論文の概要: Leveraging Generative Adversarial Networks for Addressing Data Imbalance in Financial Market Supervision

• arxiv url: http://arxiv.org/abs/2412.15222v1
• Date: Wed, 04 Dec 2024 08:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-29 08:57:49.889185
• Title: Leveraging Generative Adversarial Networks for Addressing Data Imbalance in Financial Market Supervision
• Title（参考訳）: ファイナンシャル・マーケット・スーパービジョンにおけるデータ不均衡対策のためのジェネレーティブ・アドバイザラル・ネットワークの活用
• Authors: Mohan Jiang, Yaxin Liang, Siyuan Han, Kunyuan Ma, Yuan Chen, Zhen Xu,
• Abstract要約: 本研究は,金融市場管理におけるジェネレーティブ・敵ネットワークの適用について検討する。 GANが生成したデータは、不均衡問題に対処し、モデルの予測精度を向上させる上で大きな利点がある。
• 参考スコア（独自算出の注目度）: 5.864973298916232
• License:
• Abstract: This study explores the application of generative adversarial networks in financial market supervision, especially for solving the problem of data imbalance to improve the accuracy of risk prediction. Since financial market data are often imbalanced, especially high-risk events such as market manipulation and systemic risk occur less frequently, traditional models have difficulty effectively identifying these minority events. This study proposes to generate synthetic data with similar characteristics to these minority events through GAN to balance the dataset, thereby improving the prediction performance of the model in financial supervision. Experimental results show that compared with traditional oversampling and undersampling methods, the data generated by GAN has significant advantages in dealing with imbalance problems and improving the prediction accuracy of the model. This method has broad application potential in financial regulatory agencies such as the U.S. Securities and Exchange Commission (SEC), the Financial Industry Regulatory Authority (FINRA), the Federal Deposit Insurance Corporation (FDIC), and the Federal Reserve.
• Abstract（参考訳）: 本研究では, リスク予測の精度向上のために, 金融市場管理における生成的敵ネットワークの適用について検討する。 金融市場データはしばしば不均衡であり、特に市場操作やシステム的リスクのようなリスクの高い事象は発生頻度が低いため、伝統的なモデルはこれらの少数派事象を効果的に識別することが困難である。 本研究は,これらのマイノリティ事象に類似した特徴を持つ合成データを生成し,データセットのバランスを保ち,金融監督におけるモデルの予測性能を向上させることを提案する。 実験結果から, 従来のオーバーサンプリング法やアンダーサンプリング法と比較して, GANが生成したデータは, 不均衡問題に対処し, モデルの予測精度を向上させる上で大きな利点があることがわかった。 この方法は、米国証券取引委員会(SEC)、金融業界規制局(FINRA)、連邦預金保険公社(FDIC)、連邦準備制度など、金融規制機関に幅広い応用可能性を持っている。

関連論文リスト

• Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management [5.864973298916232]
  本稿では、金融機関が流動性リスクをより効果的に管理できるように、ゲートリカレントユニット(GRU)ネットワークに基づく流動性カバレッジ比(LCR)予測モデルを提案する。 ディープラーニング技術におけるGRUネットワークを利用することで、モデルは過去のデータから複雑なパターンを自動的に学習し、将来しばらくの間LCRを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-24T23:43:50Z)
• Enhancing Data Quality through Self-learning on Imbalanced Financial Risk Data [11.910955398918444]
  本研究では、既存の金融リスクデータセットを強化するためのデータ前処理手法について検討する。 本稿では,(1)マイノリティクラスに特化された合成サンプルを生成すること,(2)バイナリフィードバックを用いてサンプルを精製すること,(3)擬似ラベルを用いた自己学習を行うこと,の3つを紹介する。 我々の実験は、より堅牢な金融リスク予測システムを開発する上で重要な要素であるマイノリティ・クラス・キャリブレーションの改善に焦点を当てたTriEnhanceの有効性を明らかにした。
  論文  参考訳（メタデータ） (2024-09-15T16:59:15Z)
• AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction [25.711345527738068]
  マルチモーダル法は 2つの欠点に直面しています 彼らはしばしば、信頼できるモデルを得るのに失敗し、株式市場からの情報の吸収のためにデータを過大評価する。 株のボラティリティを予測するためにマルチモーダルモデルを使用することは、性別バイアスに悩まされ、そのようなバイアスを取り除く効率的な方法が欠如している。 我々は,ロバストネス・ワールド・ファイナンシャル・オーディオ・データセットに関する包括的な実験を行い,この手法が現在の最先端ソリューションの性能を上回ることを示した。
  論文  参考訳（メタデータ） (2024-07-03T18:40:53Z)
• 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)
• A K-means Algorithm for Financial Market Risk Forecasting [3.4490908169211942]
  機械学習におけるK平均アルゴリズムは、金融市場にとって効果的なリスク予測手法である。 K平均アルゴリズムはユーザフレンドリーな単純さで動作し、94.61%の精度を達成する。
  論文  参考訳（メタデータ） (2024-05-21T02:24:46Z)
• Financial Distress Prediction For Small And Medium Enterprises Using Machine Learning Techniques [5.301137510638804]
  ファイナンシャルディストレス予測(Financial Distress Prediction)は、失敗する構造物の数と確率を正確に予測することで、経済において重要な役割を果たす。 しかし、中小企業にとっての財政難の予測は、そのあいまいさが原因で困難である。 本稿では,金融データの薄面成分分析,コーポレートガバナンスの質,および市場交換データを関連ベクタマシンに組み込んだ企業FCPモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-23T15:58:30Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。