論文の概要: Supervised learning for the prediction of firm dynamics
- arxiv url: http://arxiv.org/abs/2009.06413v1
- Date: Fri, 11 Sep 2020 11:31:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 22:15:44.239637
- Title: Supervised learning for the prediction of firm dynamics
- Title(参考訳): ファームダイナミクスの予測のための教師付き学習
- Authors: Falco J. Bargagli-Stoffi, Jan Niederreiter, Massimo Riccaboni
- Abstract要約: 教師付き学習(SL)は、企業の業績を予測するために使われてきた。
本稿では,予測タスクに使用する一連のSLアプローチについて説明する。
私たちが注目するステージは、(i)スタートアップとイノベーション、(ii)企業の成長とパフォーマンス、そして(iii)企業が市場から撤退することです。
- 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: Thanks to the increasing availability of granular, yet high-dimensional, firm
level data, machine learning (ML) algorithms have been successfully applied to
address multiple research questions related to firm dynamics. Especially
supervised learning (SL), the branch of ML dealing with the prediction of
labelled outcomes, has been used to better predict firms' performance. In this
contribution, we will illustrate a series of SL approaches to be used for
prediction tasks, relevant at different stages of the company life cycle. The
stages we will focus on are (i) startup and innovation, (ii) growth and
performance of companies, and (iii) firms exit from the market. First, we
review SL implementations to predict successful startups and R&D projects.
Next, we describe how SL tools can be used to analyze company growth and
performance. Finally, we review SL applications to better forecast financial
distress and company failure. In the concluding Section, we extend the
discussion of SL methods in the light of targeted policies, result
interpretability, and causality.
- Abstract(参考訳): きめ細かい、しかし高次元のファームレベルデータの増加により、ファームダイナミクスに関連する複数の研究課題に機械学習(ML)アルゴリズムを適用することに成功した。
特に、ラベル付き結果の予測を扱うMLの分野である教師付き学習(SL)は、企業の業績の予測に利用されてきた。
このコントリビューションでは、企業ライフサイクルのさまざまなステージで関連する予測タスクに使用される一連のslアプローチについて説明する。
私たちが注目するステージは
i) スタートアップとイノベーション。
(ii)企業の成長・業績、及び
(iii)企業は、市場から撤退する。
まず、SL実装をレビューして、成功したスタートアップや研究開発プロジェクトを予測する。
次に、SLツールを用いて企業の成長とパフォーマンスを分析する方法について述べる。
最後に、SL申請をレビューし、財政難と企業の失敗を予測する。
結論として,対象政策,結果の解釈可能性,因果性の観点から,SL手法の議論を拡大する。
関連論文リスト
- Examining Forgetting in Continual Pre-training of Aligned Large Language
Models [66.62800021628276]
本研究では,既存の微調整LDMの連続事前訓練中に発生する忘れ現象について検討する。
実験結果は、連続的な事前訓練中に破滅的な忘れに対処する非自明な課題を浮き彫りにした。
論文 参考訳(メタデータ) (2024-01-06T05:34:09Z) - Startup success prediction and VC portfolio simulation using CrunchBase
data [1.7897779505837144]
本稿では、主要な成功のマイルストーンを予測することを目的とした、シリーズBおよびシリーズCの投資ステージにおけるスタートアップに焦点を当てる。
スタートアップの成功を予測するための新しいディープラーニングモデルを導入し、資金調達指標、創業者の特徴、業界カテゴリなど、さまざまな要素を統合する。
私たちの研究は、スタートアップの成功を予測する上で、ディープラーニングモデルと代替の非構造化データによるかなりの可能性を実証しています。
論文 参考訳(メタデータ) (2023-09-27T10:22:37Z) - Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls
and Opportunities [50.231837687221685]
自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。
非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
論文 参考訳(メタデータ) (2023-08-28T07:55:01Z) - Temporal Data Meets LLM -- Explainable Financial Time Series Forecasting [7.485041391778341]
我々はNASDAQ-100株に重点を置いており、公開アクセス可能な歴史的株価データ、企業のメタデータ、歴史的経済・金融ニュースを活用している。
我々は,Open-LLaMA などの公開 LLM を微調整した上で,説明可能な予測を生成するための命令を理解することができることを示す。
論文 参考訳(メタデータ) (2023-06-19T15:42:02Z) - Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress,
and Prospects [87.21528291896783]
自己教師付き学習(SSL)は、最近、様々な時系列タスクで印象的なパフォーマンスを達成した。
この記事では、時系列データに対する最先端のSSLメソッドについてレビューする。
論文 参考訳(メタデータ) (2023-06-16T18:23:10Z) - A Survey of Large Language Models [81.06947636926638]
言語モデリングは、過去20年間、言語理解と生成のために広く研究されてきた。
近年,大規模コーパス上でのトランスフォーマーモデルの事前学習により,事前学習言語モデル (PLM) が提案されている。
パラメータスケールの違いを識別するために、研究コミュニティは大規模言語モデル (LLM) という用語を提唱した。
論文 参考訳(メタデータ) (2023-03-31T17:28:46Z) - Simulation-Informed Revenue Extrapolation with Confidence Estimate for
Scaleup Companies Using Scarce Time-Series Data [0.5690261407732993]
シミュレーションインフォームド収益外挿法(SiRE)アルゴリズムを提案する。
SiREは様々なセクターで運用されるスケールアップに取り組んでおり、信頼度を見積もっている。
また,SiREが短時間の時系列から長期予測を外挿する際にも高い性能を示す。
論文 参考訳(メタデータ) (2022-08-19T00:20:31Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Pre-emptive learning-to-defer for sequential medical decision-making
under uncertainty [35.077494648756876]
本研究では,SLTD(Sequential Learning-to-Defer)を,逐次的意思決定設定において専門家に先入観を学習するためのフレームワークとして提案する。
SLTDは、力学の根底にある不確実性に基づいて、現在と後の遅延値を改善する可能性を測定する。
論文 参考訳(メタデータ) (2021-09-13T20:43:10Z) - Predicting Status of Pre and Post M&A Deals Using Machine Learning and
Deep Learning Techniques [0.0]
リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。
事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。
本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-08-05T21:26:45Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z)
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。