Testing The Adaptive Efficiency Of U.S. Stock Markets: A Genetic Programming Approach
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
<p class="MsoNormal" style="text-align: justify; margin: 0in 0.5in 0pt; mso-pagination: none; mso-layout-grid-align: none;"><em style="mso-bidi-font-style: normal;"><span style="color: black; font-size: 10pt;"><span style="font-family: Times New Roman;">Genetic programming is employed to develop trading rules, which are applied to test the efficient market hypothesis. Most previous tests of the efficient market hypothesis were limited to trading rules that returned simple buy-sell signals. The broader approach taken here, developed under a framework consistent with the standard portfolio model, allows use of trading rules that are defined as the proportion of an investor&rsquo;s total wealth invested into the risky asset (rather than being a simple buy-sell signal). The methodology <span style="mso-bidi-font-weight: bold;">uses average utility of terminal wealth as the fitness function, as a means of adjusting returns for risk. With data on </span>daily stock prices from 1985 to 2005, the algorithm finds trading rules for 24 individual stocks. These rules then are applied to out-of-sample data to test adaptive efficiency of these markets. Applying more stringent thresholds to choose the trading rules to be applied out-of-sample (an extension of previous research) improves out-of-sample fitness; however, the rules still do not outperform the simple buy-and-hold strategy. <span style="mso-bidi-font-weight: bold;">These findings therefore imply that the 24 stock markets studied were adaptively efficient during the period under study.</span></span></span></em></p>
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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