論文の概要: Every Corporation Owns Its Image: Corporate Credit Ratings via
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2012.03744v1
- Date: Thu, 3 Dec 2020 01:01:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 14:39:12.890410
- Title: Every Corporation Owns Its Image: Corporate Credit Ratings via
Convolutional Neural Networks
- Title(参考訳): あらゆる企業が画像を所有している:畳み込みニューラルネットワークによる信用格付け
- Authors: Bojing Feng, Wenfang Xue, Bindang Xue, Zeyu Liu
- Abstract要約: 企業の信用格付けを予測するため,従来の機械学習モデルの性能を分析した。
本稿では,畳み込みニューラルネットワーク(CCR-CNN)を用いた新しいエンド・ツー・エンド手法,コーポレート・クレジット・レーティングを提案する。
CCR-CNNは最先端のメソッドを一貫して上回る。
- 参考スコア(独自算出の注目度): 2.867517731896504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Credit rating is an analysis of the credit risks associated with a
corporation, which reflect the level of the riskiness and reliability in
investing. There have emerged many studies that implement machine learning
techniques to deal with corporate credit rating. However, the ability of these
models is limited by enormous amounts of data from financial statement reports.
In this work, we analyze the performance of traditional machine learning models
in predicting corporate credit rating. For utilizing the powerful convolutional
neural networks and enormous financial data, we propose a novel end-to-end
method, Corporate Credit Ratings via Convolutional Neural Networks, CCR-CNN for
brevity. In the proposed model, each corporation is transformed into an image.
Based on this image, CNN can capture complex feature interactions of data,
which are difficult to be revealed by previous machine learning models.
Extensive experiments conducted on the Chinese public-listed corporate rating
dataset which we build, prove that CCR-CNN outperforms the state-of-the-art
methods consistently.
- Abstract(参考訳): 信用格付けは、投資におけるリスクと信頼性のレベルを反映した、企業に関連する信用リスクの分析である。
企業信用格付けを扱うための機械学習技術を実装する多くの研究が生まれている。
しかし、これらのモデルの能力は財務報告の膨大なデータによって制限されている。
本研究では、従来の機械学習モデルの性能を分析し、企業の信用格付けを予測する。
本稿では,強力な畳み込みニューラルネットワークと巨大な財務データを活用するために,畳み込みニューラルネットワークを用いた新たなエンドツーエンド手法であるCCR-CNNを提案する。
提案したモデルでは、各企業がイメージに変換される。
この画像に基づいて、CNNはデータの複雑な特徴的相互作用をキャプチャすることができる。
CCR-CNNは、私たちが構築した企業評価データセットで実施された大規模な実験によって、最先端の手法を一貫して上回っていることが証明された。
関連論文リスト
- Applying Hybrid Graph Neural Networks to Strengthen Credit Risk Analysis [4.457653449326353]
本稿では, グラフ畳み込みニューラルネットワーク(GCNN)を用いた信用リスク予測手法を提案する。
提案手法は、従来の信用リスク評価モデルが直面する課題、特に不均衡なデータセットを扱う際の課題に対処する。
この研究は、信用リスク予測の精度を向上させるためのGCNNの可能性を示し、金融機関にとって堅牢なソリューションを提供する。
論文 参考訳(メタデータ) (2024-10-05T20:49:05Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - 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) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳(メタデータ) (2023-08-22T12:53:09Z) - Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph
with Hierarchical Graph Neural Networks [62.94317686301643]
企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。
従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。
比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
論文 参考訳(メタデータ) (2023-01-31T09:17:13Z) - On the combination of graph data for assessing thin-file borrowers'
creditworthiness [0.0]
複数のグラフ表現学習手法をブレンドすることで信用スコアリングモデルを改善する枠組みを導入する。
我々はこの枠組みを,ラテンアメリカの人口全体の関係と信用履歴を特徴付けるユニークなデータセットを用いて検証した。
利回りがはるかに高いコーポレート融資では、非銀行企業の評価が単にその特徴を考慮できないことを確認している。
論文 参考訳(メタデータ) (2021-11-26T18:45:23Z) - Explainable Enterprise Credit Rating via Deep Feature Crossing Network [8.867320666267956]
本稿では、ディープニューラルネットワーク(DNN)とアテンションメカニズムを用いて、企業信用格付け問題を明示的にモデル化する新しいネットワークを提案する。
提案手法が従来の手法よりも高い性能を達成できることを実世界の企業データセットで実証した実験結果が得られた。
論文 参考訳(メタデータ) (2021-05-22T02:41:50Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph
Neural Networks [2.7910505923792637]
本稿では,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。
まず、まず、セルフアウトの製品に基づいて各企業の個々のグラフを構築し、次に、GNNを使用して機能相互作用を明示的にモデル化する。
中国の上場企業評価データセットで実施された実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。
論文 参考訳(メタデータ) (2020-11-27T02:57:14Z) - Neural Network-based Automatic Factor Construction [58.96870869237197]
本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。
NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。
NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
論文 参考訳(メタデータ) (2020-08-14T07:44:49Z) - 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。