論文の概要: Simulation-Informed Revenue Extrapolation with Confidence Estimate for
Scaleup Companies Using Scarce Time-Series Data
- arxiv url: http://arxiv.org/abs/2208.10375v1
- Date: Fri, 19 Aug 2022 00:20:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 14:32:54.865011
- Title: Simulation-Informed Revenue Extrapolation with Confidence Estimate for
Scaleup Companies Using Scarce Time-Series Data
- Title（参考訳）: スカース時系列データを用いた大企業の信頼度推定によるシミュレーションインフォームド収益推定
- Authors: Lele Cao, Sonja Horn, Vilhelm von Ehrenheim, Richard Anselmo Stahl,
Henrik Landgren
- Abstract要約: シミュレーションインフォームド収益外挿法(SiRE)アルゴリズムを提案する。
SiREは様々なセクターで運用されるスケールアップに取り組んでおり、信頼度を見積もっている。
また、SiREが短い時系列から外挿し、長期の予測を行う際にも高い性能が観察される。
- 参考スコア（独自算出の注目度）: 0.5690261407732993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Investment professionals rely on extrapolating company revenue into the
future (i.e. revenue forecast) to approximate the valuation of scaleups
(private companies in a high-growth stage) and inform their investment
decision. This task is manual and empirical, leaving the forecast quality
heavily dependent on the investment professionals' experiences and insights.
Furthermore, financial data on scaleups is typically proprietary, costly and
scarce, ruling out the wide adoption of data-driven approaches. To this end, we
propose a simulation-informed revenue extrapolation (SiRE) algorithm that
generates fine-grained long-term revenue predictions on small datasets and
short time-series. SiRE models the revenue dynamics as a linear dynamical
system (LDS), which is solved using the EM algorithm. The main innovation lies
in how the noisy revenue measurements are obtained during training and
inferencing. SiRE works for scaleups that operate in various sectors and
provides confidence estimates. The quantitative experiments on two practical
tasks show that SiRE significantly surpasses the baseline methods by a large
margin. We also observe high performance when SiRE extrapolates from short
time-series and predicts for long-term. The performance-efficiency balance and
result explainability of SiRE are also validated empirically. Evaluated from
the perspective of investment professionals, SiRE can precisely locate the
scaleups that have a great potential return in 2 to 5 years. Furthermore, our
qualitative inspection illustrates some advantageous attributes of the SiRE
revenue forecasts.
- Abstract（参考訳）: 投資専門家は、企業収益を将来(収益予測など)への外挿に頼り、スケールアップ(高成長期の民間企業)の評価を近似し、投資決定を通知する。
このタスクは手動で経験的であり、予測品質は投資専門家の経験と洞察に大きく依存します。
さらに、スケールアップに関する財務データは一般的にプロプライエタリでコストがかかり、不足しているため、データ駆動アプローチの広範な採用を除外する。
そこで本研究では,小規模のデータセットと短時間の時系列データを用いて,長期収益予測を高精度に生成するシミュレーションインフォームド収益推定アルゴリズムを提案する。
SiREは、収益動態を線形力学系(LDS)としてモデル化し、EMアルゴリズムを用いて解決する。
主なイノベーションは、トレーニングと推論の間にうるさい収入測定がどのように得られるかにある。
SiREはさまざまなセクターで運用されるスケールアップに取り組み、信頼性評価を提供する。
2つの実用的なタスクに関する定量的実験は、sireがベースライン法を大幅に上回っていることを示している。
また,SiREが短い時系列から外挿し,長期の予測を行う際にも高い性能を示す。
sireの性能効率バランスと結果説明可能性についても実証的に検証する。
投資専門家の観点から評価すると、SiREは2～5年で大きなリターンをもたらすスケールアップを正確に見つけることができる。
さらに, 質的検査の結果から, sire収益予測の利点を明らかにした。
関連論文リスト
- Forecasting Company Fundamentals [19.363166648866066]
実企業データに基づく予測モデルについて,22の決定論的・確率的企業基盤を評価した。
ディープラーニングモデルは,従来のモデルよりも優れた予測性能を提供する。
これらの高品質な予測が、自動株式配分にどのような恩恵をもたらすかを示す。
論文 参考訳（メタデータ） (2024-10-21T14:21:43Z) - Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。
我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。
CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
論文 参考訳（メタデータ） (2024-09-25T22:09:59Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z) - Financial Time-Series Forecasting: Towards Synergizing Performance And
Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。
本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
論文 参考訳（メタデータ） (2023-12-31T16:38:32Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳（メタデータ） (2021-04-06T11:09:51Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。