An Application of Portfolio Mean-Variance and Semi-Variance Optimization Techniques: A Case of Fiji
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
In this paper, we apply the Markowitz portfolio optimization technique based on mean-variance and semi-variance as measures of risk on stocks listed on the South Pacific Stock Exchange, Fiji. We document key market characteristics and consider monthly returns data from SEP-2019 to FEB-2022 (T = 30) of 17/19 listed companies on the stock exchange to construct various portfolios like 1/N (naïve), maximum return, and market and minimum-variance with and without short-selling constraints. Additionally, we compute each stock’s beta using the market capitalization-weighted stock price index data. We note that well-diversified portfolios (market portfolio and minimum-variance portfolio) with short-selling constraints have relatively higher expected returns with lower risk. Moreover, well-diversified portfolios perform better than the naïve and maximum portfolios in terms of risk. Moreover, we find that both the mean-variance and the semi-variance measures of risk yields a unique market portfolio in terms of expected returns, although the latter has a lower standard deviation and a higher Sharpe ratio. However, for the minimum-variance portfolios and market portfolios without short selling, we find relatively higher returns and risks using the mean-variance than the semi-variance approach. The low beta of individual stock indicates the low sensitivity of its price to the movement of the market index. The study is an initial attempt to provide potential investors with some practical strategies and tools in developing a diversified portfolio. Since not all the portfolios based on mean-variance and the semi-variance analyses are unique, additional methods of investment analysis and portfolio construction are recommended. Subsequently, for investment decisions, our analysis can be complemented with additional measures of risk and an in-depth financial statement/company performance analysis.
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 | 0,000 | 0,000 |
| 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