論文の概要: Behavioral Machine Learning? Computer Predictions of Corporate Earnings also Overreact

• arxiv url: http://arxiv.org/abs/2303.16158v1
• Date: Sat, 25 Mar 2023 03:06:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 14:14:11.248791
• Title: Behavioral Machine Learning? Computer Predictions of Corporate Earnings also Overreact
• Title（参考訳）: 行動機械学習? 企業利益のコンピューター予測も過度に反応する
• Authors: Murray Z. Frank, Jing Gao, Keer Yang
• Abstract要約: いくつかのアルゴリズム、特に線形回帰と、GBRT(Gradient Boosted Regression Trees)と呼ばれる人気アルゴリズムによる企業利益予測について検討する。 平均してGBRTは線形回帰と人的株価アナリストの両方を上回ったが、それでもニュースに過度に反応し、通常定義された合理的な期待を満たさなかった。 機械学習の手法で訓練された人間の株価アナリストは、伝統的に訓練されたアナリストよりも過度に反応しない。
• 参考スコア（独自算出の注目度）: 9.566303741482468
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There is considerable evidence that machine learning algorithms have better predictive abilities than humans in various financial settings. But, the literature has not tested whether these algorithmic predictions are more rational than human predictions. We study the predictions of corporate earnings from several algorithms, notably linear regressions and a popular algorithm called Gradient Boosted Regression Trees (GBRT). On average, GBRT outperformed both linear regressions and human stock analysts, but it still overreacted to news and did not satisfy rational expectation as normally defined. By reducing the learning rate, the magnitude of overreaction can be minimized, but it comes with the cost of poorer out-of-sample prediction accuracy. Human stock analysts who have been trained in machine learning methods overreact less than traditionally trained analysts. Additionally, stock analyst predictions reflect information not otherwise available to machine algorithms.
• Abstract（参考訳）: 機械学習アルゴリズムは、様々な金融環境において人間よりも予測能力が優れているという証拠がかなりある。 しかし、これらのアルゴリズムによる予測が人間の予測よりも合理的かどうかについては研究されていない。 本稿では,いくつかのアルゴリズム,特に線形回帰と,GBRT(Gradient Boosted Regression Trees)と呼ばれる人気アルゴリズムから企業利益を予測する。 平均してGBRTは線形回帰と人的株価アナリストの両方を上回ったが、それでもニュースに過度に反応し、通常定義された合理的な期待を満たさなかった。 学習率を下げることにより、過剰反応の規模を最小化することができるが、サンプル外予測の精度が低下するコストが伴う。 機械学習の手法で訓練を受けた人間の株アナリストは、従来の訓練済みのアナリストよりも過度に反応している。 さらに、株価アナリストの予測は、機械アルゴリズムでは利用できない情報を反映している。

関連論文リスト

• Price predictability in limit order book with deep learning model [0.0]
  本研究では,ディープラーニングモデルを用いた高周波価格変化の予測について検討する。 未定義の目標価格プロセスでは,過去の情報を組み込むことで予測が無意味になることが判明した。
  論文  参考訳（メタデータ） (2024-09-21T14:40:13Z)
• A Systematic Bias of Machine Learning Regression Models and Its Correction: an Application to Imaging-based Brain Age Prediction [2.4894581801802227]
  継続的成果のための機械学習モデルは、しばしば体系的にバイアスのある予測をもたらす。 大きな評価結果の予測は負のバイアスを受ける傾向がある(実際の値の過小評価) 小さく評価された結果のものは、正にバイアス(実際の値を過大評価する)される。
  論文  参考訳（メタデータ） (2024-05-24T21:34:16Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Biased Programmers? Or Biased Data? A Field Experiment in Operationalizing AI Ethics [6.946103498518291]
  我々は$approx$400のAIエンジニアによる数学性能のアルゴリズム予測820万を評価した。 偏りのある予測は、主に偏りのあるトレーニングデータによって引き起こされる。 より良いトレーニングデータの利点の3分の1は、新しい経済メカニズムによって得られる。
  論文  参考訳（メタデータ） (2020-12-04T04:12:33Z)
• Competing AI: How does competition feedback affect machine learning? [14.350250426090893]
  コンペティションによって予測者が特定のサブ人口に特化し、一般人口よりもパフォーマンスが悪くなることを示す。 市場に競合する予測者が多すぎるか多すぎることが、全体的な予測品質を損なう可能性があることを示す。
  論文  参考訳（メタデータ） (2020-09-15T00:13:32Z)
• How to "Improve" Prediction Using Behavior Modification [0.0]
  データサイエンス研究者は予測を改善するアルゴリズム、モデル、アプローチを設計する。 より大きく、よりリッチなデータによって予測精度が向上する。 プラットフォームは、予測値に向かってユーザの振る舞いをプッシュすることで、より正確な予測精度を秘かに達成することができる。 我々の導出は、データ科学者、プラットフォーム、顧客、そして行動が操作される人間に対して、そのような行動修正がもたらす影響を解明する。
  論文  参考訳（メタデータ） (2020-08-26T12:39:35Z)
• Malicious Experts versus the multiplicative weights algorithm in online prediction [85.62472761361107]
  2人の専門家と1人の予測者による予測問題を考える。 専門家の一人が正直で、各ラウンドで確率$mu$で正しい予測をしていると仮定する。 もう一つは悪意のあるもので、各ラウンドで真の結果を知り、予測者の損失を最大化するために予測を行う。
  論文  参考訳（メタデータ） (2020-03-18T20:12:08Z)

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。