論文の概要: Credit spread approximation and improvement using random forest
regression
- arxiv url: http://arxiv.org/abs/2106.07358v1
- Date: Fri, 4 Jun 2021 09:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:05:33.374278
- Title: Credit spread approximation and improvement using random forest
regression
- Title（参考訳）: ランダム森林回帰を用いた信用拡散近似と改善
- Authors: Mathieu Mercadier, Jean-Pierre Lardy
- Abstract要約: 本稿では,CDS(CDS)の構造近似について述べる。
このE2C式でランダムな森林回帰が実行され、選択された財務データにより、CDS近似において87.3%のアウト・オブ・サンプル精度が得られる。
本アルゴリズムの透明性特性は,CDS予測におけるE2C推定の優位性と,企業の債務評価と規模の影響を確認するものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Credit Default Swap (CDS) levels provide a market appreciation of companies'
default risk. These derivatives are not always available, creating a need for
CDS approximations. This paper offers a simple, global and transparent CDS
structural approximation, which contrasts with more complex and proprietary
approximations currently in use. This Equity-to-Credit formula (E2C), inspired
by CreditGrades, obtains better CDS approximations, according to empirical
analyses based on a large sample spanning 2016-2018. A random forest regression
run with this E2C formula and selected additional financial data results in an
87.3% out-of-sample accuracy in CDS approximations. The transparency property
of this algorithm confirms the predominance of the E2C estimate, and the impact
of companies' debt rating and size, in predicting their CDS.
- Abstract（参考訳）: Credit Default Swap (CDS)レベルは、企業のデフォルトリスクに対する市場評価を提供する。
これらの誘導体は必ずしも利用可能ではなく、CDS近似の必要性が生じる。
本稿では,より複雑でプロプライエタリな近似と対照的な,シンプルでグローバルで透過的なCDS構造近似を提供する。
このEquity-to-Credit式(E2C)はCreditGradesにインスパイアされ、2016-2018年の大規模なサンプルに基づく経験的分析により、より良いCDS近似を得る。
このE2C式でランダムな森林回帰が実行され、選択された財務データによってCDS近似の87.3%の精度が得られる。
本アルゴリズムの透明性特性は,CDS予測におけるE2C推定の優位性と,企業の債務評価と規模の影響を確認するものである。
関連論文リスト
- A New Way: Kronecker-Factored Approximate Curvature Deep Hedging and its Benefits [0.0]
本稿では, Kronecker-Factored Approximate Curvature (K-FAC) 最適化の新たな統合により, ディープヘッジフレームワークの計算効率を向上する。
提案アーキテクチャは,K-FACの2次最適化とLong Short-Term Memory (LSTM)ネットワークを結合する。
論文 参考訳（メタデータ） (2024-11-22T15:19:40Z) - Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。
ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。
我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
論文 参考訳（メタデータ） (2024-10-26T14:24:37Z) - An Innovative Attention-based Ensemble System for Credit Card Fraud Detection [5.486205584465161]
本稿では,クレジットカード不正検出のためのユニークな注意に基づくアンサンブルモデルを提案する。
アンサンブルモデルの精度は 99.95% であり、曲線 (AUC) の下の面積は 1 である。
論文 参考訳（メタデータ） (2024-10-01T09:56:23Z) - Improved Communication-Privacy Trade-offs in $L_2$ Mean Estimation under Streaming Differential Privacy [47.997934291881414]
既存の平均推定スキームは、通常、$L_infty$幾何に最適化され、ランダムな回転や、$L$幾何に適応するカシンの表現に依存する。
本稿では,スパシフィケーションに固有のランダム性をDPに組み込んだ,スパシフィケーションガウシアン機構の新たなプライバシ会計手法を提案する。
従来の手法とは異なり、我々の会計アルゴリズムは直接$L$幾何で動作し、ガウスの機構に迅速に収束するMSEが得られる。
論文 参考訳（メタデータ） (2024-05-02T03:48:47Z) - Uncertainty quantification in automated valuation models with locally
weighted conformal prediction [1.167489362272148]
Conformal Prediction (CP) は、最小限の仮定で機械学習予測モデルの周りに信頼セットを構築するためのモデルに依存しないフレームワークである。
住宅価格で観測される空間的依存関係のため、CPの直接適用は、至る所で校正されていない信頼セットにつながる。
非整合性スコアのテキスト局所重み付け版における信頼度セットの校正は、地理的に異なる領域において、より一貫した校正を行うことを示す。
論文 参考訳（メタデータ） (2023-12-11T17:09:12Z) - Accurate and Reliable Confidence Estimation Based on Non-Autoregressive
End-to-End Speech Recognition System [42.569506907182706]
従来のエンドツーエンド(E2E)ベースの信頼度推定モデル(CEM)は、入力書き起こしと等しい長さのスコアシーケンスを予測する。
本稿では,新しい非自己回帰型E2E ASRモデル - Paraformer に基づく正確かつ信頼性の高い信頼度推定を実現するために,CIF-Aligned confidence Estimation Model (CA-CEM)を提案する。
論文 参考訳（メタデータ） (2023-05-18T03:34:50Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Normalized/Clipped SGD with Perturbation for Differentially Private
Non-Convex Optimization [94.06564567766475]
DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。
DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
論文 参考訳（メタデータ） (2022-06-27T03:45:02Z) - When AUC meets DRO: Optimizing Partial AUC for Deep Learning with
Non-Convex Convergence Guarantee [51.527543027813344]
単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。
一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
論文 参考訳（メタデータ） (2022-03-01T01:59:53Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳（メタデータ） (2022-01-26T19:59:14Z) - Second-order step-size tuning of SGD for non-convex optimization [6.021787236982659]
本稿では,バニラSGDの直接的かつ簡便な改良の観点から,ミニバッチケースのステップサイズを微調整する。
古典的なbarzilai-borwein法のバージョンと見なすことができる新しい一階勾配法(ステップ調整sgd)を得る。
論文 参考訳（メタデータ） (2021-03-05T10:01:48Z)
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。