Principios y técnicas de inversión en el sector renovable
Bibliographic record
Abstract
RESUMEN: El desarrollo de este trabajo tiene por objetivo aplicar una serie de principios y técnicas a varias empresas españolas del sector de las energías renovables que cotizan en el mercado español, y a partir de los resultados obtenidos valorar cuál de ellas tiene mejores expectativas de futuro con el objetivo de dar un consejo de inversión. En el siguiente trabajo se explicará en que consiste el sistema financiero y cuáles son los distintos elementos que lo conforman. También se verán los distintos mercados de valores que conforman el sistema financiero, a través de los cuales se puede invertir en las empresas que consideremos adecuadas en función de los resultados obtenidos. Para la obtención de los resultados, se han llevado a cabo dos tipos de análisis financieros: el análisis fundamental y el análisis técnico. A través del análisis fundamental se han aplicado un conjunto de ratios a dichas empresas, y una vez obtenidos los resultados, se ha realizado una tabla otorgando puntuaciones a las empresas en función de dichos resultados. Por su parte en el análisis técnico, se han aplicado una serie de indicadores que tratan de predecir el comportamiento de los precios de los activos. Finalmente, el autor ha dado su opinión acerca de en cuál de las empresas es más interesante invertir basándome en los resultados obtenidos anteriormente.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".