An integrated TOPSIS and ARAS method multi-criteria decision-making approach for optimizing investment portfolios using goal programming and genetic algorithm model
Notice bibliographique
Résumé
As the portfolio optimization field grows, classical techniques often notoriously find it difficult to efficiently model how investors decisions, risk tolerances, and asset attributes intertwine. This paper presents an innovation-based hybrid method, where Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) combined with Additive Ratio Assessment (ARAS) for multi-criteria decision making, Goal Programming (GP) and a Genetic Algorithm (GA) for finding constraints are united. The proposed approach enhances the accuracy of ranking and effectiveness of allocation by incorporating asset evaluation, characterization of investors and probabilistic construction of portfolios. The system is tested in view of various performance implications, using the FAR-Trans dataset, a collection of genuine transaction statistics and asset pricing, as well as investor data. The first step involves project transaction capacities partitioning and risk categorization to create a bipartite TOPSIS-ARAS scoring mechanism. The GP part of the model matches investment decisions to the individual return and risk expectations of each investor, and the GA promotes the use of entropy-aware strategies. Important performance metrics are a Sharpe Ratio of 2.241, the annualized return of 4.6% and diversification score of 0.845. The study also reflects a 0.729 correlation between TOPSIS-ARAS rankings, and GP configurations leading to portfolio returns of over 30.0%. The system offers a realistic depiction of the behavior of investors, considering several transaction channels and different risk factors as well as geographies. The comprehensive integration is very flexible, computationally effective and based on realistic investment models while minimizing constraint deviation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».