ADVANCED OP T IMIZAT ION T ECHNIQUE S IN DYNAMIC PORT FOL IO S TRAT EGI E S , PAIR TRADING,AND CARBON DIOXIDE EMI S S ION MODE L ING
Notice bibliographique
Résumé
This thesis explores advanced optimization modeling techniques withapplications in three key areas of sustainable finance: dynamic portfolio construction through market state classification, pair trading strategies in financial markets, and carbon dioxide emission modeling. We develop a clustering algorithm for Bayesian Markov Switching Models to classify markets into volatility-based states, optimizing asset allocation strategies by identifying distinct market regimes. Additionally, we performed mixing time and convergence analysis to assess the efficiency and stability of the model. This approach incorporates equal-weighted investment, minimum variance, maximum diversification, and equal risk contribution strategies, demonstrating superior risk-adjusted returns compared to static strategies. We also introduce a Multi-modal Temporal Relation Graph Learning (MTRGL) framework, which integrates time-series and categorical data through a dynamic graph and memory-enhanced dynamic graph neural network to identify time-dependent correlations among financial instruments. This method reframes pair trading as a temporal graph link prediction problem, outperforming traditional methods in empirical tests. Furthermore, we conducted a convergence analysis of the MTRGL framework, evaluating the model’s convergence rate and complexity to ensure efficient and stable solutions. Finally, we propose an optimization framework that combines Support Vector Machine (SVM) regression and Principal Component Regression (PCR) to analyze socioeconomic and environmental factors affecting carbon dioxide emissions, refining emission models and informing sustainability policies. Our findings highlight the effectiveness of these optimization techniques in forecasting carbon dioxide emissions, enhancing pair trading reliability, and optimizing investment strategies, thereby contributing to advancements in both environmental and quantitative finance.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».