Timing blant investorer i norske aksjefond : en kvantitativ analyse av investorer i norske aksjefond
Bibliographic record
Abstract
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.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".