An efficient hybrid machine learning method for time series stock market forecasting.
An analysis of the impact of securities lending on the performance of ETFs.The Journal of Wealth Management, 17(4), 75-84,6.Įbadati, O. Securities lending activities in mutual funds and ETFs: Ethical considerations.Journal of Business Ethics ,139(1), 21-28. Portfolio performance with inverse and leveraged ETFs.Financial Services Review ,23(2), 123-149.ĭunham, L. ETF trading strategies to enhance client wealth maximization.Financial Services Review ,20(2), 145-163.ĭiLellio, J. Speed of convergence to market efficiency in the ETFs market.Managerial Finance ,39(5), 457-475. Return-enhancing strategies with international ETFs: Exploiting the turn-of-the-month effect.Financial Services Review ,24(3), 271-288.Ĭhung, D. An intelligent model for pairs trading using genetic algorithms.Computational Intelligence and Neuroscience: CIN ,doi: 10.1155/2015/939606Ĭhen, H., Shin, S. Refining ohlson model for valuing bank stocks- an artificial neural network approach.Independent Business Review ,7(2), 32-48.Ĭhien-Feng, H., Chi-Jen Hsu, Chi-Chung, C., Bao, R. Do ETFs outperform CEFs in fixed income investing?American Journal of Business ,30(4), 231-246. īroyden, C.(1970), "The convergence of a class of double-rank minimization algorithms", Journal of the Institute of Mathematics and Its Applications, 6: 76-90, doi:10.1093/imamat/6.1.76 Ĭhang, C. Create or buy: A comparative analysis of liquidity and transaction costs for selected U.S. xiv+490, doi:10.1007/978-7-5, ISBN 5-X, MR 2265882 French Original: Optimisation numérique: Aspects théoriques et pratiques ISBN 3-6.īorkovec, M., & Serbin, V. of translation of 1997 French ed.), Berlin: Springer-Verlag, pp.
(2006), Numerical optimization: Theoretical and practical aspects, Universitext (Second revised ed. The relative performance of equity index ETFs and equity index mutual funds.European Journal of Finance and Banking Research ,5(5), 35-46. The investment performance and tracking errors of small-cap ETFs.Global Journal of Finance and Banking Issues ,6(6), 12-20. Evaluating S&P 500 sector ETFs using risk-adjusted performance measures.Journal of Finance, Accounting and Management ,5(1), 48-62.īello, Z. A hybrid intelligent method of predicting stock returns. The persistence of hedge fund strategies in different economic periods: A support vector machine approach.Journal of Derivatives & Hedge Funds ,17(1), 2-15. La investigación aporta un reconocimiento de patrones diferenciados en aspectos financieros, operacionales, comerciales y de gobierno corporativo con un especial énfasis en la capacidad gerencial que los genera cuya influencia se refleja en el desempeño del conjunto de activos estudiados por medio de la técnica de redes neuronales generando una herramienta predictiva para estimar su comportamiento bursátil.Ībdou, K., & Nasereddin, M. La investigación encontró una red neuronal capaz de aproximar la predicción de rendimiento y riesgo con un 76.93% de eficacia para el conjunto de activos seleccionados en el periodo de estudio. La investigación concluye que la capacidad de generación de caja y la velocidad con la que se rotan los activos, así como la velocidad con la que se desembolsa el Capex constituyen los principales factores que influencian en la determinación de las mejores combinaciones de rendimiento y riesgo para el grupo de activos financieros considerados como materia de estudio, independiente del sector de mercado en el cual se opera. A partir del activo seleccionado se utilizó la técnica de redes neuronales artificiales con un perceptrón multicapa con regresión configurado con 3 capas (21,85,2) usando una función de activación logística con un optimizador LBFGS a una taza de aprendizaje de 0.01 para establecer los patrones financieros, operacionales, comerciales o de gobierno corporativo que puedan explicar y/o predecir el comportamiento del mismo en el mercado. La investigación identificó inicialmente el activo financiero más apropiado para estimar los valores de rendimiento y riesgo de la cartera de acciones 50% más liquida del mercado peruano en el período 2010-2016. La presente investigación tiene como propósito identificar una herramienta de inteligencia artificial basada en redes neuronales para predecir el comportamiento de rendimiento y riesgo del conjunto de activos financieros basados en acciones que reflejen con mayor exactitud el movimiento bursátil del mercado de valores peruano. Activo financiero, Fondo cotizado, redes neuronales, rendimiento bursátil, riesgo bursátil Resumen
0 kommentar(er)
