Bibliographic record
Abstract
Résumé Cet article étudie la pertinence d’ajouter un investissement passif dans un panier diversifié de produits de base à un portefeuille traditionnel composé d’actions et d’obligations. De nombreux avantages plaident en faveur de l’ajout des produits de base. À partir d’une analyse moyenne-variance, l’ajout des produits de base permet d’espérer un meilleur rendement par unité de risque. La composante «produits de base» dans un portefeuille conduit également à une meilleure protection face à l’inflation en plus de réduire les pertes lorsque le marché des actions est baissier. En outre, la conjoncture actuelle est favorable aux produits de base, notamment en raison de la forte demande des marchés émergents qui devrait demeurer soutenue pour plusieurs années. Les auteurs discutent également de la distinction importante entre une exposition indirecte à travers un investissement dans les actions d’entreprises du secteur primaire et une exposition directe dans les produits de base, l’option directe étant la seule qui permette de livrer les bénéfices espérés des produits de base. Ils évoquent aussi la distribution des rendements des produits de base qui, par son asymétrie positive, permet d’espérer des chocs plus souvent positifs que négatifs. Les auteurs y vont d’une discussion sur les contraintes pratiques liées à l’investissement dans les produits de base par le biais de contrats à terme.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".