論文の概要: ESG investments: Filtering versus machine learning approaches
- arxiv url: http://arxiv.org/abs/2002.07477v2
- Date: Mon, 6 Apr 2020 07:20:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 20:36:14.830900
- Title: ESG investments: Filtering versus machine learning approaches
- Title(参考訳): ESG投資:フィルタリングと機械学習のアプローチ
- Authors: Carmine de Franco, Christophe Geissler, Vincent Margot, Bruno Monnier
- Abstract要約: 我々は、大規模な投資宇宙にいる企業のESGプロファイルと財務業績のパターンを識別する機械学習アルゴリズムを設計する。
企業のESGプロファイルには明らかに何らかのアルファ版が存在するが、このアルファ版は機械学習のような強力な非線形技術でのみアクセス可能である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We designed a machine learning algorithm that identifies patterns between ESG
profiles and financial performances for companies in a large investment
universe. The algorithm consists of regularly updated sets of rules that map
regions into the high-dimensional space of ESG features to excess return
predictions. The final aggregated predictions are transformed into scores which
allow us to design simple strategies that screen the investment universe for
stocks with positive scores. By linking the ESG features with financial
performances in a non-linear way, our strategy based upon our machine learning
algorithm turns out to be an efficient stock picking tool, which outperforms
classic strategies that screen stocks according to their ESG ratings, as the
popular best-in-class approach. Our paper brings new ideas in the growing field
of financial literature that investigates the links between ESG behavior and
the economy. We show indeed that there is clearly some form of alpha in the ESG
profile of a company, but that this alpha can be accessed only with powerful,
non-linear techniques such as machine learning.
- Abstract(参考訳): 大規模な投資分野における企業のesgプロファイルと財務パフォーマンスのパターンを識別する機械学習アルゴリズムを設計した。
このアルゴリズムは、領域を高次元のESG特徴空間にマッピングし、過剰な回帰予測を行う規則を定期的に更新する。
最終的な集計予測はスコアに変換され、ポジティブなスコアを持つ株式の投資宇宙を映し出すシンプルな戦略をデザインできます。
ESG機能と財務パフォーマンスを非直線的に結びつけることで、私たちの機械学習アルゴリズムに基づく戦略は効率的なストックピックツールであることがわかりました。
本稿では、ESGの行動と経済の関係を調査する金融学の分野に新たなアイデアをもたらす。
企業のESGプロファイルには明らかに何らかのアルファ版が存在するが、このアルファ版は機械学習のような強力な非線形技術でのみアクセス可能であることを示す。
関連論文リスト
- Discovering General Reinforcement Learning Algorithms with Adversarial
Environment Design [54.39859618450935]
メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。
Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。
本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
論文 参考訳(メタデータ) (2023-10-04T12:52:56Z) - ChatGPT-based Investment Portfolio Selection [21.24186888129542]
投資ポートフォリオの選択において、ChatGPTのような生成AIモデルの可能性を探る。
私たちはChatGPTを使って、投資に魅力的なS&P500市場指数から株式の宇宙を得ています。
以上の結果から,ChatGPTは株式選択に有効であるが,ポートフォリオ内の株式に最適な重み付けを割り当てるには適さない可能性が示唆された。
論文 参考訳(メタデータ) (2023-08-11T17:48:17Z) - Bayesian Optimization of ESG Financial Investments [0.0]
ESG (Economic, Social and Governance) の基準は金融においてより重要になっている。
本稿では,数理モデリングとESGとファイナンスを組み合わせた。
論文 参考訳(メタデータ) (2023-02-10T15:17:36Z) - ESGBERT: Language Model to Help with Classification Tasks Related to
Companies Environmental, Social, and Governance Practices [0.0]
環境、社会、ガバナンス(ESG)といった非金融要因が投資家から注目を集めている。
ESGテキストの分類タスクには高度なNLP技術が必要である。
本研究では,ESG 固有のテキストを用いて事前学習した BERT の重み付けを微調整し,さらに分類タスクのためのモデルを微調整することによってこれを行う。
論文 参考訳(メタデータ) (2022-03-31T04:22:44Z) - Self-supervision through Random Segments with Autoregressive Coding
(RandSAC) [46.519302668058025]
様々なデザイン選択が視覚的特徴学習にそのようなトレーニング戦略を適用する成功にもたらす影響について検討する。
具体的には、自動回帰符号化(RandSAC)を用いたランダムセグメント(Random Segments)と呼ばれる新しい戦略を導入する。
RandSACでは、パッチ表現(画像トークン)を階層的に配置したセグメントにグループ化します。各セグメントでは、トークンはBERTに似ていますが、セグメント間の予測は、GPTに似ています。
セグメントのランダム化シリアライゼーションは、空間的長大(クロスセグメント)と短短短短(ウィスイン)の分布において、性能と結果を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2022-03-22T21:28:55Z) - Guiding Generative Language Models for Data Augmentation in Few-Shot
Text Classification [59.698811329287174]
我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。
実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
論文 参考訳(メタデータ) (2021-11-17T12:10:03Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳(メタデータ) (2021-10-13T15:11:25Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳(メタデータ) (2021-05-13T14:50:45Z) - GEO: Enhancing Combinatorial Optimization with Classical and Quantum
Generative Models [62.997667081978825]
我々は、生成モデルとして知られる機械学習モデルを活用する新しいフレームワークを導入し、最適化問題を解決する。
我々は、テンソルネットワークマシンに依存するGEOの量子インスパイアされたバージョンに注力する。
関数呼び出し数に対する固定予算が与えられた場合、その目標が最小限の最小値を求める場合、その優れた性能を示す。
論文 参考訳(メタデータ) (2021-01-15T18:18:38Z) - Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning [3.42658286826597]
PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
論文 参考訳(メタデータ) (2020-09-07T13:27:06Z) - G-Learner and GIRL: Goal Based Wealth Management with Reinforcement
Learning [0.0]
本稿では,退職計画の最適化や目標額の達成など,目標に基づく資産管理問題に対する強化学習手法を提案する。
Gラーナー(G-Learner)は,1ステップの報酬を明示的に定義した強化学習アルゴリズムである。
Inverse Reinforcement Learningの設定にゴールベースGラーニングアプローチを拡張する新しいアルゴリズムであるGIRLを提案する。
論文 参考訳(メタデータ) (2020-02-25T16:03:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。