很大的影响，在个人和总体水平的估计，以及资本配置。
2019-02-08 q-fin.RM
Modelling uncertainty in financial tail risk: a forecast combination and weighted quantile approach
针对尾部风险预测中模型不确定性的影响，提出了一种基于预测组合和加权分位数的尾部风险预测框架。所提出的方法是基于一个两步估计过程。第一步涉及在分位数水平的网格上组合风险价值（VaR）预测。一系列的参数和半参数模型被选为预测组合过程中的模型域。通过优化分位数损失估计分位数预测组合权重。在第二步中，预期损失（ES）被计算为组合分位数的加权平均值。ES预测的分位数加权结构是通过最小化Fissler Ziegel类的严格一致的联合VaR和ES损失函数来确定的。建议的框架被应用到六个股票市场指数和其预测性能进行比较，在宇宙中，一个简单的平均值的方法和加权分位数的方法，每个单独的模型。预测结果支持所提出的框架。
2021-07-18 q-fin.RM
Multi-curve HJM modelling for risk management
我们提出了一种HJM方法来预测多个收益率曲线，以捕捉历史期限结构的波动性内容，用于风险管理目的。由于我们观察的经验数据，每天的频率，只有有限数量的时间到成熟度桶，我们提出了一个建模框架，这是固有的离散。特别是，我们展示了如何近似的HJM连续时间描述的多曲线动力学的一阶向量自回归过程。由此产生的动态适合于一个可行的估计模型的波动率相关性结构和市场风险溢价。然后，诉诸主成分分析，我们进一步简化的动态减少协方差分量的数量。应用我们的模型的恒定波动率版本从欧元区的曲线样本，我们证明了它的预测能力，通过样本外测试。
2015-10-08 q-fin.RM
Adaptive Modelling Approach for Row-Type Dependent Predictive Analysis (RTDPA): A Framework for Designing Machine Learning Models for Credit Risk Analysis in Banking Sector
IIM Mumbai（印度管理学院孟买分校）
本文提出一种用于行类型相关预测分析(RTDPA)的自适应建模框架，通过对不同行类型分别应用机器学习与集成算法进行定制化预处理和特征工程，在银行贷款数据集上实现不低于90%的精确率，为银行业信用风险分析提供更准确的分类与战略见解。
2023-11-17 cs.LG q-fin.RM
Loss Distribution Approach for Operational Risk Capital Modelling under Basel II: Combining Different Data Sources for Risk Estimation
在过去十年中，由于操作风险环境的重大变化，银行业的操作风险管理发生了重大变化。全球化、放松管制、使用复杂的金融产品以及信息技术的变化，导致人们面临与市场和信用风险截然不同的新风险。作为回应，巴塞尔银行监管委员会制定了一个监管框架，称为巴塞尔II，其中引入了操作风险类别和相应的资本要求。在过去五年中，世界大多数地区的主要银行通过采用损失分布方法获得了《巴塞尔协议二》高级计量方法的认证，尽管在实施过程中存在一些尚未解决的方法学挑战。不同的方法和途径仍在激烈的争论中。在本文中，我们回顾了文献中提出的方法，结合不同的数据源（内部数据，外部数据和情景分析），这是AMA的监管要求之一。
2013-06-08 q-fin.RM q-fin.ST
Reverse Sensitivity Analysis for Risk Modelling
我们考虑的问题，建模者进行灵敏度分析的模型组成的随机输入因素，相应的随机输出的兴趣，和基线概率测量。建模者试图理解模型（输入因子和输出的分布）在输出分布的压力下如何变化。具体来说，对于输出随机变量上的应力，我们推导出输出的唯一应力分布，该分布在Wasserstein距离中最接近基线输出的分布并且满足应力。我们进一步推导出应力模型，包括输入的应力分布，它可以从一组基线蒙特卡罗样本中以数值有效的方式计算，并在CRAN上的R包SWIM中实现。建议的反向敏感性分析框架是无模型的，并允许对输出的压力，如（a）均值和方差，（b）任何扭曲的风险度量，包括风险价值和预期不足，以及（c）期望效用类型的限制，从而使反向敏感性分析框架适用于风险模型。
2022-05-31 q-fin.RM
Regulatory Capital Modelling for Credit Risk
《巴塞尔协议二》对信用风险资本充足率的内部评级方法在保护澳大利亚银行业免于破产方面发挥了重要作用。我们概述了信用风险的监管资本的数学基础，并扩展了IRB方法的模型规格比通常的高斯情况下更一般的设置。它依赖于命题的投资组合损失百分比的条件期望分布的分位数可以替代的投资组合损失分布的分位数。我们提出了一个更经济的证明这个命题在较弱的假设。然后，构建一个代表澳大利亚银行业信用风险敞口的投资组合，我们衡量的收敛速度，在债务人的数量方面，经验损失分布的渐近（无限细粒度）的投资组合损失分布。此外，我们评估的敏感性信用风险资本的依赖结构的资产相关性和椭圆copula模型。通过审慎监管机构收集的银行内部数据，我们的研究与其他关于IRB方法的实证研究不同。
2016-07-07 q-fin.RM
Market risk modelling in Solvency II regime and hedging options not using underlying
本文研究了不完全市场中分位数套期保值的数学工具。这些可以用于两个重要的应用：o当保险公司存在市场和非市场风险时，计算\textbf{optimal capital requirement imposed by Solvency II}（欧洲议会和理事会指令2009/138/EC）。本文研究了保险公司一年期套期保值策略所需的最小资本$V_0$满足$E\left[{\mathbf 1}_{\{V_1 \geq D\}}\right]=0.995$，其中$V_1$表示保险公司一年内的价值，$D$表示合同的收益。o为不使用基础但具有与基础相关或以某种其他方式依赖（非确定性地）的动态的资产的衍生工具找到对冲策略。这项工作是一个概括的工作克卢西克和Palmowski \cite{KluPal}。关键词：分位数对冲，偿付能力II，资本模型，非交易性资产对冲期权。
2014-05-06 q-fin.PR q-fin.RM
Discrete-Time Survival Modelling with Dynamic Industrial Graphs for Mortgage Credit Risk
University of Edinburgh Business School（爱丁堡大学商学院）
该研究针对现有抵押贷款信用风险模型忽略经济关联演变的问题，提出带动态产业图的离散时间生存模型，经美国贷款数据验证，其样本内拟合与样本外判别均优于静态模型。
2026-10-27 q-fin.RM stat.AP
The Structural Modelling of Operational Risk via Bayesian inference: Combining Loss Data with Expert Opinions
为符合《新巴塞尔协议》对高级计量方法的监管要求，银行的内部模型必须包括使用内部数据、相关外部数据、情景分析以及反映业务环境和内部控制系统的因素。操作风险的量化不能仅仅基于历史数据，而应包括情景分析。历史内部操作风险损失数据预测未来行为的能力有限，此外，银行没有足够的内部数据来充分估计低频率高影响事件。历史外部数据由于不同的数量和其他因素而难以使用。此外，内部和外部数据存在生存偏差，因为通常没有所有倒闭公司的数据。情景分析的理念是参考其他银行已经发生（或可能发生）的事件，并考虑银行环境因素，通过专家意见来估计风险事件的频率和严重性。情景分析是前瞻性的，可以反映银行环境的变化。重要的是，不仅要量化运营风险资本，还要激励业务部门改进其风险管理政策，这可以通过情景分析来实现。情景分析本身非常主观，但与损失数据相结合，它是估计操作风险损失的强大工具。贝叶斯推理是一种统计技术，非常适合结合专家意见和历史数据。在本文中，我们提出了贝叶斯推理方法的操作风险量化的例子。
2009-04-07 q-fin.RM
Principal Component Copulas for Capital Modelling and Systemic Risk
本文提出主成分连接函数（PCCs），结合连接函数与主成分分析，用于高维尾部依赖建模，并在国际股市中有效度量系统性风险，对资本模型具有应用价值。
2025-07-10 econ.EM q-fin.RM stat.ME
Efficient Wrong-Way Risk Modelling for Funding Valuation Adjustments
本文提出一种将敞口拆分为独立部分与WWR驱动部分、并用共同高斯因子近似的高效方法，无需完整蒙特卡洛模拟即可在FVA建模中纳入错误方向风险，并通过利率互换和多币种组合案例验证其适用性与风险管理价值。
2024-06-06 q-fin.CP q-fin.MF q-fin.RM
Probability of Default modelling with Lévy-driven Ornstein-Uhlenbeck processes and applications in credit risk under the IFRS 9
本文提出基于Lévy驱动Ornstein-Uhlenbeck过程的广义违约概率建模框架，通过积分方程和偏积分微分方程刻画PD函数，证明解的存在性并开发数值方法，以满足IFRS 9对信用风险建模的更高要求。
2023-09-21 math.PR q-fin.RM
Innovating Risk Modelling for Global Funds
GenInnov Pte. Ltd.（GenInnov私人有限公司）
研究针对全球基金风险建模问题，回归协方差用主成分分析恢复系统结构，借助生成式人工智能标签层解决因素解读难题，还引入四个独立信号及相关方法，运行完整引擎进行风险建模，提升对全球基金风险评估的准确性。
2026-07-09 q-fin.RM
Modelling the term-structure of default risk under IFRS 9 within a multistate regression framework
North-West University（西北大学）；National Institute for Theoretical and Computational Sciences (NITheCS)（理论计算科学国家研究所）
本文通过三种模型比较研究，探讨了在贷款生命周期中违约风险的建模方法，发现复杂度递增的模型能更准确预测损失准备金，提升IFRS 9下的估计效率和准确性。
2026-04-20 q-fin.RM q-fin.ST stat.AP
Modelling China's Credit System with Complex Network Theory for Systematic Credit Risk Control
对信贷网络结构的认识不足被认为是监管机构在2007年开始的金融危机期间低估破坏性系统风险的一个关键因素。现有的信用网络研究要么从宏观角度出发，在描述性层面上阐明金融系统的拓扑性质，要么在对网络进行大量预设的基础上，分析单个实体的风险传递路径和特征。在此，我们运用复杂网络理论，基于实际金融数据，对2000 - 2014年中国信用体系进行建模。本文构建了一个金融机构-企业双向网络及其投影子网络，从宏观和微观两个角度进行了综合分析，并探讨了类型化特征与系统信用风险控制的关系。对网络的类型学分析表明，金融机构和企业之间存在高度但不对称的联系，信贷网络结构使局部特异性冲击有可能扩散到整个经济。此外，中国信贷市场仍然由国有金融机构主导，在过去15年中，企业之间激烈竞争金融资源。在此基础上，引入信用风险评分（CRS），通过仿真确定系统风险控制的重要节点。研究结果表明，在网络中，进入信贷市场的机会越多或成为桥梁的可能性越小的节点，其系统重要性越高。本文的实证研究结果将为金融监管者提供具体的政策建议，包括监管方法和监管资源的优化配置，以增强中国和其他国家信用体系的稳健性。
2018-12-04 q-fin.RM
Multimodal Insights into Credit Risk Modelling: Integrating Climate and Text Data for Default Prediction
University of Edinburgh（爱丁堡大学）；Heriot-Watt University（赫瑞-瓦特大学）；University of Reading（雷丁大学）
本研究提出多模态框架整合气候与文本数据，通过LSTM、GRU和Transformer模型提升信用违约预测精度，发现物理气候风险，特别是内涝，是关键影响因素。
2026-01-01 q-fin.CP q-fin.RM
Parameter uncertainty and reserve risk under Solvency II
在这篇文章中，我们认为参数风险的背景下，内部建模的准备金风险偿付能力II。我们讨论了两个对立的角度对参数的不确定性，并指出，标准的方法，经典的准备金集中在索赔准备金的估计误差一般是不合适的模型参数的不确定性对实际的经济损失风险的影响，从企业的角度来看。参考偿付能力II的要求，我们通过比较根据相应方法对偿付能力风险资本要求建模时实际达到的偿付能力概率与所需置信水平，评估了准备金风险的建模参数不确定性的方法。使用一个简单的例子，正常的模型，我们表明，自举方法是不适合模型参数的不确定性，根据这个标准。然后，我们提出了\cite {froehlich 2014}中提出的方法的适应。实验结果表明，该方法得到的准备金风险资本模型具有良好的近似性，达到了所需的置信水平。
2017-04-05 q-fin.RM
Modelling Cascading Physical Climate Risk in Supply Chains with Adaptive Firms: A Spatial Agent-Based Framework
Quantile Labs
本文提出一个开源 Python 框架，用于建模供应链经济中的 cascading 物理气候风险，通过整合地理洪水风险与企业家庭 agent-based 模型，模拟直接资产损失和间接中断。企业通过资本硬化和备用供应商搜索适应，减少损失和中断，强调间接级联效应的重要性。
2026-04-07 cs.MA econ.EM q-fin.RM
Modelling risk for commodities in Brazil: An application to live cattle spot and futures prices
这项研究分析了巴西Boi Gordo指数（BGI）的一系列活牛现货和期货价格。目的是开发一个最能描述这种商品行为的模型，以便更准确地估计期货价格。该数据库包含2006年12月1日至2015年4月30日期间发生的期货合约交易以及BGI现货销售的2，010个每日条目。需要衡量这类风险的最重要原因之一是设定损失限额。为了确定价格行为的模式以改善未来交易的结果，投资者必须分析较长时期内资产价值的波动。文献研究表明，没有其他研究使用这种方法对这种商品进行全面分析。养牛业是巴西的大生意，因为在2017年，该行业转移了5232.5亿巴西雷亚尔（约合1305亿美元）。在那一年，农业综合企业贡献了巴西国内生产总值的22%。使用建议的风险建模技术，经济代理人可以作出最佳决策，这些投资者的范围内的选择产生更有效的风险管理。该方法是基于Holt-Winters指数平滑算法，自回归积分移动平均（ARIMA），ARIMA与外源输入，广义自回归条件异方差和广义自回归移动平均（GARMA）模型。更具体地说，应用了5种不同的方法，可以比较12种不同的模型，以描述和预测BGI商品的行为。结果表明，阶数为c（2，1）的无截距GARMA模型是最优模型。
2021-07-15 q-fin.RM q-fin.ST
Approaches for modelling the term-structure of default risk under IFRS 9: A tutorial using discrete-time survival analysis
North-West University（西北大学）；National Institute for Theoretical and Computational Sciences (NITheCS)（理论与计算科学国家研究所）
本文提出了一种基于离散时间生存分析的方法，用于在IFRS 9框架下建模违约风险期限结构，并提供可重用的诊断措施和R代码库。
2025-12-15 q-fin.RM stat.AP
Towards foundation models for insurance risk modelling
University of Toronto（多伦多大学）
本文综述基础模型在保险风险建模中的应用，提出将语言、视觉、科学等模型输出连接至精算计算并评估其贡献与合规性的流程，以利用多源数据改善损失估计。
2026-09-15 q-fin.RM
What Quantitative Risk Modellers Can Learn from Durkheim's Study of Suicide
Farm Credit Canada（加拿大农场信贷）
本文从定量风险建模视角，探讨涂尔干《自杀论》中严谨定义、逻辑探究等推理方法对现代建模的借鉴意义，强调建模应始于问题理解而非技术。
2026-08-25 q-fin.RM stat.AP
Exploring different subtypes of recurrent event Cox-regression models in modelling lifetime default risk: A tutorial
North-West University（西北大学）；National Institute for Theoretical and Computational Sciences (NITheCS)（理论与计算科学国家研究所）
本文探讨了不同类型的复发事件Cox回归模型在建模终身违约风险中的应用，通过实证分析展示了AG模型与PWP模型的性能差异，并提出了改进违约风险评估的方法。
2026-01-28 q-fin.RM q-fin.ST stat.AP
Uncovering the mesoscale structure of the credit default swap market to improve portfolio risk modelling
本文利用基于随机矩阵理论的层次分解方法揭示CDS市场的中尺度结构，识别出传统行业/地区因子模型无法捕捉的发行人群组，并据此提出表现更优的违约风险模型。
2021-04-09 q-fin.RM q-fin.ST
Modelling Credit Default Swaps: Market-Standard Vs Incomplete-Market Models
最近，不完全市场技术已被用于开发一个模型，适用于信用违约互换（CDS）所获得的结果是非常不同的，从那些使用市场标准模型获得的。本文利用新的不完全市场模型对CDS套期保值进行了进一步的研究，并对模型进行了扩展，使其能够处理单一名称的CDS组合。此外，一个对冲称为香草对冲，并与它，分析结果得到解释的显着特点的无套利边界与CDS到期的非流动性CDS的图。从不完全市场模型得出的估价过程是一个综合的建模和风险管理程序，首先使用模型找出无仲裁的公平价格范围，然后要求风险管理专业人员为买方和卖方找到既尊重模型确定的公平价格范围又使其公司受益的价格，作为谈判的基础。最后，在数值结果的一节中，说明了无套利边界作为CDS到期日的函数的惊人行为，并通过几个例子描述了通过对冲单一名称CDS投资组合来降低风险。
2014-03-09 q-fin.PR q-fin.RM
