Hvordan kan markedssituasjonen påvirke meravkastningen for aktive aksjefond? : en prestasjonsanalyse av 24 norske aksjefond 2006 - 2017
Bibliographic record
Abstract
Oppgaven har til hensikt å se på hvordan risikojustert avkastning i aktivt forvaltede norske aksjefond påvirkes av ulike markedssituasjoner. Analysen tar for seg norske aksjefond i personkundesegmentet, og fondene som er inkludert oppfyller kravene om minimum 12 år sammenhengende historikk, og et maksimalt minsteinnskudd på 25 000 NOK. Dette innebærer at analysen omfatter 24 aksjefond. Markedssituasjonene for 12- års perioden er delt inn i tre like 4-års perioder: (1) jan. 2006 – des. 2009, (2) i tidsrommet jan. 2010 – des. 2013, og (3) fra jan. 2014 til des. 2017. \nPeriodene skiller seg tydelig fra hverandre hva gjelder markedets avkastning og risiko, der det fra første til tredje periode har vært synkende risiko og økende avkastninger. Den første perioden er sterkt preget av finanskrisen i 2008 – 2009, og dette er med på å prege resultatene. For risikojustert avkastning, reflektert i Jensens’s alfa, gir analysene ingen klar indikasjon på at noen av aksjefondene vedvarende gjør det bedre enn sin referanseindeks. Det er likevel en tydelig tendens at aksjefondene har levert en høyere risikojustert avkastning i periode 1 enn periode 2, og at periode 3 overgår dem begge.
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 | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".