2025年3月18日，由上海财经大学会计学院主办的学术报告会在学院108室召开，来自香港中文大学（深圳）的苗斌副教授为大家带来题为《Predicting Bank Credit Losses Using Machine (Deep) Learning》的学术讲座。本次报告由会计学院教师杨馨主持。学院陈信元、董毅、蒋德权、顾瀚驰等多位教师以及十多位硕士和博士生参与了讨论。
银行贷款损失核算从已发生损失模型（incurred loss model）向预期损失模型（expected loss model，CECL）的转变，在文献中已被广泛关注。苗斌副教授及其研究团队发现，运用深度学习方法来进行长期信贷损失预测，能够在预测精度上取得显著提升。在本次学术讲座上，苗斌副教授向与会者详细介绍了他最近完成的一项研究，该研究聚焦于将长短期记忆网络（LSTM）和特征标记转换模型（FT-Transformer）应用于银行长期信贷风险预测，并与线性模型和基于决策树的模型进行比较。相关研究为进一步理解CECL在降低银行放贷顺周期性方面的潜在作用提供了重要见解。通过对不同预测时长、经济波动程度以及银行贷款组合特征的分组分析，论文的主要发现如下：（1）LSTM与FT-Transformer模型能够有效捕捉长期依赖关系，特别是在金融危机等极端情形下有更出色的预测表现；（2）相比之下，基于决策树的模型并未呈现出明显优于传统线性方法的优势；（3）CECL计提方式对缓解银行放贷的顺周期效应具有正面影响，为监管机构和金融市场投资者提供了有价值的参考。
报告过程中，苗斌副教授与参会老师和同学们频繁交流互动，围绕研究发现与替代性解释展开了热烈而富有建设性的讨论。与会者就模型可解释性、宏观经济变量的重要性以及不同银行间贷款组合差异化分析等话题提出了诸多问题和未来研究方向的建议。报告结束后，老师与同学们就提问环节中的相关问题与苗斌副教授进行了更加深入的交流。本次报告不仅为国内顶尖学府的师生们提供了一个了解国际前沿研究的机会，也为会计与金融领域的学者们搭建了一个交流与合作的平台。苗斌副教授的精彩报告与参会者的积极互动，充分展现了学术研究的活力与深度，对于推动银行长期信贷损失预测及相关领域的学术发展和实践应用具有重要意义。
供稿：2023级黄正源