چکیده

Machine learning is mainly used in practice because of the existence of large set of data. The target of this article is to study partitioning a large set of stocks inside a portfolio by the simple yet efficient $k$-medoids procedure. The unsupervised model is capable to receive financial returns and to illustrate the most and least risky clusters of stocks to manage the risk.

کليدواژه ها

Clustering, efficient portfolio, risk measure, financial returns, $k$-medoids

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
, 1400 , تفکیک بندی سهم های یک سبد به کمک نگرش خوشه بندی ک-مرکز , یازدهمین سمینار جبر خطی و کاربردهای آن

دیگر مقالات این رویداد

پنهان نگاری تصویر با استفاده از تبدیل قابک و تجزیه مقادیر تکین دوقطری

حل مساله کنترل بهینه اسیلاتور خطی با معادلات دیفرانسیل

موازی سازی الگوریتم انتخاب موارد آزمون رگرسیون سیستم های نرم افزاری با استفاده از تجزیه مقادیر منفرد

پرتفوی مماس و بهینه درمدل مارکویتز

معکوس تعمیم یافته از ماتریس ها

ایده سازی و ارائه یک روش تکراری برای محاسبه جواب یک دستگاه خطی مقید مبتنی بر روش تکرار نقطه ثابت

روش گرادیان مزدوج تعمیم یافته برای حل سیستم های چندخطی

ساختار نگهدارنده های احاطه سازی هادامارد-اس سی اچ

تحليل پوششی داده ها و کاربرد آن در عملکردموسسات بانکی با رویکرد تحلیل مولفه اصلی

An accelerated approach for low rank tensor completion