Notice bibliographique
Résumé
The typical small investor makes on average about 5% a year in investment gains, just half of what the market does. Moreover, most investment funds also underperform compared to the broader market. In two previous papers, we explored how a specific and simple approach to algorithmic trading can help both types of investors achieve strong results. For concreteness, we focused attention on investing in a single variable, in our case, a major US-based index such as SPX and IXIC, individually. For illustrative purposes, we also considered some highly traded tech stock examples. In this paper, we extend our work to study the US sector funds, and for the first time in our series, we also consider trading multiple variables at a time to see how that may differ from our single-variable investment strategy. To simplify matters, we consider an initial equal weighted portfolio of several sector funds, selected randomly without any analysis, and assume that each is traded independently. To simplify further, we do no rebalancing in our study, though that is an essential part of money management according to modern portfolio theory. We nevertheless obtain interesting and informative results. We can typically improve on the performance of most sector funds compared to buy-and-hold (hereafter referred to as BnH). Moreover, as an example of portfolio growth, a portfolio of five equal weighted sector funds in BnH achieves 6.5× growth over 20 years (ending in March 2023), whereas our approach achieves 12.4× growth—nearly 2× better, at roughly half the maximum drawdown. That is a strong win for both professional and home investors.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».