Una herramienta de ayuda para la inversión en small caps de EEUU
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
[EN] The main objective of the present work is to create a system that helps users discover \npromising US Small Caps stocks in a personalized way. \nFor doing so, techniques from the fields of natural language processing, time series \nforecasting with deep learning, classical portfolio optimization, databases administration, web development and DevOps will be applied, with a strong focus on following \nvalue investing principles, by using financial statements data whenever possible. \nConcretely, the system will be able to daily extract data from an API REST, process \nit and store it in a database, to then be analyzed, transformed and converted into powerful insights for the investor, which include a forecast of the return on equity (ROE) \nfor a specified future quarter, the creation of a diversified and optimized portfolio that \nsatisfies the risk tolerance specified by the user, an earnings call analysis, composed of \nsentiment analysis, summarization, contradiction detection and relative text complexity \nmeasurement. Finally, the user will be able to, through a multiplatform website, specify his query \nparameters (which include selecting sectors and industries of the economy, risk level \ntolerance and the quarter to forecast ROE), create a portfolio and download a report with \nan analysis of the whole portfolio and each individual stock, in PDF format.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle