ESG-indeksien tuotot verrattuna perinteisiin markkinaindekseihin : valittujen indeksiparien historiallinen vertailu vuosilta 2019-2024
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli selvittää, miten vastuullisuusperusteiset osakeindeksit eli ESG-indeksit ovat tuottaneet verrattuna perinteisiin markkinaindekseihin vuosina 2019–2024. Tämän selvittämiseksi vertailtiin kolmea ESG-indeksiä ja niiden perinteisiä vastinpareja. Tarkoituksena oli havainnoida, onko ESG-indekseillä havaittavissa eroa tuotoissa ja riskitasoissa suhteessa niiden perinteisiin markkinaindekseihin. Tutkimus toteutettiin kvantatiivisena analyysinä hyödyntämällä indeksien julkista dataa ja laskemalla niistä vuosituotot, volatiliteetit, kumulatiiviset tuotot, annualisoidut volatiliteetit ja annualisoidut Sharpen luvut. Nämä tulokset esiteltiin kuvioina ja taulukoina. Opinnäytetyössä tutkittiin, kuinka ESG-sijoittaminen vaikuttaa sijoitusten tuottoihin ja riskeihin verrattuna perinteisiin sijoitusmuotoihin indeksitasolla. Tulosten perusteella ESG-indeksit tuottivat keskimääräisesti hyvin samansuuntaisesti kuin niiden perinteiset vastinparit. Erot kumulatiivisissa tuotoissa jäivät suhteellisen pieniksi, ja ESG-indeksit seurasivat tarkasti markkinoiden yleistä kehitystä. Volatiliteetti oli useimmissa ESG-indekseissä hieman matalampi, mikä viittaa pienempään kokonaissijoitusriskiin. Annualisoidut Sharpen luvut kuitenkin osoittivat, että riskikorjattu tuotto oli perinteisissä indekseissä pääsääntöisesti hieman parempi. Tämä tarkoittaa, että vastuullisuusfiltteri ei lisännyt tuottoa, mutta ei myöskään heikentänyt sitä merkittävästi. Tutkimuksen perusteella voitiin todeta, että ESG-indekseihin sijoittaminen ei johda juurikaan tuotoista tinkimiseen, vaan tarjoaa mahdollisuuden sijoittaa vastuullisesti ilman merkittävää taloudellista kompromissia. ESG-indeksit suoriutuivat tehdyssä tutkimuksessa hyvin samankaltaisesti verrattaessa aikaisempaan tutkimustietoon.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 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".