Velkaantuneisuudella ja osakkeen likviditeetillä täydennetyt faktorimallit : Tarkastelu Suomen osakemarkkinoilla vuosina 2012-2021
Notice bibliographique
Résumé
Opinnäytetyön tarkoituksena on testata erilaisia faktorimalleja Suomen osakemarkkinoilla. Tutkimuksessa tarkasteluperiodina käytetään vuosia 2012-2021. Kyseinen tarkasteluperiodi on mielenkiintoinen sen aikana vallinneen historiallisen pitkän negatiivisen ohjauskoron aikakauden johdosta. Euroopan keskuspankin ohjauskorko oli suurimman osan tarkasteluperiodista negatiivinen eikä se ylittänyt nollakorkotasoa kertaakaan. Tutkimukseen on valittu taloudellisiksi muuttujiksi markkinariskin lisäksi yhtiöiden markkina-arvolla mitattu koko, book-to-market suhdeluvulla mitattu yhtiöiden arvostus, debt-to-equity suhdeluvulla mitattu yhtiöiden velkaantuneisuusaste sekä osakkeen kiertonopeudella mitattu yhtiöiden osakkeen likviditeetti markkinoilla. Näiden taloudellisten muuttujien perusteella on rakennettu sekä portfoliot, joiden riskittömän koron ylittävät tuotot toimivat faktorimalleissa selitettävinä muuttujina sekä selittävinä muuttujina toimivat faktorit. \n \nAineistolla testataan sekä pelkän markkinafaktorin sisältämää CAPM-mallia, koko- ja arvostusfaktorilla laajennettua kolmen faktorin mallia, velkaantuneisuusfaktorilla laajennettua neljän faktorin mallia, likviditeettifaktorilla laajennettua neljän faktorin mallia sekä kaikki edellä mainitut faktorit sisältämää viiden faktorin mallia. Lisäksi tutkimuksessa tarkastellaan valittujen taloudellisten muuttujien perusteella jaoteltujen portfolioiden keskituottoja tarkasteluperiodilla. Lukuisissa aihealueen tutkimuksissa on havaittu, että lisäämällä useampia faktoreita malliin kyetään saavuttamaan korkeampia korjattuja selitysasteita. Tavoitteena on selvittää kasvaako faktorimallien korjattu selitysaste tämän tutkimuksen aineiston kohdalla valittujen lisäfaktoreiden myötä, kun faktorimallia laajennetaan. Tarkastelun kohteena on myös eri faktoreiden rooli malleissa ja vaikuttaako faktoreiden lisääminen niiden väliseen dynamiikkaan. Lisäksi tavoitteena on selvittää, onko taloudellisten muuttujien perusteella muodostettujen portfolioiden tuottamien kuukausittaisten keskituottojen välillä eroja ja pystytäänkö näille eroille löytämään taloudellisesti järkeviä perusteluita. \n \nTutkimuksessa havaittiin, että yhtiöiden koon ja arvostuksen yhteys kuukausittaisiin keskituottoihin oli hyvin linjassa aihepiirin aiemman tutkimuksen kanssa. Pienten yhtiöiden tuotot ylittivät keskimäärin suurten yhtiöiden tuotot ja vastaavasti arvoyhtiöt tuottivat keskimäärin enemmän suhteessa kasvuyhtiöihin. Yhtiöiden velkaantuneisuusasteen ja kuukausittaisten keskituottojen kohdalla tulokset osoittivat, että huolimatta matalasta korkotasosta, tuottivat matalan velkaantuneisuuden omaavat yhtiöt keskimäärin korkeampia tuottoja suhteessa enemmän velkaantuneisiin yhtiöihin. Osakkeen likviditeetin ja tuottojen välisestä yhteydestä ei sen sijaan kyetty tutkimustulosten perusteella muodostamaan selkeitä johtopäätöksiä. \n \nVertailtaessa eri faktorimallien korjattuja selitysasteita havaittiin, että viiden faktorin malli tuotti suurimman osan portfolioista kohdalla korkeimman korjatun selitysasteen. Ero neljän faktorin malleista kulloinkin korkeamman korjatun selitysasteen tuottaneeseen malliin ei kuitenkaan ollut kovinkaan suuri. Korkein korjatun selitysasteen kasvu havaittiin järjestään siirryttäessä yhden faktorin CAPM-mallista kolmen faktorin malliin. Tutkimuksessa testattujen vaihtoehtoisten neljän faktorin malleista velkaantuneisuusfaktorilla täydennetty malli toimi tutkimustulosten valossa paremmin kuin osakkeen likviditeettifaktorilla täydennetty malli.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,008 |
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 ».