Prédiction de la cote de crédit utilisant la technique Algorithme Génétique-LSTM

Dans le domaine de l'exploration de données, l'objectif de la prédiction est de développer un modèle plus efficace capable de fournir des résultats précis. La littérature antérieure a étudié différentes techniques de classification et a constaté que la combinaison de plusieurs classificateurs en ensembles surpassait la plupart des approches de classificateurs simples. La performance d'un classificateur d'ensemble peut être influencée par plusieurs facteurs. Comment déterminer la meilleure technique de classification ? Quelle méthode de combinaison employer ? Cet article applique la mémoire à long terme et à court terme (LSTM), l'un des algorithmes d'apprentissage profond les plus avancés qui sont intrinsèquement appropriés pour le domaine financier, mais rarement appliqués à la prédiction de la cote de crédit. La recherche présente une approche d'optimisation pour déterminer les paramètres optimaux d'un algorithme d'apprentissage profond. Les paramètres LSTM sont déterminés à l'aide d'un algorithme d'optimisation. Les paramètres LSTM comprennent les époques, la taille de lot, le nombre de neurones, le taux d'apprentissage et le dropout. Les résultats montrent que le modèle LSTM optimisé surpasse à la fois les classificateurs simples et les modèles d'ensemble.