Osakesijoittaminen vs. Indeksirahastot: Kummalla aloittaa sijoittaminen?
Bibliographic record
Abstract
Sijoittamisen suosio on noussut suomessa nopeasti ja digitaalisten sijoitusalustojen ansiosta markkinoille pääsy on helpompaa kuin koskaan aikaisemmin. Sijoitus kohteita on valtava määrä, mutta kaikkein eniten rahaa sijoitetaan osakemarkkinoille. Yksi keskeinen kysymys aloittelevalle sijoittajalle on, kannattaako lähteä sijoittamaan yksittäisiin osakkeisiin, vai hyödyntää valmiiksi hajautettuja indeksirahastoja. Tässä työssä vertaillaan osake- ja indeksirahastosijoittamisen kannattavuutta aloittelevan sijoittajan näkökulmasta. Tavoitteena arvioida tuottoja, riskejä, soveltuvuutta ja oppimismahdollisuuksia, sekä vastata tutkimusongelmaan: Kumpi sijoitusmuoto on kannattavampi sijoittamista aloittavalle yksilölle? Työn tietoperusta käsittelee ensin sijoittamisen perusteita, jonka jälkeen keskitytään tarkemmin osakesijoittamiseen ja indeksirahastoihin. Tietoperustaa lopuksi täydennetään hieman aikaisemmilla tutkimuksilla ja vertailuilla, jotka tarkastelevat aktiivisten sijoitusstrategioiden ja indeksirahastojen tuottoja sekä yksityissijoittajien sijoituskäyttäytymistä. Työn empiirisessä osassa muodostetaan kaksi yhtä suurta esimerkkisalkkua: Suomalaisista ja Yhdysvaltalaisista osakkeista koostuva osakesalkku, ja kolmesta laajasti hajautetusta indeksirahastosta koostuva indeksisalkku. Salkkujen tuottoja vertaillaan kolmen vuoden ajanjaksolla käyttäen historiallisia hintatietoja, niistä laskettua volatiliteettiä ja Sharpen lukua. Tutkimus ja kaikki sen laskelmat tehdään Microsoft Excelillä. Salkkujen alkusijoituksiin ei kosketa tutkimusaikajakson aikana, vaan kaikkia sijoituksia pidetään kiinni koko jakson ajan. Osakesalkku tuotti tarkastelujaksolla hieman paremmin: 18,87 % vuodessa, kun indeksirahastosalkku tuotti 16,21 % vuodessa. Riskikorjatun tuoton voitti puolestaan indeksisalkku, jonka Sharpen luku oli kolmen vuoden ajalla 0,92, kun osakesalkulla se oli 0,72. Osakesalkun parempi tuotto johtui huomattavasti suuremmasta riskistä ja yksittäisten yhtiöiden vahvasta kehityksestä. Indeksisalkun tuotto oli tasaisempaa, koska sen hajautus oli selkeästi suurempi. Työn Johtopäätöksenä on se, että sijoittamisessa tärkeintä on sen aloittaminen, ei täydellisen sijoitusstrategian löytäminen. Suurimmalle osalle indeksisijoittaminen on järkevä ratkaisu, mutta loppujen lopuksi sopiva vaihtoehto riippuu sijoittajan omista tavoitteista, riskinsietokyvystä sekä valmiudesta käyttää aikaa ja resursseja sijoittamiseen ja sen oppimiseen.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.054 | 0.007 |
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".