Creating quality portfolios using score-based models: a systematic review
Notice bibliographique
Résumé
Abstract This paper aims to find out if a score-based investment strategy could be developed using different scales. To achieve this objective several academic sources have been used and it is found that score-based investment not only outperforms the market but also protects the investors from the risks arising out of avoidable poor investments in the market. The project is a summary of bibliographic outcome of several scholars who have attempted to find out the impact of score-based investments in their respective markets. Score-based investments are typically dependent on accounting parameters and changes in these parameters signal that a firm’s performance is geared up for a change. The study has been done using a systematic literature review. Several research papers in peer-reviewed journals were referred starting from 1934 to 2021. Various equity-based scores like F-score, G score, L score and C score and debt-based scores like Z score, O score and M score are used for the construction of portfolios. It has been found that across geographies the use of score-based investing is known to give superior returns as compared to the market. Several pieces of literature provide the evidence. Developed countries like USA, UK, Australia, and Canada have a large concentration of literary sources that point to the evidence of score-based investing. At the same time, it is also pertinent to note that the performance of such techniques works relatively better in markets that are not efficient and where asymmetry in information flow is evident.
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 | 0,001 | 0,000 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».