Estrategias Cuantitativas de Selección de Activos Financieros
Notice bibliographique
Résumé
11 INTRODUCCIÓNComo se ha dicho, este trabajo tiene como objetivo el estudio de estrategias de inversión en el mercado de valores en base a los datos fundamentales de las empresas.A partir de los ratios financieros o múltiplos se clasifican las empresas y se crean estrategias que invierten sistemáticamente en aquellos títulos que reúnen los mismos valores de sus múltiplos, pues estos se consideran generadores de una rentabilidad en exceso respecto al mercado a largo plazo "Quantitative Value Investing" 1 .Las nuevas tecnologías han permitido el análisis casi instantáneo a partir de una base de datos de los distintos títulos que cotizan en el mercado.Además, la selección de las estrategias más idóneas para invertir se ha facilitado gracias a simulaciones o backtest de cada estrategia, lo que permite conocer el comportamiento de cada una en el pasado.Como es natural, el análisis de miles de empresas, así como la simulación de las estrategias en el pasado, tan sólo ha sido posible gracias a las nuevas tecnologías.No obstante, no han dejado de publicarse trabajos en el pasado que han tratado de identificar empresas y estrategias sistemáticas de inversión que intentan batir al mercado.Sin embargo, los trabajos similares a este proyecto, son los publicados más recientemente.Estas investigaciones recientes de análisis cuantitativo de empresas y estrategias de inversión, que posteriormente se detallarán, han sido un punto de partida para este Trabajo Fin de Master.Principalmente, cabe destacar el estudio realizado por James P. O'Shaughnessy "What Works on Wall Street" y "The Cross Section of Expected Stock Returns" por Eugene Fama y Kenneth French.1 "Quantitative Value Investing" consiste en la selección de las mejores empresas para invertir por reunir unos ratios financieros muy buenos a bajo precio.El análisis de las empresas se realiza de manera cuantitativa mediante el uso de nuevas tecnologías que permiten clasificar miles de empresas de manera casi instantánea.Para seleccionar las empresas idóneas se utilizan filtros sobre una base de datos, estos filtros son conocidos como screeners. ! 12 ANTECENDENTES.Tal y como he indicado anteriormente, existen publicaciones que realizan un análisis similar al que se presenta en esta investigación.Podemos clasificarlas en dos grupos: aquellas que analizan las empresas y la estrategia de inversión de una manera descriptiva y aquellas que procesan datos históricos de manera cuantitativa y simulan el pasado mediante el uso de nuevas tecnologías.Son los trabajos de este último grupo los que más se asemejan a la investigación que he llevado a cabo.En la siguiente tabla se muestran los más reseñables.
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 | 0,034 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 ».