論文の概要: Improving Investment Suggestions for Peer-to-Peer (P2P) Lending via
Integrating Credit Scoring into Profit Scoring
- arxiv url: http://arxiv.org/abs/2009.04536v1
- Date: Wed, 9 Sep 2020 19:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 12:17:33.080442
- Title: Improving Investment Suggestions for Peer-to-Peer (P2P) Lending via
Integrating Credit Scoring into Profit Scoring
- Title（参考訳）: クレジットスコアと利益スコアの統合によるp2p融資の投資提案の改善
- Authors: Yan Wang, Xuelei Sherry Ni
- Abstract要約: 本稿では、クレジット情報を収益評価モデルに組み込む2段階フレームワークを提案する。
実世界のP2P貸出データについて,米国P2P市場の実証実験を行った。
- 参考スコア（独自算出の注目度）: 6.245537312562826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the peer-to-peer (P2P) lending market, lenders lend the money to the
borrowers through a virtual platform and earn the possible profit generated by
the interest rate. From the perspective of lenders, they want to maximize the
profit while minimizing the risk. Therefore, many studies have used machine
learning algorithms to help the lenders identify the "best" loans for making
investments. The studies have mainly focused on two categories to guide the
lenders' investments: one aims at minimizing the risk of investment (i.e., the
credit scoring perspective) while the other aims at maximizing the profit
(i.e., the profit scoring perspective). However, they have all focused on one
category only and there is seldom research trying to integrate the two
categories together. Motivated by this, we propose a two-stage framework that
incorporates the credit information into a profit scoring modeling. We
conducted the empirical experiment on a real-world P2P lending data from the US
P2P market and used the Light Gradient Boosting Machine (lightGBM) algorithm in
the two-stage framework. Results show that the proposed two-stage method could
identify more profitable loans and thereby provide better investment guidance
to the investors compared to the existing one-stage profit scoring alone
approach. Therefore, the proposed framework serves as an innovative perspective
for making investment decisions in P2P lending.
- Abstract（参考訳）: ピアツーピア(P2P)貸出市場において、貸し手は仮想プラットフォームを通じて借り手に貸与し、金利で生み出す可能性のある利益を得る。
貸し手の観点からは、リスクを最小限にしながら利益を最大化したい。
それゆえ、多くの研究は機械学習アルゴリズムを使用して、融資者が投資を行うための「最良の」ローンを特定するのを助ける。
研究は主に、投資リスクの最小化(クレジットスコアリングの観点)と利益の最大化(利益スコアの観点)の2つのカテゴリーに焦点を当てている。
しかし、いずれも一つのカテゴリーのみに焦点を当てており、2つのカテゴリを一体化しようとする研究はめったにない。
そこで本稿では,クレジット情報を収益評価モデルに組み込んだ2段階フレームワークを提案する。
本研究では,米国のp2p市場における実世界のp2p貸出データの実証実験を行い,この2段階の枠組みでlight gradient boosting machine (lightgbm) アルゴリズムを用いた。
その結果,提案手法は利益率の高いローンを識別でき,既存の1段階の利益獲得単独アプローチに比べ,投資家により良い投資ガイダンスを提供することができた。
したがって、提案手法は、P2P融資における投資決定の革新的な視点として機能する。
関連論文リスト
- Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。
以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文 参考訳（メタデータ） (2024-03-25T12:04:03Z) - Credit Risk Meets Large Language Models: Building a Risk Indicator from Loan Descriptions in P2P Lending [1.1970409518725493]
ピアツーピア(P2P)融資は、借り手と貸し手とをオンラインプラットフォームを通じて結びつける独特の融資メカニズムとして登場した。
しかしながら、P2P貸与は情報非対称性の課題に直面している。
本稿では,ローン申請プロセスにおいて,借主が提供したテキスト記述を活用することで,この問題に対処する新たなアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-29T10:11:05Z) - 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) - Empowering Many, Biasing a Few: Generalist Credit Scoring through Large
Language Models [53.620827459684094]
大規模言語モデル(LLM)は、複数のタスクにまたがる強力な一般化能力を持つ信用スコアリングタスクにおいて大きな可能性を秘めている。
クレジットスコアリングのための LLM を探索する,初のオープンソース包括的フレームワークを提案する。
そこで我々は,各種金融リスク評価タスクの煩雑な要求に合わせて,指導チューニングによる最初の信用・リスク評価大言語モデル(CALM)を提案する。
論文 参考訳（メタデータ） (2023-10-01T03:50:34Z) - E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。
実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-05-25T10:27:07Z) - Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。
このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。
上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文 参考訳（メタデータ） (2023-02-02T16:30:33Z) - Bandit based centralized matching in two-sided markets for peer to peer
lending [0.0]
2つの側面のオンラインプラットフォームにおけるシーケンシャルな資金調達により、ピアツーピアの融資が可能となり、潜在的コントリビュータを順次呼び出すことができる。
我々は、投資家や貸し手も借り手の好みに基づいて投資の制限に直面している場合に、一致する市場を利用して、両面のプラットフォームにおける投資デザインを調査する。
我々は、時間とともに競争の不確実性のダイナミクスに基づいて、金融機関が選択を調整できるシーケンシャルな意思決定に基づく手法を考案する。
論文 参考訳（メタデータ） (2021-05-06T11:23:26Z) - Fairness in Credit Scoring: Assessment, Implementation and Profit
Implications [4.19608893667939]
アルゴリズムによる識別は,比較的低コストで合理的なレベルまで低減できることを示す。
複数のフェアネス基準をほぼ同時に満たすことができ、スコアカードのフェアネスを測定するための適切な基準として分離を識別できる。
論文 参考訳（メタデータ） (2021-03-02T18:06:44Z) - Bandits in Matching Markets: Ideas and Proposals for Peer Lending [0.0]
市場の観点から、ピアツーピア投資がどのように考えられるかを設定するためのパラダイムについて説明する。
我々は、時間とともに競争の不確実性のダイナミクスに基づいて、金融機関が選択を調整できるようなシーケンシャルな意思決定に基づく手法を考案する。
シミュレーション実験を用いて、最適な借主と貸主のマッチングに基づいて、後悔のダイナミクスを示し、貸主の後悔は、貸主が設定した初期嗜好に依存することを確かめる。
論文 参考訳（メタデータ） (2020-10-30T20:12:26Z) - Determining Secondary Attributes for Credit Evaluation in P2P Lending [0.0]
機械学習の分類とクラスタリングアルゴリズムを用いて、借り手の信用度を正確に予測する。
キーセカンダリ属性を特定しながら,LendingClubデータ上で65%のF1と73%のAUCを達成した。
論文 参考訳（メタデータ） (2020-06-08T16:12:00Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z)
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。