論文の概要: Know Your Clients' behaviours: a cluster analysis of financial
transactions
- arxiv url: http://arxiv.org/abs/2005.03625v2
- Date: Thu, 14 May 2020 14:29:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:59:14.597573
- Title: Know Your Clients' behaviours: a cluster analysis of financial
transactions
- Title(参考訳): クライアントの振る舞いを知る: 金融取引のクラスタ分析
- Authors: John R.J. Thompson, Longlong Feng, R. Mark Reesor, Chuck Grace
- Abstract要約: カナダでは、金融アドバイザーやディーラーは、投資家口座のノウ・ユア・クライアント(KYC)情報を維持するために、地方証券委員会や自己規制機関によって要求される。
同様に振舞う投資家のグループを見つけるために、変形した行動金融の傾向、頻度、投資家の振る舞いを定量化するエンジニアリング機能のための金融モデル、機械学習クラスタリングアルゴリズムを使用します。
- 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: In Canada, financial advisors and dealers are required by provincial
securities commissions and self-regulatory organizations--charged with direct
regulation over investment dealers and mutual fund dealers--to respectively
collect and maintain Know Your Client (KYC) information, such as their age or
risk tolerance, for investor accounts. With this information, investors, under
their advisor's guidance, make decisions on their investments which are
presumed to be beneficial to their investment goals. Our unique dataset is
provided by a financial investment dealer with over 50,000 accounts for over
23,000 clients. We use a modified behavioural finance recency, frequency,
monetary model for engineering features that quantify investor behaviours, and
machine learning clustering algorithms to find groups of investors that behave
similarly. We show that the KYC information collected does not explain client
behaviours, whereas trade and transaction frequency and volume are most
informative. We believe the results shown herein encourage financial regulators
and advisors to use more advanced metrics to better understand and predict
investor behaviours.
- Abstract(参考訳): カナダでは、金融アドバイザーとディーラーは、投資ディーラーと相互ファンドディーラーを直接規制する地方証券委員会と自己規制機関によって要求され、投資家口座の年齢やリスク寛容といったノウ・ユア・クライアント(KYC)情報を収集・維持する。
この情報により、投資家はアドバイザーの指導のもと、投資目標に有益であると推定される投資について決定を下す。
うち独自のデータセットは、金融投資ディーラーが提供し、顧客23,000名に5万以上のアカウントがある。
同様に振舞う投資家のグループを見つけるために、変形した行動金融の傾向、頻度、投資家の振る舞いを定量化するエンジニアリング機能のための金融モデル、機械学習クラスタリングアルゴリズムを使用します。
収集したKYC情報はクライアントの振る舞いを説明できないが、取引や取引の頻度やボリュームは最も有益な情報である。
ここで示した結果は、金融規制当局やアドバイザーがより高度な指標を使って投資家の行動を理解し予測することを奨励するものだと考えています。
関連論文リスト
- Revolutionizing Finance with LLMs: An Overview of Applications and
Insights [47.11391223936608]
ChatGPTのような大規模言語モデル(LLM)はかなり進歩しており、様々な分野に適用されている。
これらのモデルは、財務報告の自動生成、市場のトレンド予測、投資家の感情分析、パーソナライズされた財務アドバイスの提供に利用されています。
論文 参考訳(メタデータ) (2024-01-22T01:06:17Z) - Increasing Profitability and Confidence by using Interpretable Model for
Investment Decisions [0.08192907805418582]
本稿では、SHAPに基づく説明可能性技術を利用して投資提案を予測するための解釈可能な意思決定モデルを提案する。
提案されたソリューションは、予測されたレコメンデーションに影響を与える要因に関する貴重な洞察を提供するだけでなく、さまざまなタイプの投資家にも役立ちます。
論文 参考訳(メタデータ) (2023-12-24T15:05:53Z) - Which Matters Most in Making Fund Investment Decisions? A
Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。
特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
論文 参考訳(メタデータ) (2023-11-23T09:08:43Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Balancing Privacy and Security in Federated Learning with FedGT: A Group
Testing Framework [90.61139449550383]
FedGTは、フェデレート学習における悪意のあるクライアントを安全なアグリゲーションで識別するためのフレームワークである。
FedGTは、誤検知や誤報の確率が低い悪意のあるクライアントを識別できることを示す。
論文 参考訳(メタデータ) (2023-05-09T14:54:59Z) - Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training [44.7991257631318]
本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
論文 参考訳(メタデータ) (2023-04-20T12:10:12Z) - Identifying Trades Using Technical Analysis and ML/DL Models [1.181206257787103]
株式市場の価格予測の重要性は過大評価できない。
投資家は投資決定をインフォームドし、リスクを管理し、金融システムの安定性を確保することができる。
ディープラーニングは株価を正確に予測する上で有望だが、まだ多くの研究が続けられている。
論文 参考訳(メタデータ) (2023-04-12T18:46:35Z) - A machine learning approach to support decision in insider trading
detection [1.304892050913381]
市場監視を支援するための2つの補完的教師なし機械学習手法を提案する。
1つはクラスタリングを使用して、買収入札のような価格に敏感なイベントの近傍で、投資家の取引活動の不連続を識別する。
第2の教師なしのアプローチは、価格に敏感な出来事に忠実に行動する投資家の(小さな)グループを特定することを目的としており、インサイダーリングの可能性を示している。
論文 参考訳(メタデータ) (2022-12-06T12:06:11Z) - StockBabble: A Conversational Financial Agent to support Stock Market
Investors [4.640835690336653]
株式市場への理解と関与を支援するために設計された会話エージェントであるStockBabbleを紹介します。
ユーザーは企業に関する情報を問い合わせて、株式の全体的および財務的概要を検索することができる。
エージェントの可能性を評価するため,15名の被験者を対象にユーザスタディを行った。
論文 参考訳(メタデータ) (2021-06-15T17:19:30Z) - Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文 参考訳(メタデータ) (2020-10-19T06:28:05Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳(メタデータ) (2020-10-04T21:29:29Z)
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。