論文の概要: Crowd, Lending, Machine, and Bias

• arxiv url: http://arxiv.org/abs/2008.04068v1
• Date: Mon, 20 Jul 2020 01:26:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 12:40:08.781434
• Title: Crowd, Lending, Machine, and Bias
• Title（参考訳）: 群衆、貸出、機械、バイアス
• Authors: Runshan Fu, Yan Huang and Param Vir Singh
• Abstract要約: 機械学習アルゴリズムは, 一般投資家よりも, 既定確率の提示を正確に予測する。 機械予測がローンの選択に使用されると、投資家へのリターン率が高くなり、借り手への資金調達機会が増える。 本稿では,予測に焦点を絞ったMLアプリケーションに適用可能な,汎用的で効果的なデベーシング手法を提案する。
• 参考スコア（独自算出の注目度）: 10.440847890315293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Big data and machine learning (ML) algorithms are key drivers of many fintech innovations. While it may be obvious that replacing humans with machine would increase efficiency, it is not clear whether and where machines can make better decisions than humans. We answer this question in the context of crowd lending, where decisions are traditionally made by a crowd of investors. Using data from Prosper.com, we show that a reasonably sophisticated ML algorithm predicts listing default probability more accurately than crowd investors. The dominance of the machine over the crowd is more pronounced for highly risky listings. We then use the machine to make investment decisions, and find that the machine benefits not only the lenders but also the borrowers. When machine prediction is used to select loans, it leads to a higher rate of return for investors and more funding opportunities for borrowers with few alternative funding options. We also find suggestive evidence that the machine is biased in gender and race even when it does not use gender and race information as input. We propose a general and effective "debasing" method that can be applied to any prediction focused ML applications, and demonstrate its use in our context. We show that the debiased ML algorithm, which suffers from lower prediction accuracy, still leads to better investment decisions compared with the crowd. These results indicate that ML can help crowd lending platforms better fulfill the promise of providing access to financial resources to otherwise underserved individuals and ensure fairness in the allocation of these resources.
• Abstract（参考訳）: ビッグデータと機械学習(ml)アルゴリズムは多くのフィンテックイノベーションの鍵となる。 人間を機械に置き換えることで効率が上がることは明らかだが、機械が人間よりも優れた決定を下せるかどうかは不明だ。 我々は、伝統的に多くの投資家が意思決定を行うクラウド融資の文脈で、この質問に答える。 Prosper.comのデータを用いて、合理的に洗練されたMLアルゴリズムがデフォルト確率をクラウド投資家よりも正確に予測することを示した。 群衆に対するマシンの優位性は、非常に危険なリストでより顕著である。 そして、機械を使って投資決定を行い、機械が貸主だけでなく借主にも利益をもたらすことを発見します。 機械予測がローンの選択に使用されると、投資家のリターン率が高くなり、代替資金の選択肢がほとんどない借主への資金提供機会が増える。 また、性別や人種情報を入力として用いなくても、マシンが性別や人種に偏っているという示唆的な証拠も見出す。 我々は,予測に焦点をあてたmlアプリケーションに適用可能な汎用的かつ効果的な"デバスティング"手法を提案し,その利用例を示す。 予測精度の低下に苦しむデバイアスmlアルゴリズムが,それでもなお,クラウドに対する投資判断の改善につながることを示す。 これらの結果は, クラウドレンディングプラットフォームが, 少人数の個人に対して金融資源へのアクセスを提供し, 資源配分の公平性を確保するという約束を果たす上で, mlが有効であることを示している。

関連論文リスト

• Bank Loan Prediction Using Machine Learning Techniques [0.0]
  我々は機械学習手法を用いて、148,670のインスタンスと37の属性のデータセットに取り組んできた。 最高の性能のアルゴリズムはAdaBoostingであり、99.99%の精度を達成した。
  論文  参考訳（メタデータ） (2024-10-11T15:01:47Z)
• American Option Pricing using Self-Attention GRU and Shapley Value Interpretation [0.0]
  本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。 我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2023-10-19T06:05:46Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Superhuman Fairness [2.610470075814367]
  超人フェアネスを導入することで、フェア機械学習を模倣学習タスクとして再考する。 最適以下の決定を下すと、このアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-01-31T05:23:53Z)
• Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
  金融の価格問題に様々な量子技術を適用することができることを示す。 従来の研究と異なる3つの方法について議論する。
  論文  参考訳（メタデータ） (2022-09-19T09:22:01Z)
• Uncovering the Source of Machine Bias [9.75150920742607]
  性別による偏見、嗜好に基づく偏見、信念に基づく偏見は、人間の評価者の判断に現れる。 我々は,ジェンダーバイアスが融資の成果と企業と借主の福祉に与える影響を定量化する。 機械学習アルゴリズムは、好みに基づくバイアスと信念に基づくバイアスの両方を軽減することができる。
  論文  参考訳（メタデータ） (2022-01-09T21:05:24Z)
• Understanding the Usability Challenges of Machine Learning In High-Stakes Decision Making [67.72855777115772]
  機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。 多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。 児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
  論文  参考訳（メタデータ） (2021-03-02T22:50:45Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
  本稿では,予測とユーザ知識のための簡易確率モデルを提案する。 説明と予測の間の条件付き相互情報による説明の効果を定量化する。
  論文  参考訳（メタデータ） (2020-03-01T13:06:29Z)
• A Case for Humans-in-the-Loop: Decisions in the Presence of Erroneous Algorithmic Scores [85.12096045419686]
  本研究では,児童虐待のホットラインスクリーニング決定を支援するアルゴリズムツールの採用について検討した。 まず、ツールがデプロイされたときに人間が行動を変えることを示します。 表示されたスコアが誤ったリスク推定である場合、人間はマシンの推奨に従わない可能性が低いことを示す。
  論文  参考訳（メタデータ） (2020-02-19T07:27:32Z)

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。