論文の概要: CATNet: A geometric deep learning approach for CAT bond spread prediction in the primary market

• arxiv url: http://arxiv.org/abs/2508.10208v1
• Date: Wed, 13 Aug 2025 21:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.123456
• Title: CATNet: A geometric deep learning approach for CAT bond spread prediction in the primary market
• Title（参考訳）: CATNet: 一次市場におけるCAT結合拡散予測のための幾何学的深層学習手法
• Authors: Dixon Domfeh, Saeid Safarveisi,
• Abstract要約: 本稿では,カタストロフィ結合の価格設定にディープラーニングアーキテクチャを適用した新しいフレームワークであるCATNetを紹介する。 分析の結果,CAT結合市場は,高連結で影響力のあるハブが支配する構造であるスケールフリーネットワークの特性を示すことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional models for pricing catastrophe (CAT) bonds struggle to capture the complex, relational data inherent in these instruments. This paper introduces CATNet, a novel framework that applies a geometric deep learning architecture, the Relational Graph Convolutional Network (R-GCN), to model the CAT bond primary market as a graph, leveraging its underlying network structure for spread prediction. Our analysis reveals that the CAT bond market exhibits the characteristics of a scale-free network, a structure dominated by a few highly connected and influential hubs. CATNet demonstrates high predictive performance, significantly outperforming a strong Random Forest benchmark. The inclusion of topological centrality measures as features provides a further, significant boost in accuracy. Interpretability analysis confirms that these network features are not mere statistical artifacts; they are quantitative proxies for long-held industry intuition regarding issuer reputation, underwriter influence, and peril concentration. This research provides evidence that network connectivity is a key determinant of price, offering a new paradigm for risk assessment and proving that graph-based models can deliver both state-of-the-art accuracy and deeper, quantifiable market insights.
• Abstract（参考訳）: 伝統的なCAT結合の価格設定モデルは、これらの機器に固有の複雑な関係データを取得するのに苦労している。 本稿では,CAT結合一次市場をグラフとしてモデル化するために,幾何学的深層学習アーキテクチャであるRelational Graph Convolutional Network(R-GCN)を適用した新しいフレームワークであるCATNetを紹介する。 分析の結果,CAT結合市場は,いくつかの高結合かつ影響力のあるハブが支配するネットワーク構造であるスケールフリーネットワークの特性を示すことが明らかとなった。 CATNetは高い予測性能を示し、強いランダムフォレストベンチマークを著しく上回っている。 特徴としてのトポロジカルな集中度は、さらなる精度の向上をもたらす。 解釈可能性分析により、これらのネットワークの特徴は単なる統計的成果物ではなく、発行者評価、アンダーライターの影響、およびPeril濃度に関する長期にわたる産業直観の定量的プロキシであることが明らかとなった。 この研究は、ネットワーク接続が価格の重要な決定要因であることを証明し、リスク評価のための新しいパラダイムを提供し、グラフベースのモデルが最先端の精度とより深く、定量化可能な市場洞察を提供することを証明している。

関連論文リスト

• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Dynamic graph neural networks for enhanced volatility prediction in financial markets [0.0]
  本稿では,グローバル金融市場を動的グラフとして表現するために,グラフニューラルネットワーク(GNN)を用いた新たなアプローチを提案する。 相関に基づくボラティリティ指標とボラティリティ指標を利用することで、テンポラルGATは、ボラティリティ予測の精度を高める有向グラフを構成する。
  論文  参考訳（メタデータ） (2024-10-22T09:52:15Z)
• Graph Dimension Attention Networks for Enterprise Credit Assessment [40.87056211723355]
  グラフ次元注意ネットワーク(GDAN)という新しいアーキテクチャを提案する。 GDANは、細粒度のリスク関連特性を捉えるための次元レベルの注意機構を組み込んでいる。 金融シナリオにおけるGNN手法の解釈可能性について検討し、GDAN-DistShiftと呼ばれるGDANのためのデータ中心の説明器を提案する。
  論文  参考訳（メタデータ） (2024-07-16T11:24:28Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
  本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
  論文  参考訳（メタデータ） (2024-07-09T03:59:06Z)
• It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
  アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。 現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。 本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
  論文  参考訳（メタデータ） (2023-12-27T10:44:58Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• NEW: A Generic Learning Model for Tie Strength Prediction in Networks [5.834475036139535]
  タイの強度予測(タイの強さ予測、英: Tie strength prediction)は、ネットワークに出現する接続パターンの多様性を探索する上で不可欠である。 我々はNEW(Neighborhood Estimating Weight)と呼ばれる新しい計算フレームワークを提案する。 NEWはネットワークの基本構造情報によって純粋に駆動され、多様な種類のネットワークに適応する柔軟性を持つ。
  論文  参考訳（メタデータ） (2020-01-15T13:02:00Z)

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。