論文の概要: Where does the Stimulus go? Deep Generative Model for Commercial Banking
Deposits
- arxiv url: http://arxiv.org/abs/2101.09230v1
- Date: Fri, 22 Jan 2021 17:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 21:32:34.391844
- Title: Where does the Stimulus go? Deep Generative Model for Commercial Banking
Deposits
- Title(参考訳): Stimulusはどこへ行くのか?
商業銀行預金の深部生成モデル
- Authors: Ni Zhan
- Abstract要約: 銀行の財務情報に関するデータセットを用いて、2000年から2020年にかけての業界小売業者の預金を予測します。
備蓄量の増加(QEの表れ)は、売り場を増やすが小売地ではなく、売り場と小売地の両方を均等に増加させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper examines deposits of individuals ("retail") and large companies
("wholesale") in the U.S. banking industry, and how these deposit types are
impacted by macroeconomic factors, such as quantitative easing (QE). Actual
data for deposits by holder are unavailable. We use a dataset on banks'
financial information and probabilistic generative model to predict industry
retail-wholesale deposit split from 2000 to 2020. Our model assumes account
balances arise from separate retail and wholesale lognormal distributions and
fit parameters of distributions by minimizing error between actual bank metrics
and simulated metrics using the model's generative process. We use time-series
regression to forward predict retail-wholesale deposits as function of loans,
retail loans, and reserve balances at Fed banks. We find increase in reserves
(representing QE) increases wholesale but not retail deposits, and increase in
loans increase both wholesale and retail deposits evenly. The result shows that
QE following the 2008 financial crisis benefited large companies more than
average individuals, a relevant finding for economic decision making. In
addition, this work benefits bank management strategy by providing forecasting
capability for retail-wholesale deposits.
- Abstract(参考訳): 本稿では,米国の銀行業における個人(「リテール」)と大企業(「wholesale」)の預金状況と,量的緩和(qe)などのマクロ経済要因の影響について検討する。
ホルダーによる預金の実際のデータは利用できない。
我々は、銀行の財務情報と確率的生成モデルに基づくデータセットを用いて、2000年から2020年にかけての業界小売店預金の予測を行う。
我々のモデルは、実際の銀行のメトリクスとモデルの生成過程を用いたシミュレーションメトリクスの誤差を最小化することにより、小売店のログ正規分布と流通の適合パラメータから口座残高を推定する。
我々は、金融当局の融資、小売ローン、準備残高の関数として、リテール・wholesale depositsを予測するために時系列回帰を利用する。
備蓄量の増加(QEの表れ)は、売り場を増やすが小売地ではなく、売り場と小売地の両方を均等に増加させる。
その結果、2008年の金融危機後のqeは、平均的個人以上の大企業に利益をもたらし、経済的な意思決定に関連する発見となった。
さらに、この作業は、小売店預金の予測能力を提供することで、銀行経営戦略の恩恵を受ける。
関連論文リスト
- Machine Learning Models Evaluation and Feature Importance Analysis on
NPL Dataset [0.0]
エチオピアのプライベートバンクが提供するデータセット上で、異なる機械学習モデルがどのように機能するかを評価する。
XGBoostは、KMeans SMOTEオーバーサンプリングデータ上で最高F1スコアを達成する。
論文 参考訳(メタデータ) (2022-08-28T17:09:44Z) - Should Bank Stress Tests Be Fair? [1.370633147306388]
銀行間でデータをプールすることは銀行を平等に扱うが、2つの欠陥があると主張する。
我々は、銀行間の差異を単に無視するよりも、中心的な銀行固定効果を推定し、破棄することを好んで論じる。
論文 参考訳(メタデータ) (2022-07-27T06:46:51Z) - Predicting Credit Risk for Unsecured Lending: A Machine Learning
Approach [0.0]
本研究は、無担保貸付(クレディットカード)の信用デフォルトを予測するための、同時代の信用評価モデルを構築することを目的とする。
本研究は,光グラディエントブースティングマシン(LGBM)モデルにより,学習速度の向上,効率の向上,データボリュームの大規模化を実現していることを示す。
このモデルの導入により、商業融資機関や銀行の意思決定者に対する信用デフォルトのより良いタイムリーな予測が可能になると期待している。
論文 参考訳(メタデータ) (2021-10-05T17:54:56Z) - Interpretability in Safety-Critical FinancialTrading Systems [15.060749321774136]
2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。
我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。
提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
論文 参考訳(メタデータ) (2021-09-24T17:05:58Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。
エージェントの好みを学習するためのオンライン学習機構を提案する。
数値シミュレーションにより,本機構の有効性を実証する。
論文 参考訳(メタデータ) (2021-06-11T21:32:17Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - Super-App Behavioral Patterns in Credit Risk Models: Financial,
Statistical and Regulatory Implications [110.54266632357673]
従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。
2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
論文 参考訳(メタデータ) (2020-05-09T01:32:03Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳(メタデータ) (2020-04-13T13:50:13Z) - Predicting Bank Loan Default with Extreme Gradient Boosting [0.0]
ローンのデフォルト予測には、XGBoostと呼ばれるExtreme Gradient Boostingアルゴリズムを使用します。
この予測は、ローン申請と申請者の人口統計の両方のデータセットを考慮に入れた、指導的銀行からのローンデータに基づいている。
論文 参考訳(メタデータ) (2020-01-18T18:52:10Z)
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。