Stock price prediction portfolio optimization using different risk measures on application of genetic algorithm for machine learning regressions
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
This research aims to enhance portfolio selection by integrating machine learning regression algorithms for predicting stock returns with various risk measures. These measures include mean-value-at-risk (VaR) variance (Var), semi-variance mean-absolute-deviation (MAD) and conditional value-at-risk (C-VaR). Addressing gaps in existing literature. Traditional methods lack adaptability to dynamic market conditions. We propose a hybrid approach optimized by genetic algorithms. The study employs multiple machine learning models. These include Random Forest, AdaBoost XGBoost, Support Vector Machine Regression (SVR) K-Nearest Neighbors (KNN) and Artificial Neural Network (ANN). These models are used to forecast stock returns. Utilizing monthly data from the Tehran Stock Exchange, the results indicate that the genetic algorithm prediction model combined with mean-VaR, Var semi-variance and MAD, produces the most efficient portfolios. These portfolios offer superior returns with minimized risk compared to other models. This hybrid strategy provides a robust and efficient method for investors aiming to optimize returns while managing risk effectively. To implement this approach successfully it is crucial to balance investments. This involves both traditional and alternative asset classes, ensuring diversification. It also capitalizes on market opportunities. Regular review and adjustment of fund allocation are essential. Maintain an optimized strategy for maximum returns and minimal risk.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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