Markedseffisiens på Oslo Børs i lys av kursutvikling før og etter flaggemeldinger og meldepliktig handel
Bibliographic record
Abstract
Denne oppgaven tar for seg markedseffisiens på Oslo Børs. Den overordnede problemstillingen er: I hvilken grad er aksjemarkedet på Oslo Børs effisient? Dette er et omfattende spørsmål og vi vil undersøke spørsmålet i lys av børsmeldinger om flagging og meldepliktige handler.\n\nVårt første forskningsspørsmål er: Avviker kursutviklingen i aksjer fra markedets utvikling i tiden etter publisering av børsmeldinger om flagging eller meldeplikt?\n\nHvis markedet er effisient innebærer det at all offentlig tilgjengelig informasjon gjenspeiles i markedsprisen. I så tilfelle ville vi forvente å se at kursutviklingen i aksjene i tiden etter publisering av børsmeldingene tilsvarer markedsutviklingen. Dersom utviklingen i perioden fra første handelsdag etter offentliggjøringen er svakere enn utviklingen i markedet generelt tyder det på at markedet reagerte for positivt på nyheten i børsmeldingen. Dersom utviklingen er sterkere enn utviklingen i markedet generelt tyder det på at markedet har reagert for negativt på nyheten i børsmeldingen.\n\nVårt andre forskningsspørsmål er: Avviker kursutviklingen i aksjer fra markedets utvikling i tiden før publisering av børsmeldinger om flagging eller meldeplikt?\n\nDersom markedet er effisient vil vi forvente at aksjenes utvikling i perioden før børsmeldingen ikke avviker fra markedets utvikling. Dersom børsmeldinger om kjøp ofte er foranlediget av svak utvikling i kursen kan det tyde på at innsiderne og de flaggepliktige, som formodentlig har god kjennskap til selskapets virkelige verdi, mener at markedet har overreagert.\n\nFor å besvare spørsmålene benytter vi data fra TITLON-databasen. Den inneholder historiske børsmeldinger, historiske aksjekurser og annen markedsinformasjon. Vi har skrevet Python-programmer for å hente data fra TITLON, for å tilrettelegge data for analyse og for den endelige analysen.\n\nVi analyserer 7531 børsmeldinger fra 2002 til 2019 om flagging og meldepliktig handel ved å se på kursutviklingen i tiden forut for børsmeldingen, kursutviklingen fra siste handelsdag før meldingen offentliggjøres til første handelsdag etter offentliggjøring, og kursutviklingen i perioden etter offentliggjøring. Vi sammenligner utviklingen med utviklingen i hovedindeksen på Oslo Børs i samme periode.\n\nTidligere studier har tydet på at graden av effisiens kan variere mellom underkategorier av selskaper. I tillegg til å analysere markedet som helhet deler vi derfor også opp i underkategorier basert på kjennetegn ved aksjene for å undersøke eventuell variasjon i effisiens. Vi undersøker om det er noen forskjeller basert på tidspunkt, selskapets markedsverdi, handelsvolum, transaksjonsstørrelse omtalt i børsmeldingen og forholdet mellom pris og inntjening.\n\nVåre resultater er ikke entydige, men kan tyde på at ikke all informasjonen i børsmeldingene gjenspeiles riktig i markedskursene. Et funn som tyder på manglende effisiens i en henseende er at kursutviklingen de fire ukene etter første handelsdag etter offentliggjøring av en børsmelding om meldepliktig kjøp er svakere enn for markedet som helhet. Effekten er signifikant på 1%-nivå.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.309 | 0.152 |
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".