SIJOITTAJIEN SENTIMENTIN VAIKUTUS TUNNUSLUKU- SEKÄ MARKKINA-ARVOPERUSTEISESTI: TUTKIMUS SUOMEN OSAKEMARKKINOILLA
Bibliographic record
Abstract
Tutkielman tarkoituksena on selvittää, onko sijoittajien sentimentillä mahdollista ennus-taa osakemarkkinoiden tuottoja. Tärkeimpänä päämääränä on tutkia, miten koko- ja arvoanomaliat vaikuttavat sijoittajien sentimenttiin. Tutkimus toteutetaan Suomen osa-kemarkkinoilla, sillä suurin osa aikaisemmista tutkimuksista on tutkinut sentimentin vaikutusta USA:n osakemarkkinoilla ja muualla Euroopassa, joten on tärkeää selvittää vaikuttaako ilmiö myös Suomessa. Tutkimuksen aikavälinä on 1995–2014, mikä tekee kuukausittaista aineistoa käytettäessä yhteensä 224 havaintoa. Lisäksi selvitetään vai-kuttaako sijoittajien sentimentti ajasta riippumatta jakamalla tutkimusaikaväli kahteen osaan aikavälille 1995–2005 sekä 2005–2014. Sijoittajien sentimentti-indikaattorina on käytetty Tilastokeskuksen keräämää kuluttajabarometriä, joka mittaa kuluttajien näke-myksiä kotitalouden sekä kansantalouden kehityksestä seuraavan 12 kuukauden aikana. Tärkeimpänä tutkimusmenetelmänä käytetään Granger-kausaalisuustestiä, sillä mene-telmä on todettu päteväksi useissa vastaavissa tutkimuksissa (Jansen & Nahuis 2003). Koko- ja arvoanomalioiden vaikutusta selvitetään muodostamalla osakeportfolioita tun-nuslukuperusteisesti (P/B sekä P/E) sekä jakamalla osakkeet markkina-arvon mukaises-ti. Portfolioiden muodostuksessa on noudatettu Fama ja Frenchin (1992,1993) portfoli-on muodostuskriteereitä. Tämän jaottelun lisäksi tutkielmassa käytetään toimialaperus-teista jaottelua, sillä valtaosa Helsingin pörssin yrityksistä toimii teollisuusalalla ja suo-raan kuluttajille suunnattujen tuotteiden ja palveluiden osuus on vähäisempi. Sijoittajien sentimentin ja osakemarkkinoiden tuottojen todettiin korreloivan positiivi-sesti. Granger-kausaalisuustestin tulosten perusteella kausaalisuuden havaittiin kulkevan kuitenkin ainoastaan yhdensuuntaisesti osakemarkkinoista sijoittajien sentimenttiin. Tällä tarkoitetaan, että sentimentti-indikaattorina käytettyä kuluttajabarometriä ei ole mahdollista hyödyntää sijoituspäätöksiä tehdessä. Toisensuuntainen kausaalisuus osoit-taa kuitenkin, että suomalaiset kuluttajat hyödyntävät osakemarkkinoista saatavaa in-formaatioita siitä huolimatta, omistavatko he itse osakkeita vai eivät.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".