عنوان مقاله:

نویسندگان:

فضل الله سلیمانی

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.

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

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

برای ارجاع در منابع از عبارت زیر استفاده کنید:
الله سلیمانی، فضل، 1400، تفکیک بندی سهم های یک سبد به کمک نگرش خوشه بندی ک-مرکز، یازدهمین سمینار جبر خطی و کاربردهای آن، https://cnf.hsu.ac.ir/fa/archive_index.php?c=esla&aid=70553