En deskriptiv analyse av prisstrukturen i norske verdipapirfond per 31.12.06
Bibliographic record
Abstract
Gjennom å jobbe som oppgjørsansvarlig for en uavhengig rådgiver så jeg hvilke kostnader\nverdipapirfond belaster sine investorer og hvordan disse kan påvirke avkastningen i en\nportefølje. Jeg var interessert i å finne ut hvilke faktorer som påvirket fastsettelsen av\nprisstrukturen i norske verdipapirfond.\nPrisstrukturen i verdipapirfond er bygget opp av transaksjonsgebyrer og påvirkes av flere\nforhold. Investeringsstrategien og mandatet til fondet påvirker prisstrukturen i varierende\ngrad. Aktivaklasse er en faktor som påvirker prisstrukturen. Minsteinnskuddet og størrelsen\npå investeringen gir føringer for hvilke prosentsatser forvalteren belaster på gebyrene. I\nutgangspunktet skal det være stordriftsfordeler innen fondsforvaltning, men analysen fant få\neller ingen bevis på at disse påvirket prisstrukturen.\nInvestorene i verdipapirfond er ikke veldig prissensitive. Prisstrukturen på verdipapirfondene\nbestemmer ikke hvor investorene plasserer midlene sine. Dette gjelder for alle typer\nverdipapirfond. Analysen viste at investorene ble noe mer prissensitive når de investerte i\nverdipapirfond med høyere minsteinnskudd.\nEn analyse basert på månedlige avkastningsstall fra Morningsstar sin europeiske database\nviste at fond med høyt forvaltningshonorar hadde et lavere gjennomsnitt på meravkastnigen.\nSamme analyse viste også at mer aktive fond, målt på tracking error, ikke hadde et høyere\nforvaltningshonorar\nUtredningen konkluderer med at det er vanskelig å finne faktorer som påvirker prisstrukturen\ni alle verdipapirfond. Analysen tyder på at prisstrukturene bestemmes mer av subjektive\nprosesser internt hos forvalterne og at prisstrukturen i norske verdipapirfond vanskelig kan\nforklares ved bruk av teori.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.116 | 0.043 |
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".