Suomen toimialojen kehityksen vaikutus Helsingin Pörssin indeksiin vuosina 2006-2015
Leino, Jesse (2017)
Kandidaatintutkielma
2017
Julkaisun pysyvä osoite on
http://urn.fi/URN:NBN:fi-fe201701121121
http://urn.fi/URN:NBN:fi-fe201701121121
Tiivistelmä
Tämän kandidaatintutkielman tarkoituksena oli tarkastella Helsingin pörssin kymmenen toimialan kehityksen vaikutusta Helsingin Pörssin indeksiin vuosina 2006-2015. Lisäksi tutkielmassa tarkasteltiin korrelaatiota ja tuottoerojen merkitsevyyttä toimialojen kesken sekä toimialojen ja OMX Helsinki-indeksin välillä.
Tutkimusaineiston toimialat luokitellaan toimialaryhmiin korrelaatiomatriisien perusteella ja niiden normaalijakautuneisuutta tarkastellaan Kolmogorov-Smirnovin testillä. Korrelaatiomatriiseista saaduilla Pearsonin korrelaatiokertoimilla arvioidaan toimialojen keskinäistä ja toimialojen sekä OMX Helsinki-indeksin välistä korrelaatiota. Toimialaryhmien kesken ja toimialaryhmien ja OMX Helsinki-indeksin välillä havaitaan vahvaa korrelaatiota, mutta korrelaatio vaihtelee enemmän toimialaryhmien kesken kuin OMX Helsinki-indeksiin verrattaessa. T-testien avulla tarkastellaan tuottoerojen merkitsevyyttä toimialojen ja OMX Helsinki-indeksin välillä, ja toimialojen kesken. Testeistä saadut tulokset kertovat, että tuottoerot eivät poikkea tarkasteluryhmien välillä eivätkä ne ole tilastollisesti merkitseviä.
Toimialaryhmiä käytetään lineaarisessa regressioanalyysissä selittävinä tekijöinä ja selitettävänä tekijänä toimii tässä analyysissä OMX Helsinki-indeksi. Lineaarisen regressioanalyysin pohjalta voidaan sanoa, että toimialat selittävät erittäin suuren osan OMX Helsinki-indeksin kehityksestä, ja saadut tulokset ovat tilastollisesti erittäin merkitseviä. Regressioanalyysin tulokset saattavat kuitenkin olla vääristyneitä outlier-havaintojen johdosta. Osassa analyysin malleista oli myöskin ongelmia multikollineaarisuuden kanssa. Tämän johdosta lineaarisen regressioanalyysin tuloksia on syytä tarkastella varauksella. The purpose of this Bachelors thesis is to examine the development of the ten stock exchange industries listed in OMX Helsinki, and how they affect the OMX Helsinki-index in the years 2006 to 2015. This thesis also studied the correlation and statistical significance of profit separation between the ten industries, and between the industries and OMX Helsinki index.
The industries listed in this study material are classified into certain industry groups by a correlation matrix and their normal distribution is examined by Kolmogorov-Smirnov test. Pearson’s correlation coefficients, which are shown in the correlation matrix, are analyzed between the industries and OMX Helsinki-index. Strong correlation is detected between both comparison groups, but there are more variety in the values between the ten industries and less variety between the industries and OMX Helsinki index. The statistical significance of profit differences is analyzed by T-tests. The results show that profit separation doesn’t differ between study groups and isn’t statistically significant.
The previously classified industry groups are used in the linear regression analysis as explanatory variables, and OMX Helsinki index will be used as dependent variable. The results of linear regression analysis show that the industries explain a huge portion of the development of OMX Helsinki index, and the results are statistically highly significant. The results from the regression analysis may however be skewed because of outliers. Also some of the models suffered from multicollinearity problems. Hence the results from the regression analysis should be taken with caution.
Tutkimusaineiston toimialat luokitellaan toimialaryhmiin korrelaatiomatriisien perusteella ja niiden normaalijakautuneisuutta tarkastellaan Kolmogorov-Smirnovin testillä. Korrelaatiomatriiseista saaduilla Pearsonin korrelaatiokertoimilla arvioidaan toimialojen keskinäistä ja toimialojen sekä OMX Helsinki-indeksin välistä korrelaatiota. Toimialaryhmien kesken ja toimialaryhmien ja OMX Helsinki-indeksin välillä havaitaan vahvaa korrelaatiota, mutta korrelaatio vaihtelee enemmän toimialaryhmien kesken kuin OMX Helsinki-indeksiin verrattaessa. T-testien avulla tarkastellaan tuottoerojen merkitsevyyttä toimialojen ja OMX Helsinki-indeksin välillä, ja toimialojen kesken. Testeistä saadut tulokset kertovat, että tuottoerot eivät poikkea tarkasteluryhmien välillä eivätkä ne ole tilastollisesti merkitseviä.
Toimialaryhmiä käytetään lineaarisessa regressioanalyysissä selittävinä tekijöinä ja selitettävänä tekijänä toimii tässä analyysissä OMX Helsinki-indeksi. Lineaarisen regressioanalyysin pohjalta voidaan sanoa, että toimialat selittävät erittäin suuren osan OMX Helsinki-indeksin kehityksestä, ja saadut tulokset ovat tilastollisesti erittäin merkitseviä. Regressioanalyysin tulokset saattavat kuitenkin olla vääristyneitä outlier-havaintojen johdosta. Osassa analyysin malleista oli myöskin ongelmia multikollineaarisuuden kanssa. Tämän johdosta lineaarisen regressioanalyysin tuloksia on syytä tarkastella varauksella.
The industries listed in this study material are classified into certain industry groups by a correlation matrix and their normal distribution is examined by Kolmogorov-Smirnov test. Pearson’s correlation coefficients, which are shown in the correlation matrix, are analyzed between the industries and OMX Helsinki-index. Strong correlation is detected between both comparison groups, but there are more variety in the values between the ten industries and less variety between the industries and OMX Helsinki index. The statistical significance of profit differences is analyzed by T-tests. The results show that profit separation doesn’t differ between study groups and isn’t statistically significant.
The previously classified industry groups are used in the linear regression analysis as explanatory variables, and OMX Helsinki index will be used as dependent variable. The results of linear regression analysis show that the industries explain a huge portion of the development of OMX Helsinki index, and the results are statistically highly significant. The results from the regression analysis may however be skewed because of outliers. Also some of the models suffered from multicollinearity problems. Hence the results from the regression analysis should be taken with caution.