Normalized Fractional Order Entropy-Based Decision-Making Models under Risk
风险下的归一化分数阶熵决策模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以风险度量与投资组合决策为核心，并涉及收益与风险的预测建模，故对应尾部与系统性风险及收益预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
风险下的归一化分数阶熵决策模型
- 研究问题
- 摘要称，研究如何在考虑投资者风险偏好与预期收益、风险权衡的前提下，构建有效的股票选择与投资组合决策模型。
- 方法与思路
- 作者提出将归一化分数阶熵与期望效用、方差相结合，构造NEU-FE与NEU-FEV风险度量，并以分数阶参数刻画风险敏感度；摘要称用随机森林、岭回归、Lasso与人工神经网络等机器学习工具，基于印度NIFTY50数据检验其稳健性与统计显著性。
- 材料陈述的贡献
- 摘要称提出了一种与投资者风险偏好一致的归一化分数阶熵，并将其嵌入期望效用与方差框架，形成两类风险度量；结果据称表明所提决策模型有助于投资者进行高质量的组合投资。
- 阅读关注点
- 应核对分数阶熵的归一化定义与参数取值范围、NEU-FE与NEU-FEV的具体构造及与期望效用、方差的关系，机器学习工具在检验中的具体角色与评价指标，以及NIFTY50样本区间与结论的可推广性。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论性质、统计推断细节与实证稳健性；摘要未说明样本区间、参数估计方式与对照基准。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Constructing efficient portfolios requires balancing expected returns with risk through optimal stock selection, while accounting for investor preferences. In a recent work by Paul and Kundu (2026), the fractional-order entropy due to Ubriaco was introduced as an uncertainty measure to capture varying investor attitudes toward risk. Building on this foundation, we introduce a novel normalized fractional order entropy aligned with investors' risk preferences that combines normalized fractional entropy with expected utility and variance. Risk sensitivity is modeled through the fractional parameter, interpolating between conservative or risk aversion and adventurous or high risk tolerance attitudes. Furthermore, the robustness and statistical significance of the fractional order entropy-based risk measure, termed normalized expected utility-fractional entropy (NEU-FE) and normalized expected utility-fractional entropy-variance (NEU-FEV) risk measures are explained with the help of machine learning tools, including Random forest, Ridge regression, Lasso Regression and artificial neural networks by using Indian stock market (NIFTY50). The results confirm that the proposed decision models support investors in making high-quality portfolio investments.