🤖 AI

A Unified Framework for Modeling Heterogeneous Financial Data via Dual-Granularity Prompting

本論文は、異質な金融データを表形式特徴抽出と時系列モデリングを組み合わせる二重粒度プロンプト機構で統合的に処理し、実運用で KS 値を 6.3 ポイント向上させるとともに不良債権率を 9.9% 削減した新しい信用スコアリングフレームワーク「FinLangNet」を提案するものである。

原著者： Yu Lei, Zixuan Wang, Yiqing Feng, Junru Zhang, Yahui Li, Chu Liu, Tongyao Wang, Dongyang Li

公開日 2026-04-21

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yu Lei, Zixuan Wang, Yiqing Feng, Junru Zhang, Yahui Li, Chu Liu, Tongyao Wang, Dongyang Li

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

🍳 料理の例え：従来の方法 vs 新しい方法

1. 昔の方法（XGBoost）：「レシピ本」に頼る料理人

これまでの金融会社は、**「XGBoost」という強力なツールを使っていました。
これは、熟練の料理人が「レシピ本（統計モデル）」**を信じて料理をするようなものです。

やり方： 料理人は「年齢」「職業」「年収」といった材料（データ）を、事前に人間が「こうすれば美味しい（良い顧客）」と決めた**「レシピ（特徴量）」**に加工します。
問題点：
- 手間がかかる： 新しい材料が出たら、毎回レシピを書き直す必要があります（人手と知識が必要）。
- 変化に弱い： 昨日まで元気だった人が、急に病気で倒れた（急な生活の変化）ような場合、古いレシピでは対応できません。
- 未来が見えない： 「今、美味しいか？」はわかりますが、「3 ヶ月後、6 ユーザー後、この料理は腐る（返済不能になる）か？」までは予測しにくいです。

2. 新しい方法（FinLangNet）：「AI 料理人」が食材そのものを味わう

今回発表されたFinLangNetは、従来の「レシピ本」に頼らず、AI 自身が食材（データ）を直接味わい、未来を予測する新しいシステムです。

このシステムは、2 つの「味覚センサー」を組み合わせています。

センサー A（静的な特徴）：
- 料理人の「基本の器量」を見ます（年齢、職業、住所など）。
- これには**「DeepFM」**という技術を使い、複雑な組み合わせ（例：「若くて年収が高いけど、住んでいる場所が危ない」など）を瞬時に理解します。
センサー B（時間の変化）：
- ここが最大の特徴です。料理人が**「過去から未来までのストーリー」**を読み解きます。
- 過去の「買い物履歴」「借金の記録」「問い合わせ」などを、時系列で並べた**「物語」**として扱います。

🌟 最大の特徴：「二重のメモ（デュアル・プロンプト）」

この AI が一番すごいのは、**「二重のメモ」**という仕組みを使っているところです。

「細かいメモ（特徴レベル）」：
- 「あ、この人は**『請求書の支払い』という項目だけを見ると、いつも遅れているな」という細かい癖**に気づきます。
「全体のメモ（ユーザーレベル）」：
- 「でも、全体的に見ると、この人は**『真面目な人』の傾向が強いな」という全体の雰囲気**も捉えます。

この「細かい視点」と「全体像」の両方を同時にメモに取りながら、AI は**「30 日後、60 日後、90 日後」**と、未来の複数のタイムラインで「この人が返済できる確率」を予測します。

まるで、**「天気予報」**のように、

「明日は雨（短期リスク）」
「来週は晴れ（中期リスク）」
「来月は台風注意（長期リスク）」
と、複数の未来を同時にシミュレーションしているような感じです。

🏆 結果：どれくらいすごいのか？

このシステムを実際の金融会社（ディディ・インターナショナルなど）でテストした結果、驚くべき成果が出ました。

従来のシステムより 6.3% 上達：
- 「良い顧客」と「悪い顧客」を見分ける精度（KS 値）が、従来の最高峰のシステムよりも6.3 ポイントも上がりました。これは、プロの料理人がレシピ本を捨てて、AI 料理人に任せた結果、「失敗料理（貸し倒れ）」が劇的に減ったことを意味します。
貸し倒れが 10% 減：
- 実際に返ってこないお金（不良債権）が、約 10% 減りました。これは、会社にとって莫大な利益になります。
他の分野でも活躍：
- 金融データだけでなく、心拍数のデータや、人の動きのデータなど、他の分野の時系列データでも、世界最高レベルの精度を出しました。

💡 まとめ：なぜこれが重要なのか？

この論文は、**「AI が人間の経験則（レシピ）を超えて、複雑な変化を予測できるようになった」**ことを示しています。

昔：「過去のデータ」を人間が整理して、単純なルールで判断していた。
今： AI が「過去のストーリー」を深く読み解き、**「未来のリスク」**を多角的に予測する。

これは、金融業界にとって**「より安全に、より多くの人にお金を貸せる」**ための大きな一歩です。AI が「未来の予報」を上手にできるようになったおかげで、私たちはより安心してお金を借りられる未来が来るかもしれません。

論文要約：FinLangNet

タイトル: A Unified Framework for Modeling Heterogeneous Financial Data via Dual-Granularity Prompting
著者: Yu Lei ら (DiDi International Business Group, 北京郵電大学，浙江大学)

1. 背景と課題 (Problem)

金融機関における信用リスク評価（与信スコアリング）は、貸し倒れリスクの最小化と収益性の維持に不可欠です。しかし、産業現場では以下の課題が存在します。

既存手法の限界: 現在の産業標準は、手動で調整された統計的学習手法（主に XGBoost）に依存しています。これらは解釈性や安定性が高いですが、以下のような弱点があります。
- 膨大なドメイン知識を要する手動の特徴量エンジニアリングが必要。
- 静的なモデルであるため、ユーザーの行動時系列依存性を捉えきれない。
- 「ある時点」での予測に留まり、将来の異なる時間軸（30 日、60 日、90 日など）における信用力の動的進化をモデル化できない。
深層学習の課題: 従来の深層学習モデルは、金融データの多様性（ノイズ、欠損、高次元、離散値、多ソース）や、信用力の時間的変化を捉えるのに苦戦しており、一貫して XGBoost を凌駕できていません。
データ特性: 金融データは、静的属性（プロフィール）と時系列データ（取引履歴、照会記録など）が混在する「異種データ（Heterogeneous Data）」であり、これらを統合的に学習する必要があります。

2. 提案手法 (Methodology: FinLangNet)

著者らは、信用スコアリングを「分類問題」から「マルチスケールな時系列予測問題」へと再定義し、FinLangNet という新しいフレームワークを提案しました。このフレームワークは、静的データと時系列データを処理する 2 つの補完的なモジュールで構成されます。

2.1 非時系列モジュール (Non-Sequential Module)

目的: ユーザーの静的属性（年齢、職業、所得など）から複雑な相互作用を捉える。
アーキテクチャ: DeepFM を採用。
- 低次（2 次）の特徴量相互作用を捉える Factorization Machine (FM) コンポーネント。
- 高次の非線形相関を捉える Deep Neural Network (DNN) コンポーネント。
- これらを組み合わせ、静的特徴の埋め込み表現 $O_m$ を生成します。

2.2 時系列モジュール (Sequential Module: SRG)

目的: 多ソースでスパースかつノイズの多い金融時系列データを処理し、将来の行動分布を予測する。
アーキテクチャ: Sequence Representation Generator (SRG)。
- 離散化 (Discretization): 連続値の特徴量をトークン化し、スパース性とノイズへの耐性を高めます。
- デュアル・プロンプト機構 (Dual-Prompt Mechanism): Transformer アーキテクチャに 2 つの粒度で学習可能なプロンプトを導入するのが最大の特徴です。
  1. 特徴レベル・プロンプト ( $e_{\phi_c}$ ): 各チャネル（データソース）ごとの微細な時系列パターンを捉えるために、各シーケンスの先頭に挿入されます。
  2. ユーザーレベル・プロンプト ( $P_s$ ): 全チャネルにわたる包括的なリスクプロファイルを集約するために、統合されたシーケンスの先頭に挿入されます。
- これにより、局所的な特徴のニュアンスとグローバルなユーザー行動の両方を効率的に学習します。

2.3 マルチスケール予測と最適化

タスク設定: 単一の時点予測ではなく、複数の将来の時間軸（例：30 日、60 日、90 日後の延滞確率）を同時に予測するマルチタスク学習を行います。
損失関数: 動的重み付きハイブリッド損失 を設計。
- 重み付き対数損失 (WLL): 不均衡データ（デフォルト事例が少ない）に対応するため、マイナーなクラスに高いペナルティを課します。
- 動的ハード例マイニング: 予測が不確実なサンプル（勾配ノルムが大きいもの）に動的に重みを付け、モデルが苦手とする事例の学習を強化します。

3. 主な貢献 (Key Contributions)

問題定義の転換: 信用スコアリングを静的分類から「動的なマルチスケール行動予測」へ再定義し、時間軸ごとの信用力進化を捉える分布を生成可能にしました。
FinLangNet の提案: 静的データ用 DeepFM と、デュアル・プロンプト機構を備えた時系列モジュールを組み合わせたハイブリッドアーキテクチャを提案しました。
SOTA 性能の達成: 公開時系列分類ベンチマーク（UEA）および実世界の金融データセットにおいて、既存の深層学習モデルや XGBoost を凌駕する性能を達成しました。
実証的な産業インパクト: 大手ライドシェアリングプラットフォームの国際金融事業部で実装され、XGBoost ベースのシステムと比較してKS 統計量が 6.3 ポイント向上、貸し倒れ率が 9.9% 削減されるという実証結果を得ました。

4. 実験結果 (Results)

4.1 産業用信用リスク評価（実データ）

データセット: 700 万人以上のユーザーを持つ実世界の金融プラットフォームデータ（6 つの異なる将来時間軸での延滞予測タスク）。
比較対象: XGBoost（生産環境のベースライン）、Transformer, Mamba, TimesNet などの深層学習モデル、DeepSeek-V3.2 や GPT-4.1 などの大規模言語モデル（ゼロショット）。
結果:
- FinLangNet は XGBoost を含め、すべてのベースラインを AUC と KS 両方で上回りました。
- XGBoost との比較で、平均 KS 値が 6.3 ポイント 向上しました。
- 長期的な予測タスク（90 日後など）において、XGBoost の性能が低下するのに対し、FinLangNet は安定した性能を維持しました。
- A/B テスト結果: 実運用環境では、FinLangNet のスコアを XGBoost の特徴量として融合させることで、デフォルト率を 9.1% から 8.2% へ（相対的に 9.9% 削減）減少させました。

4.2 一般時系列分類（UEA ベンチマーク）

医療診断やモーション認識など、金融以外の 5 つの多変量時系列分類タスクで SRG モジュール単体を評価。
TStamp や SVP-T などの SOTA 時系列モデルと同等かそれ以上の精度を達成し、フレームワークの汎用性を示しました。

4.3 考察

シーケンス長のロバスト性: 入力履歴を元の長さの 25% に切り詰めても性能がほとんど低下しませんでした。これは、直近の行動パターンがリスク予測に最も重要であることを示唆し、コールドスタート問題への対策としても有効です。
アブレーション研究: デュアル・プロンプト機構（特徴レベル＋ユーザーレベル）を組み合わせることで、単一のプロンプトやプロンプトなしの場合よりも性能が大幅に向上しました。

5. 意義と結論 (Significance)

本論文は、深層学習モデルが産業レベルの信用リスク評価において XGBoost を凌駕しうることを実証した重要な研究です。

技術的革新: 金融データ特有の「異種性」と「時間的進化」を、Transformer のプロンプト学習メカニズム（Dual-Prompt）を用いて効率的にモデル化しました。
実用性: 複雑なブラックボックスモデルをそのまま採用するのではなく、解釈性が求められる金融規制の枠組み内で、XGBoost とのハイブリッド化（FinLangNet の出力を特徴量として利用）により、実運用での導入を成功させました。
経済的インパクト: 実運用での貸し倒れ率削減とリスク選別能力の向上は、金融機関にとって直接的な収益改善と損失回避につながります。

FinLangNet は、学術的なイノベーションと産業的な実用性を両立させた、次世代の金融リスク管理フレームワークとして大きな可能性を示しています。