論文の概要: Stock Performance Evaluation for Portfolio Design from Different Sectors
of the Indian Stock Market
- arxiv url: http://arxiv.org/abs/2208.07166v1
- Date: Fri, 1 Jul 2022 10:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 01:50:59.507980
- Title: Stock Performance Evaluation for Portfolio Design from Different Sectors
of the Indian Stock Market
- Title（参考訳）: インド株式市場の異なる部門におけるポートフォリオデザインの株価評価
- Authors: Jaydip Sen, Arpit Awad, Aaditya Raj, Gourav Ray, Pusparna Chakraborty,
Sanket Das, Subhasmita Mishra
- Abstract要約: インド経済の6つの重要なセクターから数株の将来の価値を予測しようとした。
効率的なポートフォリオ構築の一環として、複数のポートフォリオ最適化理論を研究した。
選択した6つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The stock market offers a platform where people buy and sell shares of
publicly listed companies. Generally, stock prices are quite volatile; hence
predicting them is a daunting task. There is still much research going to
develop more accuracy in stock price prediction. Portfolio construction refers
to the allocation of different sector stocks optimally to achieve a maximum
return by taking a minimum risk. A good portfolio can help investors earn
maximum profit by taking a minimum risk. Beginning with Dow Jones Theory a lot
of advancement has happened in the area of building efficient portfolios. In
this project, we have tried to predict the future value of a few stocks from
six important sectors of the Indian economy and also built a portfolio. As part
of the project, our team has conducted a study of the performance of various
Time series, machine learning, and deep learning models in stock price
prediction on selected stocks from the chosen six important sectors of the
economy. As part of building an efficient portfolio, we have studied multiple
portfolio optimization theories beginning with the Modern Portfolio theory. We
have built a minimum variance portfolio and optimal risk portfolio for all the
six chosen sectors by using the daily stock prices over the past five years as
training data and have also conducted back testing to check the performance of
the portfolio. We look forward to continuing our study in the area of stock
price prediction and asset allocation and consider this project as the first
stepping stone.
- Abstract（参考訳）: 株式市場は、人々が上場企業の株式を売買するプラットフォームを提供している。
一般に株価はかなり変動するので、予想するのは大変な作業だ。
株価予測の正確性についてはまだ多くの研究が続けられている。
ポートフォリオ構築(Portfolio construction)とは、最小限のリスクを負って最大リターンを達成するために、異なるセクター株を最適に割り当てることである。
良質なポートフォリオは、投資家が最小限のリスクを取ることで最大の利益を得るのに役立つ。
dow jones理論から始まり、効率的なポートフォリオ構築の分野で多くの進歩が起こった。
このプロジェクトでは、インド経済の6つの重要なセクターからいくつかの株式の将来価値を予測しようと試み、ポートフォリオを構築しました。
プロジェクトの一環として、我々は、選択した6つの重要分野から選択した株の株価予測において、様々な時系列、機械学習、ディープラーニングモデルの性能に関する研究を行った。
効率的なポートフォリオ構築の一環として、現代ポートフォリオ理論から始まる複数のポートフォリオ最適化理論を研究した。
我々は,過去5年間の日替わり株価をトレーニングデータとして使用することにより,選択した6部門すべてに対して,最小分散ポートフォリオと最適なリスクポートフォリオを構築し,ポートフォリオのパフォーマンスを確認するためのテストも実施した。
株価予測及び資産配分の分野における研究の継続を楽しみにしており、この事業を第1段目と見なす。
関連論文リスト
- 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - A Comparative Analysis of Portfolio Optimization Using Mean-Variance,
Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian
Stock Market [0.0]
本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。
ポートフォリオは、いくつかの株価データに基づいてトレーニングされ、テストされ、そのパフォーマンスは、年次リターン、年次リスク、シャープ比率で比較される。
論文 参考訳（メタデータ） (2023-05-27T16:38:18Z) - 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) - Precise Stock Price Prediction for Optimized Portfolio Design Using an
LSTM Model [1.1879716317856945]
インド経済の7つのセクターに基づいて最適化されたポートフォリオを提示する。
過去の株価は2016年1月1日から2020年12月31日までウェブから抽出される。
LSTM回帰モデルも将来の株価を予測するために設計されている。
論文 参考訳（メタデータ） (2022-03-02T14:37:30Z) - Precise Stock Price Prediction for Robust Portfolio Design from Selected
Sectors of the Indian Stock Market [0.0]
私たちは、選択した5つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。
最小分散ポートフォリオと等しい重量ポートフォリオを持つ最適リスクポートフォリオの比較研究は、バックテストによって行われます。
論文 参考訳（メタデータ） (2022-01-14T17:24:19Z) - Stock Portfolio Optimization Using a Deep Learning LSTM Model [1.1470070927586016]
本研究は、2016年1月1日から2020年12月31日まで、インド株式市場の9つの異なるセクターからトップ5の株価を時系列的に分析してきた。
最適ポートフォリオはこれらのセクター毎に構築されます。
各ポートフォリオの予測と実際のリターンは高く,LSTMモデルの高精度性を示している。
論文 参考訳（メタデータ） (2021-11-08T18:41:49Z) - HIST: A Graph-based Framework for Stock Trend Forecasting via Mining
Concept-Oriented Shared Information [73.40830291141035]
近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。
これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。
本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-26T14:04:04Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Optimum Risk Portfolio and Eigen Portfolio: A Comparative Analysis Using
Selected Stocks from the Indian Stock Market [0.0]
本稿では,インド株式市場の7つの重要な分野について,ポートフォリオ設計,リスクポートフォリオの最小化,リスクポートフォリオの最適化,Eigenポートフォリオの3つのアプローチを提案する。
毎日の株価は、2016年1月1日から2020年12月31日までYahoo Financeのウェブサイトから取り除かれた。
ポートフォリオは、年次リターンとリスク、構成銘柄に割り当てられた重み、相関ヒートマップ、Eigenポートフォリオの主成分など、いくつかの指標に基づいて、トレーニングデータに基づいて分析される。
論文 参考訳（メタデータ） (2021-07-23T17:50:45Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z)
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。