論文の概要: Holder Recommendations using Graph Representation Learning & Link
Prediction
- arxiv url: http://arxiv.org/abs/2212.09624v1
- Date: Thu, 10 Nov 2022 16:36:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 19:07:38.643902
- Title: Holder Recommendations using Graph Representation Learning & Link
Prediction
- Title（参考訳）: グラフ表現学習とリンク予測を用いたホルダ勧告
- Authors: Rachna Saxena, Abhijeet Kumar, Mridul Mishra
- Abstract要約: 現在のメソッドは、特定の製品分類とリターン、手数料、カテゴリなどの属性に基づいて、リードをサーフェスします。
本稿では,金融商品の保有者空間にリードレコメンデーションシステムを構築するための包括的データ駆動型フレームワークを提案する。
- 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: Lead recommendations for financial products such as funds or ETF is
potentially challenging in investment space due to changing market scenarios,
and difficulty in capturing financial holder's mindset and their philosophy.
Current methods surface leads based on certain product categorization and
attributes like returns, fees, category etc. to suggest similar product to
investors which may not capture the holder's investment behavior holistically.
Other reported works does subjective analysis of institutional holder's
ideology. This paper proposes a comprehensive data driven framework for
developing a lead recommendations system in holder's space for financial
products like funds by using transactional history, asset flows and product
specific attributes. The system assumes holder's interest implicitly by
considering all investment transactions made and collects possible meta
information to detect holder's investment profile/persona like investment
anticipation and investment behavior. This paper focusses on holder
recommendation component of framework which employs a bi-partite graph
representation of financial holders and funds using variety of attributes and
further employs GraphSage model for learning representations followed by link
prediction model for ranking recommendation for future period. The performance
of the proposed approach is compared with baseline model i.e., content-based
filtering approach on metric hits at Top-k (50, 100, 200) recommendations. We
found that the proposed graph ML solution outperform baseline by absolute 42%,
22% and 14% with a look ahead bias and by absolute 18%, 19% and 18% on
completely unseen holders in terms of hit rate for top-k recommendations: 50,
100 and 200 respectively.
- Abstract（参考訳）: ファンドやETFといった金融商品のレコメンデーションは、市場シナリオの変化や、金融保有者の考え方やその哲学の把握が困難であるため、投資分野において困難である可能性がある。
現行の手法では、特定の商品分類とリターン、手数料、カテゴリーなどの属性に基づいて、保有者の投資行動を完全に捉えない投資家に類似した商品を提案する。
その他の報告では、施設所有者のイデオロギーを主観的に分析している。
本稿では、取引履歴、資産フロー、製品固有の属性を用いて、金融商品の保有者空間にリードレコメンデーションシステムを構築するための包括的データ駆動フレームワークを提案する。
このシステムは、すべての投資取引を考慮して、株主の関心を暗黙的に仮定し、投資予測や投資行動のような保有者の投資プロファイルやペルソナを検出するメタ情報を収集する。
本稿では,多種多様な属性を用いた金融保有者と資金の2部グラフ表現を用いたフレームワークのホルダレコメンデーション要素に着目し,さらにグラフレコメンデーションモデルを用いて表現の学習を行い,リンク予測モデルを用いて今後の評価を行う。
提案手法の性能はベースラインモデル,すなわちTop-k(50,100,200)レコメンデーションにおけるメトリックヒットに対するコンテンツベースフィルタリング手法と比較される。
その結果,提案したグラフMLソリューションは,前向きバイアスの絶対42%,22%,14%,絶対18%,19%,および18%で,トップkレコメンデーションのヒット率(50,100,200)を上回った。
関連論文リスト
- Which Matters Most in Making Fund Investment Decisions? A
Multi-granularity Graph Disentangled Learning Framework [47.308959396996606]
我々は,投資商品の知的マッチングを効果的に行うため,MGDLという新しいM言語グラニュラリティグラフ分散学習フレームワークを開発した。
特定のセマンティクスでより強い非絡み合い表現を実現するため、MGDLは2つの自己監督信号、すなわちファンドタイプのコントラストとファンドの人気を明示的に含んでいる。
論文 参考訳（メタデータ） (2023-11-23T09:08:43Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - ChatGPT-based Investment Portfolio Selection [21.24186888129542]
投資ポートフォリオの選択において、ChatGPTのような生成AIモデルの可能性を探る。
私たちはChatGPTを使って、投資に魅力的なS&P500市場指数から株式の宇宙を得ています。
以上の結果から,ChatGPTは株式選択に有効であるが,ポートフォリオ内の株式に最適な重み付けを割り当てるには適さない可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-11T17:48:17Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - Fusion of Sentiment and Asset Price Predictions for Portfolio
Optimization [0.0]
本稿では,資産に対する感情を予測するためにセマンティック・アテンション・モデルを用いる。
感情を意識したLong Short Term Memoryを通じて最適なポートフォリオを選択する。
戦略は、安定性の観点から、従来のポートフォリオ割り当て戦略を上回るものではない。
論文 参考訳（メタデータ） (2022-03-10T23:21:12Z) - High-Dimensional Stock Portfolio Trading with Deep Reinforcement
Learning [0.0]
このアルゴリズムは任意のサイズの断面データセットから高次元のポートフォリオを交換することができる。
我々は、各環境の資産を1つ集めて環境を順次設定し、その結果の資産の返却と現金の保留に報いるとともに、資産の集合の返却平均に報いる。
論文 参考訳（メタデータ） (2021-12-09T08:30:45Z) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳（メタデータ） (2021-03-13T03:56:29Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
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。