論文の概要: Network Contagion in Financial Labor Markets: Predicting Turnover in Hong Kong

• arxiv url: http://arxiv.org/abs/2509.08001v1
• Date: Sun, 07 Sep 2025 11:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.191761
• Title: Network Contagion in Financial Labor Markets: Predicting Turnover in Hong Kong
• Title（参考訳）: ファイナンシャル・ワーカー市場におけるネットワークの感染拡大、香港の転機を予見
• Authors: Abdulla AlKetbi, Patrick Yam, Gautier Marti, Raed Jaradat,
• Abstract要約: 我々は、従業員の退社を分析・予測するために、121,883人のプロフェッショナルと4,979社の時間的ネットワークを構築した。 専門家は6ヶ月以内に30%以上の仲間が退去する確率が23%高い。
• 参考スコア（独自算出の注目度）: 0.5599792629509227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Employee turnover is a critical challenge in financial markets, yet little is known about the role of professional networks in shaping career moves. Using the Hong Kong Securities and Futures Commission (SFC) public register (2007-2024), we construct temporal networks of 121,883 professionals and 4,979 firms to analyze and predict employee departures. We introduce a graph-based feature propagation framework that captures peer influence and organizational stability. Our analysis shows a contagion effect: professionals are 23% more likely to leave when over 30% of their peers depart within six months. Embedding these network signals into machine learning models improves turnover prediction by 30% over baselines. These results highlight the predictive power of temporal network effects in workforce dynamics, and demonstrate how network-based analytics can inform regulatory monitoring, talent management, and systemic risk assessment.
• Abstract（参考訳）: 雇用者の転職は金融市場にとって重要な課題だが、キャリアの動きを形作る上でのプロフェッショナルネットワークの役割についてはほとんど知られていない。 香港証券先物委員会(SFC)の登録簿(2007-2024)を用いて、従業員の退社を分析・予測するために、121,883人のプロフェッショナルと4,979社の時間的ネットワークを構築している。 グラフベースの特徴伝達フレームワークを導入し、相互影響と組織的安定性を捉える。 専門家は6ヶ月以内に30%以上の仲間が退去する確率が23%高い。 これらのネットワーク信号を機械学習モデルに組み込むことで、ベースラインよりも30%のオーバ予測が改善される。 これらの結果は、労働力動態における時間的ネットワーク効果の予測力を強調し、ネットワークベースの分析が規制監視、人材管理、システム的リスクアセスメントにどのように影響するかを示す。

関連論文リスト

• Conditional Forecasting of Margin Calls using Dynamic Graph Neural Networks [0.0]
  本稿では,時間的金融ネットワークにおける予測問題に先立って,条件付き$m$-stepを解くための新しい動的グラフニューラルネットワークアーキテクチャを提案する。 我々の研究は、ネットワークのダイナミクスをストレステストの実践にうまく組み込むことで、規制当局や政策立案者にシステム的リスク監視の重要なツールを提供することを実証している。
  論文  参考訳（メタデータ） (2024-10-30T17:55:41Z)
• Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking [59.87055275344965]
  Job-SDFは、ジョブスキルの需要予測モデルをトレーニングし、ベンチマークするために設計されたデータセットである。 2021年から2023年にかけて、中国の大手オンライン求人プラットフォームから集められた1035万件の求人広告に基づいている。 本データセットは,職業,企業,地域レベルなど,さまざまな粒度でのスキル需要予測モデルの評価を可能にする。
  論文  参考訳（メタデータ） (2024-06-17T07:22:51Z)
• Attacks Against Mobility Prediction in 5G Networks [2.1374208474242815]
  これらの予測の精度を損なう可能性のあるモビリティ攻撃が存在することを示す。 1万人規模の半現実的なシナリオでは、携帯端末を乗っ取る能力を備えた敵が、予測精度を75%から40%に大幅に低下させることを示した。 防御機構は特定の領域における攻撃と移動タイプに大きく依存するが,基本的KMeansクラスタリングは正反対のUEを識別するのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T16:24:19Z)
• Earnings Prediction Using Recurrent Neural Networks [0.0]
  この研究は、40年間の財務データを用いて、将来の企業利益を予測するニューラルネットワークを開発する。 アナリストのカバレッジギャップに対処し、潜在的に隠れた洞察を明らかにする。 会計年度末と四半期決算予測の両方を作成できる。
  論文  参考訳（メタデータ） (2023-11-10T13:04:34Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Stimulative Training++: Go Beyond The Performance Limits of Residual Networks [91.5381301894899]
  残余のネットワークは大きな成功を収め、最近のディープニューラルネットワークモデルでは欠かせないものになっている。 従来の研究では、残余ネットワークは浅いネットワークのアンサンブルと見なせることが示唆されている。 残余ネットワーク内のワークは、単独で作業するよりもグループとして働く場合の労力を減らしがちである。
  論文  参考訳（メタデータ） (2023-05-04T02:38:11Z)
• Providing an Approach to Predicting Customer Quality in E-Commerce Social Networks Based on Big Data and Unsupervised Learning Method [0.0]
  顧客の忠誠度合いは顧客品質と呼ばれ、その予測は戦略的マーケティングプラクティスに影響を与える。 本研究の目的は,ビッグデータアルゴリズムと教師なし学習による大規模eコマースソーシャルネットワークの顧客品質の予測である。
  論文  参考訳（メタデータ） (2021-09-05T14:08:17Z)
• Earnings Prediction with Deep Learning [0.0]
  我々は、長期短期記憶(LSTM)ネットワークと時間畳み込みネットワーク(TCN)を比較し、EPS(Future earnings per Share)の予測を行う。 米国企業の広範なサンプルでは、LSTMはいずれも30.0%以上の精度の予測を行い、TCNは30.8%の改善を達成している。
  論文  参考訳（メタデータ） (2020-06-03T16:04:48Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。