Suomen suurimpien strukturoituja sijoitustuotteita tarjoavien tahojen vuosina 2017–2022 erääntyneiden Autocall-rakenteisten sijoitusobligaatioiden performointi
Notice bibliographique
Résumé
Tämä opinnäytetyö tutkii Suomen suurimpien strukturoituja sijoitustuotteita tarjoavien tahojen vuosina 2017–2022 erääntyneiden Autocall-rakenteisten sijoitusobligaatioiden performointia. Tutkimusmuotoisessa lopputyössä on tarkoituksena selvittää, onko sijoittajien ollut järkevämpää sijoittaa pääomiaan Autocall-tuotteisiin vuosien 2017–2019 nousumarkkinalla, vai vuosien 2020–2022 laskumarkkinalla. Lisäksi tutkimuksen tavoitteena on kyseenalaistaa, ovatko Autocall- tuotteet performoineet suuren volatiliteetin markkinoilla niin hyvin, että niihin on kannattanut sijoittaa suuresta riskitasosta huolimatta. Opinnäytetyön kohderyhmä on rajattu neljään suurimpaan palveluntarjoajaan Suomen strukturoitujen sijoitusten markkinalla. Alexandria Pankkiiriliike, Danske Bank, Nordea ja OP-ryhmä hallitsivat yli 75% Suomen strukturoitujen sijoitustuotteiden markkinasta vuosina 2017-2022. Työn ajallinen rajaus perustuu vuonna 2020 maailmanlaajuiseksi pandemiaksi levinneeseen Covid-19-virukseen, ja pandemiaa seuranneeseen sotatilanteeseen Euroopassa. Vaikeita aikoja edelsivät pitkä nollakorkojen ja kurssihuippujen kausi, joka hemmotteli kuluttajia ennätyksellisen pitkään. Aikakausien yleismaailmallinen tilanne on niin erilainen, että muutoksella voidaan olettaa olevan suuri merkitys myös strukturoitujen sijoitusten performointiin. Tutkimuksen teoreettinen viitekehys auttaa lukijaa ymmärtämään tutkimuksen taustaa, mutta sitä hyödynnetään myös tulosten ohella tutkimusongelmiin vastaamisessa. Työn teoriaosuus koostuu neljästä eri luvusta: strukturoiduista sijoitustuotteista, Autocall-rakenteesta sekä nousu- ja laskukauden analyysista. Tämä opinnäytetyö on empiirinen tutkimus, joka on tehty käyttämällä kvantitatiivista tutkimusotetta. Toteutuksessa hyödynnettiin palveluntarjoajien luomaa aineistoa, jota työstettiin tilastollisen analyysin avulla. Opinnäytetyöprosessi alkoi joulukuussa 2022. Työ palautettiin huhtikuussa 2023. Opinnäytetyön tutkimustulokset ovat linjassa alan yleisen käsityksen kanssa. Autocall-tuotteet performoivat paremmin laskumarkkinalla, kuin vuosien 2017–2019 nousumarkkinalla. Laskumarkkina tarjosi sijoittajalle valtavia voittoja, mutta myös huomattavia pääoman menetyksiä mitattiin. Eri markkinatilanteet vaikuttivat tuotteiden performointiin usealla tavalla, mutta erityisesti osakemarkkinoiden volatiliteetin kasvu heijasteli positiivisesti Autocall-tuotteiden tuottoihin. Tuloksista voidaan päätellä, että Autocall-tuotteet ovat hyvä tapa suojata omaa sijoitussalkkua tilanteissa, jossa muut sijoitukset eivät sitä tee. Tuotteiden rakenne tekee niistä erinomaisen tavan kerryttää varallisuutta korkean riskin markkinalla, unohtamatta kuitenkaan osittaisen pääomaturvan antamaa suojaa.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,174 | 0,066 |
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 ».