BWM—RAPS Approach for Evaluating and Ranking Banking Sector Companies Based on Their Financial Indicators in the Saudi Stock Market
Notice bibliographique
Résumé
Seeking the greatest possible return on long-term investments, investors naturally seek equities of the best-performing companies that fit their investment timeframe. Long-term investment success rests on selecting the best companies, which requires a challenging analysis reviewing voluminous and often-conflicting data about companies and understanding broader economic forecasts. This paper undertook a case study deployment of MCDM methodologies to examine the suitability and effectiveness of Multi-Criteria Decision-Making (MCDM) methods in assessing and ranking the best stocks for portfolio inclusion. A combination of MCDM techniques comprised a methodology to evaluate and rank Saudi Arabian banking stocks based on their performance in the Saudi stock market. Specifically, the paper combined the Best–Worst Method (BWM) and Ranking Alternatives by Perimeter Similarity (RAPS) for the analysis. BWM calculated each criterion’s relative impact (weight) in selecting a stock. RAPS then used the weighting to rank the results of the investigation. The study’s findings yielded encouraging results regarding using an integrated MCDM technique to derive optimal banking sector securities in the expansive Saudi stock market. The novel application of the robust RAPS technique combined with BWM encourages continued and increased use of MCDM techniques in financial matters and broader application in evaluating equities.
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 | 0,020 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».