Portfolio Management: Stock Ranking by Multiple Attribute Decision Making Methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An investor would like to build a balanced portfolio with stocks representing different sectors. Several researchers have attempted the portfolio selection problem by different methods. Many of these methods consider companies of different sectors together. However, it can be argued that the attributes affecting the company’s growth vary for different sectors. Therefore, it is advisable to compare a company with the companies of the same sector. There are many options for the selection of a stock from a particular sector. A stock ranking method is proposed by using MADM methods based on overall performance under a stochastic environment. Of many MADM methods, SAW, AHP, TOPSIS, and VIKOR are applied. Usually, Euclidean distances (2-norm) are considered in the implementation of TOPSIS and VIKOR methods. In this work, this norm is generalized to p-norm, where p > 1. The model is tested for 13 companies in the field of Information Technology sector (IT) listed on National Stock Exchange in India and 13 criteria as performance indicators of a company. A MATLAB GUI system is developed and the results are obtained for several values of p in case of TOPSIS and VIKOR methods besides other methods. As the result indicates, the ordering is not much affected by different values of p in certain range. Moreover, higher values of p have adverse effect on the ordering. The proposed model is able to provide better information on the overall performance of a particular stock in comparison with its peers. The results obtained by various methods clearly separate good companies from inferior companies though the exact ordering slightly differs.
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.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découle