論文の概要: Predicting Corporate Risk by Jointly Modeling Company Networks and
Dialogues in Earnings Conference Calls
- arxiv url: http://arxiv.org/abs/2206.06174v1
- Date: Wed, 25 May 2022 17:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 01:16:14.835337
- Title: Predicting Corporate Risk by Jointly Modeling Company Networks and
Dialogues in Earnings Conference Calls
- Title（参考訳）: 決算会議コールにおける企業ネットワークと対話の協調モデリングによる企業リスクの予測
- Authors: Yunxin Sang, Yang Bao
- Abstract要約: 我々は、企業リスク予測のために、収支会議コールと企業ネットワークを組み込む新しいモデル、Temporal Virtual Graph Neural Network (TVGNN)を提案する。
本モデルは,対話モデルにおける話者の役割情報を初めて取り入れたモデルである。
さらに,企業ネットワーク構築のための新しい手法を設計し,グラフに時間的情報漏洩がないようにした。
- 参考スコア（独自算出の注目度）: 0.571097144710995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More and more researchers focus on studying company risk prediction based on
earnings conference calls because of their free form and rich information.
However, existing research does not take speaker role information into account.
Besides, current research does not fully consider the impact of inter-company
relationships on company risk. The only study integrating company networks and
earnings conference calls constructs companies in an undirected graph, which
does not meet the requirement of no temporal information leakage for prediction
tasks. To solve the above problems, we propose a new model -- Temporal Virtual
Graph Neural Network (TVGNN), to incorporate earnings conference calls and
company networks for company risk prediction. Our model incorporates the
speaker's role information in the dialogue modeling for the first time. In
addition, we design a new method to construct company networks that can ensure
no temporal information leakage in the graph. The experimental results show
that the proposed model exceeds all baselines. The case study shows that the
prediction results of the model are interpretable.
- Abstract（参考訳）: フリーフォームと豊富な情報により、より多くの研究者が収支会議コールに基づく企業のリスク予測の研究に重点を置いている。
しかし、既存の研究は話者の役割情報を考慮していない。
また、現在の研究は企業間の関係が企業リスクに与える影響を十分に考慮していない。
企業ネットワークと収支会議のコールを統合する唯一の研究は、予測タスクに時間的情報漏洩が不要な非方向性グラフで企業を構築することである。
上記の問題を解決するため、企業リスク予測のための収支会議コールと企業ネットワークを統合するための新しいモデルであるテンポラル仮想グラフニューラルネットワーク(TVGNN)を提案する。
本モデルは,対話モデルにおける話者の役割情報を初めて取り入れたモデルである。
さらに,企業ネットワーク構築のための新しい手法を設計し,グラフに時間的情報漏洩がないようにした。
実験の結果,提案モデルが全ベースラインを超えることがわかった。
ケーススタディでは,モデルの予測結果が解釈可能であることが示された。
関連論文リスト
- Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。
課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Probabilistic Demand Forecasting with Graph Neural Networks [0.0]
本稿では,従来のグラフニューラルネットワーク(GNN)の研究に基づいて,2つのコントリビューションを行う。
まず、GNNエンコーダを最先端のDeepARモデルに統合する。この組み合わせモデルは確率的予測を生成し、不確実性の下での意思決定に不可欠である。
第2に,事前定義されたグラフ構造に依存しない記事類似性を用いてグラフを構築することを提案する。実世界の3つのデータセットの実験から,提案手法が非グラフベンチマークを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2024-01-23T21:20:48Z) - Earnings Prediction Using Recurrent Neural Networks [0.0]
この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。
アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。
会計年度末と四半期決算予測の両方を作成できる。
論文 参考訳（メタデータ） (2023-11-10T13:04:34Z) - Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳（メタデータ） (2023-08-22T12:53:09Z) - Deep learning models for price forecasting of financial time series: A
review of recent advancements: 2020-2022 [6.05458608266581]
ディープラーニングモデルは、価格予測タスクのための従来の統計モデルと機械学習モデルを置き換えるものだ。
このレビューは、ディープラーニングに基づく予測モデルについて深く掘り下げ、モデルアーキテクチャ、実践的応用、およびそれぞれの利点と欠点に関する情報を提示する。
この貢献には、価格予測のための複雑な構造を持つディープラーニングモデルの有効性を検討するなど、将来の研究に向けた潜在的方向性も含まれている。
論文 参考訳（メタデータ） (2023-04-21T03:46:09Z) - Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph
with Hierarchical Graph Neural Networks [62.94317686301643]
企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。
従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。
比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
論文 参考訳（メタデータ） (2023-01-31T09:17:13Z) - Large Language Models with Controllable Working Memory [64.71038763708161]
大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。
これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。
モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
論文 参考訳（メタデータ） (2022-11-09T18:58:29Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - On the Efficacy of Adversarial Data Collection for Question Answering:
Results from a Large-Scale Randomized Study [65.17429512679695]
逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。
ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
論文 参考訳（メタデータ） (2021-06-02T00:48:33Z) - Every Corporation Owns Its Image: Corporate Credit Ratings via
Convolutional Neural Networks [2.867517731896504]
企業の信用格付けを予測するため,従来の機械学習モデルの性能を分析した。
本稿では,畳み込みニューラルネットワーク(CCR-CNN)を用いた新しいエンド・ツー・エンド手法,コーポレート・クレジット・レーティングを提案する。
CCR-CNNは最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2020-12-03T01:01:34Z) - Every Corporation Owns Its Structure: Corporate Credit Ratings via Graph
Neural Networks [2.7910505923792637]
本稿では,グラフニューラルネットワークを用いた企業信用評価モデルCCR-GNNを提案する。
まず、まず、セルフアウトの製品に基づいて各企業の個々のグラフを構築し、次に、GNNを使用して機能相互作用を明示的にモデル化する。
中国の上場企業評価データセットで実施された実験は、CCR-GNNが最先端の手法を一貫して上回っていることを証明している。
論文 参考訳（メタデータ） (2020-11-27T02:57:14Z)
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。