論文の概要: Fund2Vec: Mutual Funds Similarity using Graph Learning

• arxiv url: http://arxiv.org/abs/2106.12987v1
• Date: Thu, 24 Jun 2021 17:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 14:47:17.408794
• Title: Fund2Vec: Mutual Funds Similarity using Graph Learning
• Title（参考訳）: fund2vec:グラフ学習による相互資金の類似性
• Authors: Vipul Satone, Dhruv Desai, Dhagash Mehta
• Abstract要約: 本稿では,ファンドの重み付けされたバイパーティイトネットワーク表現とその基盤となる資産データに基づいて,類似資金を同定するための根本的に新しいアプローチを提案する。 私たちの研究は、ファンド・アセット・ネットワークのもともとの形での重み付けされたバイパートイト・ネットワークの表現に関する初めての研究である。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying similar mutual funds with respect to the underlying portfolios has found many applications in financial services ranging from fund recommender systems, competitors analysis, portfolio analytics, marketing and sales, etc. The traditional methods are either qualitative, and hence prone to biases and often not reproducible, or, are known not to capture all the nuances (non-linearities) among the portfolios from the raw data. We propose a radically new approach to identify similar funds based on the weighted bipartite network representation of funds and their underlying assets data using a sophisticated machine learning method called Node2Vec which learns an embedded low-dimensional representation of the network. We call the embedding \emph{Fund2Vec}. Ours is the first ever study of the weighted bipartite network representation of the funds-assets network in its original form that identifies structural similarity among portfolios as opposed to merely portfolio overlaps.
• Abstract（参考訳）: 基礎となるポートフォリオに関する類似した相互資金の特定は、ファンドレコメンデーションシステム、競合分析、ポートフォリオ分析、マーケティングとセールスなど、金融サービスにおける多くの応用を見出した。 伝統的な手法は定性的であり、バイアスになりやすく、しばしば再現できない、または、生のデータからポートフォリオ内の全てのニュアンス(非線形性)を捉えないことが知られている。 本稿では,ネットワークの埋め込み低次元表現を学習する高度な機械学習手法であるnode2vecを用いて,資金の重み付け2部ネットワーク表現とその基盤資産データに基づく類似資金の同定手法を提案する。 埋め込み \emph{Fund2Vec} と呼ぶ。 私たちの研究は、ポートフォリオ間の構造的類似性を単にポートフォリオの重複ではなく識別する、ファンド・アセット・ネットワークの重み付けされた2部ネットワーク表現に関する最初の研究である。

関連論文リスト

• High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
  基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。 具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。 2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-10T08:04:11Z)
• A Deep Reinforcement Learning Framework For Financial Portfolio Management [3.186092314772714]
  ディープラーニング技術によって解決されるポートフォリオ管理の問題である。 このフレームワークを実現するために、CNN(Convolutional Neural Network)、RNN(Basic Recurrent Neural Network)、Long Short-Term Memory(Long Short-Term Memory)という3つの異なるインスタンスが使用される。 我々は、優れたリターンを得られる原紙の複製に成功したが、株式市場に適用されると、うまく機能しない。
  論文  参考訳（メタデータ） (2024-09-03T20:11:04Z)
• Unsupervised Domain Adaptation on Person Re-Identification via Dual-level Asymmetric Mutual Learning [108.86940401125649]
  本稿では,多種多様な埋め込み空間を持つより広い知識領域から識別的表現を学習するための,DAML(Dual-level Asymmetric Mutual Learning)を提案する。 2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。 Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける実験は、最先端技術よりもDAMLの方が優れていることを証明した。
  論文  参考訳（メタデータ） (2023-01-29T12:36:17Z)
• Find the Funding: Entity Linking with Incomplete Funding Knowledge Bases [1.9451328614697954]
  i)知識ベース(KB)のスパースグラフ構造と(ii)KBの欠落したエンティティの識別とリンクに関する2つの大きな課題がある。 我々は,NIL予測を行い,データ不足問題を時間とデータ効率で克服できるエンティティリンクモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:41:42Z)
• Learning Mutual Fund Categorization using Natural Language Processing [0.5249805590164901]
  自然言語処理(NLP)を用いて,非構造化データから分類システムを直接学習する。 分類システムを高精度に学習できることが示される。
  論文  参考訳（メタデータ） (2022-07-11T15:40:18Z)
• Competing Mutual Information Constraints with Stochastic Competition-based Activations for Learning Diversified Representations [5.981521556433909]
  本研究は,多角化表現の学習における長年の課題に対処することを目的としている。 情報理論の議論と競争に基づくアクティベーションを組み合わせる。 実験的に示すように、結果として得られるネットワークは、重要な離散表現学習能力をもたらす。
  論文  参考訳（メタデータ） (2022-01-10T20:12:13Z)
• Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
  我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。 これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。 これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T00:53:03Z)
• Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
  イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。 本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。 学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
  論文  参考訳（メタデータ） (2021-04-06T09:21:14Z)
• Is Image Encoding Beneficial for Deep Learning in Finance? An Analysis of Image Encoding Methods for the Application of Convolutional Neural Networks in Finance [4.14084373472438]
  SEC(証券取引委員会)は、米国で事業を行う企業に対して、すべての企業書類をElectronic Data Gathering, Analysis, and Retrieval(EDGAR)システムに登録するよう義務付けた。 これはポートフォリオマネージャ(年金基金、相互ファンド、保険、ヘッジファンド)に、投資する企業に対する自動的な洞察を提供する可能性がある。
  論文  参考訳（メタデータ） (2020-10-17T02:14:39Z)
• Knowledge as Priors: Cross-Modal Knowledge Generalization for Datasets without Superior Knowledge [55.32035138692167]
  クロスモーダルな知識蒸留は、優れたモーダルで訓練されたモデルから弱いモーダルで訓練された別のモデルに知識を移すことを扱う。 本研究では,教師が利用できないターゲットデータセットにおいて,生徒を訓練するための新しいスキームを提案する。
  論文  参考訳（メタデータ） (2020-04-01T00:28:15Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。