YATIRIMCILAR İÇİN UYGUN ZAMANLAMA STRATEJİLERİ; BİST 30’DAKİ HİSSE SENETLERİ ÜZERİNE BİR UYGULAMA
Notice bibliographique
Résumé
Kurumlar ve bireyler hisse senetlerine yatırım yaparak kar elde etmeyi amaçlarlar. Hisse senedi piyasasında kar elde etmek adına gelecekte gerçekleşecek olan fiyat hareketlerini doğru tahmin etmek için analiz yöntemleri ve stratejiler geliştirilmiştir. Kurumlar için bu yöntemleri kullanarak yatırım yapmak nispeten daha kolaydır çünkü bünyelerinde uzmanlar vardır. Fakat bireysel yatırımcılar için bu süreç biraz daha zordur. Çalışmanın amacı bireysel yatırımcılar için analiz yöntemleri kullanmadan, belirli stratejiler ile yatırım yaptıkları takdirde kar elde edip edemediklerini incelemektir. Bu bağlamda finansal okuryazarlığı düşük olan bireyler için sadece hisse senedinin alım satım zamanının belirli olduğu on iki yatırım stratejisi oluşturulmuştur. Simülasyon yöntemi kullanılarak BİST 30’da yer alan firmaların 2016-2017 yılı hisse senetlerine zamanlama stratejileri kullanılarak yatırım yapılmış ve yatırım sonuçları incelenmiştir. Analiz sonuçlarına göre bütün stratejilerden pozitif yönde kazanç elde edilmekle birlikte, bireysel yatırımcı için en fazla kar getiren uygun zamanlama stratejilerinin pasif sayılabilecek stratejiler olduğu belirlenmiştir.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,007 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».