금융 데이터 분석

Kirjaudu sisään

näkemys - 금융 데이터 분석

금융 주식 수익률 상관관계에서 퀜칭 체제의 상 순서 운동학을 통해 연속 스펙트럼 내에 존재하는 신호를 탐지할 수 있다.

RNN 기반 모델이 기존 기계 학습 모델보다 ASEAN-5 주식 시장의 조기 위기 감지에 더 우수한 성능을 보인다.

본 연구는 은행 고객의 다양한 데이터 모달리티(거래 내역, 지리적 위치, 고객 상담 대화)를 활용하여 고객의 구매 행동을 예측하고 고객 간 매칭을 수행하는 방법을 제안한다.

본 연구는 대조적 학습과 생성적 학습 기법을 통합하여 금융 거래 데이터의 이벤트 시퀀스에 대한 강력한 표현 학습 모델을 제안한다. 이를 통해 거래 데이터의 전반적인 특성과 개별 거래의 세부 정보를 모두 효과적으로 포착할 수 있다.

거래 규모, 거래 시간, 거래 장소 등 거래 특성이 미래 가격 움직임 예측에 미치는 영향을 분석하여 핵심 거래를 식별하였다.

테이블 데이터 RAG 애플리케이션을 위해 기존 SOTA 임베딩 모델을 파인튜닝하여 성능을 크게 향상시킴.

이중 기계 학습 기법을 활용하여 미국 연방준비제도의 금리 변화가 능동적 및 수동적 펀드 수익률에 미치는 영향을 분석하였다. 분석 결과, 금리 인상이 능동적 펀드 수익률에 상당한 부정적 영향을 미치는 것으로 나타났다.

결제 데이터의 주소 정보를 정확하게 추출하고 분석하는 것이 금융 기관의 규제 준수를 위해 매우 중요하다. 본 연구는 실제 결제 데이터의 노이즈와 복잡성을 반영한 새로운 데이터셋을 제공하고, 이를 활용하여 다국적 주소 구문 분석을 위한 효과적인 접근법을 제시한다.

양자 알고리즘을 활용하여 금융 예측 모델의 성능을 향상시킬 수 있다. 구체적으로 양자 결정 점 프로세스(DPP)를 이용한 랜덤 포레스트 모델과 양자 신경망 모델을 제안하여 고객 이탈 예측과 신용 위험 평가 문제에서 우수한 성능을 보였다.

시간 그래프 네트워크(TGN)를 활용하여 금융 네트워크의 동적 변화를 효과적으로 포착하고, 이를 통해 금융 사기 탐지 성능을 크게 향상시킬 수 있다.

Tietoja

Tuotteet

Resurssit