Multi-Objective Evolutionary Computation for the Portfolio Optimization Problem with Respect to Environmental, Social, and Governance Criteria
Notice bibliographique
Résumé
A common problem that faces many is the tension between doing what aligns with our values and doing what is fiscally best. A system leveraging Multi-Objective Evolutionary Computation, specifically MOEA/D, was proposed to produce highly performant portfolios tailored to an individual’s ESG preferences given a custom survey. The survey, written using the greater context of other risk and ESG relevant surveys, was conducted and used to construct a weighting to normalize a given investor’s own survey responses and allow a single portfolio from the collection of the best portfolios to be matched to that investor. Two potential architectures were considered to build the proposed system: Architecture 1, where the optimization is run for each investor that takes the survey, and Architecture 2 where a multi-objective optimization is run less frequently and the investor is given a portfolio from the Pareto front. This subset consists of all the non-dominated portfolios. The user may have a different experiences, including quality or time waiting, depending on the architecture chosen. The result of the experiment was that both architectures produced high quality portfolios that performed comparably. However, the best portfolio from Architecture 2 was better in most regards than any portfolio from Architecture 1. All Architecture 1 portfolios were more significantly tailored to each of the individuals preferences. For Architecture 2, a limited number of high performing portfolios was generated: as a result, more investors would potentially be recommended the same few portfolios, especially in comparison to Architecture 1.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».