Interpretable LLMs for Credit Risk: A Systematic Review and Taxonomy
创建于 更新于
摘要
本文系统回顾了2020-2025年间基于大语言模型（LLM）的信用风险评估研究，通过选择60篇相关文献并采用PRISMA方法，构建了涵盖模型架构、数据类型、可解释机制和应用领域的分类体系。研究揭示了当前主流的模型类别（如编码器、解码器、混合模型及FinLLMs）、多模态数据融合、解释性方法（后验解释、链式推理及内在透明模型）及其在零售信贷、欺诈检测和资产管理等多领域的应用趋势，同时指出了可解释性不足、鲁棒性、偏差风险和评估标准缺失等研究空白，为未来研究指明方向[page::0][page::5][page::7][page::8][page::12][page::13]
