論文の概要: Beyond Churn: Predicting Financial Fragmentation in Retail Banking with Temporal Machine Learning
- arxiv url: http://arxiv.org/abs/2608.30364v1
- Date: Mon, 31 Aug 2026 07:22:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.279578
- Title: Beyond Churn: Predicting Financial Fragmentation in Retail Banking with Temporal Machine Learning
- Title（参考訳）: 時間的機械学習によるリテールバンキングにおける財務的断片化の予測
- Abstract要約: 本稿では、先行状態が財務的断片化であると定義し、それを予測するためのエンドツーエンドの時間的機械学習システムを提案する。
このフレームワークは、有効な外部送金または投資イベントが90日以内に発生するかどうかを予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retail banking attrition is usually represented as a terminal binary event, even though client relationships often weaken earlier through partial movements of deposits, investments, and recurring activity to external financial institutions. This paper defines that preceding state as financial fragmentation and presents an end-to-end temporal machine-learning system for predicting it before complete disengagement. Using anonymized multi-source data from a large retail bank, the framework predicts whether a valid external transfer or investment event will occur within 90 days. The study uses 595,220 client-month observations, with 346 engineered features combining monthly client profiles, balances, product relationships, prior flow-of-funds behavior, macroeconomic conditions, and competitor activity. A four-stage XGBoost cascade estimates (1) whether an external outflow will occur within 90 days, (2) the expected amount, (3) the originating product, and (4) the destination financial institution. The primary classifier achieved a test precision-recall area under the curve of 0.823. At the validation-selected threshold, it produced 86.4% precision, 75.1% recall, and an F1 score of 0.803. Ranking test observations in descending Stage 1 fragmentation score, the top 1% of clients yielded 95.3% precision, while the top 5% captured 78.7% of observed outflow cases. The amount model placed 94.9% of predictions within an adjacent amount bucket. Destination prediction reached a macro-F1 of 0.81 across 27 classes; source-product prediction achieved a weighted F1 of 0.92. By moving the analytical focus from terminal churn to earlier fund migration, the proposed approach provides a practical foundation for proactive, explainable, and economically informed client-retention decision support.
- Abstract（参考訳）: 通常、リテールバンキングの誘致は、外部金融機関への預金、投資、反復活動を通じて、顧客関係が早期に弱まるにもかかわらず、終末のバイナリイベントとして表現される。
本稿では、先行状態が財務的断片化であると定義し、完全解体前に予測するエンドツーエンドの時間的機械学習システムを提案する。
大規模なリテールバンクから匿名化されたマルチソースデータを使用して、有効な外部送金や投資イベントが90日以内に発生するかどうかを予測する。
この研究は595,220人のクライアント月次観測を使っており、346人のエンジニアが毎月のクライアントプロファイル、バランス、製品関係、以前のフロー・オブ・ファンドの振る舞い、マクロ経済状態、競合する活動を組み合わせている。
4段階のXGBoostカスケードは、(1)外部流出が90日以内に発生するか否か、(2)期待金額、(3)原産品、(4)目的地金融機関を推定する。
一次分類器は 0.823 の曲線の下でテスト精度・リコール領域を達成した。
精度は86.4%、リコールは75.1%、F1スコアは0.803だった。
下位ステージ1のフラグメンテーションスコアにおけるテスト結果のランキングでは、クライアントの上位1%が95.3%の精度で、上位5%が78.7%のアウトフローケースを捕獲した。
量モデルは94.9%の予測を隣接する量バケットに配置した。
行列予測は27のクラスで0.81のマクロF1に達し、ソース積予測は0.92の重み付きF1を達成した。
分析的焦点をターミナルチャーンから早期のファンド移行に移すことにより、提案手法は、積極的な、説明可能な、経済的に通知された顧客保持決定支援のための実践的な基盤を提供する。
関連論文リスト
- IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。
まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。
少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文 参考訳（メタデータ） (2026-09-08T07:43:04Z) - Long-Horizon Forecasting of Complete Financial Statements with Forma [4.96723753794697]
ProForma-20Qは、78のステートメントラインアイテムを1～20四半期前に予測するベンチマークです。
Formaは、ステートメントを匿名化された(アカウント、クォーター、値)集合として読むトランスフォーマーである。
フォーマの予測は会計のアイデンティティをほぼ満たしており、正確なコヒーレンスを統計的に有意な精度で回収することができる。
論文 参考訳（メタデータ） (2026-08-11T18:21:19Z) - From Financial Sentiment Classification to Return Predictability: A QLoRA Benchmark of Large Language Models [0.0]
5つの財務テキストデータセットから3クラスを統一したベンチマークを構築した。
TF-IDF Naive Bayes,off-the-the-shelf FinBERT,Financial-RoBERTaエンコーダを比較した。
一時分離した2019 Benzingaサンプルの経済妥当性を評価した。
論文 参考訳（メタデータ） (2026-08-04T19:57:40Z) - GAUGE: Grading Agent-Built Financial Models Without a Golden Answer [38.72982631250115]
65社をカバーする108組のうち、中央値は0.33、92.6%は0.70以下であり、同じビンテージのペアは10%以内のインプリード価格に合意していない。
同じ企業の独立したアナリストモデルを用いて、65社をカバーする108組のうち、中央値のシングル参照スコアは0.33、92.6%が0.70未満であり、同じビンテージペアが10%以内のインリード価格で一致しないことが判明した。
本稿では,エージェント構築評価モデルを評価するベンチマークであるGAUGEを紹介する。
論文 参考訳（メタデータ） (2026-07-27T13:03:19Z) - A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification [0.9449650062296823]
本研究では,転がり挙動ウィンドウを用いた顧客行動のモデル化を行う,時間的に明示的なチャーン予測フレームワークを提案する。
このフレームワークは、機能ベースとシーケンスベースの学習アプローチを統合時間設計に統合する。
実験結果から, 精度は87.6%, ROC-AUCは0.94に向上した。
論文 参考訳（メタデータ） (2026-06-04T23:38:43Z) - Large Language Model-Powered Query-Driven Event Timeline Summarization in Industrial Search [49.02761046363752]
本稿では、Baidu Search上にデプロイされた実運用システムであるQDET(Query-Driven Event Timeline Summarization)を紹介する。
QDETは、毎日取得された数百万のドキュメントによって形成されたノイズの多い候補セットから、クエリに密接に関連するサブイベントを特定し、整理する。
Baidu SearchのオンラインA/Bテストでは、現実世界の有効性が検証され、CTRが5.5%改善し、居住時間が4.6%長く、4.4%深かった。
論文 参考訳（メタデータ） (2026-05-26T14:16:27Z) - BankMathBench: A Benchmark for Numerical Reasoning in Banking Scenarios [45.48548225665319]
大規模言語モデル(LLM)ベースのチャットボットは金融分野でますます採用されている。
これらのモデルは依然として、コアバンキング計算において低い精度を示している。
BankMathBenchは、現実的な銀行業務を反映したドメイン固有のデータセットである。
論文 参考訳（メタデータ） (2026-02-19T04:27:47Z) - Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction [45.88028371034407]
本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。
医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。
論文 参考訳（メタデータ） (2026-01-23T02:34:29Z) - A Benchmark of Causal vs Correlation AI for Predictive Maintenance [0.0]
本研究では,1万台のCNCマシンを用いて,ベースライン統計手法から公式因果推論手法まで,8つの予測モデルを評価する。
公式因果推論モデル(L5)は、年間116万USD(70.2%の削減)のコスト削減を達成し、相関ベースの決定木モデル(L3)を年間約80,000USDで上回った。
論文 参考訳（メタデータ） (2025-11-30T23:59:37Z) - Latent Imitator: Generating Natural Individual Discriminatory Instances
for Black-Box Fairness Testing [45.183849487268496]
本稿では、より自然な個人識別インスタンスを生成するために、LIMI(Latent Imitator)というフレームワークを提案する。
まず、対象モデルの決定境界を近似するために、代理線形境界を導出する。
次に、1ステップの運動で代理境界にランダムな潜伏ベクトルを演算し、さらにベクトル計算を行い、2つの潜在的な識別候補を探索する。
論文 参考訳（メタデータ） (2023-05-19T11:29:13Z) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳（メタデータ） (2021-03-13T03:56:29Z)
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。