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
- Clustering Time Series Data with Gaussian Mixture Embeddings in a Graph Autoencoder Framework [10.33711719777708]
時系列データ分析は、金融、医療、環境モニタリングなど、さまざまな領域で普及している。
伝統的な時系列クラスタリング手法は、そのようなデータに固有の複雑な時間的依存関係を捉えるのに苦労することが多い。
時系列クラスタリングのためのグラフベースのアプローチである変分混合グラフオートエンコーダ(VMGAE)を提案する。
論文 参考訳（メタデータ） (2024-11-25T22:49:01Z) - Structure Learning via Mutual Information [0.8702432681310399]
本稿では、相互情報(MI)機能を用いて、データ内の機能的関係を学習し、表現するためのフレームワークを提案する。
本手法は,より効率的で一般化可能な学習アルゴリズムを実現することを目的としている。
論文 参考訳（メタデータ） (2024-09-21T19:33:56Z) - Extraction of Research Objectives, Machine Learning Model Names, and Dataset Names from Academic Papers and Analysis of Their Interrelationships Using LLM and Network Analysis [0.0]
本研究では,研究論文からタスクや機械学習手法,データセット名を抽出する手法を提案する。
提案手法の表現抽出性能は,Llama3を用いた場合,様々なカテゴリでFスコアが0.8を超えている。
ファイナンシャルドメイン論文のベンチマーク結果は,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-22T03:10:52Z) - Generalizing Machine Learning Evaluation through the Integration of Shannon Entropy and Rough Set Theory [0.0]
我々は、粗集合論の粒度とシャノンエントロピーの不確かさの定量化を相乗化する包括的枠組みを導入する。
我々の手法は様々なデータセットで厳密にテストされており、予測性能を評価するだけでなく、基礎となるデータの複雑さとモデルロバスト性を照らす能力を示している。
論文 参考訳（メタデータ） (2024-04-18T21:22:42Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - 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) - 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) - 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。