Estrategia para fortalecer la negociación búrsatil del mercado MILA.
Bibliographic record
Abstract
En los mercados financieros la colocación y negociación de activos de renta variable se considera imprescindible para su crecimiento y desarrollo. Ciertamente los activos financieros no son ajenos a variaciones de precio, debido a fenómenos de volatilidad y riesgo que afectan su rentabilidad, estos efectos son típicos de los mercados desarrollados y emergentes. Además de estos efectos, los activos son sensibles a los sucesos inesperados que impactan en las decisiones de inversionistas y especuladores que se integran a través de agentes financieros e intermediarios de capital. En el marco del desarrollo de los mercados financieros para América Latina, se encuentra que el Mercado Integrado Latinoamericano MILA, representa una alianza estratégica, la cual figura como un medio visible para los países de Chile, Colombia, México y Perú. No obstante, esta alianza no ha tenido la suficiente promoción y desarrollo para incentivar su modelo de negociación y atracción de inversión de capitales extranjeros. En consecuencia, se realiza un análisis de los fundamentales macroeconómicos de estos mercados en aras de obtener la sintomatología de los mismos y así proponer una estrategia de inversión basada en la teoría de portafolios de Harry \nMarkowitz.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 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".