論文の概要: Company classification using machine learning
- arxiv url: http://arxiv.org/abs/2004.01496v2
- Date: Wed, 20 May 2020 08:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 02:00:59.492811
- Title: Company classification using machine learning
- Title(参考訳): 機械学習を用いた企業分類
- Authors: Sven Husmann, Antoniya Shivarova, Rick Steinert
- Abstract要約: 教師なし機械学習アルゴリズムが企業のデータの視覚化と分類に利用できることを示す。
我々は、スペクトルクラスタリングと組み合わせて、データ駆動還元可視化ツールt-SNEを実装した。
t-SNEとスペクトルクラスタリングの適用により,ポートフォリオ全体のパフォーマンスが向上することを示す。
- 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: The recent advancements in computational power and machine learning
algorithms have led to vast improvements in manifold areas of research.
Especially in finance, the application of machine learning enables both
researchers and practitioners to gain new insights into financial data and
well-studied areas such as company classification. In our paper, we demonstrate
that unsupervised machine learning algorithms can be used to visualize and
classify company data in an economically meaningful and effective way. In
particular, we implement the data-driven dimension reduction and visualization
tool t-distributed stochastic neighbor embedding (t-SNE) in combination with
spectral clustering. The resulting company groups can then be utilized by
experts in the field for empirical analysis and optimal decision making. By
providing an exemplary out-of-sample study within a portfolio optimization
framework, we show that the application of t-SNE and spectral clustering
improves the overall portfolio performance. Therefore, we introduce our
approach to the financial community as a valuable technique in the context of
data analysis and company classification.
- Abstract(参考訳): 計算能力と機械学習アルゴリズムの最近の進歩は、研究の多様体領域に大きな改善をもたらした。
特に金融分野では、機械学習の応用により、研究者と実践者の両方が、金融データや企業分類などのよく研究された分野に関する新たな洞察を得ることができる。
本稿では,教師なし機械学習アルゴリズムを用いて企業データを経済的に有意義かつ効果的な方法で可視化・分類できることを実証する。
特に,データ駆動次元低減可視化ツールt-distributed stochastic neighbor embedded (t-SNE) をスペクトルクラスタリングと組み合わせて実装する。
得られた企業グループは、経験分析と最適な意思決定のために、この分野の専門家によって活用することができる。
ポートフォリオ最適化フレームワーク内でサンプル外分析を例示することにより、t-SNEとスペクトルクラスタリングの適用により、ポートフォリオ全体のパフォーマンスが向上することを示す。
そこで本研究では,金融コミュニティにデータ分析と企業分類の文脈において有用な手法としてアプローチを導入する。
関連論文リスト
- Prospector Heads: Generalized Feature Attribution for Large Models &
Data [63.33062996732212]
本稿では,特徴帰属のための説明に基づく手法の,効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - A Microservices Identification Method Based on Spectral Clustering for
Industrial Legacy Systems [5.255685751491305]
本稿では,スペクトルグラフ理論に基づくマイクロサービス候補抽出のための自動分解手法を提案する。
提案手法は,ドメインの専門家が関与しなくても,良好な結果が得られることを示す。
論文 参考訳(メタデータ) (2023-12-20T07:47:01Z) - A low-rank non-convex norm method for multiview graph clustering [0.0]
本研究では,低ランク非凸ノルムを用いたマルチビュークラスタリング手法"Consensus Graph-based Multi-View Clustering Method" を提案する。
提案手法は,既存のアルゴリズムを用いて効率よく最適化できる。
論文 参考訳(メタデータ) (2023-12-18T12:54:24Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - PerfDetectiveAI -- Performance Gap Analysis and Recommendation in
Software Applications [0.0]
本稿では,ソフトウェアアプリケーションにおける性能ギャップ分析と提案のための概念的フレームワークPerfDetectiveAIを紹介する。
現代の機械学習(ML)と人工知能(AI)技術は、PerfDetectiveAIでパフォーマンス測定を監視し、ソフトウェアアプリケーションにおけるパフォーマンス不足の領域を特定するために使用されている。
論文 参考訳(メタデータ) (2023-06-11T02:53:04Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳(メタデータ) (2022-10-04T15:22:39Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳(メタデータ) (2021-07-14T18:09:08Z) - Towards Large Scale Automated Algorithm Design by Integrating Modular
Benchmarking Frameworks [0.9281671380673306]
本稿では,アルゴリズムフレームワークであるParadisEOと,自動アルゴリズム設定ツール irace と実験プラットフォーム IOHknownr の効率性を示す最初の概念実証例を提案する。
パイプラインの主な利点は、高速な評価時間、豊富なデータセットを生成する可能性、そしてサンプリングベースの最適化の非常に幅広いクラスをベンチマークするのに使用できる標準化されたインターフェースである。
論文 参考訳(メタデータ) (2021-02-12T10:47:00Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳(メタデータ) (2020-12-01T11:46:03Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Machine Learning Algorithms for Financial Asset Price Forecasting [0.0]
本研究は、高性能コンピューティングインフラ上での機械学習アルゴリズムの最先端実装を直接比較し、対比する。
実装された機械学習モデル – ストックユニバース全体の時系列データに基づいてトレーニングされた – は、OOS(Out-of-sample)テストデータにおいて、CAPMを大幅に上回っている。
論文 参考訳(メタデータ) (2020-03-31T18:14:18Z)
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。