Yksityissijoittajan kuluvertailu osakemarkkinoilla
Bibliographic record
Abstract
Opinnäytetyö käsittelee arvo-osuustilin kautta syntyviä sijoittamisen kustannuksia osakesijoittajan näkökulmasta. Osakesijoittamisesta kiinnostuneen yksityishenkilön on ensimmäisenä päätettävä, minkä palveluntarjoajan alustaa hän käyttää sijoittamiseen. Palveluntarjoajia ja vaihtoehtoja on useita, mikä tekee valinnasta vaikean. Useiden vaihtoehtojen vuoksi sijoittaja voi helposti päätyä ratkaisuihin, jotka eivät ole optimaalisia hänen tavoitteidensa saavuttamisen näkökulmasta. Kaikkein helpointa ja yleisintä on avata arvo-osuustili jo valmiiksi käyttämässään pankissa, mutta yleensä se ei ole järkevin vaihtoehto. Opinnäytetyöni tavoitteena on selvittää, mitkä palveluntarjoajat ovat arvo-osuustilien osalta kustannustehokkaimpia pitkäaikaiselle osakesijoittajalle. Osakesijoittamisen kuluihin lukeutuvat arvo-osuustilin avaamisen kustannus, osto- ja myyntitoimeksiantojen palkkiot, säilytyspalkkio, valuutanvaihtokulut sekä pääomatulovero. Työssä huomioidaan muuttujia, kuten sijoittajien välillä eroavat säästösummat ja kaupankäynnin aktiivisuus. Olen valinnut palveluntarjoajista tutkimukseeni kahdeksan toimijaa, jotka ovat Nordnet, Nordea, OP, Danske Bank, Handelsbanken, Aktia, Degiro ja Mandatum Trader. Kyseessä on laadullinen eli kvalitatiivinen tutkimus, jossa hyödynnetään kattavasti alan kirjallisuuslähteitä sekä verkkosivustoja. Työn alussa käydään läpi alan tärkein termistö sekä kulujen vaikutus pitkäaikaisen sijoittajan saamiin kokonaistuottoihin, jotta lukija ymmärtää kulujen merkityksen sijoittamisessa. Työn lopputuloksena syntyy yhteenveto, josta lukija näkee kulut, joita sijoittaja joutuu maksamaan eri palveluntarjoajille. Näin tekemällä tutkimus antaa selkeät vastaukset, mitkä arvo-osuustilit sopivat parhaiten erilaisille sijoittajille, ja mitä asioita arvo-osuustiliä avatessa tulisi huomioida.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.069 | 0.028 |
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".