論文の概要: Application of Deep Neural Networks to assess corporate Credit Rating

• arxiv url: http://arxiv.org/abs/2003.02334v1
• Date: Wed, 4 Mar 2020 21:29:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 12:50:23.568524
• Title: Application of Deep Neural Networks to assess corporate Credit Rating
• Title（参考訳）: 深層ニューラルネットワークの企業信用格付け評価への応用
• Authors: Parisa Golbayani, Dan Wang, Ionut Florescu
• Abstract要約: 我々は、Standard and Poor'sが発行した企業信用格付けを予測するために、4つのニューラルネットワークアーキテクチャの性能を分析した。 この分析の目的は、信用評価への機械学習アルゴリズムの適用を改善することである。
• 参考スコア（独自算出の注目度）: 4.14084373472438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent literature implements machine learning techniques to assess corporate credit rating based on financial statement reports. In this work, we analyze the performance of four neural network architectures (MLP, CNN, CNN2D, LSTM) in predicting corporate credit rating as issued by Standard and Poor's. We analyze companies from the energy, financial and healthcare sectors in US. The goal of the analysis is to improve application of machine learning algorithms to credit assessment. To this end, we focus on three questions. First, we investigate if the algorithms perform better when using a selected subset of features, or if it is better to allow the algorithms to select features themselves. Second, is the temporal aspect inherent in financial data important for the results obtained by a machine learning algorithm? Third, is there a particular neural network architecture that consistently outperforms others with respect to input features, sectors and holdout set? We create several case studies to answer these questions and analyze the results using ANOVA and multiple comparison testing procedure.
• Abstract（参考訳）: 近年の文献は、財務報告に基づいて企業信用格付けを評価するための機械学習技術を実装している。 本研究では,4つのニューラルネットワークアーキテクチャ (MLP, CNN, CNN2D, LSTM) の性能を解析し,Standard and Poor's が発行した企業信用格付けを予測する。 我々は米国のエネルギー、金融、医療部門から企業を分析します。 分析の目的は、信用評価への機械学習アルゴリズムの適用を改善することである。 この目的のために、私たちは3つの質問に焦点を合わせます。 まず,選択した特徴のサブセットを使用する場合,アルゴリズムの性能が向上するか,あるいはその特徴をアルゴリズム自身が選択可能とする方がよいかを検討する。 第二に、金融データに内在する時間的側面は、機械学習アルゴリズムによって得られる結果にとって重要であるか? 第三に、入力機能、セクタ、ホールドアウトセットに関して、一貫して他を上回る特定のニューラルネットワークアーキテクチャがあるか? いくつかのケーススタディを作成し、これらの疑問に答え、ANOVAと多重比較試験法を用いて結果を分析する。

関連論文リスト

• Networks of Networks: Complexity Class Principles Applied to Compound AI Systems Design [63.24275274981911]
  多くの言語モデル推論コールからなる複合AIシステムは、ますます採用されている。 本研究では,提案した回答の生成と正当性検証の区別を中心に,ネットワークネットワーク(NoN)と呼ばれるシステムを構築した。 我々は,Kジェネレータを備えた検証器ベースの判定器NoNを導入し,"Best-of-K"あるいは"judge-based"複合AIシステムのインスタンス化を行う。
  論文  参考訳（メタデータ） (2024-07-23T20:40:37Z)
• Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition [70.60872754129832]
  アンラーニングに関する最初のNeurIPSコンペティションは、新しいアルゴリズムの開発を刺激しようとした。 世界中から約1200チームが参加した。 トップソリューションを分析し、アンラーニングのベンチマークに関する議論を掘り下げます。
  論文  参考訳（メタデータ） (2024-06-13T12:58:00Z)
• An Analysis under a Unified Fomulation of Learning Algorithms with Output Constraints [5.10832476049103]
  ニューラルネットワーク(NN)は様々なタスクでよく機能するが、時には人間に非意味な結果をもたらす。 トレーニング中に出力制約を減らして人間の知識を注入することで、モデルの性能を改善し、制約違反を減らすことができる。 メインタスクの情報と制約注入を統合化するための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-03T12:58:29Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
  本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。 この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
  論文  参考訳（メタデータ） (2022-09-19T21:44:42Z)
• Every Corporation Owns Its Image: Corporate Credit Ratings via Convolutional Neural Networks [2.867517731896504]
  企業の信用格付けを予測するため,従来の機械学習モデルの性能を分析した。 本稿では,畳み込みニューラルネットワーク(CCR-CNN)を用いた新しいエンド・ツー・エンド手法,コーポレート・クレジット・レーティングを提案する。 CCR-CNNは最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2020-12-03T01:01:34Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)
• Is Image Encoding Beneficial for Deep Learning in Finance? An Analysis of Image Encoding Methods for the Application of Convolutional Neural Networks in Finance [4.14084373472438]
  SEC(証券取引委員会)は、米国で事業を行う企業に対して、すべての企業書類をElectronic Data Gathering, Analysis, and Retrieval(EDGAR)システムに登録するよう義務付けた。 これはポートフォリオマネージャ(年金基金、相互ファンド、保険、ヘッジファンド)に、投資する企業に対する自動的な洞察を提供する可能性がある。
  論文  参考訳（メタデータ） (2020-10-17T02:14:39Z)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)
• A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees [0.0]
  信用格付けは、企業の財務上の義務を満たすためのリスクと信頼性のレベルを反映する鍵の1つだ。 成功した機械学習手法は、日々の時間スケールで古いものを更新しながら、クレジットスコアを迅速に分析することができる。
  論文  参考訳（メタデータ） (2020-07-13T18:47:20Z)

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。