論文の概要: The Role of Deep Learning in Financial Asset Management: A Systematic Review

• arxiv url: http://arxiv.org/abs/2503.01591v1
• Date: Mon, 03 Mar 2025 14:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:13:15.926919
• Title: The Role of Deep Learning in Financial Asset Management: A Systematic Review
• Title（参考訳）: 金融資産管理におけるディープラーニングの役割 : 体系的レビュー
• Authors: Pedro Reis, Ana Paula Serra, João Gama,
• Abstract要約: 本研究は、説明可能な人工知能(XAI)と深層強化学習(DRL)の統合など、新たなトレンドを特定することに焦点を当てる。 2018年から2023年にかけて発行された最も関連性の高い記事を選択するには、Scoopsデータベースを使用します。 包括的基準には、金融資産管理におけるディープラーニングモデルを明確に適用した記事が含まれていた。
• 参考スコア（独自算出の注目度）: 1.8775413720750922
• License:
• Abstract: This review systematically examines deep learning applications in financial asset management. Unlike prior reviews, this study focuses on identifying emerging trends, such as the integration of explainable artificial intelligence (XAI) and deep reinforcement learning (DRL), and their transformative potential. It highlights new developments, including hybrid models (e.g., transformer-based architectures) and the growing use of alternative data sources such as ESG indicators and sentiment analysis. These advancements challenge traditional financial paradigms and set the stage for a deeper understanding of the evolving landscape. We use the Scopus database to select the most relevant articles published from 2018 to 2023. The inclusion criteria encompassed articles that explicitly apply deep learning models within financial asset management. We excluded studies focused on physical assets. This review also outlines our methodology for evaluating the relevance and impact of the included studies, including data sources and analytical methods. Our search identified 934 articles, with 612 meeting the inclusion criteria based on their focus and methodology. The synthesis of results from these articles provides insights into the effectiveness of deep learning models in improving portfolio performance and price forecasting accuracy. The review highlights the broad applicability and potential enhancements deep learning offers to financial asset management. Despite some limitations due to the scope of model application and variation in methodological rigour, the overall evidence supports deep learning as a valuable tool in this field. Our systematic review underscores the progressive integration of deep learning in financial asset management, suggesting a trajectory towards more sophisticated and impactful applications.
• Abstract（参考訳）: 本稿では,金融資産管理におけるディープラーニングの適用を体系的に検討する。 従来のレビューとは異なり、この研究は、説明可能な人工知能(XAI)と深層強化学習(DRL)の統合や、その変容可能性など、新たなトレンドの発見に重点を置いている。 ハイブリッドモデル(例えば、トランスフォーマーベースのアーキテクチャ)やESGインジケータや感情分析などの代替データソースの利用の増加など、新たな展開を強調している。 これらの進歩は伝統的な金融パラダイムに挑戦し、発展途上の風景をより深く理解するための舞台を築いた。 2018年から2023年にかけて発行された最も関連性の高い記事を選択するには、Scoopsデータベースを使用します。 包括的基準には、金融資産管理におけるディープラーニングモデルを明確に適用した記事が含まれていた。 物理的資産に焦点をあてた研究は除外した。 本総説では,データソースや解析手法などを含む対象研究の妥当性と影響を評価するための方法論についても概説する。 調査では, 対象と方法論に基づいて, 612項目の包含基準を満たし, 934項目を抽出した。 これらの論文から得られた結果の合成は、ポートフォリオのパフォーマンス向上と価格予測精度向上におけるディープラーニングモデルの有効性についての知見を提供する。 このレビューは、金融資産管理にディープラーニングがもたらす幅広い適用性と潜在的な拡張を強調している。 モデルの適用範囲と方法論の厳密さの変化によるいくつかの制限にもかかわらず、全体的な証拠は、この分野で価値のあるツールとしてディープラーニングを支持している。 我々の体系的なレビューは、金融資産管理におけるディープラーニングの進歩的な統合を強調し、より高度で影響力のあるアプリケーションへの道のりを示唆している。

関連論文リスト

• Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review [3.57129631984007]
  本稿では,金融不正検出のためのディープラーニング(DL)技術の進歩を体系的にレビューする。 このレビューでは、クレジットカード取引、保険請求、財務諸表監査など、さまざまな分野にわたるディープラーニングモデルの有効性を強調している。 この研究は、不均衡データセット、モデル解釈可能性、倫理的考察などの課題を強調している。
  論文  参考訳（メタデータ） (2025-01-31T22:31:50Z)
• Large Language Model for Qualitative Research -- A Systematic Mapping Study [3.302912592091359]
  先進的な生成AIを駆使した大規模言語モデル(LLM)がトランスフォーメーションツールとして登場した。 本研究は, LLMを用いた定性的研究に関する文献を体系的にマッピングする。 LLMは様々な分野にまたがって利用されており、プロセスの自動化の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-18T21:28:00Z)
• The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources [100.23208165760114]
  ファンデーションモデル開発は、急速に成長するコントリビュータ、科学者、アプリケーションを引き付けている。 責任ある開発プラクティスを形成するために、我々はFoundation Model Development Cheatsheetを紹介します。
  論文  参考訳（メタデータ） (2024-06-24T15:55:49Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• 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)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
  本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。 外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
  論文  参考訳（メタデータ） (2023-02-16T16:45:36Z)
• Interactive Machine Learning: A State of the Art Review [0.0]
  対話型機械学習(iML)の現状を包括的に分析する。 敵のブラックボックス攻撃と対応するiMLベースの防衛システム、探索機械学習、リソース制約学習、およびiMLパフォーマンス評価について研究する。
  論文  参考訳（メタデータ） (2022-07-13T13:43:16Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)
• Stock Embeddings: Learning Distributed Representations for Financial Assets [11.67728795230542]
  本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。 当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
  論文  参考訳（メタデータ） (2022-02-14T15:39:06Z)

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。