Novel Non-linear Adaptive Fuzzy Adjacency Matrices for Financial Volatility Network Models
Notice bibliographique
Résumé
Recently, there has been a growing interest in utilizing empirical correlations of log returns to examine financial network models for stock prices by representing stocks as nodes and their relationships as edges. In this paper, empirical cor-relation, data-driven correlation, and cosine similarity matrices are used to obtain adjacency matrices for connectedness. For a given number of nodes, the simplest Erdos and Rényi (ER) model can be obtained by fixing the number of stocks and estimating the probability for any two vertices to be connected by an edge. Unlike existing work, the driving idea in this paper is to estimate the probability with the median cross-correlation to construct the ER network for observed volatility. Moreover, to address the uncertainty associated with these estimates of connectedness, this study introduces data-driven non-linear adaptive symmetric fuzzy adjacency matrices. In the literature, a certain thresh-old is identified for a network considering its connectedness. In this study, threshold and fuzzy parameters for the corre-sponding minimally connected fuzzy networks are determined, revealing unique network structures and the most significant stocks/cryptocurrencies (nodes with the highest number of links). Furthermore, as an application of the suggested fuzzy networks, three clustering approaches, fuzzy network clustering, k-means clustering, and Sharpe ratio clustering, are applied followed by the PageRank algorithm to construct optimal portfolios. A comparison of the constructed portfolios suggests that the fuzzy networks and clustering techniques are capable of yielding high cumulative returns during the study period.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 ».