文献

J-GLOBAL ID：202202238486216362   整理番号：22A0778092

金融アプリケーションのための寿命の予測:深層学習法による最初の実験【JST・京大機械翻訳】

Forecasting Longevity for Financial Applications: A First Experiment with Deep Learning Methods

著者 (1件)： Bravo Jorge M. (NOVA IMS - Universidade Nova de Lisboa, Universite Paris-Dauphine PSL, Lisbon, Portugal)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1525  ページ： 232-249  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 予測寿命は,生命保険契約の価格決定,寿命リスク管理のための資本市場解の評価,およびension金政策を含む,複数の研究と政策分野で必須である。本論文は,すべての年齢で年齢特異的死亡率の共同モデリングと多変量時系列予測におけるゲートリカレントユニット(GRU)と長短温度メモリ(LSTM)アーキテクチャによるReカレントニューラルネットワーク(RNN)の予測性能を経験的に調査する。時系列予測のために3つの隠れ層GRUとLSTMモデルのハイパーパラメータを微調整し,モデル予測精度を従来の一般化年齢-Perio-Cohort(GAPC)確率的死亡率モデルと比較した。経験的結果は,2つのRNNアーキテクチャが,男性と女性集団の両方で調査されたGAPCモデルよりも一般的に優れているが,結果は精度基準に敏感であることを示唆する。経験的結果はまた,RNN-GRUネットワークがLSTMアーキテクチャでRNNをわずかに上回り,年齢と時間にわたって死亡率の動力学を比較的良く捉える死亡率スケジュールを生成することを示した。他のRNNアーキテクチャ,キャリブレーション手順,およびサンプルデータセットを考慮したさらなる研究は,寿命予測におけるRNNの優位性を確認するために必要である。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  価格決定 ,  ネットワーク ,  予測 ,  精度 ,  死亡率 ,  *金融 ,  モデリング ,  *応用プログラム ,  リスク管理 ,  計算機アーキテクチャ ,  *機械学習
準シソーラス用語： 時系列予測 ,  予測精度 ,  隠れ層 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (7件)： 死亡率予測 ,  RNN ,  LSTM ,  GRU ,  深層学習 ,  ペンシオン ,  保険

分類 (3件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 金融 ,  アプリケーション ,  寿命 ,  予測 ,  深層学習 ,  実験