論文の概要: Improving Realized LGD Approximation: A Novel Framework with XGBoost for Handling Missing Cash-Flow Data

• arxiv url: http://arxiv.org/abs/2406.17308v1
• Date: Tue, 25 Jun 2024 06:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 15:21:33.686954
• Title: Improving Realized LGD Approximation: A Novel Framework with XGBoost for Handling Missing Cash-Flow Data
• Title（参考訳）: 実効LGD近似の改善 - キャッシュフローデータの欠落を処理するためのXGBoostを使った新しいフレームワーク
• Authors: Zuzanna Kostecka, Robert Ślepaczuk,
• Abstract要約: キャッシュフローデータに依存しないXGBoostモデルを構築し,LGD推定の精度を向上させる。 我々の研究の新たな側面は、デルタの卓越したアプローチの詳細な探索と、キャッシュフローデータへの限られたアクセス条件に対処するための方法論である。
• 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: The scope for the accurate calculation of the Loss Given Default (LGD) parameter is comprehensive in terms of financial data. In this research, we aim to explore methods for improving the approximation of realized LGD in conditions of limited access to the cash-flow data. We enhance the performance of the method which relies on the differences between exposure values (delta outstanding approach) by employing machine learning (ML) techniques. The research utilizes the data from the mortgage portfolio of one of the European countries and assumes a close resemblance to similar economic contexts. It incorporates non-financial variables and macroeconomic data related to the housing market, improving the accuracy of loss severity approximation. The proposed methodology attempts to mitigate the country-specific (related to the local legal) or portfolio-specific factors in aim to show the general advantage of applying ML techniques, rather than case-specific relation. We developed an XGBoost model that does not rely on cash-flow data yet enhances the accuracy of realized LGD estimation compared to results obtained with the delta outstanding approach. A novel aspect of our work is the detailed exploration of the delta outstanding approach and the methodology for addressing conditions of limited access to cash-flow data through machine learning models.
• Abstract（参考訳）: 損失与えられたデフォルト(LGD)パラメータの正確な計算範囲は、財務データの観点から包括的である。 本研究では,キャッシュフローデータへの限られたアクセス条件下での実効LGDの近似を改善する方法を検討することを目的とする。 機械学習(ML)技術を用いることで,露出値の違い(デルタ・アドバンスト・アプローチ)に依存する手法の性能を向上させる。 この研究は欧州各国の住宅ローンポートフォリオのデータを利用しており、同様の経済状況によく似ていると仮定している。 住宅市場に関連する非金融変数とマクロ経済データを取り入れ、損失重大度近似の精度を向上させる。 提案手法は、ケース固有関係ではなく、ML技術を適用するという一般的な利点を示すために、国別(地方法に関する)またはポートフォリオ特化要因を緩和しようとするものである。 我々はキャッシュフローデータに依存しないXGBoostモデルを開発した。 我々の研究の新たな側面は、デルタの卓越したアプローチの詳細な探索と、機械学習モデルによるキャッシュフローデータへの限られたアクセス条件に対処するための方法論である。

関連論文リスト

• A New Way: Kronecker-Factored Approximate Curvature Deep Hedging and its Benefits [0.0]
  本稿では, Kronecker-Factored Approximate Curvature (K-FAC) 最適化の新たな統合により, ディープヘッジフレームワークの計算効率を向上する。 提案アーキテクチャは,K-FACの2次最適化とLong Short-Term Memory (LSTM)ネットワークを結合する。
  論文  参考訳（メタデータ） (2024-11-22T15:19:40Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
  本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。 オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。 提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
  論文  参考訳（メタデータ） (2024-08-05T03:18:58Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• Enabling CMF Estimation in Data-Constrained Scenarios: A Semantic-Encoding Knowledge Mining Model [23.367637547929807]
  本研究では,CMF予測のための新しい知識マイニングフレームワークを提案する。 既存の対策のつながりを掘り下げ、CMF推定のクラッシュデータの可用性への依存を減らす。 非構造的対策シナリオを機械可読表現に効果的にエンコードし、シナリオとCMF値の間の複雑な関係をモデル化する。
  論文  参考訳（メタデータ） (2023-11-15T04:37:27Z)
• Dynamic Model Agnostic Reliability Evaluation of Machine-Learning Methods Integrated in Instrumentation & Control Systems [1.8978726202765634]
  データ駆動型ニューラルネットワークベースの機械学習アルゴリズムの信頼性は十分に評価されていない。 National Institute for Standards and Technologyの最近のレポートでは、MLにおける信頼性は採用にとって重要な障壁となっている。 トレーニングデータセットにアウト・オブ・ディストリビューション検出を組み込むことにより、ML予測の相対的信頼性を評価するためのリアルタイムモデル非依存手法を実証する。
  論文  参考訳（メタデータ） (2023-08-08T18:25:42Z)
• Reinforcement Learning for Financial Index Tracking [2.048226951354646]
  本稿では、回帰ベースのトラッキングエラーと値ベースのトラッキングエラーの両方の下で、金融指標追跡問題の最初の離散時間無限水平動的定式化を提案する。 提案手法は, 追跡精度でベンチマーク手法を上回り, キャッシュ引き出し戦略により余剰利益を得る可能性がある。
  論文  参考訳（メタデータ） (2023-08-05T08:34:52Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• KrigHedge: Gaussian Process Surrogates for Delta Hedging [0.0]
  ガウス過程(GP)サロゲートに基づくギリシャ語の近似をオプション化する機械学習手法について検討する。 本稿では,カーネルファミリーの選択,シミュレーション設計,トレンド関数の選択,ノイズの影響など,GPサロゲートのさまざまな側面を詳細に分析する。 デルタ近似の品質と離散時間ヘッジ損失を関連付ける新しいLemmaを含むデルタヘッジへの応用について論じる。
  論文  参考訳（メタデータ） (2020-10-16T14:08:13Z)

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。