論文の概要: Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange
- arxiv url: http://arxiv.org/abs/2204.13385v1
- Date: Thu, 28 Apr 2022 10:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 22:42:31.989994
- Title: Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange
- Title（参考訳）: ストックポートフォリオ選択のためのファジィエキスパートシステム:ボンベイ証券取引所への適用
- Authors: Gour Sundar Mitra Thakur, Rupak Bhattacharyyab, Seema Sarkar (Mondal)
- Abstract要約: ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selection of proper stocks, before allocating investment ratios, is always a
crucial task for the investors. Presence of many influencing factors in stock
performance have motivated researchers to adopt various Artificial Intelligence
(AI) techniques to make this challenging task easier. In this paper a novel
fuzzy expert system model is proposed to evaluate and rank the stocks under
Bombay Stock Exchange (BSE). Dempster-Shafer (DS) evidence theory is used for
the first time to automatically generate the consequents of the fuzzy rule base
to reduce the effort in knowledge base development of the expert system. Later
a portfolio optimization model is constructed where the objective function is
considered as the ratio of the difference of fuzzy portfolio return and the
risk free return to the weighted mean semi-variance of the assets that has been
used. The model is solved by applying Ant Colony Optimization (ACO) algorithm
by giving preference to the top ranked stocks. The performance of the model
proved to be satisfactory for short-term investment period when compared with
the recent performance of the stocks.
- Abstract（参考訳）: 投資比率を割り振る前の適切な株式の選択は、常に投資家にとって重要な課題である。
ストックパフォーマンスにおける多くの影響要因の存在は、研究者に様々な人工知能(AI)技術の採用を動機付けている。
本稿では,ボンベイ証券取引所(BSE)の株式評価とランク付けを目的としたファジィエキスパートシステムモデルを提案する。
Dempster-Shafer(DS)エビデンス理論は、ファジィルールベースの結果を自動的に生成し、エキスパートシステムの知識ベース開発における労力を削減するために初めて用いられる。
後にポートフォリオ最適化モデルが構築され、目的関数は、ファジィポートフォリオリターンの差と、使用済み資産の重み付け平均半分散に対するリスクフリーリターンの比率と見なされる。
このモデルは上位の株式を優先してアントコロニー最適化(ACO)アルゴリズムを適用することで解決される。
このモデルの性能は、株の最近の業績と比較すると短期投資期間において満足できることがわかった。
関連論文リスト
- A Case Study of Next Portfolio Prediction for Mutual Funds [0.0]
この作業は、Next Novel Basket Recommendation (NNBR)タスクとして、相互資金ポートフォリオの予測を行う。
我々は,公開データを用いたベンチマークデータセットを作成し,NNBRタスク上での様々なレコメンデータシステムモデルの性能を評価する。
論文 参考訳（メタデータ） (2024-10-08T12:49:00Z) - Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。
過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。
報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
論文 参考訳（メタデータ） (2024-05-26T05:38:50Z) - Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。
以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
論文 参考訳（メタデータ） (2024-03-25T12:04:03Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳（メタデータ） (2024-02-25T05:23:57Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。
実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-05-25T10:27:07Z) - Bayesian Optimization of ESG Financial Investments [0.0]
ESG (Economic, Social and Governance) の基準は金融においてより重要になっている。
本稿では,数理モデリングとESGとファイナンスを組み合わせた。
論文 参考訳（メタデータ） (2023-02-10T15:17:36Z) - Optimizing Stock Option Forecasting with the Assembly of Machine
Learning Models and Improved Trading Strategies [9.553857741758742]
本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
論文 参考訳（メタデータ） (2022-11-29T04:01:16Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳（メタデータ） (2021-04-06T11:09:51Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。