Yksityissijoittajan kuluvertailu osakemarkkinoilla
Notice bibliographique
Résumé
Opinnäytetyö käsittelee arvo-osuustilin kautta syntyviä sijoittamisen kustannuksia osakesijoittajan näkökulmasta. Osakesijoittamisesta kiinnostuneen yksityishenkilön on ensimmäisenä päätettävä, minkä palveluntarjoajan alustaa hän käyttää sijoittamiseen. Palveluntarjoajia ja vaihtoehtoja on useita, mikä tekee valinnasta vaikean. Useiden vaihtoehtojen vuoksi sijoittaja voi helposti päätyä ratkaisuihin, jotka eivät ole optimaalisia hänen tavoitteidensa saavuttamisen näkökulmasta. Kaikkein helpointa ja yleisintä on avata arvo-osuustili jo valmiiksi käyttämässään pankissa, mutta yleensä se ei ole järkevin vaihtoehto. Opinnäytetyöni tavoitteena on selvittää, mitkä palveluntarjoajat ovat arvo-osuustilien osalta kustannustehokkaimpia pitkäaikaiselle osakesijoittajalle. Osakesijoittamisen kuluihin lukeutuvat arvo-osuustilin avaamisen kustannus, osto- ja myyntitoimeksiantojen palkkiot, säilytyspalkkio, valuutanvaihtokulut sekä pääomatulovero. Työssä huomioidaan muuttujia, kuten sijoittajien välillä eroavat säästösummat ja kaupankäynnin aktiivisuus. Olen valinnut palveluntarjoajista tutkimukseeni kahdeksan toimijaa, jotka ovat Nordnet, Nordea, OP, Danske Bank, Handelsbanken, Aktia, Degiro ja Mandatum Trader. Kyseessä on laadullinen eli kvalitatiivinen tutkimus, jossa hyödynnetään kattavasti alan kirjallisuuslähteitä sekä verkkosivustoja. Työn alussa käydään läpi alan tärkein termistö sekä kulujen vaikutus pitkäaikaisen sijoittajan saamiin kokonaistuottoihin, jotta lukija ymmärtää kulujen merkityksen sijoittamisessa. Työn lopputuloksena syntyy yhteenveto, josta lukija näkee kulut, joita sijoittaja joutuu maksamaan eri palveluntarjoajille. Näin tekemällä tutkimus antaa selkeät vastaukset, mitkä arvo-osuustilit sopivat parhaiten erilaisille sijoittajille, ja mitä asioita arvo-osuustiliä avatessa tulisi huomioida.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,052 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».