Fugu-MT 論文翻訳(概要): Behavioral Machine Learning? Computer Predictions of Corporate Earnings also Overreact

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

arxiv url: http://arxiv.org/abs/2303.16158v2
Date: Fri, 14 Mar 2025 02:54:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-17 13:02:42.899646
Title: Behavioral Machine Learning? Computer Predictions of Corporate Earnings also Overreact
Title（参考訳）: 行動機械学習 : 企業耳のコンピュータ予測も過剰反応する
Authors: Murray Z. Frank, Jing Gao, Keer Yang,
Abstract要約: 先行する手法がニュースに体系的に過剰反応していることを示す。機械学習トレーニングを持つアナリストは、従来のアナリストよりもはるかに少ない。我々の発見は、AIツールが金融市場の行動バイアスを減らしているわけではないことを示唆している。
参考スコア（独自算出の注目度）: 5.92470368943469
License:
Abstract: Machine learning algorithms are known to outperform human analysts in predicting corporate earnings, leading to their rapid adoption. However, we show that leading methods (XGBoost, neural nets, ChatGPT) systematically overreact to news. The overreaction is primarily due to biases in the training data and we show that it cannot be eliminated without compromising accuracy. Analysts with machine learning training overreact much less than do traditional analysts. We provide a model showing that there is a tradeoff between predictive power and rational behavior. Our findings suggest that AI tools reduce but do not eliminate behavioral biases in financial markets.
Abstract（参考訳）: 機械学習アルゴリズムは、企業利益を予測するために、人間のアナリストより優れていることが知られており、急速に採用されている。しかし,本研究では,先進的手法(XGBoost,ニューラルネット,ChatGPT)がニュースに過度に反応していることを示す。オーバーリアクションは主にトレーニングデータのバイアスによるもので,精度を損なうことなく排除できないことを示す。機械学習トレーニングを持つアナリストは、従来のアナリストよりもはるかに少ない。予測力と合理的行動の間にトレードオフが存在することを示すモデルを提供する。我々の発見は、AIツールが金融市場の行動バイアスを減らしているわけではないことを示唆している。

関連論文リスト

Adversarial Debiasing for Unbiased Parameter Recovery [0.8749675983608172]
機械学習モデルからの予測誤差が回帰係数の推定に偏りをもたらすことを示す。本稿では, バイアス検出テストを提案し, 予測を非バイアス化するために, 逆方向の機械学習アルゴリズムを用いることを実証する。アフリカにおける森林被覆に関する地上の真実と衛星データを用いたシミュレーションおよび実証演習を行った。
論文参考訳（メタデータ） (2025-02-17T20:54:56Z)
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$400のAIエンジニアによる数学性能のアルゴリズム予測820万を評価した。偏りのある予測は、主に偏りのあるトレーニングデータによって引き起こされる。より良いトレーニングデータの利点の3分の1は、新しい経済メカニズムによって得られる。
論文参考訳（メタデータ） (2020-12-04T04:12:33Z)
How to "Improve" Prediction Using Behavior Modification [0.0]
データサイエンス研究者は予測を改善するアルゴリズム、モデル、アプローチを設計する。より大きく、よりリッチなデータによって予測精度が向上する。プラットフォームは、予測値に向かってユーザの振る舞いをプッシュすることで、より正確な予測精度を秘かに達成することができる。我々の導出は、データ科学者、プラットフォーム、顧客、そして行動が操作される人間に対して、そのような行動修正がもたらす影響を解明する。
論文参考訳（メタデータ） (2020-08-26T12:39:35Z)
Malicious Experts versus the multiplicative weights algorithm in online prediction [85.62472761361107]
2人の専門家と1人の予測者による予測問題を考える。専門家の一人が正直で、各ラウンドで確率$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。