An investment decision-making model to predict the risk and return in stock market: An Application of ARIMA-GJR-GARCH
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 deciding to invest in stocks traded in the capital market, investors need to predict which stocks provide the prospect of return and the risks to be faced. This paper aims to predict the return and risk of stock asymmetry using a time series model approach. Predicting stock returns and risk is based on the Autoregressive Integrated Moving Average-Glosten Jagannatan Runkle-Generalized Autoregressive Conditional Heteroscedasticity (ARIMA-GJR-GARCH) model. In contrast, the largest risk potential measurement is performed using the Value-at-Risk (VaR) model. The data analyzed are the best ten stocks according to the criteria that apply on the IDX, the period between 17 December 2018 to 14 December 2021, which includes the names of stock BBCA, BBNI, BBRI, BMRI, ASII, ICBP, PGAS, PTBA, TLKM, and UNVR. The analysis results show that of the best ten stocks, based on the ratio between the predicted values of the average return and Value-at-Risk, those with relatively better performance are PTBA, TLKM, UNVR and BBCA stocks. Based on the results of this analysis, it can be used as a reference in making investment decisions for investors, specifically investing in the ten stocks analyzed.
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 | 0,056 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| 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