The convergence of AI and portfolio optimization: A bibliometric exploration of research trends
Notice bibliographique
Résumé
The rapid evolution of Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) has profoundly influenced various domains, including portfolio optimization. In today’s dynamic and interconnected global economy, understanding the development of scientific publications in this field is crucial for both academics and practitioners. This paper aims to conduct a comprehensive bibliometric study of the scientific literature on portfolio optimization, focusing on the impact of AI, ML, and DL advancements. By analyzing key trends, influential publications, and emerging research areas, this study provides valuable insights into the progression of portfolio optimization research in the context of these transformative technologies, helping to map future directions and identify knowledge gaps in the field. This paper endeavors to present an exhaustive synthesis of the most recent advancements and innovations within the domain of portfolio optimization, particularly as influenced by progressive developments in AI, ML and DL from 1996 to 2024. Employing a rigorous bibliometric analysis, this study scrutinizes the structural and global paradigms governing this field. The analytical framework integrates several dimensions, including: (1) comprehensive dataset interrogation, (2) critical evaluation of source repositories, (3) contributions of seminal authors, (4) geographical and institutional affiliations, (5) document- centric analysis, and (6) exploration of keyword dynamics. A corpus of 745 bibliographic entries, meticulously curated from the Web of Science database, forms the basis of this inquiry, which utilizes advanced Scientometric network methodologies to extrapolate substantive research insights. The discourse culminates in a robust critique of the inherent strengths and methodological limitations, while delineating strategic avenues for future research, with the objective of steering ongoing scholarly discourse in the realm of portfolio optimization. The empirical outcomes of this study enhance the understanding of prevailing intellectual trajectories, thus laying a fortified foundation for future investigative pursuits in this critically evolving discipline.
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 | 0,017 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,123 | 0,228 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».