为了解决供应链金融中的复杂风险识别和非线性传递路径，本研究旨在构建一个能够准确量化和动态预测供应链金融风险的深度学习模型。首先，使用场景优化简化技术来提高条件风险值，以准确衡量尾部风险。其次，通过卷积神经网络提取多维风险指标的深度组合特征。最后，将量化的CVaR风险值与深度特征融合并输入到LSTM中，以捕捉风险随时间的动态演变。构建了一个混合风险识别模型COSR-CVaR-CNN-LSTM。该研究模型在风险识别任务中的表现最佳，AUC值为0.967，F1分数为0.933。在风险量化准确性方面，均方根误差仅为0.124，比次优模型显著减少了38%。它可以有效提高投资风险、融资风险、运营风险和税收政策风险预测的准确性。研究模型可以为金融机构提供更可靠的风险评估工具，在实施实时信贷审批、动态风险定价和智能监管应用中具有重要的实际价值和可行的技术解决方案.
Xiao等（周）研究了这个问题。