論文の概要: Financial Data Analysis Using Expert Bayesian Framework For Bankruptcy
Prediction
- arxiv url: http://arxiv.org/abs/2010.13892v2
- Date: Fri, 30 Oct 2020 05:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:18:07.188463
- Title: Financial Data Analysis Using Expert Bayesian Framework For Bankruptcy
Prediction
- Title（参考訳）: 専門家ベイズ型破産予測手法を用いた金融データ分析
- Authors: Amir Mukeri, Habibullah Shaikh, Dr. D.P. Gaikwad
- Abstract要約: 本稿では,エキスパートベイズフレームワークを用いた生成モデリングの新たな手法を提案する。
提案フレームワークの最大の利点は、モデリングプロセスに専門家の判断を明示的に取り入れることである。
提案手法は、金融や医療診断など、高度に規制された、あるいは安全性の高い応用に適している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, bankruptcy forecasting has gained lot of attention from
researchers as well as practitioners in the field of financial risk management.
For bankruptcy prediction, various approaches proposed in the past and
currently in practice relies on accounting ratios and using statistical
modeling or machine learning methods. These models have had varying degrees of
successes. Models such as Linear Discriminant Analysis or Artificial Neural
Network employ discriminative classification techniques. They lack explicit
provision to include prior expert knowledge. In this paper, we propose another
route of generative modeling using Expert Bayesian framework. The biggest
advantage of the proposed framework is an explicit inclusion of expert judgment
in the modeling process. Also the proposed methodology provides a way to
quantify uncertainty in prediction. As a result the model built using Bayesian
framework is highly flexible, interpretable and intuitive in nature. The
proposed approach is well suited for highly regulated or safety critical
applications such as in finance or in medical diagnosis. In such cases accuracy
in the prediction is not the only concern for decision makers. Decision makers
and other stakeholders are also interested in uncertainty in the prediction as
well as interpretability of the model. We empirically demonstrate these
benefits of proposed framework on real world dataset using Stan, a
probabilistic programming language. We found that the proposed model is either
comparable or superior to the other existing methods. Also resulting model has
much less False Positive Rate compared to many existing state of the art
methods. The corresponding R code for the experiments is available at Github
repository.
- Abstract（参考訳）: 近年、破産予測は金融リスク管理の分野でも研究者や実践者から多くの注目を集めている。
倒産予測では、過去に提案された様々なアプローチが会計比率に依存し、統計モデルや機械学習手法を用いている。
これらのモデルは様々な成功を収めた。
線形判別分析やニューラルネットワークのようなモデルは識別分類技術を用いる。
専門知識を含むための明確な規定がない。
本稿では,専門家ベイズフレームワークを用いた生成モデリングの新たな経路を提案する。
提案フレームワークの最大の利点は、モデリングプロセスに専門家の判断を明示的に取り入れることである。
また,提案手法は予測の不確実性を定量化する方法を提供する。
その結果、ベイズフレームワークを用いて構築されたモデルは、本質的に非常に柔軟で解釈可能で直感的である。
提案手法は,金融や医療診断など,高度に規制された,あるいは安全上重要な応用に適している。
このような場合、予測の正確性だけが意思決定者にとって問題ではない。
意思決定者や他のステークホルダーは、予測の不確実性やモデルの解釈可能性にも関心を持っている。
確率的プログラミング言語であるStanを用いて,実世界のデータセット上で提案したフレームワークの利点を実証的に示す。
提案したモデルは他の既存手法と同等か優れていることがわかった。
また、得られたモデルは、既存の多くの技術手法と比較して、偽陽性率をはるかに少なくする。
実験用の対応するRコードはGithubリポジトリで公開されている。
関連論文リスト
- Uncertainty Quantification of Surrogate Models using Conformal Prediction [7.445864392018774]
我々は,モデルに依存しない方法で予測を満足する共形予測フレームワークを定式化し,ほぼゼロの計算コストを必要とする。
本稿では,決定論的モデルに対する統計的に有効なエラーバーを提供するとともに,確率論的モデルのエラーバーに対する保証を作成することを検討する。
論文 参考訳（メタデータ） (2024-08-19T10:46:19Z) - Deep Neural Network Benchmarks for Selective Classification [27.098996474946446]
複数の選択的な分類フレームワークが存在し、その多くはディープニューラルネットワークアーキテクチャに依存している。
提案手法は,選択誤差率,経験的カバレッジ,拒否されたインスタンスのクラス分布,アウト・オブ・ディストリビューション・インスタンスの性能など,いくつかの基準を用いて評価する。
論文 参考訳（メタデータ） (2024-01-23T12:15:47Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - 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) - Black-box Bayesian inference for economic agent-based models [0.0]
2種類のブラックボックス近似ベイズ推定法の有効性について検討した。
ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
論文 参考訳（メタデータ） (2022-02-01T18:16:12Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。
また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
論文 参考訳（メタデータ） (2021-02-26T17:38:52Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Plausible Counterfactuals: Auditing Deep Learning Classifiers with
Realistic Adversarial Examples [84.8370546614042]
ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。
GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。
その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
論文 参考訳（メタデータ） (2020-03-25T11:08:56Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
論文 参考訳（メタデータ） (2020-03-17T10:13:31Z)
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。