Timing blant investorer i norske aksjefond : en kvantitativ analyse av investorer i norske aksjefond
Notice bibliographique
Résumé
Denne oppgaven omhandler en analyse av investorers timingevne i norske aksjefond\nfor perioden juni 1999 til desember 2013.\nVi har benyttet oss av månedlige data for netto tegning og forvaltningskapital, mottatt\nfra Verdipapirfondenes forening (VFF), som grunnlag for analysen. For å undersøke\ntimingevnen til investor har vi sammenlignet investors og fondenes avkastning. Vi har derfor\nregnet ut tidsvektet avkastning for fondene og pengevektet avkastning for investorene.\nPrestasjonsgapet, som er differansen mellom tidsvektet og pengevektet avkastning, sier oss\nnoe om timingevnen til investor. Positivt prestasjonsgap indikerer god timingevne, mens et\nnegativt prestasjonsgap indikerer dårlig timingevne.\nVi har delt fondene inn i ulike grupper for å undersøke om fondenes alder, størrelse\neller prestasjon har noe å bety for investors timingevne. Fra 2006 ser vi på ulikheter i\ntimingevne blant kundegruppene norske personkunder, norske institusjonskunder og\nutenlandske kunder.\nHovedfunnet fra analysen er at vi ikke finner noen bevis for at den gjennomsnittlige\ninvestoren oppnår meravkastning utover fondenes avkastning ved å time kjøp og salg av\nfondsandeler. Prestasjonsgapet er likevel konsekvent høyest for kunder i de fondene med\nlavest gjennomsnittlig forvaltningskapital, selv om dette resultatet ikke er statistisk\nsignifikant. Kundene i de eldste fondene ser ut til å ha et positivt signifikant prestasjonsgap\npå 1,81 % per år i perioden 1999-2013, noe som er i strid med tidligere forskningsresultater.\nKunder som valgte fondene med høyest prestasjonsmål (α) i perioden 2006-2013, har\ndessuten et signifikant positivt prestasjonsgap på 1,72 % per år.\nVed analyse av ulike kundegrupper finner vi ingen signifikante forskjeller. Det ser\nimidlertid ut til at utenlandske kunder er dårligere til å time markedet enn både norske\nperson- og institusjonskunder.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».