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

• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Temporal distribution of clusters of investors and their application in prediction with expert advice [0.0]
  本研究では,20k外国為替(FX)トレーダーの実際の取引から得られたクラスターの分布を実証することにより,この分野に寄与する。 専門家アドバイスアルゴリズムを用いたオンライン予測アルゴリズムであるAggregating Algorithm (AA) が、上記の実世界のデータに適用でき、トレーダーリスクのポートフォリオのリターンを改善することができることを示す。
  論文  参考訳（メタデータ） (2024-06-04T15:28:06Z)
• Trust Driven On-Demand Scheme for Client Deployment in Federated Learning [39.9947471801304]
  Trusted-On-Demand-FL"は、サーバと資格のあるクライアントのプールの間の信頼関係を確立する。 シミュレーションでは,遺伝的アルゴリズムを応用した最適化モデルをデプロイし,連続的なユーザ行動データセットに頼っている。
  論文  参考訳（メタデータ） (2024-05-01T08:50:08Z)
• A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist [33.82344864007857]
  FinAgentは金融取引タスクのためのマルチモーダル・ファンデーション・エージェントである。 金融市場を正確に分析するために、多種多様なデータ数字、テキスト、視覚的に処理する。 既存のトレーディング戦略と専門家の洞察を統合し、そのトレーディングアプローチがデータ駆動であり、健全な金融原則に根ざしていることを保証する。
  論文  参考訳（メタデータ） (2024-02-28T17:06:54Z)
• 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)
• 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)

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。