Framework to assist investment portfolio generation for financial sector
Bibliographic record
Abstract
O presente trabalho estabelece, na condição de estudo de caso, uma carteira de ações do setor financeiro entre as empresas listadas na bolsa de valores de São Paulo-SP. O portfólio proposto contém 05 ativos, que em uma primeira etapa deveriam atender aos seguintes critérios de desempenho: indicador “preço sobre o lucro” mínimo de 15; e “retorno sobre o patrimônio líquido” mínimo de 10,5% a.a. Posteriormente foram utilizados outros 8 critérios para seleção final do portfólio. O dividend yield médio foi de 7,388%, sendo o risco (beta) médio de 0,994. O presente estudo propõe um framework para auxiliar investidores na geração de um portfólio de investimento em ações de empresas do setor financeiro, utilizando para isso um método multicritério de apoio à decisão aliado a indicadores da análise fundamentalista. Os mecanismos de seleção de portfólio disponibilizados de forma gratuita por corretoras e casas de análise não demonstram claramente aos investidores o método utilizado para composição de suas carteiras indicadas. Em virtude disso, investidores carecem de uma ferramenta que apresente um método científico e exato para auxiliá-los na escolha de ações para composição de um portfólio. Os métodos multicritério de apoio à decisão possuem potencial para subsidiar o investidor nesse processo. Neste artigo, utilizou-se o método Delphi para definir, junto à investidores selecionados, os filtros de desempenho mínimo, critérios e pesos adequados para composição de um portfólio de ações do segmento financeiro. A agregação dos resultados se deu por meio do método PROMETHEE V. Como etapa posterior, foi implementado um modelo de programação linear inteira para definir a participação percentual de cada ativo no capital total da carteira.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".