論文の概要: A comparative study of forecasting Corporate Credit Ratings using Neural
Networks, Support Vector Machines, and Decision Trees
- arxiv url: http://arxiv.org/abs/2007.06617v1
- Date: Mon, 13 Jul 2020 18:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:42:15.592080
- Title: A comparative study of forecasting Corporate Credit Ratings using Neural
Networks, Support Vector Machines, and Decision Trees
- Title(参考訳): ニューラルネットワーク, 支持ベクトルマシン, 決定木を用いた企業クレジットレーティング予測の比較研究
- Authors: Parisa Golbayani, Ionu\c{t} Florescu, Rupak Chatterjee
- Abstract要約: 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。
- 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: Credit ratings are one of the primary keys that reflect the level of
riskiness and reliability of corporations to meet their financial obligations.
Rating agencies tend to take extended periods of time to provide new ratings
and update older ones. Therefore, credit scoring assessments using artificial
intelligence has gained a lot of interest in recent years. Successful machine
learning methods can provide rapid analysis of credit scores while updating
older ones on a daily time scale. Related studies have shown that neural
networks and support vector machines outperform other techniques by providing
better prediction accuracy. The purpose of this paper is two fold. First, we
provide a survey and a comparative analysis of results from literature applying
machine learning techniques to predict credit rating. Second, we apply
ourselves four machine learning techniques deemed useful from previous studies
(Bagged Decision Trees, Random Forest, Support Vector Machine and Multilayer
Perceptron) to the same datasets. We evaluate the results using a 10-fold cross
validation technique. The results of the experiment for the datasets chosen
show superior performance for decision tree based models. In addition to the
conventional accuracy measure of classifiers, we introduce a measure of
accuracy based on notches called "Notch Distance" to analyze the performance of
the above classifiers in the specific context of credit rating. This measure
tells us how far the predictions are from the true ratings. We further compare
the performance of three major rating agencies, Standard $\&$ Poors, Moody's
and Fitch where we show that the difference in their ratings is comparable with
the decision tree prediction versus the actual rating on the test dataset.
- Abstract(参考訳): 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。
格付け機関は新しい格付けを提供し、古い格付けを更新するのに長時間かかる傾向がある。
そのため,近年,人工知能を用いた信用スコア評価が注目されている。
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。
関連する研究では、ニューラルネットワークとベクターマシンが予測精度の向上によって他の技術よりも優れていることが示されている。
この論文の目的は2つある。
まず,クレジットカード評価の予測に機械学習技術を適用した文献の調査結果と比較分析を行った。
第2に,従来の研究から有用と考えられる4つの機械学習手法(袋入り決定木,ランダムフォレスト,サポートベクターマシン,多層パーセプトロン)を,同じデータセットに適用する。
10倍のクロスバリデーション手法を用いて結果を評価する。
選択したデータセットの実験結果から,決定木に基づくモデルでは優れた性能を示した。
従来の分類器の精度測定に加えて、「ノッチ距離」(Notch Distance)と呼ばれるノッチに基づく精度測定を導入し、これらの分類器の性能を信用評価の特定の文脈で分析する。
この指標は、予測が真の評価からどこまで遠いかを示しています。
さらに、3つの主要な格付け機関(標準の$\&$ poors、moody's、fitch)のパフォーマンスを比較して、格付けの違いは、テストデータセットの実際の格付けと決定木予測に匹敵することを示した。
関連論文リスト
- The Certainty Ratio $C_ρ$: a novel metric for assessing the reliability of classifier predictions [0.0]
本稿では,任意の分類性能指標に対する信頼性(確実性)と不確実性(不確実性)の寄与を定量化する新しい尺度であるCertainty Ratio(C_rho$)を紹介する。
21のデータセットと複数の分類器(Decision Trees、Naive-Bayes、 3-Nearest Neighbors、Random Forestsなど)にまたがる実験の結果、$C_rho$rhoは従来のメトリクスがしばしば見落としているという重要な洞察を明らかにしている。
論文 参考訳(メタデータ) (2024-11-04T10:50:03Z) - Analytical and Empirical Study of Herding Effects in Recommendation Systems [72.6693986712978]
評価アグリゲーションルールとショートリストされた代表レビューを用いて製品評価を管理する方法について検討する。
本稿では,Amazon と TripAdvisor の収束速度を向上させるために,適切な信頼度評価アグリゲーションルールが有効であることを示す。
論文 参考訳(メタデータ) (2024-08-20T14:29:23Z) - Fighting Sampling Bias: A Framework for Training and Evaluating Credit Scoring Models [2.918530881730374]
本稿では,サンプリングバイアスがモデルトレーニングおよび評価に与える影響について考察する。
スコアカード評価のためのバイアス認識型自己学習と拒絶推論フレームワークを提案する。
その結果,ベイズ評価を用いて受入率を決定する場合,利益率が約8%向上することが示唆された。
論文 参考訳(メタデータ) (2024-07-17T20:59:54Z) - Incorporating Experts' Judgment into Machine Learning Models [2.5363839239628843]
場合によっては、ドメインの専門家は、機械学習モデルの予測と矛盾する可能性のある期待された結果について判断するかもしれません。
紛争を緩和するために専門家の判断を活用する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-04-24T07:32:49Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。
これは私たちの最良の知識の一般的な評価の最初の定義です。
論文 参考訳(メタデータ) (2022-08-23T09:37:31Z) - A Closer Look at Debiased Temporal Sentence Grounding in Videos:
Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。
最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。
偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文 参考訳(メタデータ) (2022-03-10T08:58:18Z) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳(メタデータ) (2020-11-02T08:07:50Z) - A Novel Classification Approach for Credit Scoring based on Gaussian
Mixture Models [0.0]
本稿では,ガウス混合モデルに基づく新たなクレジットスコアリング手法を提案する。
我々のアルゴリズムは、消費者を正または負とラベル付けされたグループに分類する。
我々は,オーストラリア,日本,ドイツの実世界のデータベースにモデルを適用した。
論文 参考訳(メタデータ) (2020-10-26T07:34:27Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳(メタデータ) (2020-07-14T03:49:43Z) - Application of Deep Neural Networks to assess corporate Credit Rating [4.14084373472438]
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。
論文 参考訳(メタデータ) (2020-03-04T21:29:22Z)
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。