The complexity of financial wellness: examining survey patterns via kernel metric learning and clustering of mixed-type data
Notice bibliographique
Résumé
Recent market events and inflation have significantly affected the financial stress facing many individuals, but understanding the main stressors is paramount to supporting them in making better long-term financial decisions. Financial advisors must understand the types of stress their clients face to provide tailored advice. While recent high inflation rates may underpin the cause of their clients’ stress, we ask: what are the major sources of stress that affect an individual’s financial wellness? In this study, we analyze the responses of 1874 individuals to 68 mixed-type questions from 2022 using distance-based clustering that is widely used in finance to group data into similar groups. Distance-based clustering is widely used in finance to group data into similar groups, which requires a predefined distance measurement between data points based on their (dis)similarity. We use a mixed-type metric that utilizes a variable-specific kernel functions with cross-validated bandwidths to optimally balance variables important for similarity, and smooth out variables irrelevant to the difference between data points. Applying the metric to the high-dimensional survey, we found two clusters of respondents: (1) the ‘steady savers’, who represent approximately one third of survey respondents and expressed stronger financial well-being with respect to day-to-day financial obligations and future outlooks, and (2) the ‘financial strivers’ who currently find themselves in more financially stressful situations. This segmentation provides financial advisors with useful results to allocate products, services, or advice tailored to support each group’s unique financial wellness needs. By leveraging this methodology, we strive to advance the realm of personalized financial advising and the landscape of robo-advising. Enhanced precision and tailored strategies allow this work to elevate the quality of investment recommendations, contributing to the future of automated financial guidance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».