Stock selection using data envelopment analysis-discriminant analysis

Hwang, Shiuh-Nan; Lin, Chin‐Tsai; Chuang, Wang-Ching

doi:10.1080/02522667.2007.10699727

Cited by 6 publications

(2 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tehrani et al (2012) and Siew et al (2017) were able to identify the most efficient companies among a set of companies under investigation. In addition to the abovementioned ratios Hwang et al (2007) used owners' equity to fixed assets, times interest earned and achieved a 100% hit rate in classification of stocks for investors used by employing DEA data analysis (DA) approach. Ling and Kamil (2010) used two sets of variables-one with the absolute values (total assets, current assets, current liabilities and total expenses as inputs and net income after taxes and revenue as outputs) from financial statements and the other set with ratios (current ratio, debt ratio and debt to equity as inputs and return on investment, return on equity and earnings per share as outputs) in evaluating stocks (Nguyen et al, 2020).…”

Section: Literature Reviewmentioning

confidence: 99%

Selection of Variables in Data Envelopment Analysis for Evaluation of Stock Performance

Arasu

Kannaiah²,

Christina

et al. 2021

Management and Labour Studies

View full text Add to dashboard Cite

Data envelopment analysis (DEA) is a relative measurement technique used to evaluate the efficiencies of a homogeneous group of samples with multiple inputs and/or outputs. DEA can be highly effective when right variables are chosen. The objective of this study is to identify the most appropriate variables for DEA to evaluate stock performance and find the efficient ones from a pool of stocks. Evaluation of stocks are carried out either by assessing their financial strength or by assessing their past price behaviour in the secondary market or both. In any case, it is imperative to use suitable variables to evaluate the performance of stocks. For this purpose, three different combinations of variables were tested on 69 non-financial stocks listed in the National Stock Exchange (NSE), which were selected based on their market capitalization. The results obtained suggest that all the three sets of variables taken for the study help in the identification of efficient stocks. The average returns of the stocks selected in all the three cases are higher than the market return. Among the three sets, stocks identified using the past price behaviour give a higher return when compared to the other two sets. The study can help academicians and investors to percolate efficient stocks from a large pool of stocks. The selected stocks can be further analysed to construct an effective portfolio.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Selection of Variables in Data Envelopment Analysis for Evaluation of Stock Performance

Arasu

Kannaiah²,

Christina

et al. 2021

Management and Labour Studies

View full text Add to dashboard Cite

show abstract

“…El análisis discriminante se utiliza para seleccionar ratios financieros y comparar su poder discriminatorio con el de otros enfoques. Los autores en [517] formulan una función discriminante lineal para clasificar los valores según su rendimiento en valores con menor y mayor rentabilidad financiera. Utilizando el análisis discriminante (LDA) y el análisis envolvente de datos (DEA), los autores obtienen una precisión de clasificación del 85%.…”

Section: Carteras De Inversiónunclassified

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract

Can R&D expenditure avoid corporate bankruptcy? Comparison between Japanese machinery and electric equipment industries using DEA–discriminant analysis

Sueyoshi

Goto

2009

European Journal of Operational Research

View full text Add to dashboard Cite

Stock selection using data envelopment analysis-discriminant analysis

Cited by 6 publications

References 35 publications

Selection of Variables in Data Envelopment Analysis for Evaluation of Stock Performance

Selection of Variables in Data Envelopment Analysis for Evaluation of Stock Performance

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Can R&D expenditure avoid corporate bankruptcy? Comparison between Japanese machinery and electric equipment industries using DEA–discriminant analysis

Contact Info

Product

Resources

About