Predicting Invoice Dilution in Supply Chain Finance with Leakage-Free Two-Stage Models: XGBoost, KAN (Kolmogorov – Arnold Networks), and Ensembles
创建于 更新于
摘要
本报告提出一种漏斗/泄露防护的两阶段机器学习框架：阶段一用XGBoost二分类器识别是否发生发票稀释，阶段二用多种回归器（XGBoost/RandomForest/MLP/FasterKAN）及加权集成估计稀释金额，在7个滚动时间窗的验证中加权集成实现均值RMSE≈1215.8±99.7、WMAPE≈16.82%（MAPE≈17%–19%）；分类器ROC-AUC稳定在0.9167–0.9222区间（最近窗0.9222），并采用仅使用先前发票的“无泄露”时间序列特征与宏观变量增强输入特征（137个特征，样本≈4.84M），为实时动态授信与风险定价提供可部署的预测模块 [page::0][page::3][page::1]
