Effekt av splitt og spleis ved Oslo Børs
Bibliographic record
Abstract
Selskaper som gjennomfører en splitt eller spleis av aksjene sine gjennomfører i utgangspunktet en endring i selskapets kapitalstruktur, som ifølge klassisk finansteori ikke burde ha innvirkning på verdien til selskapet. Likevel er det flere studier som tyder på at det er en positiv unormal avkastning knyttet til splitt av aksjer, mens det er studier som viser negativ unormal avkastning knyttet til spleis av aksjer. I det norske markedet er det derimot gjennomført få studier på hendelsene og effekten av dem. For å bidra til ytterligere kunnskap om effekten av splitt og spleis vil denne oppgaven studere hvordan slike hendelser har innvirkning på aksjekursen i det norske markedet. Oppgaven bygger på kvantitativ forskningsmetode og har undersøkt om det finnes unormal avkastning knyttet til et selskaps beslutning om å gjennomføre en splitt eller spleis av sine aksjer. Tidsperioden for undersøkelsen er fra januar 2000 til og med august 2018. Oppgaven tar utgangspunkt i hypotesen om at det ikke er unormal avkastning knyttet til splitt eller spleis av aksjer, og bruker eventstudiemetoden for å finne ut hvorvidt hypotesen er, eller ikke er, forenlig med data. Den unormale avkastningen er beregnet med markedsmodellen som grunnlag og er testet ut ifra et parametrisk utgangspunkt. Undersøkelsene tar for seg tre tidspunkter relatert til selskapsbeslutningen; tidspunktet når forslaget om å gjennomføre hendelsen kommer, kunngjøringstidspunktet og til slutt ex-datoen når aksjen handles med den nye kapitalstrukturen implementert. Oppgaven finner ikke tilstrekkelige bevis for at det er unormal avkastning knyttet til en beslutning om å gjennomføre en spleis av aksjene i et selskap. Derimot finner oppgaven tilstrekkelig bevis for at det er en unormal avkastningseffekt på ex-datotidspunktet etter å ha gjennomført splitt av aksjene i et selskap.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.099 | 0.011 |
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".