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。
• 全文 参考訳へのリンク

関連論文リスト

• Neural Pseudo-Label Optimism for the Bank Loan Problem [78.66533961716728]
  本研究では,Emphbank 融資問題に最もよく表される分類問題について検討する。 線形モデルの場合、この問題はモデル予測に直接最適化を加えることで解決できる。 Pseudo-Label Optimism (PLOT)は,この設定をディープニューラルネットワークに適用するための概念的かつ計算学的にシンプルな手法である。
  論文  参考訳（メタデータ） (2021-12-03T22:46:31Z)
• Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
  本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。 このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。 結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
  論文  参考訳（メタデータ） (2021-11-09T07:50:48Z)
• Predicting Mortality from Credit Reports [0.0]
  個人消費財務行動に関連する数百の変数に関するデータは、多くの国で定期的に収集されている。 私たちは、個人死亡率を予測するために信用レポートデータを使用できることを示すために、一連の機械学習モデルを構築します。
  論文  参考訳（メタデータ） (2021-11-05T13:57:39Z)
• 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)
• Modelling Sovereign Credit Ratings: Evaluating the Accuracy and Driving Factors using Machine Learning Techniques [0.0]
  国家信用格付けは国の信用格付けを要約する。 本論文では, 複数層パーセプトロン(MLP), 分類・回帰木(CART), 主権的信用格付け予測のためのオーダドロジット(OL)モデルの利用について検討する。
  論文  参考訳（メタデータ） (2021-01-29T17:06:18Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。