An Empirical Risk and Return Analysis of Select Stocks in NASDAQ 100
Notice bibliographique
Résumé
Stock market indices are considered to be a powerful economic indicator. These indices can be classified based on the methodology of weight allocation for each stock and the rules governing the entry, retention and exit criteria of various stocks in the index. This paper presents a descriptive and an exploratory analysis carried out on the daily returns data of NASDAQ 100 (^NDX) index and shortlist of 20 stocks in the index. Random sampling was conducted at the sector level strata of all stocks that make up the index. This approach was followed to avoid selection bias and that stocks from the varied sectors are represented equally for this analysis. R-squared values and correlation coefficients were used to determine the explain-ability and relationship between the stock returns and the index returns respectively. The paper applied descriptive univariate analysis on daily returns at an individual stock level and at an aggregated sector level. Inter-relationship between stocks and the index returns was carried out by computing Pearson’s correlation coefficient across the different combinations of stocks and index return values. Linear regression was carried out identify the explain ability of the variance in the returns of from the index to the returns from the stocks. All analysis was carried out using the python and the stats-models library. As anticipated, the returns of randomly picked 20 stocks were able to explain ~85 % of the variance of the returns of index. One of the primary focus of the paper was to explore whether NASDAQ-100 index can explain the variability of the technology stocks relatively more than the stocks that belong to other sectors in its portfolio owing to the nature of most stocks that make up the index.
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 | 0,050 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».