00 研究概述

无论是P2P平台的借款人违约，还是上市公司的财务危机，及时且准确的预测方法都意味着有效的金融风险管理。传统的预测模型多依赖单一数据（如财务报表），但大数据时代，社交动态、通话记录甚至网购行为都可能暗藏风险信号，如何高效整合这些多源异构数据，是大数据时代改良金融风险预测模型的一个思路。本期解读MISQ论文，揭秘一种能消化碎片化数据的新型预测模型，这一模型在个人违约和企业财务危机预测中表现良好，其思路值得参考和借鉴。

01 研究背景

传统金融风险预测面临两大挑战。其一，数据维度单一。例如个人信用评估仅关注收入、职业等硬指标，却忽视社交平台上的情绪表达（如微博中的“焦虑”“资金紧张”）；企业风险预警依赖财务比率，但年报中“战略收缩”“诉讼风险”等文本信号未被挖掘。其二，多源数据整合困难。若将社交、消费、通话记录等异构数据简单堆砌，会导致特征冗余甚至干扰模型判断。例如“高负债”与“消费骤降”可能反映同一风险，但直接合并可能稀释关键信号。这一研究发现，多源数据的价值在于异构互补性与隐含关联性。例如，P2P借款人频繁在微博抱怨“还款压力”，同时出现支付宝消费频次下降，二者结合可强化违约预警；企业年报中“现金流紧张”描述比财务报表中的负债率更早预示危机。这一发现为构建新型预测模型奠定了基础。

02 研究框架与假设

基于上述挑战，研究团队设计HSB_RS模型，其核心是通过数据驱动与推理驱动双策略实现智能预测。具体来说，这一方法遵循以下思路，利用数据驱动策略依托WFAL_GW算法，分两步处理多源数据：

（1）分组筛选：将特征按来源与结构分组（如财务指标、微博情绪词、通话时长），通过稀疏学习剔除冗余，保留每组的核心信号。例如在P2P案例中，社交平台的信息、消费和支出的信息都被识别为关键指标。

（2）动态加权：引入自适应权重融合，分析特征间相关性。当“高负债率”与“管理层负面表态”同时出现时，模型自动提升风险权重，避免重计数。

（3）推理驱动策略采用AER算法，集成多个基础分类器的预测结果。该策略根据模型可靠性和全局贡献动态分配权重。

*Reference: MIS Quarterly Vol. 45 No. 4 / December 2021 P1956

03 研究方法

该研究用两个场景进行了实证检验，具体来说，选取个人违约（DRP）与企业财务危机（FDP）两大场景验证模型。场景1：P2P个人违约预测。数据上，该研究使用了一个贷款违约数据集，包含8,056名借款人，整合平台硬信息、微博社交、通话记录、支付宝消费、淘宝购物5类数据。在特征提取上，作者对微博文本通过LSTM提取情绪词；消费数据统计淘宝消费金额、支付宝收入支出的数量和类别，在通话上统计通话次数和时长等。结果显示，该研究提出的HSB_RS模型较单一硬数据模型提升明显，社交与消费特征贡献了较高的权重。场景2：上市公司财务危机预警数据上，作者使用了2,000家中国企业的数据，预测其被ST的事件。特征提取上，作者融合了财务比率、年报文本、财经新闻情感分析。结果显示，年报的关键词对于ST事件的预测比财务数据要早，财经新闻提取的特征在早期预警的模型中同样具有很高的重要性，这一结果具有非常明确的经济意义。

04 主要发现

该研究通过混合策略模型HSB_RS验证了多源数据融合在金融风险预测中的价值。从理论意义看，该研究构建了面向高维异构数据的自适应框架，解决传统模型因数据单一性和冗余性导致的预测滞后问题。例如，在上市公司案例中，非结构化数据贡献了超过60%的预警权重，使模型AUC跃升至95.28%，且预警窗口提前至危机发生前5年。从实践意义看，该研究为金融机构提供了新思路：P2P平台可通过分析借款人社交动态中的焦虑情绪词和消费画像异常，将违约预测精度提升至95.21%。这些结果表明监管部门则可优先监控社交媒体中的负面舆情传播链，实现风险早干预，金融公司也可以考虑使用多源数据实现大数据时代的风险管理。（模型的证明和数据的案例请见论文原文正文及附录）

*Reference: MIS Quarterly Vol. 45 No. 4 / December 2021 P1964

参考文献：Wang, G., Chen, G., Zhao, H., Zhang, F., Yang, S., & Lu, T. (2021). Leveraging Multisource Heterogeneous Data for Financial Risk Prediction: A Novel Hybrid-Strategy-Based Self-Adaptive Method. MIS Quarterly, 45(4).

文章链接：https://misq.umn.edu/leveraging-multisource-heterogeneous-data-for-financial-risk-prediction-a-novel-hybrid-strategy-based-adaptive-method.html

作者信息：

Gang Wang

Position: Professor of Information Management Department, School of Management, Hefei University of Technology.

Area: Information Systems and Management, Smart Management and Artificial Intelligence, Data Science and Management.

Site: https://faculty.hfut.edu.cn/wgedison/zh_CN/index.htm

Email: wgedison@hfut.edu.cn

Gang Chen

Position: Young Research Fellow, Department of Information Management and Business Intelligence, School of Management, Fudan University

Area: Multimodal behavioral intelligence, large model structured reasoning, theory-driven deep learning.

Site: https://www.fdsm.fudan.edu.cn/aboutus/preview.html?uid=012922

Email: chengang050970@foxmail.com

Huimin Zhao

Position: Professor of Information Technology Management, Sheldon B. Lubar College of Business, University of Wisconsin-Milwaukee

Area: Data mining and healthcare analytics.

Site: https://uwm.edu/business/people/zhao-huimin

Email: hzhao@uwm.edu

Feng Zhang

Position: School of Management, Hefei University of Technology

Email: zhangfeng@mail.hfut.edu.cn

Shanlin Yang

Position: Professor, School of Management, Hefei University of Technology

Area: Intelligent decision-making theory and technology, information system theory and technology, and development strategy planning and system management theory.

Site: https://faculty.hfut.edu.cn/ysl/zh_CN/index.htm

Email: yangsl@hfut.edu.cn

Tian Lu

Position: Assistant Professor in the Department of Information Systems, W. P. Carey School of Business, Arizona State University.

Area: Human–AI Interactions, Unleashing Value of AI and Big Data, FinTech and Microfinance, Innovative Technological Applications in Recent Business Models

Site: https://search.asu.edu/profile/4217075

Email: lutiansteven@gmail.com