Operativa en bolsa para el inversor retail
Bibliographic record
Abstract
Con este trabajo de fin de grado se pretende acercar la Bolsa de valores al inversor retail. Para lograr este objetivo comenzamos en el primer capítulo con las características básicas e imprescindibles para iniciar los primeros pasos en el mercado de capitales. \nEl análisis técnico (desde chartismo hasta análisis cuantitativo) y fundamental son dos métodos de inversión utilizados por los profesionales de este sector, los cuales están explicados en los capítulos posteriores. \nOtro factor importante a la hora de invertir es el autocontrol de las emociones, ya que está demostrado que cuando una operación resulta perdedora sufrimos más de lo que disfrutamos si la misma operación hubiese sido ganadora. Para aminorar el efecto psicológico es indispensable una buena gestión monetaria que nos lleve a tener una esperanza matemática positiva en el largo plazo. \nExisten multitud de herramientas que están disponibles en internet para facilitar el estudio de los activos financieros. Esto unido al uso de una plataforma profesional nos ayuda a acercarnos al objetivo final de este trabajo. \nPara alcanzar nuestro objetivo, en lo que sigue el presente trabajo se estructura en cinco capítulos. En el primero adquirimos las características básicas del mercado, en los dos siguientes las técnicas empleadas en el análisis técnico y fundamental, el cuarto gira entorno a la gestión de las emociones y la probabilidad, finalizando con el desarrollo de la operativa en el último capítulo. Finalmente, cierra el trabajo las principales conclusiones.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.076 | 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".