論文の概要: Machine Learning Based Stress Testing Framework for Indian Financial Market Portfolios

• arxiv url: http://arxiv.org/abs/2507.02011v1
• Date: Wed, 02 Jul 2025 07:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:14.982785
• Title: Machine Learning Based Stress Testing Framework for Indian Financial Market Portfolios
• Title（参考訳）: インド金融市場ポートフォリオのための機械学習に基づくストレステストフレームワーク
• Authors: Vidya Sagar G, Shifat Ali, Siddhartha P. Chakrabarty,
• Abstract要約: 本稿では,インド金融市場におけるセクターストレステストのための機械学習駆動フレームワークを提案する。 本稿では,従来のストレステストにおいて,次元の低減と潜在因子モデリングによる限界に対処する。 本稿では,潜在空間に確率的構造を導入する変分オートエンコーダを用いて方法論を拡張した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a machine learning driven framework for sectoral stress testing in the Indian financial market, focusing on financial services, information technology, energy, consumer goods, and pharmaceuticals. Initially, we address the limitations observed in conventional stress testing through dimensionality reduction and latent factor modeling via Principal Component Analysis and Autoencoders. Building on this, we extend the methodology using Variational Autoencoders, which introduces a probabilistic structure to the latent space. This enables Monte Carlo-based scenario generation, allowing for more nuanced, distribution-aware simulation of stressed market conditions. The proposed framework captures complex non-linear dependencies and supports risk estimation through Value-at-Risk and Expected Shortfall. Together, these pipelines demonstrate the potential of Machine Learning approaches to improve the flexibility, robustness, and realism of financial stress testing.
• Abstract（参考訳）: 本稿では、インド金融市場におけるセクターストレステストのための機械学習駆動型フレームワークについて、金融サービス、情報技術、エネルギー、消費者製品、医薬品に焦点をあてる。 まず,従来のストレステストにおいて,主成分分析とオートエンコーダによる次元縮小と潜在因子モデリングによる限界に対処する。 これに基づいて,変分オートエンコーダを用いた手法を拡張し,潜在空間に確率的構造を導入する。 これによりモンテカルロをベースとしたシナリオ生成が可能となり、ストレスのある市場状況のよりニュアンスで分散対応のシミュレーションが可能になる。 提案するフレームワークは、複雑な非線形依存関係をキャプチャし、Value-at-RiskとPre expecteded Shortfallを通じてリスク推定をサポートする。 これらのパイプラインは、金融ストレステストの柔軟性、堅牢性、現実性を改善するための機械学習アプローチの可能性を示している。

関連論文リスト

• Multi-Channel Graph Neural Network for Financial Risk Prediction of NEEQ Enterprises [0.0]
  本稿では、構造化金融指標、テキスト開示、企業関係データを統合し、総合的な金融リスク予測を行う多チャンネルディープラーニングフレームワークを提案する。 我々のモデルは、AUC、Precision、Recall、F1 Scoreの点で、従来の機械学習手法と単一モダリティベースラインを大きく上回っていることを示す。 この研究は中小企業のリスクモデリングに関する理論的および実践的な洞察を提供し、金融規制当局や投資家を支援するデータ駆動ツールを提供する。
  論文  参考訳（メタデータ） (2025-07-17T04:57:51Z)
• Option Pricing Using Ensemble Learning [0.0]
  アンサンブル学習の特徴は、柔軟性、高精度、洗練された構造である。 本稿では、価格設定のためのアンサンブル学習の適用について検討し、古典的な機械学習モデルとの比較分析を行う。 金融シミュレーションにおいて、ロバスト性やリアリズムを改善するために、実験間でパラメータ転送を活用する新しい実験戦略が導入された。
  論文  参考訳（メタデータ） (2025-06-06T06:55:49Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [45.29098416799838]
  大きな言語モデル(LLM)は、約束を提供するが、このアプリケーションには未検討のままである。 我々はFin-Force-FINancial Forward Counterfactual Evaluationという新しいベンチマークを導入する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Generative Market Equilibrium Models with Stable Adversarial Learning via Reinforcement [10.35300946640037]
  我々は、最小限のモデリング仮定の下で、継続的金融市場均衡を解くための一般的な計算フレームワークを提案する。 GAN(Generative Adversarial Network)に触発された本手法では,新たな生成的深層強化学習フレームワークを採用する。 我々のアルゴリズムは、学習するだけでなく、市場参加者の内在的な取引行動から資産の返却とボラティリティがどのように出現するかを検証可能な予測も提供する。
  論文  参考訳（メタデータ） (2025-04-05T23:29:46Z)
• A Survey of Model Extraction Attacks and Defenses in Distributed Computing Environments [55.60375624503877]
  モデル抽出攻撃(MEA)は、敵がモデルを盗み、知的財産と訓練データを公開することによって、現代の機械学習システムを脅かす。 この調査は、クラウド、エッジ、フェデレーションのユニークな特性がどのように攻撃ベクトルや防御要件を形作るのかを、緊急に理解する必要に起因している。 本研究は, 自動運転車, 医療, 金融サービスといった重要な分野において, 環境要因がセキュリティ戦略にどう影響するかを実証し, 攻撃手法と防衛機構の進化を系統的に検討する。
  論文  参考訳（メタデータ） (2025-02-22T03:46:50Z)
• Visualizing Machine Learning Models for Enhanced Financial Decision-Making and Risk Management [0.0]
  この研究は、特に銀行業界において、解釈可能性を改善し、予測をサポートするために、機械学習モデルを可視化することがいかに重要であるかを強調する。 ビジュアルツールは、パフォーマンスを改善し、革新的な金融モデルの作成をサポートする。
  論文  参考訳（メタデータ） (2025-02-20T22:10:02Z)
• FinML-Chain: A Blockchain-Integrated Dataset for Enhanced Financial Machine Learning [2.0695662173473206]
  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。
  論文  参考訳（メタデータ） (2024-11-25T10:55:11Z)
• Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
  機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。 これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
  論文  参考訳（メタデータ） (2024-02-15T18:41:35Z)
• A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods [0.0]
  機械学習とディープラーニングは、財務予測や予測タスクでますます普及している。 これらのモデルは透明性と解釈可能性に欠けることが多く、金融のような繊細なドメインでの使用を困難にしている。 本稿では、金融のためのAIベースのシステムに説明可能性を展開するための優れた実践について考察する。
  論文  参考訳（メタデータ） (2023-11-13T17:56:45Z)
• Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
  金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。 本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。 我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。 参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
  論文  参考訳（メタデータ） (2023-08-22T12:53:09Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• 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)
• 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)

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。