YATIRIMCILAR İÇİN UYGUN ZAMANLAMA STRATEJİLERİ; BİST 30’DAKİ HİSSE SENETLERİ ÜZERİNE BİR UYGULAMA
Bibliographic record
Abstract
Kurumlar ve bireyler hisse senetlerine yatırım yaparak kar elde etmeyi amaçlarlar. Hisse senedi piyasasında kar elde etmek adına gelecekte gerçekleşecek olan fiyat hareketlerini doğru tahmin etmek için analiz yöntemleri ve stratejiler geliştirilmiştir. Kurumlar için bu yöntemleri kullanarak yatırım yapmak nispeten daha kolaydır çünkü bünyelerinde uzmanlar vardır. Fakat bireysel yatırımcılar için bu süreç biraz daha zordur. Çalışmanın amacı bireysel yatırımcılar için analiz yöntemleri kullanmadan, belirli stratejiler ile yatırım yaptıkları takdirde kar elde edip edemediklerini incelemektir. Bu bağlamda finansal okuryazarlığı düşük olan bireyler için sadece hisse senedinin alım satım zamanının belirli olduğu on iki yatırım stratejisi oluşturulmuştur. Simülasyon yöntemi kullanılarak BİST 30’da yer alan firmaların 2016-2017 yılı hisse senetlerine zamanlama stratejileri kullanılarak yatırım yapılmış ve yatırım sonuçları incelenmiştir. Analiz sonuçlarına göre bütün stratejilerden pozitif yönde kazanç elde edilmekle birlikte, bireysel yatırımcı için en fazla kar getiren uygun zamanlama stratejilerinin pasif sayılabilecek stratejiler olduğu belirlenmiştir.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.007 |
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".