Search

Natural disasters have considerable impacts in global commercial and agricultural activities. Tropical storms—known as typhoons, hurricanes or cyclones—appear to occur with greater frequency and strength with substantial economic damages on agricultural produces, shipping efficiency, property damage, airline re-routings, etc. Predictability of the direction and likelihood of land impacts of tropical storms will greatly enhance the chances of insuring against potential damage. In this study, we construct recurrent neural network models to predict whether and the extent to which a developing typhoon will impact Hong Kong. A novel non-linear cost function is used to improve separation between adjacent signals; and the prediction, using a previously trained model, takes a fraction of a second. After training and testing the model with data from 1961 to 2018, covering over 1,300 individual storms and their impacts, a 79% success rate (F measure) in identifying the most serious storms 24 h before impact is achieved. For the task of categorizing storms into a six-point scale, 81% accuracy is accomplished, and a 58% success rate excluding “no-impact” cyclones, compared to random guess precision of 18%. Lastly, the implications of artificial intelligence for blockchain and the Internet of Things are discussed.

In finance, a persistent issue in classification task has been the long dependency. For example, how does a model learn from the abnormal London Interbank Offer Rate movement months before the 2008 financial crisis and apply that knowledge in today’s market? For traditional time series modeling and for basic deep learning model such as long short-term memory, such knowledge is hard for a model to capture. To ameliorate this problem, we present a novel architecture, residual attention net (RAN), which merges a sequence architecture, universal transformer, and a computer vision architecture, residual net, with a high-way architecture for cross-domain sequence modeling. This approach helps the model “remember” time series events that happened long before the target event. The architecture aims at addressing the long dependency issue often faced by recurrent neural net-based structures. This chapter serves as a proof-of-concept for a new architecture, with RAN aiming at providing the model a higher level understanding of sequence patterns. To our best knowledge, we are the first to propose such an architecture. Out of the standard 85 UCR data sets, we have achieved 35 state-of-the-art results with 10 results matching current state-of-the-art results without further model fine-tuning. The results indicate that such architecture is promising in complex, long-sequence modeling and may have vast, cross-domain applications.

This chapter describes the principles of blockchain, cryptocurrency, and artificial intelligence (AI) and their applications to the financial sector. We first discuss blockchain, and discuss cryptocurrency, the best-known application of blockchain. We present the question of whether a cryptocurrency is a currency or an asset and whether it can be a new safe haven asset. We summarize the controversy regarding the issuance of a central bank digital currency (CBDC). We argue that digital currencies only show the potential to inject liquidity into an economy during market stress. Additionally, most of the recognized advantages of blockchain applications relate to two concepts: decentralization and consensus. Blockchain’s decentralization can be used to democratize banking services, corporate governance, and the real estate industry. Finally, we present the strengths of and concerns in using AI technologies in banking, lending platforms, and asset management, bearing in mind the most recently developed applications in these areas. This chapter provides a contribution to the literature that incorporates both theory and practice in blockchain, presenting a detailed review of performances and limitations of AI techniques in finance, including recent publications relating to the COVID-19 pandemic, CBDC, and alternative data.

Financial data is highly noisy with often drastic and rapid distribution changes. This causes financial models with high complexity overfit the data easily and render the model unproductive when deployed in the real-life applications. To solve this problem, we present a framework, attention generative adversarial net (A-Gan), a novel architecture to better learn the distribution of the sequence data and generate realistic sequence data. A-Gan utilizes various attention-based and residual net-based as well as combined architecture as the generator and discriminator. When used for data augmentation, we find that it increases the generalizing ability and model robustness. For the framework, we introduce a number of different architectures, including transformer-based GAN, ResNet GAN, Transformer-FCN GAN as well as Transformer-ResNet GAN. We find that, out of the 50 UCR sequence datasets, 35 show performance improvements, some quite significant. The results indicate that the model was able to learn from the original data and generate new data of similar distributions which can be used to strengthen the model. We also introduce a new metric to examine the generated data and gauge the synthetic data quality, which can further enhance.

The authors examine the relationship between net interest margin, a measure of banks’ pricing power, and lending market shares in the environment of regulation changes in Taiwan from 1991 to 2009. Specifically, the effect on net interest margins from mandatory industry consolidation is studied in depth. The authors find that firm market shares in the first period have positive and highly significant impacts on the bank profitability, but for the second period, the authors find increased non-performing loans. During the second period, the credit lending market share became a main profit component but with a negative impact on profitability. Additionally, the focus of lending type shifted from collateralized to credit lending, a type of lending that has much higher profitability, but such lending has negative and significant effects on banks’ profitability. The results suggest a mandatory industry-wide consolidation affected the bank lending types, with banks focusing more on increasing short-term market share through credit lending than on profitability

문헌에는 위험요인으로써 자산수익률 예측을 모형화하는 많은 연구가 있다. 현대 포트폴리오 이론이 도입된 후 자산가격평가모형은 단변량에서 다변량 구조로 변모해왔다. 이론적 모형의 발전과 더불어 이의 실증적 검정 및 여러 국가별 자본시장에의 응용 또한 다양하게 이루어져 왔다. 하지만 아시아의 신흥시장에 관간 연구의 경우 지역에 특화된 모형화와 실증 모형의 식별이 더욱 절실하다. 현재까지는 업종별 분류 포트폴리오 수익률 위주로 분석이 이루어졌으며 최근 들어 다요인 모형의 활용이 늘어나긴 했지만 여전히 문헌상 기록된 연구의 수효가 미미하다. 이에 본 연구에서는 대만증시에 초점을 맞추어 여러 모형의 유용성을 점검해 본다. 대만증시에 관한 기존의 연구에서는 시장할증요인(market premium factor)이 주식 수익률에 큰 영향을 미치는 반면 가치주할증요인(“high-minus-low.,” HML) 또는 소형주할증요인(“small-minus-big.,” SMB)의 효과는 미미한 것으로 나타나 있다.(Ko, 2014; Cheng, 2006) 관성요인(“up-minus-down.,” UMD)에 관해서는 좀 더 면밀한 관찰이 필요하다. 아울러 Fama and French(1997)의 미국 증시에 관한 연구에서 업종별 분류 포트폴리오 수익률로써 자산가격평가모형을 수립하는 것은 여타 분류 포트폴리오수익률에 기반한 것과 비교한 실증분석 결과를 보고하였다. 유럽 증시에 대해서도 비슷한 분석 결과가 있다.(Moerman, 2005) 아시아 신흥시장에서의 업종별 분류 포트폴리오 수익률에 대한 분석은 여전히 수적으로 제한적이며 추가적인 연구가 요구된다. 본 연구에서는 대만증시 상장주식으로 구성된 포트폴리오에 대한 다중모형을 활용한 실증분석을 수행한다. 표본은 대만증권거래소(Taiwan Stock Exchange, 이하 TWSE)에서 2001년 7월부터 2015년 12월사이에 거래된 모든 상장종목이다. Moerman(2005)의 분류방식에 의해 대만증시의 업종별 포트폴리오를 구성한 후에 각 포트폴리오별 설명요인을 식별하기 위해 시장모형, Fama and French(1993)의 3요인모형 및 Carhart(1997)의 4요인모형으로써 회귀분석을 수행하였다. 다양한 표본기간에 상이한 요인모형으로써 대만증시 상장종목을 실증분석한 결과에 의하면 업종별 양상이 두드러짐을 알 수 있었다. 그럼에도 불구하고 Fama and French(1997)의 결과와 대동소이하게도 여러 표본기간에 대해서 각 요인모형의 상대적 우월성은 나타나지 않았다. 전반적으로 시장모형의 요인이 업종별 수익률을 설명하는데 있어 통계유의적인 영향을 미친다는 결론을 얻었으며 다른 요인들의 영향력은 제한된 것으로 나타났다. 이는Cheng(2006)의 결과에 부합한다.

2014년 기춘 최근 관측치에 따르면 중국내 그림자금융의 시장규모는 국내총생산(GDP) 대비 80% 수 준에 이르는 것으로 드러났다.(Elliott et al., 2015) 문헌에서 그림자금융에 관하여 논할 경우 무담보 은 행외 대출이 경제에 끼치는 악영향으로 인한 신용위기 및 중국 시민 대상 대출시의 과세수익 미보고 실 태가 다루어 진 바 있다.(Smits et al., 2015). 하지만 반대의 의견 또한 개진되고 있다. 중국의 경우 개인 대출을 위한 신용평가제도가 정착되지 않았으며 신용평가기관이 대규모의 국영기업에만 초점을 맞추어 왔기 때문에 그림자금융이 중국내 중소기업들의 자본시장으로서의 중요한 역할을 맡아왔다. 본 연구는 사회적 대출로서의 그림자금융에 관한 관점을 기존 문헌의 각도와 다른 방향에서 접근한다. 기존 문헌의 연구에서 불완전하고 훼손되었거나 일관되지 않은 변수 정의 등을 제공하는 데이터베이스와 판이한 중 국인민은행의 데이터베이스 자료를 사용한 본 연구가 이끌어내는 실증분석 결과는 높은 신뢰도를 가져 다줄 수 있다. 일례로 기존 문헌의 연구에서 인용한 그림자금융의 시장규모의 범위가 워낙 넓어서 사실 상 유용한 정책적 함의를 이끌어내기 힘들었던 점을 들 수가 있다. 본 연구는 중국의 그림자금융과 주식 시장에의 파급효과를 분석한다. 중국 주식 투자자의 80% 이상이 개인 투자자임은 잘 알려진 사실이며, 이로 인해 중국의 주식시장은 급속하게 버블 수준으로 치닫게 됐다. 주요인으로 추정되는 바는 개인 투 자자들이 적극적인 은행대출로써 주식에 투자한다는 것이다.(Bolvin et al., 2015). 본 연구에서는 다른 관점에서의 해석을 제시한다. 중국 정부가 집계한 자료에 의하면 그림자금융 이 중국내 주시식장의 동향 에 영향을 끼치지 못한 것으로 드러났다. 특히 부유한 개인 및 우대 기업고객에게적용되는 위탁대출과 같은 장부외 대출상품의 경우 주식 거래물량에 음(-)의 영향을 준 것으로 나타났다. 이는 대출금이 주식 시장에 재투자되지 않았음을 의미한다. 또한 대게 알려진 바와 달리 개인 및 기업을 대상으로 한 중국 위안화 대출은 중국 자본시장의 움직임에 기여하지 않을 뿐만 아니라 경제 내의 생산 및 소비활동에 활 용되지 않는 것으로 실증분석 결과를 얻었다. 여러 요인을 통제한 후에도 여전히 중국의 그림자금융이 주식시장에 미친 파급효과의 증거는 찾을 수 없었다.

We use the number of antitakeover provisions (ATPs) as a proxy for corporate governance and examine its impact in US domestic and foreign acquisitions made by US acquirers. We find that the targets of poorly governed acquirers earn higher postannouncement premiums, despite controls for deal characteristics, macroeconomic conditions, and country-level protections, suggesting that these acquirers overpay. Puzzlingly, in contrast with the domestic US findings of Masulis, Wang, and Xie, poorly governed acquirers in cross-border deals experience higher announcement period returns. The relation between governance and target returns appears concave, but this nonlinearity disappears once differences in country-level governance and deal characteristics are accounted for.

The theory of corporate governance suggests that managers of poorly governed firms are more likely to make poor investment decisions, and the evidence on high antitakeover provision (ATP) firms is consistent. We study the e ffect of domestic and foreign takeovers by U.S. fi rms and find that high-ATP bidders tend to pay relatively high premiums for either targets. While this suggests that these firms make poor decisions, high-ATP bidders also experience relatively high event study returns at times of foreign takeover news. This contradicts the findings of Masulis et al. (2007) for domestic takeovers.