【摘要】多分类问题涉及信用风险管理、股票走势预测等多个领域。深度神经网络（DNN）是常用于多分类预测的机器学习模型，然而输入特征维度较高且存在冗余信号时，将加重其可解释性不强和结构冗余等缺陷；同时，常用的Softmax损失也可能面临分类边界模糊导致预测效果不佳等问题。为此，本文针对多分类问题，提出一个新的深度神经网络CMCP-LMCL，利用CMCP变量选择方法压缩输入特征到第1隐藏层的权重。该方法融合权重的组结构，能够剔除无关特征以及不重要的连接；同时，对特征层之外的权重施加权重衰减L₂惩罚，有利于改进过拟合问题。新方法的增强边缘余弦损失（LMCL）在Softmax基础上引入扩大参数和距离参数，增大分类决策边界的间隔以期提高分类预测性能。模拟分析表明，对比已有DNN和传统分类方法，无论特征以简单线性形式还是复杂非线性形式映射到因变量，本文所提出的方法均具有良好的特征选择性能和预测表现。基于信用贷款数据的实证分析表明，该方法能够有效选择风险指标并进行违约风险预警。