A Hybrid NAKA-FA-PSO Algorithm with Nakagami Distribution for Multi-Objective Portfolio Optimization
Notice bibliographique
Résumé
Objective: This study aims to optimize portfolio allocation under cardinality constraints by maximizing expected return and minimizing risk, while addressing the NP-complete nature of the problem. Research Design & Methods: A hybrid multi-objective optimization approach is proposed by combining Particle Swarm Optimization and Firefly Algorithm (PSO-FA) with Nakagami distribution to preserve solution diversity and achieve optimal results. The algorithms were applied to the OR-library dataset and executed 30 times for analysis and evaluation. Findings: The experimental results demonstrate that the proposed algorithm outperforms existing methods in terms of accuracy, diversity, and stability. On the P5 test sample, the reported metrics were 2.76E-07 IGD, 7.43E-08 GD, and 2.94E-03 HV, with consistent improvements also observed in other test samples. Implications & Recommendations: The findings suggest that the PSO-FA with Nakagami distribution can serve as an effective alternative for solving cardinality-constrained portfolio optimization problems, particularly in tackling NP-complete challenges in finance. Future research may extend its application to larger datasets and dynamic market conditions. Contribution & Value Added: This study contributes by introducing a novel hybrid optimization framework (PSO-FA and Nakagami distribution) that enhances solution quality in portfolio optimization. The value added lies in its ability to balance return, risk, and solution diversity, offering new insights beyond existing approaches in the literature.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».