Temat: investment algorithm - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: The Application of genetic algorithms for the selection of WSE companies in Warsaw for the investment portfolio
Autorzy:: Basiura, Beata
Motyczyńska, Joanna
Powiązania:: https://bibliotekanauki.pl/articles/1818470.pdf
Data publikacji:: 2020
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:: Markowitz model
investment portfolio
genetic algorithm
Opis:: Portfolio analysis is a tool particularly intended for investors. Risk assessment and risk specification make the investor able to properly diversify and offset the portfolio. Broadly speaking, there are multiple tools destined for building up an efficient set of portfolios. One of them is Markowitz’s model theory postulating building up a portfolio determined on the basis of equilibrium between expected profit level as well as accepted level of risk assessment. In the context of this paper, the objective is to shed some light on creating investment portfolios based on either Markowitz's portfolio theory or evolutionary algorithm. The simulation based methods for building up a portfolio of approximately 40-50 companies listed out in the primary marketof the Warsaw Stock Exchange using the selection function proposed in the BA thesis were presented. Portfolio profit values have been evaluated in a dynamically shifted time window. The conducted analysis showed shifts in the economy at certain periods of time. The implemented genetic algorithms smoothly handled the optimization with a relatively short processing time of the task result.
Źródło:: Decision Making in Manufacturing and Services; 2020, 14, 1; 91--126
1896-8325
2300-7087
Pojawia się w:: Decision Making in Manufacturing and Services
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Generowanie struktur harmonogramuz jednoczesnym rozwiązywaniem zadańpoziomu dolnego różnymi metodami
Generation of project schedule structure along with solving low level optimisation problems using different methods
Autorzy:: Dytczak, Mirosław
Powiązania:: https://bibliotekanauki.pl/articles/541144.pdf
Data publikacji:: 2013
Wydawca:: Wyższa Szkoła Bankowa we Wrocławiu
Tematy:: przedsięwzięcie
inwestycja
budownictwo
harmonogram
programowanie liniowe
algorytm ewolucyjny
metoda Monte Carlo
project investment
construction
scheduling
linear programming
evolutionary algorithm
Monte Carlo method
Opis:: W artykule rozważono zagadnienie identyfikacji najbardziej korzystnego uporządkowania operacji technologicznych przedsięwzięcia budowlanego. Problem jest trudny do rozwiązania z uwagi na zwykle bardzo dużą liczbę dopuszczalnych uporządkowań operacji. Przedstawiono też wielokryterialny model wykorzystujący wybrane dopuszczalne uporządkowania operacji przedsięwzięcia pozwalający na rozwiązanie tego zagadnienia. Do identyfikacji optymalnego z uwagi na czas i koszt realizacji przedsięwzięcia uporządkowania operacji wykorzystuje się dwuetapowe podejście. W pierwszym etapie są generowane dopuszczalne uporządkowania technologicznych operacji przedsięwzięcia przy wykorzystaniu symulacji Monte Carlo oraz algorytmów ewolucyjnych. Drugi etap służy przydzieleniu odpowiednich sposobów wykonania poszczególnym operacjom. Uwzględnia się przy tym ograniczoną dostępność zasobów odnawialnych w postaci zestawów środków technicznych niezbędnych do wykonania operacji poszczególnymi sposobami. Do optymalizacji wykorzystuje się programowanie liniowe (podejście MC-PL) oraz losowe przydziały sposobów wykonania operacji (podejście MC-MC). Zastosowane metody optymalizacji uzupełniają się, ponieważ pierwsza okazuje się bardziej skuteczna w przypadku przedsięwzięć o mniejszych, druga zaś – o większych rozmiarach.
The problem of identification of the most beneficial order of technological operations of a complex construction project is dealt with in the paper. The problem is hard to solve because of a large number of feasible orders. A special approach is proposed to effectively solve the matter in question. The approach applies multi-criteria optimisation to project realisation based on selected feasible orders of operations. The paper proposes a two-step approach to determine the best, in terms of project execution time and cost, schedule of the project. Simulation is utilised in the first stage to determine feasible orders of project operations. Monte Carlo simulations and evolutionary algorithms are applied for generating of the operation orders. The second stage is devoted to identification of the best ways to perform different technological project operations, taking into account limited availability of required renewable resources – sets of technical measures. Different methods are applied with this regard. The MC-LP and MC-AE methods concern linear programming to allocate execution modes to operations, while MC-MC applies a random assignment with this regard. Utilised optimisation methods are complementary as they allow to identify optimal assignments of execution modes to project operations for both less and more complex construction projects.
Źródło:: Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu; 2013, 2(34); 115-129
1643-7772
Pojawia się w:: Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market
Autorzy:: Ślepaczuk, Robert
Zenkova, Maryna
Powiązania:: https://bibliotekanauki.pl/articles/1356913.pdf
Data publikacji:: 2019-08-07
Wydawca:: Uniwersytet Warszawski. Wydział Nauk Ekonomicznych
Tematy:: Machine learning
support vector machines
investment algorithm
algorithmic trading
strategy
optimization
cross-validation
overfitting
cryptocurrency market
technical analysis
meta parameters
Opis:: This study investigates the profitability of an algorithmic trading strategy based on training SVM model to identify cryptocurrencies with high or low predicted returns. A tail set is defined to be a group of coins whose volatility-adjusted returns are in the highest or the lowest quintile. Each cryptocurrency is represented by a set of six technical features. SVM is trained on historical tail sets and tested on the current data. The classifier is chosen to be a nonlinear support vector machine. The portfolio is formed by ranking coins using the SVM output. The highest ranked coins are used for long positions to be included in the portfolio for one reallocation period. The following metrics were used to estimate the portfolio profitability: %ARC (the annualized rate of change), %ASD (the annualized standard deviation of daily returns), MDD (the maximum drawdown coefficient), IR1, IR2 (the information ratio coefficients). The performance of the SVM portfolio is compared to the performance of the four benchmark strategies based on the values of the information ratio coefficient IR1, which quantifies the risk-weighted gain. The question of how sensitive the portfolio performance is to the parameters set in the SVM model is also addressed in this study.
Źródło:: Central European Economic Journal; 2018, 5, 52; 186 - 205
2543-6821
Pojawia się w:: Central European Economic Journal
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "investment algorithm" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język