来源：期刊VIP网 时间：
作者：王小燕;冮建伟;王洁丹;王德青;
单位：湖南大学金融与统计学院;长沙理工大学数学与统计学院;中国矿业大学经济管理学院;
摘要：随着计算机技术的发展，各行各业累积和存储了丰富的数据。这些数据往往具有来源差异性、高维性特点，基于这些特征的多源数据建模是统计学的热点问题。针对多源异质数据，本文提出深度神经网络整合分析模型（IADNN）。该模型建立了L_1-CMCP惩罚，以识别重要特征以及处理数据的异质性，其中外层MCP识别对多源数据集整体显著的特征；中层MCP识别特征在数据集层面的异质性；内层Lasso识别DNN节点的异质性。这种嵌套设计旨在促进数据集间的信息共享。本文对L_1-CMCP进行局部线性近似，再采用近端梯度下降算法进行模型估计。模拟分析表明，IADNN在特征选择和分类预测方面均有良好表现。当多源数据部分异质时，所提方法的F_1分数、FPR等评估指标均优于各数据集独立建模和合并建模的方法；在多源数据完全异质或完全同质时，所提方法取得了与理论最佳模型相近的效果。最后，将IADNN应用于不同经济发展水平地区的信用违约数据，发现该模型在风险指标选择和违约预测方面具备有效性。
关键词：多源数据;;整合分析;;深度神经网络;;信用评分
基金资助：国家自然科学基金面上项目“多源数据融合的高维整合分析分类模型及其信用风险应用”（72271088）;; 教育部人文社会科学基金规划项目“面向超高频金融数据的函数型分类预测方法及应用研究”（22YJAZH099）;; 湖南省研究生科研创新项目“多源数据的深度神经网络及其应用”（CX20230418）;; 国家社会科学基金后期资助重点项目“金融市场函数型数据挖掘的统计方法及应用研究”（24FTJA001）
