Why won't my financial advisor beat the market? Reflections on the ‘Black Swan’
Notice bibliographique
Résumé
Every time we meet with our investment advisors, we go over the same things. We look at the amount of cash contributed during that quarter, the ratio of equities, debt, derivatives, commodities and other financial instruments. We explore the distribution of assets among economic sectors and geography. Finally, we get to the numbers that concern us most, the bottom line rate of return net of fees. Most of us listen to a prepared presentation discussing the implications of geopolitics, macroeconomics, trade negotiations and currency exchanges, among other things, on that rate of return. Most financial advisors will present a coherent viewpoint to proffer an understanding of the rate of return for that quarter. This effectively communicates that the financial professional has some insight that has guided the investment strategy. The implication is that this financial insight has offered the investor an edge and serves as justification for the financial advisor’s fees. The problem, however, is that if these financial advisors are so insightful, knowledgeable and informed, why do they rarely beat the market in the long term? Why can’t our investment portfolios generate the consistently high returns reaped by Warren Buffet, George Soros and David Einhorn? And why do we continue to pay these people significant sums when the rate of return is comparable with an exchange-traded fund, which costs a fraction of personalized investment management?
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».