Suomen suurimpien strukturoituja sijoitustuotteita tarjoavien tahojen vuosina 2017–2022 erääntyneiden Autocall-rakenteisten sijoitusobligaatioiden performointi
Bibliographic record
Abstract
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.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.174 | 0.066 |
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".