論文の概要: Minimizing the Value-at-Risk of Loan Portfolio via Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2510.07444v1
• Date: Wed, 08 Oct 2025 18:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.673312
• Title: Minimizing the Value-at-Risk of Loan Portfolio via Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークによるローンポートフォリオの価値とリスクの最小化
• Authors: Albert Di Wang, Ye Du,
• Abstract要約: この問題に対処するために,低自由度深層ニューラルネットワークモデルであるDeNNと高自由度モデルであるDSNNを提案する。 特に、私たちのモデルはローンのデフォルトの確率だけでなく、デフォルトの時間も予測します。 実験により、ベンチマークと比較すると、両モデルともポートフォリオのVaRを異なる信頼レベルで大幅に削減できることが示された。
• 参考スコア（独自算出の注目度）: 6.402634424631121
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Risk management is a prominent issue in peer-to-peer lending. An investor may naturally reduce his risk exposure by diversifying instead of putting all his money on one loan. In that case, an investor may want to minimize the Value-at-Risk (VaR) or Conditional Value-at-Risk (CVaR) of his loan portfolio. We propose a low degree of freedom deep neural network model, DeNN, as well as a high degree of freedom model, DSNN, to tackle the problem. In particular, our models predict not only the default probability of a loan but also the time when it will default. The experiments demonstrate that both models can significantly reduce the portfolio VaRs at different confidence levels, compared to benchmarks. More interestingly, the low degree of freedom model, DeNN, outperforms DSNN in most scenarios.
• Abstract（参考訳）: リスク管理はピアツーピア融資において顕著な問題である。 投資家は、すべての資金を1つの融資に投じるのではなく、多様化することで、リスクにさらされるリスクを自然に減らすことができる。 この場合、投資家はローンポートフォリオのバリュー・アット・リスク(VaR)や条件付きバリュー・アット・リスク(CVaR)を最小限にしたいと考えるかもしれません。 この問題に対処するために,低自由度深層ニューラルネットワークモデルであるDeNNと高自由度モデルであるDSNNを提案する。 特に、私たちのモデルはローンのデフォルトの確率だけでなく、デフォルトの時間も予測します。 実験の結果、ベンチマークと比較すると、両モデルともポートフォリオのVaRを異なる信頼レベルで大幅に削減できることが示された。 さらに興味深いのは、低レベルの自由度モデルであるDeNNが、ほとんどのシナリオでDSNNを上回っていることだ。

関連論文リスト

• GhostRNN: Reducing State Redundancy in RNN with Cheap Operations [66.14054138609355]
  本稿では,効率的なRNNアーキテクチャであるGhostRNNを提案する。 KWSとSEタスクの実験により、提案されたGhostRNNはメモリ使用量(40%)と計算コストを大幅に削減し、性能は類似している。
  論文  参考訳（メタデータ） (2024-11-20T11:37:14Z)
• Optimal consumption-investment choices under wealth-driven risk aversion [0.0]
  リスク回避が一定であるCRRAユーティリティは、様々な経済学モデルでよく見られる。 本稿では,ニューラルネットワークによる富駆動逆流下での最適消費投資選択に対する数値解に主に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-03T14:07:11Z)
• ESCHER: Eschewing Importance Sampling in Games by Computing a History Value Function to Estimate Regret [97.73233271730616]
  超大型ゲームにおけるナッシュ均衡の近似手法 : ニューラルネットワークを用いて近似最適ポリシー(戦略)を学習する DREAMは,モンテカルロCFR(MCCFR)から受け継がれた重要なサンプリング項により,極めて高いばらつきを有すると推定された後悔のターゲット上で,ニューラルネットワークを訓練する。 ESCHERの深層学習バージョンは、DREAMとニューラル・フィクション・セルフプレイ(NFSP)の先行状態よりも優れており、ゲームサイズが大きくなるにつれて、その違いは劇的になる。
  論文  参考訳（メタデータ） (2022-06-08T18:43:45Z)
• Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
  ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。 我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。 逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T16:14:44Z)
• Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation [8.617532047238461]
  ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。 提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
  論文  参考訳（メタデータ） (2021-07-12T05:30:50Z)
• HufuNet: Embedding the Left Piece as Watermark and Keeping the Right Piece for Ownership Verification in Deep Neural Networks [16.388046449021466]
  深部ニューラルネットワーク(DNN)を透かしする新しいソリューションを提案する。 HufuNetは、モデル微調整/pruning、カーネルのカットオフ/補完、機能相当の攻撃、不正所有クレームに対して非常に堅牢です。
  論文  参考訳（メタデータ） (2021-03-25T06:55:22Z)
• Deep Hedging, Generative Adversarial Networks, and Beyond [2.253930064459394]
  本稿では,ディープラーニングと人工知能の金融応用,特にヘッジへの応用について紹介する。 本稿では,単純なバニラ欧州コールオプションを複製した直接ポリシー検索強化エージェントの枠組みを示し,モデルフリーデルタヘッジにエージェントを使用する。 我々は、このRLベースのヘッジフレームワークが、従来のモデルに固有の問題に対処し、実践的にヘッジを実行するためのより効率的な方法であると信じている。
  論文  参考訳（メタデータ） (2021-03-05T19:41:11Z)
• Investigating Trade-offs in Utility, Fairness and Differential Privacy in Neural Networks [7.6146285961466]
  機械学習アルゴリズムは公正でなければならない。 プライバシーと公正性の制約が 効力の犠牲になるかもしれません 本稿では,ニューラルネットワークにおけるプライバシ・ユーティリティ・フェアネスのトレードオフについて検討する。
  論文  参考訳（メタデータ） (2021-02-11T12:33:19Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)
• 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。