論文の概要: FinML-Chain: A Blockchain-Integrated Dataset for Enhanced Financial Machine Learning
- arxiv url: http://arxiv.org/abs/2411.16277v1
- Date: Mon, 25 Nov 2024 10:55:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:35:59.340034
- Title: FinML-Chain: A Blockchain-Integrated Dataset for Enhanced Financial Machine Learning
- Title（参考訳）: FinML-Chain: 金融マシンラーニングの強化を目的としたブロックチェーン統合データセット
- Authors: Jingfeng Chen, Wanlin Deng, Dangxing Chen, Luyao Zhang,
- Abstract要約: 本稿では、高周波オンチェーンデータと低周波オフチェーンデータを統合するためのフレームワークを提案する。
このフレームワークは、トランザクションフィーメカニズムのような経済メカニズムを分析するためのモジュラーデータセットを生成する。
我々は、金融研究を推進し、ブロックチェーン駆動システムの理解を改善するデータセットを作成できるフレームワークの能力を実証する。
- 参考スコア（独自算出の注目度）: 2.0695662173473206
- License:
- Abstract: Machine learning is critical for innovation and efficiency in financial markets, offering predictive models and data-driven decision-making. However, challenges such as missing data, lack of transparency, untimely updates, insecurity, and incompatible data sources limit its effectiveness. Blockchain technology, with its transparency, immutability, and real-time updates, addresses these challenges. We present a framework for integrating high-frequency on-chain data with low-frequency off-chain data, providing a benchmark for addressing novel research questions in economic mechanism design. This framework generates modular, extensible datasets for analyzing economic mechanisms such as the Transaction Fee Mechanism, enabling multi-modal insights and fairness-driven evaluations. Using four machine learning techniques, including linear regression, deep neural networks, XGBoost, and LSTM models, we demonstrate the framework's ability to produce datasets that advance financial research and improve understanding of blockchain-driven systems. Our contributions include: (1) proposing a research scenario for the Transaction Fee Mechanism and demonstrating how the framework addresses previously unexplored questions in economic mechanism design; (2) providing a benchmark for financial machine learning by open-sourcing a sample dataset generated by the framework and the code for the pipeline, enabling continuous dataset expansion; and (3) promoting reproducibility, transparency, and collaboration by fully open-sourcing the framework and its outputs. This initiative supports researchers in extending our work and developing innovative financial machine-learning models, fostering advancements at the intersection of machine learning, blockchain, and economics.
- Abstract（参考訳）: 機械学習は金融市場のイノベーションと効率に不可欠であり、予測モデルとデータ駆動意思決定を提供する。
しかし、データ不足、透明性の欠如、不時更新、不セキュリティ、互換性のないデータソースといった課題は、その有効性を制限している。
透明性、不変性、リアルタイム更新を備えたブロックチェーン技術は、これらの課題に対処する。
本稿では、高周波オンチェーンデータと低周波オフチェーンデータを統合するためのフレームワークを提案し、経済メカニズム設計における新しい研究課題に対処するためのベンチマークを提供する。
このフレームワークは、トランザクションフィーメカニズムのような経済メカニズムを解析するためのモジュラーで拡張可能なデータセットを生成し、マルチモーダルな洞察とフェアネス駆動評価を可能にする。
線形回帰、ディープニューラルネットワーク、XGBoost、LSTMモデルを含む4つの機械学習技術を用いて、金融研究を推進し、ブロックチェーン駆動システムの理解を改善するデータセットを生成するフレームワークの能力を実証する。
コントリビューションには,(1)トランザクションフェー機構の研究シナリオの提案,(2)経済メカニズム設計における未調査問題への対処方法の実証,(2)フレームワークが生成したサンプルデータセットとパイプラインのコードをオープンソースにすることで,金融マシンラーニングのベンチマークの提供,(3)フレームワークとそのアウトプットを完全にオープンソース化することで,再現性,透明性,コラボレーションを促進すること,などが含まれている。
このイニシアチブは、研究を拡張し、革新的な金融機械学習モデルの開発を支援し、機械学習、ブロックチェーン、経済学の交差点における進歩を促進します。
関連論文リスト
- A Novel Framework for Analyzing Structural Transformation in Data-Constrained Economies Using Bayesian Modeling and Machine Learning [0.0]
農業経済からより多様化した産業やサービスベースのシステムへの移行は、経済発展の重要な要因である。
低所得国と中所得国(LMIC)では、データの不足と信頼性の欠如が、このプロセスの正確な評価を妨げる。
本稿では,ベイジアン階層モデリング,機械学習に基づくデータ計算,因子分析を統合することで,これらの課題に対処する新しい統計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-25T08:39:41Z) - Blockchain-Enabled Accountability in Data Supply Chain: A Data Bill of Materials Approach [16.31469678670097]
データ請求書(Data Bill of Materials, DataBOM)は、特定のメタデータを格納することで、異なるデータセットと利害関係者間の依存関係関係をキャプチャする。
ブロックチェーンベースのDataBOMサービスを提供するためのプラットフォームアーキテクチャを実証し、利害関係者のためのインタラクションプロトコルを提示し、DataBOMメタデータの最小要件について議論する。
論文 参考訳（メタデータ） (2024-08-16T05:34:50Z) - Verification of Machine Unlearning is Fragile [48.71651033308842]
両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。
この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
論文 参考訳（メタデータ） (2024-08-01T21:37:10Z) - Enhancing supply chain security with automated machine learning [2.994117664413568]
この研究は、港の混雑、材料不足、インフレーションによって引き起こされる混乱にますます弱いグローバルサプライチェーンの複雑さに取り組む。
我々の焦点は、不正検出、メンテナンス予測、および材料予約予測を通じてサプライチェーンのセキュリティを強化することである。
これらのプロセスを自動化することで,サプライチェーンセキュリティ対策の効率性と有効性を向上させることができる。
論文 参考訳（メタデータ） (2024-06-19T02:45:32Z) - Machine Learning for Blockchain Data Analysis: Progress and Opportunities [9.07520594836878]
ブロックチェーンデータセットは、例えば、人間のユーザ、自律的なプログラム、スマートコントラクトなど、現実世界のエンティティ間でのインタラクションの複数のレイヤを含んでいる。
これらのユニークな特徴は、ブロックチェーンデータ上での機械学習の機会と課題の両方を示している。
本稿は、研究者、実践者、政策立案者のための総合的な資源として機能し、このダイナミックで変革的な分野をナビゲートするためのロードマップを提供する。
論文 参考訳（メタデータ） (2024-04-28T17:18:08Z) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳（メタデータ） (2021-11-16T18:42:50Z) - Data-Centric Engineering: integrating simulation, machine learning and
statistics. Challenges and Opportunities [1.3535770763481905]
機械学習の最近の進歩と低コストの計算が組み合わさって、多分野の研究活動が広まりつつある。
物理方程式に基づく力学モデルと純粋にデータ駆動統計アプローチは、モデリングスペクトルの2つの端を表す。
新しいハイブリッドなデータ中心のエンジニアリングアプローチは、両方の世界の長所を生かし、シミュレーションとデータの両方を統合することで、強力なツールとして現れています。
論文 参考訳（メタデータ） (2021-11-07T22:31:23Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。