論文の概要: Bond Default Prediction with Text Embeddings, Undersampling and Deep Learning

• arxiv url: http://arxiv.org/abs/2110.07035v1
• Date: Wed, 13 Oct 2021 21:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 14:44:32.474108
• Title: Bond Default Prediction with Text Embeddings, Undersampling and Deep Learning
• Title（参考訳）: テキスト埋め込み,アンダーサンプリング,ディープラーニングによるボンドデフォルト予測
• Authors: Luke Jordan
• Abstract要約: 市債の0.2%未満はデフォルトだが、当社の手法は発行時点で10件中9件のデフォルトを予測している。 その結果、地方公共財の資本コストの削減が期待できる。
• 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: The special and important problems of default prediction for municipal bonds are addressed using a combination of text embeddings from a pre-trained transformer network, a fully connected neural network, and synthetic oversampling. The combination of these techniques provides significant improvement in performance over human estimates, linear models, and boosted ensemble models, on data with extreme imbalance. Less than 0.2% of municipal bonds default, but our technique predicts 9 out of 10 defaults at the time of issue, without using bond ratings, at a cost of false positives on less than 0.1% non-defaulting bonds. The results hold the promise of reducing the cost of capital for local public goods, which are vital for society, and bring techniques previously used in personal credit and public equities (or national fixed income), as well as the current generation of embedding techniques, to sub-sovereign credit decisions.
• Abstract（参考訳）: 市債のデフォルト予測の特別で重要な問題は、事前訓練されたトランスフォーマーネットワークからのテキスト埋め込み、完全に接続されたニューラルネットワーク、合成オーバーサンプリングの組み合わせによって解決される。 これらの手法を組み合わせることで、極端に不均衡なデータ上で、人間の推定値、線形モデル、強化アンサンブルモデルよりも性能が大幅に向上する。 市債デフォルトの0.2%未満であるが、本手法は発行時のデフォルト10のうち9つを債券格付けを使わずに、非デフォルト債の0.1%未満での偽陽性のコストで予測している。 その結果、社会に不可欠な地方公共財の資本コストを削減し、従来個人的信用や公益(あるいは国民固定所得)に用いられてきた技術や、次世代の埋め込み技術等を、自国的信用決定に導入できることが約束されている。

関連論文リスト

• Fed-Credit: Robust Federated Learning with Credibility Management [18.349127735378048]
  Federated Learning(FL)は、分散デバイスやデータソースのモデルトレーニングを可能にする、新興の機械学習アプローチである。 我々は、Fed-Creditと呼ばれる信頼性管理手法に基づく堅牢なFLアプローチを提案する。 その結果、比較的低い計算複雑性を維持しながら、敵攻撃に対する精度とレジリエンスが向上した。
  論文  参考訳（メタデータ） (2024-05-20T03:35:13Z)
• Efficient and Secure Federated Learning for Financial Applications [15.04345368582332]
  本稿では,フェデレート学習における通信コスト削減のための2つのスペーシング手法を提案する。 1つは、モデルパラメータ更新のための時間変化の階層的スペーシフィケーション法であり、高比のスペーシリティ後のモデル精度を維持する問題の解決である。 もう1つは、セキュアアグリゲーションフレームワークにスパシフィケーション手法を適用することである。
  論文  参考訳（メタデータ） (2023-03-15T04:15:51Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Spending Privacy Budget Fairly and Wisely [7.975975942400017]
  差分プライベート(DP)合成データ生成は、データへのアクセスを改善するための実用的な方法である。 DP固有の問題のひとつは、"プライバシ予算"が一般的に、データセットの機能間で均等に"発効"していることだ。 我々は,DPデータに基づいてトレーニングされたモデルの予測精度を最大化するために,プライバシー予算を「賢明に」配布するアンサンブル手法を開発した。
  論文  参考訳（メタデータ） (2022-04-27T13:13:56Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Secure Federated Learning for Residential Short Term Load Forecasting [0.34123736336071864]
  本稿では,スマートメーターデータを用いた短期需要予測のための協調機械学習手法について検討する。 評価された手法は、分散的で協力的でプライベートなシステムの方向において、従来の集中型アプローチをどのように投影できるかを探求するいくつかのシナリオを考慮に入れている。
  論文  参考訳（メタデータ） (2021-11-17T17:27:59Z)
• Certification of Iterative Predictions in Bayesian Neural Networks [79.15007746660211]
  我々は、BNNモデルの軌道が与えられた状態に到達する確率に対して、安全でない状態の集合を避けながら低い境界を計算する。 我々は、制御と強化学習の文脈において、下限を用いて、与えられた制御ポリシーの安全性保証を提供する。
  論文  参考訳（メタデータ） (2021-05-21T05:23:57Z)
• The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing Platforms [10.86298377998459]
  組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。 フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。 提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-02-11T11:44:32Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。