論文の概要: A Comprehensive Survey on Enterprise Financial Risk Analysis: Problems, Methods, Spotlights and Applications

• arxiv url: http://arxiv.org/abs/2211.14997v1
• Date: Mon, 28 Nov 2022 01:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:02:16.532634
• Title: A Comprehensive Survey on Enterprise Financial Risk Analysis: Problems, Methods, Spotlights and Applications
• Title（参考訳）: 企業の金融リスク分析に関する包括的調査 : 問題、方法、スポットライト、応用
• Authors: Yu Zhao, Huaming Du
• Abstract要約: 本稿では、1968年から2022年までの50年間の企業リスク分析モデルに関する300以上の論文について、体系的な文献レビューを行う。 我々の目標は、企業のリスクをモデル化するための最先端の研究と今後の方向性を明らかにすることです。
• 参考スコア（独自算出の注目度）: 1.5138755188783584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enterprise financial risk analysis aims at predicting the enterprises' future financial risk.Due to the wide application, enterprise financial risk analysis has always been a core research issue in finance. Although there are already some valuable and impressive surveys on risk management, these surveys introduce approaches in a relatively isolated way and lack the recent advances in enterprise financial risk analysis. Due to the rapid expansion of the enterprise financial risk analysis, especially from the computer science and big data perspective, it is both necessary and challenging to comprehensively review the relevant studies. This survey attempts to connect and systematize the existing enterprise financial risk researches, as well as to summarize and interpret the mechanisms and the strategies of enterprise financial risk analysis in a comprehensive way, which may help readers have a better understanding of the current research status and ideas. This paper provides a systematic literature review of over 300 articles published on enterprise risk analysis modelling over a 50-year period, 1968 to 2022. We first introduce the formal definition of enterprise risk as well as the related concepts. Then, we categorized the representative works in terms of risk type and summarized the three aspects of risk analysis. Finally, we compared the analysis methods used to model the enterprise financial risk. Our goal is to clarify current cutting-edge research and its possible future directions to model enterprise risk, aiming to fully understand the mechanisms of enterprise risk communication and influence and its application on corporate governance, financial institution and government regulation.
• Abstract（参考訳）: 企業金融リスク分析は、企業の将来的な金融リスクを予測することを目的としており、広く適用されているため、企業金融リスク分析は金融の中核的な研究課題である。 リスク管理に関する貴重な調査はすでにいくつかあるが、これらの調査は比較的孤立したアプローチを導入し、近年の企業金融リスク分析の進歩を欠いている。 企業金融リスク分析の急速な拡大、特にコンピュータ科学とビッグデータの観点からは、関連する研究を包括的にレビューすることは必要かつ困難である。 本調査は、既存の企業金融リスク研究を統合・体系化し、また、企業金融リスク分析のメカニズムと戦略を包括的に要約・解釈し、読者が現在の研究状況や考え方をよりよく理解する上で役立てることを目的とする。 本論文は,1968年から2022年までの50年間の企業リスク分析モデリングに関する300以上の論文の体系的文献レビューを提供する。 まず,企業リスクの形式的定義と関連する概念について紹介する。 次に,リスクタイプの観点から代表作を分類し,リスク分析の3つの側面を要約した。 最後に、企業財務リスクをモデル化するための分析手法を比較した。 本研究の目的は,企業リスクコミュニケーションのメカニズムと企業ガバナンス,金融機関,政府規制への影響を十分に理解することを目的とした,現在の最先端の研究と,企業リスクをモデル化するための今後の方向性を明らかにすることである。

関連論文リスト

• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• Analysis of Financial Risk Behavior Prediction Using Deep Learning and Big Data Algorithms [7.713045399751312]
  本稿では,金融リスク予測のためのディープラーニングとビッグデータアルゴリズムの有効性と有効性について検討する。 ディープラーニングベースのビッグデータリスク予測フレームワークを設計し、実際の財務データセット上で実験的に検証する。
  論文  参考訳（メタデータ） (2024-10-25T08:52:04Z)
• Research and Design of a Financial Intelligent Risk Control Platform Based on Big Data Analysis and Deep Machine Learning [2.766666938196471]
  本稿では、金融機関の内部および外部データの完全統合を実現するために、ビッグデータ技術を完全に活用する方法を考察する。 この記事では、ビッグデータマイニングとリアルタイムストリーミングデータ処理技術を採用して、さまざまなビジネスデータを監視し、分析し、警告する。
  論文  参考訳（メタデータ） (2024-09-16T14:41:41Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• Application of Natural Language Processing in Financial Risk Detection [11.494469754549753]
  本稿では,金融リスク検出における自然言語処理(NLP)の適用について検討する。 本研究は,NLPに基づく金融リスク検出モデルの構築により,金融文書や通信における潜在的なリスクを特定し,予測することを目的とする。
  論文  参考訳（メタデータ） (2024-06-14T07:06:24Z)
• RiskLabs: Predicting Financial Risk Using Large Language Model Based on Multi-Sources Data [8.145265717016718]
  textbfRiskLabsは,大規模言語モデル(LLM)を利用して財務リスクを分析し,予測する新しいフレームワークである。 提案手法は,Earnings Conference Calls (ECC) の抽出と解析,市場関連時系列データ,ECCリリース日を取り巻くコンテキストニュースデータなど,多段階的なプロセスを含む。 RiskLabsは、マルチモーダルフュージョン技術を使用して、これらのさまざまなデータ特徴を、包括的なマルチタスクの金融リスク予測に適合させる。
  論文  参考訳（メタデータ） (2024-04-11T03:14:50Z)
• FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
  FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
  論文  参考訳（メタデータ） (2024-02-20T02:16:16Z)
• FinPT: Financial Risk Prediction with Profile Tuning on Pretrained Foundation Models [32.7825479037623]
  FinPTは、金融リスク予測のための新しいアプローチであり、大規模な事前訓練された基礎モデルに基づいてプロファイルチューニングを行う。 FinBenchは、デフォルト、詐欺、チャーンといった金融リスクに関する高品質なデータセットのセットである。
  論文  参考訳（メタデータ） (2023-07-22T09:27:05Z)
• 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)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。