Published June 1, 2023
| Version v1
Publication
Open
Development of Customer Predictive Model for Investment Using Ensemble Learning Technique
Description
Many new investors that want to purchase a fund might be disappointed with the return-on-investment value.This problem occurs because they do not know important factors that could affect the market value.Plus, some assets might not be suitable for the investor's investment style.To reduce the mentioned problems, many asset management companies research the systems that could find a suitable fund for the investor.These systems consider various aspects, such as the investor's background, financial status, and the investor's behavior.These systems typically employ a specific machine learning method to learn and predict which fund the model should recommend to customers.However, we have an assumption that the performance of the prediction could be leveraged if we applied more methods to a forecasting model.Therefore, this study aims to develop a customer predictive model for investment using voting ensemble learning techniques.The model is used for recommending suitable funds and suitable risks for investing based on the investor's profile and comparing performance between 5 algorithms and 2 preprocessing approaches.Preprocessing approaches are clustering by date range which has an average accuracy of 62.24% and k-means clustering which has an average accuracy of 69.21%.The prediction model of suitable fund risk and prediction model of fund category has an accuracy of 92.38%.We found that the neural network has the highest accuracy of 93.43%.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
قد يشعر العديد من المستثمرين الجدد الذين يرغبون في شراء صندوق بخيبة أمل من قيمة العائد على الاستثمار. تحدث هذه المشكلة لأنهم لا يعرفون عوامل مهمة يمكن أن تؤثر على القيمة السوقية. بالإضافة إلى ذلك، قد لا تكون بعض الأصول مناسبة لأسلوب استثمار المستثمر. للحد من المشاكل المذكورة، تبحث العديد من شركات إدارة الأصول في الأنظمة التي يمكن أن تجد صندوقًا مناسبًا للمستثمر. تأخذ هذه الأنظمة في الاعتبار جوانب مختلفة، مثل خلفية المستثمر والوضع المالي، وسلوك المستثمر. تستخدم هذه الأنظمة عادةً طريقة محددة للتعلم الآلي للتعلم والتنبؤ بالتمويل الذي يجب أن يوصي به النموذج للعملاء. ومع ذلك، لدينا افتراض مفاده أنه يمكن الاستفادة من أداء التنبؤ إذا طبقنا المزيد من الأساليب على نموذج التنبؤ. لذلك، تهدف هذه الدراسة إلى تطوير نموذج تنبؤي للعملاء للاستثمار باستخدام تقنيات تعلم مجموعة التصويت. يتم استخدام النموذج للتوصية بالأموال المناسبة والمخاطر المناسبة للاستثمار بناءً على ملف تعريف المستثمر ومقارنة الأداء بين 5 خوارزميات ونهجين للمعالجة المسبقة. يتم تجميع مناهج المعالجة المسبقة حسب التاريخ النطاق الذي يبلغ متوسط دقته 62.24 ٪ ويعني التجميع العنقودي الذي يبلغ متوسط دقته 69.21٪. نموذج التنبؤ بمخاطر الصندوق المناسبة ونموذج التنبؤ لفئة الصندوق بدقة 92.38 ٪. وجدنا أن الشبكة العصبية لديها أعلى دقة بنسبة 93.43 ٪.Translated Description (French)
De nombreux nouveaux investisseurs qui souhaitent acheter un fonds pourraient être déçus par la valeur de retour sur investissement. Ce problème se produit parce qu'ils ne connaissent pas les facteurs importants qui pourraient affecter la valeur marchande. Plus, certains actifs pourraient ne pas convenir au style d'investissement de l'investisseur. Pour réduire les problèmes mentionnés, de nombreuses sociétés de gestion d'actifs recherchent les systèmes qui pourraient trouver un fonds approprié pour l'investisseur. Ces systèmes tiennent compte de divers aspects, tels que les antécédents de l'investisseur, sa situation financière, et le comportement de l'investisseur.Ces systèmes utilisent généralement une méthode d'apprentissage automatique spécifique pour apprendre et prédire quel fonds le modèle devrait recommander aux clients.Toutefois, nous supposons que la performance de la prédiction pourrait être exploitée si nous appliquions plus de méthodes à un modèle de prévision.Par conséquent, cette étude vise à développer un modèle prédictif client pour l'investissement en utilisant des techniques d'apprentissage par ensemble de vote.Le modèle est utilisé pour recommander des fonds appropriés et des risques appropriés pour investir en fonction du profil de l'investisseur et comparer les performances entre 5 algorithmes et 2 approches de prétraitement.Les approches de prétraitement se regroupent par date plage qui a une précision moyenne de 62,24 % et k-means clustering qui a une précision moyenne de 69,21 %. Le modèle de prédiction du risque de fonds approprié et le modèle de prédiction de la catégorie de fonds ont une précision de 92,38 %. Nous avons constaté que le réseau neuronal a la plus grande précision de 93,43 %.Translated Description (Spanish)
Muchos nuevos inversores que desean comprar un fondo podrían sentirse decepcionados con el valor del retorno de la inversión. Este problema ocurre porque no conocen factores importantes que podrían afectar el valor de mercado. Además, algunos activos podrían no ser adecuados para el estilo de inversión del inversor. Para reducir los problemas mencionados, muchas empresas de gestión de activos investigan los sistemas que podrían encontrar un fondo adecuado para el inversor. Estos sistemas consideran varios aspectos, como los antecedentes del inversor, el estado financiero, y el comportamiento del inversor. Estos sistemas suelen emplear un método específico de aprendizaje automático para aprender y predecir qué fondo debe recomendar el modelo a los clientes. Sin embargo, tenemos la suposición de que el rendimiento de la predicción podría aprovecharse si aplicáramos más métodos a un modelo de pronóstico. Por lo tanto, este estudio tiene como objetivo desarrollar un modelo predictivo del cliente para la inversión utilizando técnicas de aprendizaje de conjunto de votación. El modelo se utiliza para recomendar fondos adecuados y riesgos adecuados para invertir en función del perfil del inversor y comparar el rendimiento entre 5 algoritmos y 2 enfoques de preprocesamiento. Los enfoques de preprocesamiento se agrupan por fecha rango que tiene una precisión promedio de 62.24% y agrupamiento k-means que tiene una precisión promedio de 69.21%. El modelo de predicción de riesgo de fondo adecuado y el modelo de predicción de categoría de fondo tienen una precisión de 92.38%. Encontramos que la red neuronal tiene la precisión más alta de 93.43%.Files
jcssp.2023.775.785.pdf.pdf
Files
(1.1 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:0422f6b4e9bea086dc55d4bb0c6a8e24
|
1.1 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطوير نموذج تنبؤي للعملاء للاستثمار باستخدام تقنية التعلم الجماعي
- Translated title (French)
- Développement d'un modèle prédictif du client pour l'investissement à l'aide de la technique d'apprentissage Ensemble
- Translated title (Spanish)
- Desarrollo del modelo predictivo del cliente para la inversión utilizando la técnica de aprendizaje conjunto
Identifiers
- Other
- https://openalex.org/W4378651408
- DOI
- 10.3844/jcssp.2023.775.785
References
- https://openalex.org/W1480376833
- https://openalex.org/W1534477342
- https://openalex.org/W1542886316
- https://openalex.org/W1602306524
- https://openalex.org/W1670263352
- https://openalex.org/W1873332500
- https://openalex.org/W1990643970
- https://openalex.org/W2075855356
- https://openalex.org/W2095123696
- https://openalex.org/W2128084896
- https://openalex.org/W2133653571
- https://openalex.org/W2802426274
- https://openalex.org/W2982380066
- https://openalex.org/W3016199669
- https://openalex.org/W3025487112
- https://openalex.org/W3034974709
- https://openalex.org/W3140968660
- https://openalex.org/W3190288121
- https://openalex.org/W599466854