Jun, 2024

改进实现的 LGD 近似：一种处理缺失现金流数据的新框架与 XGBoost

PDF
TL;DR基于有限获取现金流数据的条件下，在 Loss Given Default（LGD）参数准确计算的范围内，本研究旨在探索提高实现 LGD 近似值的方法。通过运用机器学习技术，我们改进了依赖于资产暴露差异（delta outstanding approach）的方法，利用欧洲某国的抵押贷款组合数据并结合与房地产市场相关的非金融变量和宏观经济数据，提高了损失严重程度近似值的准确性。我们开发了一个 XGBoost 模型，不依赖现金流数据但比 delta outstanding 方法获得更准确的实现 LGD 估计结果。我们的研究还对 delta outstanding 方法进行了深入探究，并提出了通过机器学习模型解决有限获取现金流数据条件的方法。
loss given defaultapproximationmachine learningmortgage portfolioxgboost model
发现论文，激发创造
  • 基于 Lasso Ridge 的 XGBoost 与 Deep_LSTM 改善网球选手表现

    研究了网球比赛中势头和比赛波动的动力学，通过评估选手表现、量化势头效应、测量比赛波动以及进行元学习，有效地预测比赛结果和提供运动分析和选手训练策略的启示。

    May, 2024

  • 合奏方法：使用 LightGBM、XGBoost 和 LocalEnsemble 进行信用违约预测的创新

    在消费借贷领域，准确的信贷违约预测是风险缓解和借贷决策优化的关键要素，本研究通过引入创新方法挑战传统模型，构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架，通过利用独特的特征集直接解决了之前研究中的局限性，旨在为信贷违约预测准确性建立新的标准，实验证明了集成模型在数据集上的有效性，为推动信贷违约预测模型的准确性和稳健性树立了先例。

    Feb, 2024

  • 分位极值梯度提升用于不确定性量化

    本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进，使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost)，并将其应用于预测间隔的创建，并将其应用于一个模拟数据集和一个实际环境数据集中的测量交通噪声，结果表明该方法在预测间隔方面的整体性能要优于其他基于覆盖范围准则的模型。

    Apr, 2023

  • 高维广义线性模型中基于流数据的自适应无偏 SGD

    在线统计推断使得实时分析顺序采集的数据成为可能，本文引入了一种针对高维广义线性模型的在线推断新方法，通过在每次新增数据到达时更新回归系数估计和其标准误差，与现有方法相比，该方法以单次传递模式运行，大大降低了时间和空间复杂度。方法的核心创新在于针对动态目标函数设计的自适应随机梯度下降算法，结合了一种新型的在线去偏过程，能够在有效控制由动态变化的损失函数引入的优化误差的同时，保持低维度的摘要统计量。我们的方法，即近似去偏套索（ADL），不仅减轻了有界个别概率条件的需求，而且显著提高了数值性能。数值实验证明了所提出的 ADL 方法在各种协方差矩阵结构下一致表现出鲁棒性。

    May, 2024

  • 最佳房价预测算法：XGBoost

    房屋价格的准确预测是包括房地产和抵押贷款在内各个行业的基本要求。本研究通过运用各种机器学习技术来解决房价预测问题，并使用爱荷华州艾姆斯市的房屋数据集比较了支持向量回归器、随机森林回归器、XGBoost、多层感知器和多元线性回归算法。最终确定了影响房屋成本的关键因素，并得出结果表明 XGBoost 是最佳的房价预测模型。

    Feb, 2024

  • 参与者之间的数据连接：通过联邦学习评估地质能源的潜力

    该研究提出了一种基于 XGBoost 模型的新颖联邦学习（FL）框架，通过安全的协作建模实现多方可访问但隐藏数据的收集，通过贝叶斯优化实现模型的超参数调优，并通过比较分析证明 FL-XGBoost 方法在地能量领域的二元分类问题中取得了合适的平衡，FL 模型展现了优越的准确性和泛化能力，对于数据有限或相关性较低的参与者而言，相比于单独模型，提供了显著的隐私优势，FL 协议内的聚合优化方法在超参数调优方面表现有效。这项研究开辟了通过协作和隐私保护的 FL 技术评估非传统储层的新途径。

    Apr, 2024

  • 一种新的决策集成框架：用于股票价格预测的定制化注意力 - BiLSTM 和 XGBoost

    提出了一个新的框架 CAB-XDE，用于预测比特币 BTC-USD 的每日收盘价，该框架整合了自定义的双向长短期记忆网络 (BiLSTM)、注意力机制和 XGBoost 算法，效果优于现有模型，指标包括 MAPE 为 0.0037、MAE 为 84.40 和 RMSE 为 106.14。

    Jan, 2024

  • 一种包含自适应数据容错恢复调整的随机梯度下降算法用于隐因子分析

    本文提出了一种 ADRC 结合 SGD 算法来快速且准确地分析高维不完整矩阵的潜在因子，并在两个高维不完整数据集上的实证研究中表明，该模型在计算效率和准确性方面优于现有的 LFA 模型。

    Jan, 2024

  • 利用机器学习估算油藏采收率：XGBoost 分类应用

    利用机器学习算法 XGBoost 和可用特征估算石油开采过程中的油脂率和关键特征，表明特征重要性的评估可较准确地评价该模型的可靠性。

    Oct, 2022

  • 大型语言模型的参数高效调优：极端金融数字标注

    我们通过使用大型语言模型（LLMs）的指导调优，研究了用 XBRL 标签自动注释在财务文件中出现的相关数值（GAAP 指标）的问题，提出了一种参数高效的解决方案（FLAN-FinXC），并在两个最近发布的财务数字标签数据集上取得了最新的最佳表现。

    May, 2024