Relativvärderingsbaserade investeringar. Hur väl fungerar de i olika branscher? : En studie över samtliga företag noterade i Norden mellan åren 2005–2014
Bibliographic record
Abstract
Bakgrund: Denna studie har genomförts för att bringa klarhet i hur väl relativvärdering fungerar som investeringsstrategi mellan åren 2005 och 2014 på de nordiska marknaderna. Huruvida det finns någon skillnad mellan hur väl strategin fungerar om marknaderna sorteras efter branschtillhörighet samt om tidigare välanvända nyckeltal kan generera olika hög avkastning i olika branscher är ett outforskat område. Tidigare studier på området har antingen undersökt hela marknader eller enskilda branscher där resultaten delvis har tolkats med hjälp av aktiemarknadspsykologi.Syfte: Syftet med studien är att analysera huruvida det finns skillnader i hur väl relativvärdering fungerar som investeringsmetod inom olika branscher för att generera överavkastning; samt huruvida det statistiskt går att säkerställa om det finns en koppling mellan bransch och nyckeltal.Genomförande: Studien använder en kvantitativ metod där aktierna sorteras i kvartilportföljer baserade på dess branschtillhörighet och sin värdering relativt branschkonkurrenter. Portföljerna omplaceras på årlig basis och avkastning räknas ut på månadsbasis samt kumulativt. Portföljerna utvärderas sedan med hjälp av välanvända riskmått samt en diversifieringsprocess och aktiemarknadspsykologi.Resultat: Relativvärdering kan användas för att generera överavkastning i samtliga branscher utom i energibranschen. En skillnad i avkastning, beroende på i vilken bransch, kvartil och nyckeltal som används för investeringen kan konstateras. Diversifiering sänker effektivt risken samtidigt som avkastningen inte sjunker i samma takt. Aktiemarknadspsykologi kan endast till viss del kopplas till skillnaderna i avkastning mellan portföljerna.
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 | 0.012 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.022 | 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".