Amal Ben Hamida
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Amal Ben Hamida has a total of 5 co-authors. Here are the top co-authors by number of shared publications:
Christian de Peretti
University Claude Bernard Lyon 1, France
1 shared publication- Christian de Peretti
Laboratory of Actuarial and Financial Sciences (LSAF, EA2429), Institute of Financial and Insurance Sciences, University Claude Bernard Lyon 1, 69100 Villeurbanne, France
1 shared publication Lotfi Belkacem
University of Sousse, Tunisia
1 shared publication- Lotfi Belkacem
Laboratoire de Recherche en Économie, Management et Finance Quantitative (LaREMFiQ), Institut des Hautes Études Commerciales de Sousse (IHEC), University of Sousse, Sousse 4054, Tunisia
1 shared publication - Manel Kacem
Research Laboratory in Economics, Management and Quantitative Finance (LaREMFiQ), IHEC of Sousse, University of Sousse, Sousse, Tunisia
1 shared publication
Latest Publications
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Uncovering stock market insights : the predictive power of Benford’s Law in stock returns
Découvrir les secrets du marché boursier : Le pouvoir prédictif de la loi de Benford sur les rendements boursiers: Cette thèse traitera de trois sujets concernant l'utilisation de la loi de Benford sur les marchés financiers, en mettant l'accent sur : (1) le lien entre les nombres anormaux et les mouvements de prix des titres financiers : comment la loi de Benford prédit-elle les rendements des actions ?, (2) l'écart par rapport à la loi de Benford améliore-t-il la prévision des rendements des actions intra-journaliers ? et, (3) l'amélioration des prévisions des rendements des actions intra-journaliers : combinaison de la loi de Benford avec des techniques d'apprentissage automatique. Tout d'abord, nous commençons par examiner dans le premier chapitre l'effet potentiel de l'écart par rapport à la loi de Benford sur la prévision des rendements des actions. L'écart est mesuré par des statistiques de test du chi-deux sur le premier chiffre significatif. Les résultats préliminaires n'indiquent aucune conformité entre les données quotidiennes des rendements des actions d'Euronext Paris et des marchés boursiers tunisiens avec la distribution de Benford. Ensuite, l'impact sur les rendements est exploré via plusieurs modèles : régression linéaire et modèles de transition en douceur. Les résultats empiriques montrent l'effet non linéaire de la loi de Benford sur la prédiction des rendements boursiers. Nous montrons que cette loi peut détecter et prédire les rendements anormaux générés par des activités frauduleuses ou anormales dans les marchés développés et émergents. En utilisant la loi de Benford pour analyser les premiers chiffres significatifs, les investisseurs et les analystes peuvent identifier efficacement les irrégularités et obtenir des informations précieuses sur la dynamique du marché. Le deuxième chapitre examine l'intérêt d'utiliser les variables de Benford, qui possèdent un pouvoir explicatif pour les rendements boursiers intra-journaliers. L'analyse est menée en examinant les premiers chiffres des rendements boursiers intra-journaliers, les volumes de négociation et les durées de vingt sociétés cotées sur le marché boursier Français, qui possèdent toutes un ensemble de données suffisamment substantiel.Pour explorer l'impact de l'écart par rapport à la distribution de Benford sur la prédiction des rendements boursiers, des modèles autorégressifs linéaires et à transition lisse ont été utilisés. Les résultats mettent en évidence une influence plus prononcée des variables de Benford sur les rendements boursiers dans un régime de marché baissier, indiquant les répercussions de la manipulation des données intra-journaliers sur la précision des prévisions. Les professionnels et les traders peuvent intégrer les variables de Benford à d’autres indicateurs pour améliorer la précision et la fiabilité des stratégies de trading. Le dernier chapitre évalue la précision prédictive des modèles linéaires, de régime de commutation, d’apprentissage automatique et d’apprentissage profond en comparant ceux qui intègrent les variables de la loi de Benford à ceux qui ne le font pas et étudie l’impact de ces variables sur la prévision des rendements boursiers intra-journaliers. À cette fin, nous avons analysé le même ensemble de données étudié au chapitre 2. Les performances du modèle ont été évaluées à l’aide de l’erreur quadratique moyenne (RMSE) sur un ensemble de données de test. Les résultats indiquent que les modèles autorégressifs à transition lisse avec des variables exogènes (STARX) et les modèles de forêt aléatoire, qui intègrent les variables de Benford, surpassent les approches d’apprentissage profond pour prédire à la fois les directions des prix et les variations en pourcentage et surpassent tous les modèles étudiés qui excluent les variables de Benford. Ces résultats suggèrent que la combinaison de la loi de Benford avec les techniques d’apprentissage automatique peut améliorer considérablement la précision prédictive des modèles de trading.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Uncovering stock market insights : the predictive power of Benford’s Law in stock returns
Découvrir les secrets du marché boursier : Le pouvoir prédictif de la loi de Benford sur les rendements boursiers: Cette thèse traitera de trois sujets concernant l'utilisation de la loi de Benford sur les marchés financiers, en mettant l'accent sur : (1) le lien entre les nombres anormaux et les mouvements de prix des titres financiers : comment la loi de Benford prédit-elle les rendements des actions ?, (2) l'écart par rapport à la loi de Benford améliore-t-il la prévision des rendements des actions intra-journaliers ? et, (3) l'amélioration des prévisions des rendements des actions intra-journaliers : combinaison de la loi de Benford avec des techniques d'apprentissage automatique. Tout d'abord, nous commençons par examiner dans le premier chapitre l'effet potentiel de l'écart par rapport à la loi de Benford sur la prévision des rendements des actions. L'écart est mesuré par des statistiques de test du chi-deux sur le premier chiffre significatif. Les résultats préliminaires n'indiquent aucune conformité entre les données quotidiennes des rendements des actions d'Euronext Paris et des marchés boursiers tunisiens avec la distribution de Benford. Ensuite, l'impact sur les rendements est exploré via plusieurs modèles : régression linéaire et modèles de transition en douceur. Les résultats empiriques montrent l'effet non linéaire de la loi de Benford sur la prédiction des rendements boursiers. Nous montrons que cette loi peut détecter et prédire les rendements anormaux générés par des activités frauduleuses ou anormales dans les marchés développés et émergents. En utilisant la loi de Benford pour analyser les premiers chiffres significatifs, les investisseurs et les analystes peuvent identifier efficacement les irrégularités et obtenir des informations précieuses sur la dynamique du marché. Le deuxième chapitre examine l'intérêt d'utiliser les variables de Benford, qui possèdent un pouvoir explicatif pour les rendements boursiers intra-journaliers. L'analyse est menée en examinant les premiers chiffres des rendements boursiers intra-journaliers, les volumes de négociation et les durées de vingt sociétés cotées sur le marché boursier Français, qui possèdent toutes un ensemble de données suffisamment substantiel.Pour explorer l'impact de l'écart par rapport à la distribution de Benford sur la prédiction des rendements boursiers, des modèles autorégressifs linéaires et à transition lisse ont été utilisés. Les résultats mettent en évidence une influence plus prononcée des variables de Benford sur les rendements boursiers dans un régime de marché baissier, indiquant les répercussions de la manipulation des données intra-journaliers sur la précision des prévisions. Les professionnels et les traders peuvent intégrer les variables de Benford à d’autres indicateurs pour améliorer la précision et la fiabilité des stratégies de trading. Le dernier chapitre évalue la précision prédictive des modèles linéaires, de régime de commutation, d’apprentissage automatique et d’apprentissage profond en comparant ceux qui intègrent les variables de la loi de Benford à ceux qui ne le font pas et étudie l’impact de ces variables sur la prévision des rendements boursiers intra-journaliers. À cette fin, nous avons analysé le même ensemble de données étudié au chapitre 2. Les performances du modèle ont été évaluées à l’aide de l’erreur quadratique moyenne (RMSE) sur un ensemble de données de test. Les résultats indiquent que les modèles autorégressifs à transition lisse avec des variables exogènes (STARX) et les modèles de forêt aléatoire, qui intègrent les variables de Benford, surpassent les approches d’apprentissage profond pour prédire à la fois les directions des prix et les variations en pourcentage et surpassent tous les modèles étudiés qui excluent les variables de Benford. Ces résultats suggèrent que la combinaison de la loi de Benford avec les techniques d’apprentissage automatique peut améliorer considérablement la précision prédictive des modèles de trading.
- 18 August 2024
- Published by SAGE Publications in International Journal of Market Research
- Vol. 66 (6) , 810-831
Machine learning based methods for ratemaking health care insurance
In insurance, proposing an accurate premium that is adjusted to the insured risk profile allows companies to better manage their portfolios and to be more competitive. Machine learning methods have recently been adopted for various improvements in insurance ratemaking, especially in the automobile industry. These models are specifically used to mine potential data information and to build a predictive model for a variable of interest using explanatory variables. In this paper, we aim to provide a pricing method for ratemaking individual healthcare insurance contracts using machine learning algorithms that are applied to a Tunisian healthcare insurance portfolio. We start with a simple Classification and Regression Tree, and we work toward more advanced methods that are Random Forest, Extreme gradient boosting, Support Vector Regression, and Artificial Neural network regression model. The predictive performance of these non-parametric methods is compared with the standard generalized linear model. Our results showed the applicability of machine learning in the healthcare insurance market and that the XGBoost algorithm outperforms the predictive capacity of the classical generalized linear model.
- 18 August 2024
- Published by SAGE Publications in International Journal of Market Research
- Vol. 66 (6) , 810-831
Machine learning based methods for ratemaking health care insurance
In insurance, proposing an accurate premium that is adjusted to the insured risk profile allows companies to better manage their portfolios and to be more competitive. Machine learning methods have recently been adopted for various improvements in insurance ratemaking, especially in the automobile industry. These models are specifically used to mine potential data information and to build a predictive model for a variable of interest using explanatory variables. In this paper, we aim to provide a pricing method for ratemaking individual healthcare insurance contracts using machine learning algorithms that are applied to a Tunisian healthcare insurance portfolio. We start with a simple Classification and Regression Tree, and we work toward more advanced methods that are Random Forest, Extreme gradient boosting, Support Vector Regression, and Artificial Neural network regression model. The predictive performance of these non-parametric methods is compared with the standard generalized linear model. Our results showed the applicability of machine learning in the healthcare insurance market and that the XGBoost algorithm outperforms the predictive capacity of the classical generalized linear model.