Portfolio Management: Stock Ranking by Multiple Attribute Decision Making Methods
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».