Fondos de inversión de Renta Fija. Oportunidad inversora y análisis de su rentabilidad.
Bibliographic record
Abstract
En este Trabajo de Fin de Grado se ha querido estudiar la evolución de un conjunto de fondos de inversión de Renta Fija a lo largo de un determinado periodo de tiempo. Nos hemos centrado para este estudio en el periodo comprendido entre comienzos de 2019 y la actualidad, marzo de 2023, puesto que resulta interesante comprobar como ciertas situaciones como lo fue por ejemplo la vivida en marzo-abril del 2020 (comienzo de la pandemia) así como las variaciones en los tipos de interés, motivan la volatilidad de este tipo de activos. El objetivo del estudio ha sido motivado por la propia evolución de este tipo de activos, ya que han ido ganando popularidad en los últimos años hasta convertirse en uno de los activos financieros preferidos por los inversores de un perfil más conservador. Esto último ha sido en parte, gracias a la educación financiera, la cual también ha evolucionado. Sin embargo, sigue habiendo conceptos que dan lugar a confusión, como puede ser el pensar que invertir en renta fija es sinónimo de evitar por completo el riesgo, y como veremos posteriormente en este trabajo, esto no es así. Es por ello que, trabajando la parte empírica de este estudio junto con conceptos económicos desarrollados de manera más teórica, se consigue tanto el objetivo de análisis planteado, así como ampliar el conocimiento sobre distintos conceptos de estos activos.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 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) | 0.016 | 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".