Least Absolute Deviation 

Least  Absolute  Deviation  (LAD)  har  många  olika  namn,  bland  annat  Least  Absolute  Error  (LAE),  Least  Absolute  Value  (LAV)  och  L1‐norm  problemet.  I  fortsättningen kommer förkortningen på det förstnämnda, LAD att användas.  LAD  utgår  ifrån  samma  linjära  modell  som  OLS,  men  istället  för  att  som  i  ekvation (26) minimera kvadraten av residualerna, så minimeras beloppet: 

  | |   (32)

Detta  problem  går  inte  som  i  OLS  fall  att  lösa  analytiskt,  utan  en  numerisk  lösningsmetod krävs, med dagens datorkapacitet är detta inget stort problem.  Fördelen  med  att  LAD  är  att  lösningen  är  mer  robust.  Detta  innebär  i  detta  sammanhang  att  lösningen  inte  påverkas  lika  mycket  av  avvikande  värden.  LAD har också egenskapen att lösningen är mer ostabil än OLS (Ellis 1998). Att 

lösningen är ostabil innebär att en liten förändring i dataunderlaget kan ge ett  stort  utslag  i  resultatet.  Fördelarna  med  robustheten  väger  dock  ofta  tyngre  än  problemen  med  stabilitet.  LAD  har  inte  heller  alltid  en  entydig  lösning  till  minimeringsproblemet.  Fördelar och nackdelar mellan OLS och LAD kan sammanfattas enligt följande:  Ordinary Least Squares (OLS) Least Absolute Deviation (LAD)  Inte särskilt robust Robust Stabil lösning  Mindre stabil lösning  Alltid en lösning Flera lösningar är möjligt   

I  en  studie  utav  Mishra  och Dasgupta  (2003) undersöktes  i  vilka  fall  OLS  och  LAD  fungerade  bäst.  Studien  kom  fram  till  att  beroende  på  hur  fördelningen  såg  ut  för  residualtermen,  var  den  ena  att  föredra  över  den  andra.  Av  de  undersökta  fördelningarna  som  är  intressant  i  detta  examensarbete  fanns  normalfördelningen  och  Cauchyfördelningen,  som  kan  ses  illustrerade  i  figur  9.  

  Figur 9 Normal‐ & Cauchyfördelning (Mishra & Dasgupta 2003) 

Cauchyfördelningen  är  väldigt  lik normalfördelningen  med  den  skillnaden att  den  har  tyngre  svansar,  vilket  innebär  att  utfall  långt  ifrån  väntevärdet  är  sannolikare.  Analys  av  historisk  data  för  avkastningar  visar  på  att  stora  kursrörelser  är  vanligare  än  vad  normalfördelningsantagandet  säger.  Inom  ekonomiska  studier  där  finansiell  data  behandlas,  är  ett  av  de  främsta  argumenten  till  förbättring  just  att  använda  en  modell  där  de  osannolika  händelserna, antas vara mer sannolika än i normalfördelningsantagandet   En del av Mishra och Dasguptas undersökning var att se vilken av modellerna  som  bäst  klarade  av  Cauchyfördelningen.  En  annan  del  i undersökningen  var  att se hur modellerna klarade av outliers. 

Resultatet av studien var att för data med Cauchyfördelning för residualerna  är  LAD  att  föredra  över  OLS.  Av  de  60  tidsserierna  som  testades  var  LAD  att  föredra i 59 av dessa.  

Vid  test  av  outliers  med  normalfördelade  residualer,  så  var  LAD  och  OLS  likvärdiga  om  bara  en  outlier  fanns,  vid  tre  respektive  fem  outliers,  var  LAD  bättre än OSL i 42 respektive 48 av de 60 fallen. 

Fördelningen  för  avkastningar  på  aktiemarknaden  har  i  många  studier  visats  ha så kallade tunga svansar, som sammanfattas i Mishra och Dasgupta (2003)  av bland annat av Meyer och Glauber (1964), Fama (1965) och Mandlebroth  (1967).  Blume  (1968)  visade  i  sin  doktorsavhandling  att  residualerna  vid  en  betaskattning  approximativt  är  fördelade  likadant  som  avkastningarna  för  aktier.   Studien pekar alltså mot att vid regression på historisk ekonomisk data, som  har en fördelning med tjocka svansar och extrema utfall (outliers) så bör LAD  användas istället för OLS.    4.7. Iteratively Reweighted Least Squares 

En  annan  metod  för  att  ta  sig  runt  problemet  att  minimeringen  sker  på  kvadraten  av  residualerna  kallas  Iteratively  Reweighted  Least  Squares  (IRLS).  Denna  metod  bygger  på  OLS  men  har  istället  en  omskalningsfaktor  som  iterativt adderas till problemet. Fördelen med denna metod är att den är mer  implementeringsvänlig.  

Denna metod har alltså precis som LAD ingen analytisk lösning, utan beräknas  numeriskt. 

IRLS  konstrueras  genom  att  multiplicera  en  viktmatris   till  ekvation  (30).  Lösningen  till  regressionen  får  då  ett  liknande  utseende  som  ekvation  (31),  men  nu  med  en  viktmatris   kopplad  till  uttrycket.  Lösningen  blir  (Shizhong  1998): 

    0 0 0 0 0 0   (33)   Dessa vikter  , … ,  kan väljas valfritt, normalt väljs de som någon skalfaktor  som beror på tidigare beräknade residualer. För att få samma egenskaper som  vid LAD, nämligen att så kallade outliers betydelse minskar, kan man vikta om  dessa värden med hjälp av viktmatrisen  . Ett exempel på viktmatrisen   och  även  den  metod  som  kommer  användas  i  detta  examensarbete  är  följande  vikter:    1 | | 0 0 0 1 | | 0 0 0 _| 1 _|   (34)  

För  att  lösa  detta  problem  beräknas  en  iterativ  process,  som  avslutas  när  residualerna ändras mindre än en egen vald gräns.  Den iterativa processen ser ut enligt följande:  Steg 1: Sätt upp ett startvärde för  .  Steg 2: Givet  , konstruera matrisen  .  Steg 3: Givet V, estimera ett nytt   med hjälp av ekvation (33)  Steg 4: Gå till steg 2, detta avslutar ett varv av iterationen, 

Ett  lämpligt  avslutskriterium  (krav  på  förändring  av  residualer)  måste  sedan  också väljas. 

5. Problemanalys 

I denna del kommer de olika delproblemen i predikteringen av betavärden tas  upp.  Analysen  består  av  att  identifiera  och  beskriva  hur  undersökningen  ska  göras. 

5.1. Datainsamling 

Insamling  av  fonder  har  skett  genom  användning  av  Morningstars  databas  över fonder. Ur databasen har fondtypen European Large Cap Blend sorterats  ut. Detta betyder att fonderna innehåller aktier som har sin huvudverksamhet  i  Europa  och  är  stora  bolag.  Exakt  vad  definitionen  av  Large  Cap  är  varierar.  Blend innebär att fonden kan investera både i värde‐ och tillväxtaktier (Value  och Growth).  

Anledningen  att  denna  kategori  valdes  var  för  att  lättare  kunna  tillse  att  fondernas innehav täcks av fondens index. Large Cap bolag finns nästan alltid  med  i  index  och  man  kan  då  lättare  försäkra  sig  att  fondens  innehav  är  en  delmängd av index, vilket är väldigt viktigt. 

Kontroll  gjordes  även  så  att  fonderna  var  rena  aktiefonder,  hade  hela  sitt  innehav inom Europa och inte bara en stor del. Samt att fonden inte handlade  med derivat, med andra fonder eller andra positioner. 

Som redan diskuterades i avsnitt 3.2, så fungerar DMA produkten som så att  beta ofta kan uppdateras. Prediktionsmodellen ska alltså gärna kunna stämma  av  mot  ett  ganska  kortsiktigt  referensbeta.  Det  är  alltså  av  intresse  att  göra  undersökningen på avkastningar med så kort periodicitet som möjligt, för att  fånga  förändringar  i  beta  snabbt.  Det  kortaste  tidsintervallet  som  det  finns  lång historik på är dagsavkastningar och därför kommer detta användas.  Tidsserierna för fonder och index har sedan hämtats via Bloombergs databas.  Alla fonder som är med i analysen har minst historisk data ifrån år 2000.  Två  olika  index  används  till  fonderna,  det  dominerande  indexet  är  MSCI  Europe  Index  (MXEU),  som  används  till  41  av  de  totalt  51  fonderna  i  undersökningen.  Resterande  tio  fonder  använder  Dow  Jones  Euro  Stoxx  50  (DJST/SX5E).  MSCI  är  mycket  ett  bredare  index  än  Dow  Jones,  som  bara  innehåller 50 stycken aktier, jämfört med MSCI som har över 500 innehav.  

För  att  få  en  uppfattning  om  hur  lika  MSCI  Europe  och  Dow  Jones  Euro  är,  mättes  deras  korrelation.  Korrelationen  blev  0.94  för  dagsavkastningar  och  0.96  för  vecko‐  och  månadsavkastningar  mätt  över  tidsperioden  1995‐2007.  Detta får anses vara en väldigt hög korrelation och på grund av detta bör inte  slutsatser  dragna  för  det  ena  indexet  skilja  sig  nämnvärt  ifrån  slutsatser  för  det andra indexet. 

Alla  tidserier  är  valutajusterade  till  Euro,  så  att  inte  valutaeffekter  påverkar  beta. Utdelningar för index är också medräknat. 

Varje  fond  har  kontrollerats  att  det  av  Bloomberg  anses  ha  ett  jämförelseindex  och  vad  det  är.  Tyvärr  har  ett  visst  avkall  på  kontrollen  av  fondernas  index  fått  göras,  eftersom det  skulle  blivit  allt  för  tidsödande att  i  detalj  kontrollera  varje  fond.  Det  som  förbisetts  är  om  fonden  bytt  jämförelseindex  långt  tillbaka  i  tiden.  Detta  är  information  som  inte  alltid  är  lätt  att  hitta,  utan  att  behöva  kontakta  fondförvaltaren.  Även  om  jämförelseindex på tidigare historik alltså i värsta fall kan avvika något, så är  det  troligtvis  inga  stora  avvikelser,  på  grund  av  typen  av  fonder  som studien  görs på (Large‐Cap fonder antas förändras mindre än fonder i genomsnitt).  I analysen utreds hur väl LAD och IRLS fungerar för att prediktera beta, jämfört  med  OLS.  Avkastningar  som  används  är  enkla  dagliga,  vecko‐  och  månadsavkastningar, där utdelningar tas med.  

Anledningen  att  avkastningar  med  längre  periodicitet  inte  tas  med  är  begränsningar i den tillgängliga historiken. För tidsserierna finns minst ungefär  åtta  år  av  historisk  data.  Eftersom  modellerna  utvärderas  genom  att  dela  denna tidsperiod i två delar, görs beta beräkningar på minst fyra års historik.  Skulle  till  exempel  tvåmånadersavkastningar  användas  skulle  detta  innebära  enbart 24 mätpunkter för att skatta beta, vilket är på gränsen till för lite.  Det  hade  varit  önskvärt  att  kunna  göra  analysen  på  historik  med  14  års  tillgänglig  historik,  eftersom  sju  år  av  historik  i  tidigare  undersökningar  kommit upp som en lämplig avvägning. Tyvärr har dataunderlaget för fonder  med 14 års historik (som uppfyller de övriga kraven) varit för litet.