Velkaantuneisuudella ja osakkeen likviditeetillä täydennetyt faktorimallit : Tarkastelu Suomen osakemarkkinoilla vuosina 2012-2021
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena on testata erilaisia faktorimalleja Suomen osakemarkkinoilla. Tutkimuksessa tarkasteluperiodina käytetään vuosia 2012-2021. Kyseinen tarkasteluperiodi on mielenkiintoinen sen aikana vallinneen historiallisen pitkän negatiivisen ohjauskoron aikakauden johdosta. Euroopan keskuspankin ohjauskorko oli suurimman osan tarkasteluperiodista negatiivinen eikä se ylittänyt nollakorkotasoa kertaakaan. Tutkimukseen on valittu taloudellisiksi muuttujiksi markkinariskin lisäksi yhtiöiden markkina-arvolla mitattu koko, book-to-market suhdeluvulla mitattu yhtiöiden arvostus, debt-to-equity suhdeluvulla mitattu yhtiöiden velkaantuneisuusaste sekä osakkeen kiertonopeudella mitattu yhtiöiden osakkeen likviditeetti markkinoilla. Näiden taloudellisten muuttujien perusteella on rakennettu sekä portfoliot, joiden riskittömän koron ylittävät tuotot toimivat faktorimalleissa selitettävinä muuttujina sekä selittävinä muuttujina toimivat faktorit. \n \nAineistolla testataan sekä pelkän markkinafaktorin sisältämää CAPM-mallia, koko- ja arvostusfaktorilla laajennettua kolmen faktorin mallia, velkaantuneisuusfaktorilla laajennettua neljän faktorin mallia, likviditeettifaktorilla laajennettua neljän faktorin mallia sekä kaikki edellä mainitut faktorit sisältämää viiden faktorin mallia. Lisäksi tutkimuksessa tarkastellaan valittujen taloudellisten muuttujien perusteella jaoteltujen portfolioiden keskituottoja tarkasteluperiodilla. Lukuisissa aihealueen tutkimuksissa on havaittu, että lisäämällä useampia faktoreita malliin kyetään saavuttamaan korkeampia korjattuja selitysasteita. Tavoitteena on selvittää kasvaako faktorimallien korjattu selitysaste tämän tutkimuksen aineiston kohdalla valittujen lisäfaktoreiden myötä, kun faktorimallia laajennetaan. Tarkastelun kohteena on myös eri faktoreiden rooli malleissa ja vaikuttaako faktoreiden lisääminen niiden väliseen dynamiikkaan. Lisäksi tavoitteena on selvittää, onko taloudellisten muuttujien perusteella muodostettujen portfolioiden tuottamien kuukausittaisten keskituottojen välillä eroja ja pystytäänkö näille eroille löytämään taloudellisesti järkeviä perusteluita. \n \nTutkimuksessa havaittiin, että yhtiöiden koon ja arvostuksen yhteys kuukausittaisiin keskituottoihin oli hyvin linjassa aihepiirin aiemman tutkimuksen kanssa. Pienten yhtiöiden tuotot ylittivät keskimäärin suurten yhtiöiden tuotot ja vastaavasti arvoyhtiöt tuottivat keskimäärin enemmän suhteessa kasvuyhtiöihin. Yhtiöiden velkaantuneisuusasteen ja kuukausittaisten keskituottojen kohdalla tulokset osoittivat, että huolimatta matalasta korkotasosta, tuottivat matalan velkaantuneisuuden omaavat yhtiöt keskimäärin korkeampia tuottoja suhteessa enemmän velkaantuneisiin yhtiöihin. Osakkeen likviditeetin ja tuottojen välisestä yhteydestä ei sen sijaan kyetty tutkimustulosten perusteella muodostamaan selkeitä johtopäätöksiä. \n \nVertailtaessa eri faktorimallien korjattuja selitysasteita havaittiin, että viiden faktorin malli tuotti suurimman osan portfolioista kohdalla korkeimman korjatun selitysasteen. Ero neljän faktorin malleista kulloinkin korkeamman korjatun selitysasteen tuottaneeseen malliin ei kuitenkaan ollut kovinkaan suuri. Korkein korjatun selitysasteen kasvu havaittiin järjestään siirryttäessä yhden faktorin CAPM-mallista kolmen faktorin malliin. Tutkimuksessa testattujen vaihtoehtoisten neljän faktorin malleista velkaantuneisuusfaktorilla täydennetty malli toimi tutkimustulosten valossa paremmin kuin osakkeen likviditeettifaktorilla täydennetty malli.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.055 | 0.008 |
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".