論文の概要: Confronting Machine Learning With Financial Research
- arxiv url: http://arxiv.org/abs/2103.00366v1
- Date: Sun, 28 Feb 2021 01:10:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 22:55:30.961927
- Title: Confronting Machine Learning With Financial Research
- Title（参考訳）: 機械学習と金融研究の対決
- Authors: Kristof Lommers, Ouns El Harzli, Jack Kim
- Abstract要約: 本研究の目的は,金融研究における機械学習の課題と応用を検討することである。
金融における機械学習の主な課題について論じ、それらがどのように説明できるのかを検討する。
- 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 study aims to examine the challenges and applications of machine
learning for financial research. Machine learning algorithms have been
developed for certain data environments which substantially differ from the one
we encounter in finance. Not only do difficulties arise due to some of the
idiosyncrasies of financial markets, there is a fundamental tension between the
underlying paradigm of machine learning and the research philosophy in
financial economics. Given the peculiar features of financial markets and the
empirical framework within social science, various adjustments have to be made
to the conventional machine learning methodology. We discuss some of the main
challenges of machine learning in finance and examine how these could be
accounted for. Despite some of the challenges, we argue that machine learning
could be unified with financial research to become a robust complement to the
econometrician's toolbox. Moreover, we discuss the various applications of
machine learning in the research process such as estimation, empirical
discovery, testing, causal inference and prediction.
- Abstract（参考訳）: 本研究の目的は,金融研究における機械学習の課題と応用を検討することである。
機械学習アルゴリズムは、金融業界で遭遇したものとは大きく異なる特定のデータ環境向けに開発された。
金融市場の特異性によって困難が生じるだけでなく、基礎となる機械学習のパラダイムと金融経済学の研究哲学の間には根本的な緊張関係がある。
金融市場の特異な特徴と社会科学における経験的枠組みを考えると、従来の機械学習手法に様々な調整を加える必要がある。
金融における機械学習の主な課題について論じ、それらがどのように説明できるのかを検討する。
課題のいくつかにもかかわらず、機械学習は金融研究と統合され、エコノメトリアンのツールボックスの堅牢な補完になる可能性があると主張しています。
さらに、推定、経験的発見、テスト、因果推論、予測といった研究プロセスにおける機械学習のさまざまな応用について論じる。
関連論文リスト
- A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。
我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。
本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
論文 参考訳（メタデータ） (2024-06-15T16:11:35Z) - Applications of Quantum Machine Learning for Quantitative Finance [0.0]
機械学習と量子機械学習(QML)は、複雑な計算問題に対処するための強力なツールを提供するため、重要な意味を持つようになった。
本研究は、金融産業における重要な分野である量的金融におけるQMLの利用について概観する。
金融アプリケーションにおける量子コンピューティングと機械学習の関連性について検討し、不正検出、引受、リスク評価、株式市場予測、ポートフォリオ最適化、オプション価格など、さまざまなユースケースについて検討する。
論文 参考訳（メタデータ） (2024-05-16T14:15:44Z) - Mathematics of Differential Machine Learning in Derivative Pricing and Hedging [0.0]
本稿では、厳密な数学的枠組みを通じて、金融微分機械学習アルゴリズムの概念を紹介する。
この研究は、機械学習アルゴリズムの構築における金融モデルにおける理論的仮定の深い意味を強調している。
論文 参考訳（メタデータ） (2024-05-02T12:25:41Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳（メタデータ） (2022-09-07T19:21:19Z) - Statistical Foundation Behind Machine Learning and Its Impact on
Computer Vision [8.974457198386414]
本稿では、統計的学習における一様収束の原理を再考し、機械学習の基礎としてどのように機能するかを論じ、現在のディープラーニングアルゴリズムが解決している本質的な問題をよりよく理解しようと試みる。
コンピュータビジョンを機械学習の例として用いた議論は、近年の大規模データを活用して、表現学習に事前学習を行うことによる研究の傾向が、現実的に抽出可能な経験的損失と最終的に望まれるが、予測される損失との差を減らしていることを示している。
論文 参考訳（メタデータ） (2022-09-06T17:59:04Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - Machine Learning in Finance-Emerging Trends and Challenges [1.2891210250935146]
機械学習と人工知能のパラダイムが私たちの日常生活に浸透し、もはや神秘的な学者や科学者の領域ではない。
処理速度の指数的な成長により、組織はビジネス価値をはるかに上回るソリューションを実現するために、膨大な量のデータを活用することが可能になった。
この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面している課題と障壁を取り上げている。
論文 参考訳（メタデータ） (2021-10-08T09:14:06Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。