A heuristic stock portfolio optimization approach based on data mining techniques
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
Portfolio optimization is the process of making investment decisions on holding a set of financial assets to meet various criteria. A variety of investment assets around the world make this multi-faceted decision problem very complicated. Econometric and statistical models as well as machine learning and data mining techniques have been used by many researchers and analysts to propose heuristic solutions for portfolio optimization. However, a literature review shows that the existing models are still not practical as they do not always perform better than even the naive strategy of investing in all available assets in the market. The methodology proposed in this thesis is an alternative heuristic solution to help investors make stock investment decisions through a semi-automated process. The proposed solution is based on the fact that the investment decision cannot be fully automated because investors’ preferences that are the key factors in making investment decision, vary among different people. For this purpose, a semi-automated framework called SMPOpt (Stock Market Portfolio Optimizer) has been designed and implemented. In the proposed framework, the goal is to learn from the historical fundamental analysis of companies to discover the optimum portfolio by considering investors’ preferences. The Portfolio optimization problem is formulated and broken down into steps to be able to apply data mining techniques such as Clustering and Ranking, and Social Network Analysis. Some of these techniques are customized based on the temporal behaviour of financial datasets. For instance, the ranking algorithm based on Support Vector Machine (SVMRank) is modified and a new algorithm called Time-Series SVMRank is proposed. A comprehensive experimental study has been conducted using the real stock exchange market datasets from the past recent decades to evaluate the proposed portfolio optimization solution. The obtained results confirmed the strength of the proposed methodology.
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 | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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