SURVIVORSHIP BIAS E PERFORMANCE NEI FONDI COMUNI AZIONARI ITALIANI
Bibliographic record
Abstract
Il tema del survivorship bias nelle stime della performance dei fondi comuni di investimento é stato da lungo tempo oggetto di studio da parte della comunità dei ricercatori nel mondo finanziario. Dopo un iniziale focus sul mercato azionario americano, sul quale si è arrivati ad una definizione abbastanza puntuale delle problematiche connesse alla presenza di questa distorsione nei campioni, questo genere di studio è stato progressivamente esteso ai mercati finanziari sviluppati: Canada, Regno Unito, Francia, ecc. pervenendo in sostanza ad ulteriori conferme della rilevanza del tema. Sebbene si trovino in letteratura articoli incentrati sulla performance dei fondi comuni di investimento, nessuno di questi affronta direttamente il problema del survivorship bias, rilegandolo a fenomeno marginale e per questo trascurato. In verità, a partire dall'introduzione della moneta unica, e dell'apertura del mercato italiano dei fondi comuni di investimento ai competitor internazionali, il settore ha visto, differentemente dal passato, una vivace attività di fusioni e di acquisizioni di società di gestione del risparmio, nonché un notevole incremento del livello di concorrenza nel sistema. Sulla base di questi cambiamenti nel mercato finanziario italiano, in questa tesi si presentano i risultati ottenuti nello studio del fenomeno del survivorship bias nei fondi comuni azionari italiani nel periodo 1999-2006.
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 | 0.008 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".