Deskriptiv statistik

Figur 1: Volatilitet olika dagar

För att få en bild över urvalets volatilitet för olika tidsfönster har vi valt att presentera deras medelvärde i ett stapeldiagram (se figur 1). Där y-axeln visar medelvärdet av volatiliteten och där x-axeln indikerar tidsperioden. Diagrammet visar medelvärdet för volatiliteten av företagen i de olika listorna. Detta medelvärde är uträknat för ett flertal olika tidsperioder, exempelvis de första 60 dagarna innan händelsen och de 30 första dagarna efter händelsen. Innan händelsen är volatiliteten relativt stabil jämfört med efter händelsen för stapeln “Alla” och den varierar runt 0,30. Beroende på de olika listorna är Small cap den listan som sticker ut mest då den genomgående har högre volatilitet jämfört med övriga listor. Vi kan även se att efter händelsen sjunker volatiliteten och återgår till mer normala värden desto längre tidsfönstret är. I denna studie har vi valt att analysera förändringen mellan 30 dagar innan och 5 dagar efter händelsen vilket vi, utifrån diagrammet, kan se en stor skillnad mellan. Statistiska belägg för detta val återfinns under 5,2 t-test.

35 Tabell 1: Beskrivning av V5V30 och Netsales

I tabell 1 samt tabell 2 ges beskrivande statistik över studiens använda datamaterial. Tabell 1 innefattar studiens beroende variabel V5V30 som är skillnaden i volatiliteten 5 dagar efter och 30 dagar innan insidertransaktioner. Netsales är en förklarande variabel och står för den nettade transaktionsvolymen dividerat på marknadsvärdet samma dag, vilket förklaras mer utförligt under 4.2.3. Vi valde att ange denna variabel i tusen kronor för att minska antalet nollor i denna tabell och därmed göra den tydligare. Medelvärdet. Studien innefattar totalt 848 observationer under mätperioden 2016-07-03 till 2019-12-31. Av dessa observationer motsvarar 406 Large cap, 363 Mid cap och 79 Small cap, vilket kan utläsas i tabell 2. Denna fördelning är något ojämn och kan påverka resultatet, dock anser vi att urvalet är tillräckligt stort för att kunna generera signifikanta resultat. Även antalet köp och sälj observationer har delats in, varav 563 utgör köptransaktioner och 285 observationer motsvarar antalet säljtransaktioner.

Tabell 2: Beskrivning av dummyvariabler

5.2 T-test

Tabell 3: T-test

I tabell 3 har vi slagit ihop fyra t-test för att mäta om det finns en signifikant skillnad i volatiliteten mellan två olika tidsperioder. Här ställs tidsperioden före händelsedagen (publiceringsdatumet) i relation till tidsperioden efter händelsedagen, indelat på fyra olika perioder. Volatiliteten för händelsedagen är satt till 30 dagar innan publiceringsdatumet (V30) och sätts i relation till volatiliteten efter händelsedagen indelat på 5, 10, 20, 30 dagar som utläses i tabellen genom benämningen V5/V10/V20/V30. De olika kombinationerna har vi benämnt V5V30/V10V30/V20V30/V30V30.

Utifrån tabell 3 kan vi utläsa att samtliga tidsperioder har både ett negativt och ett högt t-värde, vilket resulterar i ett p-värde under 0,01 för samtliga tidsperioder. Med hänsyn från det kan vi konstatera att det finns en signifikant skillnad mellan volatiliteten i de olika tidsperioder. Än fast resultatet är statistiskt signifikant på 1% nivån för samtliga

36 tidsperioder, kan vi utläsa att den största skillnaden i volatiliteten är mellan perioden 30 dagar innan händelsedagen och 5 dagar efter (5V30). Detta då det här återfinns högst t-värdet om -11,85 samt medelt-värdet på -0,075 är som mest skilt från noll för dessa två tidsperioder. Därutöver kan vi utläsa att för V10V30, V20V30 och V30V30 sjunker både medelvärdet och t-värdet. Att differensen av volatiliteten är som störst vid jämförande mellan 30 dagar innan och 5 dagar efter (V5V30) stödjer vår valda tidsintervall.

5.3 Regressioner

Tabell 4: Regression 1

I tabell 4 är den beroende variabeln V5V30 testad i en regression. Konstanten _cons är en kombination av bolag listade på Large cap och köptransaktioner, och utgör interceptet i denna regression på -0,058. Resterande variabler sätts därefter i relation till _cons och dess effekt på volatiliteten under denna tidsperiod. Vi kan tyda att Netsales är statistiskt signifikant på 1% nivån och således har en effekt på volatiliteten. Tabellen indikerar att Mid och Small variablerna har ett ännu mer negativt samband jämfört med Large cap bolag, där Small är statistiskt signifikant på 1% nivån men inte Mid. Sälj variabeln är inte statistiskt signifikant skiljt från köp. Slutligen ser vi en förklaringsgrad, R-squared 4.6%.

Tabell 5: Regressioner uppdelat på listor

37 Tabell 5 har skapats för att få en tydligare överblick av de inkluderade variablerna i olika kombinationer. _Cons för Large är -0,059, Mid -0,061 och Small -0,198. Genom uppdelning på de olika listorna ges en tydligare framställning av de olika intercepten då man kan se varje listas relation till de övriga variablerna. Samtliga intercept är negativ och statistiskt signifikant på 1% nivån. Netsales är statistiskt signifikant för Large, vilket gäller på 1% nivån och Small är signifikant på 5% nivån. Förklaringsgraden är under 2% för samtliga listor vilket bör betraktas som lågt.

Tabell 6: Uppdelat på karaktär

I tabell 6 har fokus riktats mot köp- och säljtransaktioner för att undersöka ifall dess effekt på volatilitet skiljer sig åt beroende på transaktionstyp. I denna regression motsvarar _cons bolag noterade på Large cap och är statistiskt signifikant på 1% nivån för både köp och säljtransaktioner. Likt föregående regressioner är även detta intercept negativt. Vi kan utläsa att Netsales för sälj är statistiskt signifikant negativt samband med volatilitet på 5%

nivån men inte för köp. Nämnvärt vid tolkningen av denna variabel är att alla säljtransaktioner har en negativ koefficient för variabeln Netsales. Detta innebär att det råder ett negativt samband, vilket innebär att större säljtransaktioner leder till en ökad volatilitet. Bolag som ingår i Mid är inte statistiskt signifikant skilt från Large för vare sig köp eller säljtransaktioner och inte heller sälj för Small cap bolag. Däremot är köptransaktioner för Small statistiskt skilt från Large på 1% nivån.

Tabell 7 är en sammanställning av tidigare regressioner (tabell 4, 5 & 6) för att ge en bättre överblick över de olika variablernas effekt. Än fast de tre tidigare regressionerna skapats för att direkt kunna besvara våra tre hypoteser ser vi ett värde av en sådan fullständig tabell. Detta dels för att underlätta förståelsen och jämförelsen mellan de olika regressionerna samt för att visuellt förbättra framställningen av studiens resultat.

38 Tabell 7: Sammanfattning av tabell 4,5 & 6

5.4 Regressionsdiagnostik

Tabell 8: Korrelationsmatris

Åtskilliga tester har genomförts i Stata 16 för att undersöka hur antagandena i för OLS regressioner uppfylls. Vi undersökte risken för multikollinearitet mellan de oberoende variablerna. Detta genomfördes genom en korrelationsmatris (se tabell 8), där värdet bör vara under 0,8 för att det inte ska råda risk för multikollinearitet (Djurfeldt et al., 2018, s.

366). Vårt resultat uppvisade värden som låg mellan -0,15 till 0,05 och bör således ses positivt. För att säkerställa att dessa indikationer stämmer, gick vi vidare med att testa variabler för VIF som också kan användas för att upptäcka eventuell multikollinearitet.

Enligt (Djurfeldt et al., 2018 s. 366) indikerar ett VIF-värde över 2,5 att eventuella problem med multikollinearitet råder i regressionen. Vårt resultat uppvisar ett VIF-värde om 1,052 (se tabell 9) och ligger således i linje med indikationerna från korrelationsmatrisen, varvid det finns mycket låg risk för att det skulle råda multikollinearitet.

39 Tabell 9: Resultat VIF-test

Som tidigare nämnt under 4.2.1 har vi valt att genomföra alla tester med robusta standardfel, detta för att undvika eventuell heteroskedasticitet. Heteroskedasticitet bryter mot antagande fem i en OLS regression vilket skulle innebära utan dess robusta standardfel hade resultatet kunnat ifrågasättas.

Någonting som är värt att observera är att vår förklaringsgrad är relativt låg i samtliga regressioner. Volatilitet är någonting som kan påverkas av många olika faktorer och de förklaringsvariabler som inkluderats i regressionerna är endast några av dessa faktorer. Vi har sett liknande värden på förklaringsgraden tidigare studier (Chiang et al., 2017, s. 69) och anser därför att dessa värden är normala för denna typ av studie.