Linköpings Universitet | Institutionen för ekonomisk och industriell utveckling Masteruppsats, 30 hp | Masterprogrammet i nationalekonomi Vårterminen 2021 | ISRN-nummer: LIU-IEI-FIL-A--21/03667--SE
En jämförande analys mellan risk och avkastningsstruktur på hållbara
aktier i Sverige
A comparative analysis between risk and return on sustainable stocks in
Sweden
Lise Grinde Olivia Santamaria
Handledare: Bo Sjö
Linköpings Universitet SE-581 83 Linköping, Sverige +46 013-28 10 00, ww.liu.se
Titel
En jämförande analys mellan risk och avkastningsstruktur på hållbara aktier i Sverige
English title
A comparative analysis between risk and return on sustainable stocks in Sweden
Författare
Lise Grinde & Olivia Santamaria
Handledare Bo Sjö Publikationstyp Masteruppsats i Nationalekonomi 30 högskolepoäng Vårterminen 2021 LIU-IEI-FIL-A--21/03667--SE Linköpings Universitet
Institutionen för ekonomisk och industriell utveckling www.liu.se
Förord
Vi vill börja med att tacka vår handledare Bo Sjö för den vägledning och det stödet vi fått vid skrivandet av denna uppsats. Vi vill även rikta ett stort tack till våra opponenter och andra studenter som aktivt deltagit i seminarium och bidragit med kommentarer och konstruktiv kritik. Den återkoppling vi har fått under tidens gång har varit värdefull för oss.
Lise Grinde & Olivia Santamaria
Sammanfattning
Hållbarhet är ett begrepp som har blivit allt mer populärt under senare år och med detta blir efterfrågan på hållbara aktier större. Inom den finansiella världen benämns ofta begreppet hållbarhet i form av ESG vilket står för environmental, social och governance. Områdena representerar kriterier som används för att bedöma olika tillgångars grad av hållbarhet. Eftersom kategorierna inom ESG skiljer sig mellan varandra är det av intresse att analysera dessa enskilt.
Syftet med studien är att analysera E-, S- och G-aktier och dess avkastning i Sverige med hjälp av Fama och Frenchs femfaktormodell för tidsperioden 2010–2019. Portföljer har skapats för
respektive område inom ESG för att bedöma deras individuella prestation samtidigt som de jämförs med ett markandsindex. För att analysera avkastning i förhållande till risk har ekonometriska analyser genomförts i form av regressionsmodeller för tidsseriedata samt för pooled tvärsnitts- och tidsseriedata. För att se hur portföljerna har presterat i förhållande till marknaden jämförs de även med indexet OMXS30 med hjälp av framtagna finansiella nyckeltal.
Samtliga av våra regressioner uppvisade positiva men icke-signifikanta intercept. Detta gör att vi inte kan säkerställa ett signifikant samband mellan hållbarhet och avkastning. Portföljerna erhöll sedan en högre Sharpekvot i förhållande till marknadsportföljen. Detta kan ses som en indikation på att investerare med höga hållbarhetspreferenser kan dra nytta av att investera hållbart.
Resultatet från Jensens alfa tyder även på att portföljerna överavkastar gentemot marknaden, däremot kan vi inte konstatera huruvida resultaten från Sharpekvoten och Jensens alfa är signifikanta eller ej.
Abstract
Sustainablitiy is a relativley new term that, under recent years, has grown to become popular. With the acknowladgement of sustainablitity it has also becom sought-after to invest in
sustainable assets. In the financial world sustainability often refers to the term ESG which means
environmental, social and governance. The categories represent criteria that is used to determine
different assets degree of sustainability. Since the categories of ESG differ from each other it is therefore of interest to analyze them individually.
The aim with this study is to analyze E-, S-, and G-stocks and their return in Sweden while using the Fama and French five factor model during the period of 2010-20219. Portfolios are
constructed for each category within ESG to evaluate their individual performance, they are also compared to a market index. Econometric tests are produced to analyze the risk and return of the portfolios through time series and pooled cross section and time series regressions. In order to study how the portfolios perform they are compared with the Swedish market index OMXS30 through produced financial measurements.
The results from the regression tests show positive, but insignificant intercepts for all of the models. Therefore, we cannot ensure a significant relation between sustainability and return. Furthermore, the portfolios received a higher Sharpe ratio than the market portfolio OMXS30. This indicates that investors with strong preferences for sustainability may benefit from buying ESG-stocks. The result from Jensen’s alpha also indicate that the portfolios outperform the market. Although, we cannot establish if the results from the Sharpe ratio and Jensen’s alpha are significant or not.
Innehållsförteckning
1 Inledning ... 1
2 Teori ... 5
2.1 Hållbarhetsdefinition ... 5
2.2 Asset pricing-modeller ... 7
2.3 Fama och Frenchs femfaktormodell ... 8
2.4 Den effektiva marknadshypotesen ... 10
3 Tidigare studier ... 12
3.1 Derwall, Guenster, Bauer & Koedijk... 12
3.2 Bannier, Bofinger & Rock ... 12
3.3 Ziegler, Schröder & Rennings ... 13
3.4 La Torre, Mango, Cafaro & Leo... 13
3.5 Naffa & Fain ... 14
3.6 Morgan Stanley ... 14
3.7 Masteruppsatser ... 14
3.8 Sammanfattning av tidigare studier ... 16
4 Metod ... 19 4.1 Konstruktion av femfaktormodellen ... 19 4.2 Ekonometrisk analys ... 23 5 Data ... 28 5.1 Portföljkonstruktion ... 28 5.2 Applicering på femfaktormodellen ... 30 5.3 Deskriptiv statistik... 31 5.4 Korrelationsmatriser ... 33
5.5 Metod- och datakritik ... 34
6.1 Tidsseriedata ... 36
6.2 Pooled tvärsnitts- och tidsseriedata ... 43
7 Diskussion ... 47 8 Slutsats ... 52 9 Källförteckning ... 54 10 Appendix ... 59 10.1 Figurer ... 59 10.2 Tabeller ... 68 10.3 Ekvationer ... 70
1 Inledning
Hållbarhet är ett aktuellt begrepp som har vuxit i takt med ökad miljömedvetenhet både nationellt som globalt. Inom den finansiella sektorn har hållbara investeringar blivit allt mer eftertraktade för såväl företag som privatpersoner och investerare värderar etiska tillgångar högt (Hill, 2020, s. 1). Under det senaste året har det skett en fördubbling av antalet fonder som benämner sig själva som hållbara i Sverige. Morningstar (2020), menar att i samband med denna ökning har det uppstått problematik gällande investerarens uppfattning av definitionen kring hållbarhet. ESG är ett kriterium som har skapats för att mäta huruvida finansiella tillgångar är hållbara (Morningstar, 2020). Denna studie avser att bidra till en tydligare syn på hållbarhet i form av ESG genom att analysera sambandet mellan hållbarhet och aktieavkastning.
Enligt många är hållbarhet ett begrepp som omfattar enbart miljöaspekter, men omfånget är bredare än så (Tucker och Jones, 2020). ESG står för Environmental, Social och Governance. Dessa omfattar de tre områdena som används som utgångspunkt för att benämna hållbarhet.
Environmental innefattar miljöaspekter, social innefattar sociala aspekter i form av
arbetsförhållanden och governance omfattar aspekter gällande företagsstyrning. Samtidigt handlar ESG om företags riskhantering och arbete kring hållbar utveckling (Nordea, u.å.). Eftersom hållbara investeringar har blivit allt mer populära den senaste tiden menar Tucker och Jones (2020) att detta har resulterat i en ökad press på företag att vara mer transparenta.
Investerare tar etiska beslut vid val av tillgångar och enligt en amerikansk studie som redogörs av Hill (2020, s. 1) är det uppskattat att 75 % av alla investerare vill inkludera ESG-investeringar i sina portföljer. Ytterligare studier indikerar att hållbara aktier och ökad avkastning korrelerar. Hill (2020, s. 4) menar dock att detta inte alltid är fallet då det är svårt att investera hållbart. Delvis är hållbara aktier svåra att definiera samtidigt som begreppet hållbarhet utvecklas ständigt vilket gör att det är svårt att mäta framsteg som görs inom området.
De tre områdena miljö, arbetsförhållanden och företagsstyrning är i sig ämnen som har en bred utsträckning och kan ibland vara svåra att kombinera på ett optimalt sätt. Olika tillgångar kan vara likvärdigt klassificerade enligt deras totala ESG-värde men samtidigt skilja sig åt när det kommer till de olika områdena. Hill (2020, s. 333) menar att på grund av detta är det möjligt för
företag att exempelvis erhålla goda omdömen gällande deras miljöpåverkan men samtidigt inneha brister gällande könsdiskriminering. Det breda omfånget kan därav innebära svårigheter för investerare att bedöma hur pass hållbar en tillgång är. Vi anser att det därmed är av intresse att i denna studie analysera hur områdena förhåller sig till varandra. Flertalet tidigare studier
analyserar ESG-portföljer och dess avkastning som helhet, denna studie bidrar till att analysera hur de olika kategorierna presterar individuellt.
Hållbara investeringar har genererat en ökad efterfråga i Sverige men frågan är i vilken
utsträckning investeringarna även är ekonomiskt hållbara i form av avkastning. På den finansiella marknaden bestäms priset av köpare och säljare samt den förväntade avkastningen köparen kräver för att införskaffa en tillgång. Vid köp av tillgångar tillkommer även en risk som kan reduceras genom diversifiering. Portföljer som minimerar risk givet en viss avkastning, alternativt maximerar avkastning givet en viss risknivå, är effektiva enligt Markowitz
portföljteori (Hill, 2020, s. 99). Beroende på investerarens preferenser kan områdena inom ESG vara olika värdefulla och därmed ha en avgörande roll i om investeraren är villig att ta risken att införskaffa tillgångar. Till följd av detta är det även av intresse att analysera och jämföra de olika kategorierna enskilt.
En vanlig metod för att utvärdera portföljer är CAPM, Capital Asset Pricing Model. CAPM är en modell som beräknar värdet på en tillgång genom förväntad avkastning givet tillgångens risk. Det finns dock viss kritik gällande att CAPM inte tar hänsyn till vissa faktorer som kan påverka avkastning (Peterson Drake och Fabozzi, 2010, s. 460). Fama och French (2015) har
vidareutvecklat CAPM till att inneha fler faktorer för att förklara aktiers avkastning. Först har en trefaktormodell skapats och vidare en femfaktormodell som enligt Fama och French (2015) uppvisar bättre resultat då aktiers avkastning studeras.
Det finns enligt Eccles, Ioannou och Serafeim (2014, s. 2–3) delade meningar huruvida företags investeringsstrategier inom hållbarhet bidrar till lönsamhet. Författarna nämner i sin artikel att vissa forskare menar på att företag som möter den ökade efterfrågan av etiska krav ser ett resultat i form av ökad avkastning. Andra menar att kostnader som tillkommer för att kunna upprätthålla en hållbarhetsstandard är för höga för att vara lönsamma. Eccles, Ioannou och Serafeim (2014)
undersöker hur företag som utgår från en hållbarhetsstrategi presterar i jämförelse med bolag med mindre hållbarhetsfokus. Resultaten påvisar ett långsiktigt signifikant samband mellan
överavkastning och företag som inkluderar ett hållbarhetsperspektiv i deras investeringsprocess (Eccles, Ioannou och Serafeim 2014, s.23–24).
Syftet med denna uppsats är att analysera ESG-aktier och dess avkastning i Sverige genom att skapa tre olika portföljer för environmental-, social- och governance-aktier samt att jämföra dessa med varandra och en marknadsportfölj mellan 2010–2019. Med härledning till syftet undersöks följande forskningsfrågor i studien:
• Vad finns det för samband mellan risk och avkastningsstruktur för environmental-, social- och governance-aktier i Sverige vid användning av Fama och Frenchs femfaktormodell? • Hur skiljer sig avkastningen mellan de individuella ESG-portföljerna och en
marknadsportfölj i Sverige?
Vi kommer utifrån de tre områdena inom ESG; miljö, arbetsförhållanden och företagsstyrning, analysera avkastning genom att utgå från Fama och Frenchs femfaktormodell samt finansiella mått i form av Sharpekvot och Jensens alfa. Femfaktormodellen är utformad för att identifiera olika faktorer som förklarar avkastning i förhållande till risk. Riskfaktorerna i modellen är marknadsfaktorn, storleksfaktorn, värdefaktorn, lönsamhetsfaktorn och investeringsfaktorn (Fama och French, 2015). I studien konstrueras tre portföljer bestående av 24 aktier vardera. Data
samlas in från Refinitiv1 där portföljernas avkastning analyseras i en period mellan 2010–2019.
De konstruerade portföljerna jämförs med det svenska indexet OMXS30. Studien analyserar endast svenska aktier är då ingen tidigare studie har gjorts för att enskilt jämföra ESG-aktier i Sverige där femfaktormodellen tillämpas, av vår vetskap. Det är därmed av intresse att undersöka hur den svenska marknaden beter sig jämfört med vad tidigare forskning fastställt. Hållbarhet är ett aktuellt begrepp och trots att ämnet har tillämpats på mycket forskning den senaste tiden anser vi att en analys saknas inom det område denna uppsats behandlar. Studien bidrar till analysen huruvida det är lönsamt att investera i olika typer av hållbara aktier i Sverige.
Eventuell problematik som kan förekomma är som tidigare nämnt den breda definitionen av hållbarhet. Detta kan leda till att vår tolkning av hållbara aktier utefter ESG kan skilja sig från andras uppfattning av hållbarhet. Samtidigt så är begreppet hållbarhet något som konstant utvecklas vilket även kan medföra tolkningssvårigheter. ESG-definitionen är dock något vi med denna studie ämnar förtydliga genom att enskilt analysera de tre områdena. Metodval och den data som appliceras i uppsatsen kan sedan generera viss problematik gällande hur portföljerna har skapats samt hur faktorerna i femfaktormodellen har tagits fram. För att upprätthålla en god studie förhåller sig denna uppsats till Vetenskapsrådets etiska principer för forskning
(Vetenskapsrådet, 2017). Huvudsakliga slutsatser studien kommer fram till är att inget signifikant samband mellan hållbarhet och riskjusterad överavkastning kan konstateras enligt de regressioner som har skapats. Däremot presterar ESG-portföljerna bättre än marknaden enligt de framtagna måtten Sharpekvot och Jensens alfa, viktigt att påpeka är att vi inte kan konstatera huruvida resultaten är signifikant eller inte.
2 Teori
2.1 Hållbarhetsdefinition
ESG omfattar områden som används som utgångspunkt för att förklara begreppet hållbarhet. När vi talar om de svenska begreppen för ESG i denna studie använder vi oss utav; miljö,
arbetsförhållanden och företagsstyrning. Samtidigt använder vi fortfarande benämningen ESG då det är ett vedertaget begrepp även på svenska. Morningstar (2020) beskriver områdena där miljö framför allt handlar om klimatfrågor, arbetsförhållanden rör frågor gällande arbetsnormer samtidigt som företagsstyrning inkluderar frågor rörande ägarstyrning. För att närmare studera hållbara aktier skapas först en definition av begreppet hållbarhet. FN (2019) antog år 2015 globala mål för att främja hållbar utveckling. Dessa presenteras nedan i figur 1.
Figur 1 - FN:s 17 hållbarhetsmål
De 17 övergripande globala målen kan förklara begreppet hållbarhet och från figuren går det att utläsa att hållbarhet behandlar frågor som rör miljö, hälsa, välstånd, partnerskap och fred. För att sammanföra hållbarhetsmålen med ESG har vi valt att genom en symbol visa vilken kategori de olika målen kan tänkas tillhöra. För mål 9, 11 och 12 som inte har en symbol kan målen tänkas
tillhöra alla kategorierna. För att specificera ESG redogör Hill (2020) för olika faktorer som har bidragit till utvecklingen av definitionen av hållbara investeringar. Dessa faktorer beskrivs som: bra bolagsstyrning, samarbete mellan offentliga och privata sektorer, ökad kunskap om
klimatförändringar, utvecklingen av förnybar energi, teknologisk utveckling, förändrade sociala normer, ökad livslängd, demografisk förändring samt institutioner och sanktioner.
Genom att vidare studera de olika kategorierna av ESG förklarar Tucker och Jones (2020) att miljöaspekten kan bestämmas av: klimatförändringar och utsläpp av växthusgaser, luft- och vattenföroreningar, förnybar energi, biologisk mångfald och hantering av avfall.
Arbetsförhållanden beskrivs av begreppen: mångfald och integration, mänskliga rättigheter, arbetsvillkor, inkomstskillnader och religiösa värderingar. Till sist beskrivs företagsstyrning som: mångfald i styrelsen, korruption och mutor, säkerhet och förebyggande av arbetsskador,
ersättningar, oberoende revisorer samt visselblåsningssystem. I sin bok definierar även Hill (2020, s. 196–197) de olika komponenterna av ESG. Utöver förklaringarna Tucker och Jones redogör för beskriver Hill (2020) miljö som: användandet av fossila bränslen, återvinning och energieffektivitet. Den sociala aspekten definieras som: förväntad livslängd, dödlighet, jämställdhet, hälsa, utbildning och välstånd samtidigt som företagsstyrning inkluderar bland annat: politisk stabilitet, ansvar och effektivitet.
Med hänseende till de olika definitionerna av hållbarhet väljer vi i denna studie att ange de olika beståndsdelarna av ESG enligt figur 2.
2.2 Asset pricing-modeller
Asset pricing-modeller tillämpas för att analysera portföljers riskprofil genom att undersöka sambandet mellan avkastning och risk. Sharpe och Lintner introducerade Capital Asset Pricing
Model, CAPM, för att kunna mäta förhållandet mellan avkastning och risk vid investeringar
(Fama och French, 2004). Enligt Fama och French är CAPM en grundläggande del av asset pricing-teori och en välanvänd modell för att utvärdera aktier. Peterson Drake och Fabozzi (2010, s. 449–451) förklarar sex antaganden som CAPM består av; 1) Investerares beslut baseras på förväntad avkastning, avkastningens varians och Markowitz teori om effektiva portföljer, 2) Investeraren är rationell och riskavert, 3) Alla investerare investerar för samma tidsperiod, 4) Investerare har samma förväntningar om förväntad avkastning och varians för tillgångar, 5) Det finns riskfria tillgångar och investerare kan låna och låna ut till en riskfri ränta samt 6)
kapitalmarknaden är konkurrenskraftig och friktionsfri. Formeln för CAPM ser ut som följande:
𝑅𝑖𝑡 = 𝑅𝐹𝑡 + 𝛽(𝑅𝑀𝑡− 𝑅𝐹𝑡) + 𝜀𝑖𝑡 (1)
Ekvation 1 definierar avkastning (Rit) av tillgång i där RFt är den riskfria räntan och ß en
riskfaktor som består av marknadsavkastning och riskfri ränta (Fama och French, 2004).
Modellen innehar alltså endast en riskfaktor, marknadsrisk, vilket mäter den övergripande risken som tillkommer av att äga tillgångar (Fama och French, 2004). Viss kritik finns riktad mot CAPM, Peterson Drake och Fabozzi (2010, s. 451) förklarar att investerare inte tar beslut enligt modellens antaganden samt att det finns problem med hur CAPM formulerar risk. Dels
ifrågasätter författarna hur risken mäts samtidigt som de förklarar att det bör finnas fler riskfaktorer som påverkar avkastning än bara marknadsrisk.
Fama och French (2015) utformade under tidigt 1990-tal trefaktormodellen som en utveckling av CAPM där två ytterligare faktorer förutom marknadsrisk inkluderades. Faktorerna är SMB och
HML där SMB står för “Small Minus Big” och mäter skillnaden i avkastning av en diversifierad
portfölj mellan små och stora företag. HML står för “High Minus Low” och omfattar skillnaden i avkastning av diversifierade portföljer mellan högt och lågt företagsvärde, mätt i B/M-värde (Fama och French, 2015). Formeln för trefaktormodellen kan skrivas enligt följande:
𝑅𝑖𝑡− 𝑅𝐹𝑡 = 𝑎𝑖 + 𝑏𝑖(𝑅𝑀𝑡− 𝑅𝐹𝑡) + 𝑠𝑖𝑆𝑀𝐵𝑡+ ℎ𝑖𝐻𝑀𝐿𝑡+ 𝜀𝑖𝑡 (2)
Ekvation 2 beräknar en portföljs avkastning i tidpunkt t där RFt är riskfri ränta, RMt är
marknadsavkastning, 𝑎 är intercept, 𝜀 är en residual och b, s och h är koefficienter för riskfaktorerna (Fama och French, 2015). Fama och French (2015) förklarar dock att även trefaktormodellen har mottagit en del kritik då den inte anses vara tillräckligt för att förklara en portföljs avkastning på grund av utelämnade faktorer som är av betydelse. Författarna menar att faktorerna i modellen (ekvation 2) inte fångar upp variationen av förväntad avkastning och därav har Fama och French (2015) vidare skapat en femfaktormodell.
2.3 Fama och Frenchs femfaktormodell
Fama och Frenchs femfaktormodell omfattar två ytterligare faktorer; lönsamhet och investeringar (Fama och French, 2015). Lönsamhetsfaktorn benämns i modellen som RMW (robust minus weak) och står för skillnaden mellan diversifierade portföljers avkastning med robust-, respektive svag lönsamhet. CMA (conservative minus aggressive) representerar investeringsfaktorn och innefattar skillnaden i avkastning mellan restriktivt investerande och aggressivt investerande företag (Fama och French, 2015). Modellen har följande formel:
𝑅𝑖𝑡− 𝑅𝐹𝑡 = 𝑎𝑖 + 𝑏𝑖(𝑅𝑀𝑡− 𝑅𝐹𝑡) + 𝑠𝑖𝑆𝑀𝐵𝑡+ ℎ𝑖𝐻𝑀𝐿𝑡+ 𝑟𝑖𝑅𝑀𝑊𝑡+ 𝑐𝑖𝐶𝑀𝐴𝑡+ 𝜀𝑖𝑡 (3)
Femfaktormodellen består av samma komponenter som trefaktormodellen (ekvation 2) med undantag från de två nya faktorerna RMW och CMA där r och c är dess koefficienter. Fama och French (2015) belyser att om all varians för den förväntade avkastningen förklaras av
koefficienterna för de fem faktorerna kommer interceptet 𝑎 att vara lika med noll för portfölj i. I olika bearbetningar av Fama och Frenchs trefaktormodell är det vanligt att faktorn ”momentum” adderas. Anledning till att den inte inkluderas i femfaktormodellen är enligt Fama och French (2015) att den korrelerar med resterande variabler och är därav inte optimal.
Fama och French (2015) jämför tre- och femfaktormodellerna och fastställer att sistnämnda presterar bättre på utförda tester. De kommer bland annat fram till att variansen för den
förväntade avkastningen är mindre för femfaktormodellen samt att interceptet minskar då två ytterligare variabler läggs till i modellen. Femfaktormodellen kan även tillämpas bättre på tillväxtaktier, vars intercept kan vara svårtolkade i modellen med tre faktorer enligt Fama och French (2015). Detta resulterar i att modellen med fem faktorer visar på lägre oförklarad avkastning, vilket är att föredra.
Trots att femfaktormodellen presterar bra i tester belyser Fama och French (2015) att modellen även har vissa problem. Framför allt är modellen svår att tillämpa på mindre företag vars
avkastning liknar företag med aggressiv investeringsstrategi samt låg lönsamhet. Detta resulterar i negativa intercept för de mindre företagen medan problemet inte gäller för större företag vars intercept är positiva. Vidare nämner Fama och French (2015) att det råder en viss korrelation mellan variablerna HML, RMW och CMA och testar därav olika kombinationer av modeller. Resultaten visar att det finns tydliga argument för hur de två faktorerna lönsamhet och
investering bidrar till en förbättrad modell. En faktor som dock kan anses vara överflödig när alla fem variablerna är inkluderade är HML (Fama och French, 2015). Författarna menar på att avkastningen som genereras kan förklaras av övriga variabler i modellen men förtydligar också att beroende på vad avsikten är att mäta så är femfaktormodellen i sin helhet ändå önskvärd.
Ett empiriskt test på femfaktormodellen har konstruerats av Chiah et al. (2016) där aktieavkastning i Australien undersöks. Modellen jämförs med CAPM samt ytterligare
flerfaktormodellen och resultaten stryker att femfaktormodellen generellt sätt presterar bättre än övriga modeller. Bland annat resulterar femfaktormodellen i lägst medelvärde och
standardavvikelse samtidigt som modellen förklarar avvikande aktiepriser bäst (Chiah et al. 2016). Viss problematik finns kring hur modellen förklarar tidsserievariation för
portföljavkastning, däremot har övriga modeller även problem med detta. Chiah et al. (2016) ställer sig även frågande till huruvida faktorn HML tillför något då lönsamhet- och
investeringsfaktorn tillsätts i femfaktormodellen. Studien påvisar dock att HML är en viktig faktor och att den bör finnas med i modellen tillsammans med övriga faktorer i Fama och Frenchs femfaktormodell. Studien fastslår att femfaktormodellen är lämplig att använda då portföljer ska utvärderas, vid handling av värdepapper samt vid beräkning av förväntad avkastning för aktier. Författarna menar att det finns förbättringspotential för modellen men att det är den modell som
presterar bäst jämfört med CAPM, Fama och Frenchs trefaktormodell samt ytterligare flerfaktormodeller (Chiah et al. 2016).
Vidare ställs femfaktormodellen mot CAPM och trefaktormodellen i en studie av Cox och Britten (2019). Studien tillämpas på aktiemarknaden i Johannesburg och testar både tidsserie- och
tvärsnittsdata. Resultatet från tidsseriedata visar att trefaktormodellen bättre förklarar
aktieavkastning jämfört med de andra modellerna. För tvärsnittsdata visar däremot resultaten att femfaktormodellen bäst förklarar avkastning för aktier i Johannesburg. Utifrån resultaten menar Cox och Britten (2019) på att de två ytterligare faktorerna i femfaktormodellen, RMW och CMA, kan vara bidragande till att förklara aktieavkastning. Särskilt lönsamhetsfaktorn som visar sig vara mer konsekvent i testerna.
Även Erdinç (2017) analyserar femfaktormodellens prestation i jämförelse med CAPM och Fama och Frenchs trefaktormodell. Portföljer skapas bestående av tillgångar på den turkiska
aktiemarknaden som tillämpas på de tre faktormodellerna i olika regressionstest. Resultaten visar att Fama och Frenchs femfaktormodell bättre förklarar variansen i aktier och att modellen därmed är den föredragna modellen av de tre som testas. Erdinç (2017) drar slutsatsen att CAPM inte är lämplig för att förklara aktieavkastning. Fama och Frenchs trefaktormodell resulterar i
signifikanta resultat, däremot förklaras inte variansen lika bra som av femfaktormodellen.
2.4 Den effektiva marknadshypotesen
Begreppet marknadseffektivitet beskriver hur risk och avkastning på den finansiella marknaden förhåller sig till varandra och genom detta går det att mäta effektiviteten av tillgångars
prissättning. Investerare är i grunden riskaversiva och kräver därav kompensation i form av avkastning för att inneha risk. Huruvida en aktie i praktiken kan överavkasta finns det delade meningar om. Peterson Drake och Fabozzi (2010) nämner i sin bok att det beror på hur de aktuella marknadsförhållandena ser ut. Den grundläggande tanken är att en effektiv finansiell marknad inkluderar all tillgänglig information i dess prissättning, vilket gör att risk och
avkastning går jämnt ut och lämnar inte utrymme för några arbitragemöjligheter (Peterson Drake och Fabozzi 2010, s. 31–32).
Fama (1970) förklarar att marknadseffektivitet kan delas in i tre olika stadier beroende på vilken informationsmängd som finns tillgänglig. De tre nivåerna kan benämnas som svag-, medelstark- och stark effektivitet. Den svaga marknadseffektiviteten baseras på att dagens pris reflekteras av tidigare priser vilket leder till att investerare inte kan utnyttja den historiska informationen för att predicera ett framtida värde som genererar överavkastning. Anledningen till detta är att all relevant information redan är inkluderad i dagens värde (Fama, 1970, s. 383–416). Den medelstarka formen av effektivitet menar att ingen offentlig information på marknaden kan generera överavkastning då all offentlig tillgänglig information redan är inkluderad i dagens priser. Den starkaste formen av marknadseffektivitet uttrycker att varken tillgänglig offentlig information eller privat information kan ses som tillräcklig för att kunna uppnå överavkastning (Fama, 1970, s. 383–416).
Den effektiva marknadshypotesen är en teori som grundar sig i de olika stadierna av
marknadseffektivitet. Hill (2020) förklarar att när investerare har fullständig information och samtidigt agerar rationellt på marknaden så kommer prissättningen att vara effektiv. Detta innebär att det inte finns någon möjlighet att “slå marknaden”, det vill säga generera en högre avkastning än förväntat i förhållande till risk (Hill 2020, s. 101). Teorin är av relevans för denna studie med anledning att om dessa antaganden håller så bör det inte vara möjligt att generera överavkastning för portföljer som innehar höga hållbarhetsbetyg.
Det finns dock en del kritik som riktas mot den effektiva marknadshypotesen.
Malkiel (2003) belyser att marknaden är effektiv men att den samtidigt inte är helt perfekt och menar därför att hypotesen inte alltid stämmer överens med verkligheten. Ett exempel författaren tar upp är krisen benämnt “Internet Bubble” under sent 1990-tal. I och med att internet och ny teknik växte fram snabbt blev aktier inom dessa områden populära. Detta ledde till att många aktier övervärderades av både fondförvaltare och professionella analytiker. Marknaden hann alltså inte med att justera för den snabba tillväxten av kapital (Malkiel, 2003, s. 74–80).
3 Tidigare studier
3.1 Derwall, Guenster, Bauer & Koedijk
Derwall et al. (2005) undersöker huruvida hållbara investeringar leder till ökad avkastning. Författarna utgår från endast en miljöaspekt och skapar två portföljer med företag indelade efter lågt- och högt värde baserat på hur miljövänliga de är. Portföljerna består av amerikanska bolag som studeras mellan åren 1995–2003 och jämförs med indexet CRSP. Studien använder sig av CAPM och Carhart multifaktormodell för att analysera de konstruerade portföljerna där multifaktormodellen är en förlängning av Fama och Frenchs trefaktormodell med momentum som tillagt faktor. OLS-regressioner utförs för att testa modellerna. Utifrån resultaten konstaterar Derwall et al. att CAPM inte gav några signifikanta resultat och att det därav inte finns något samband mellan hållbara aktier och ökad avkastning. Multifaktormodellen genererade dock ett signifikant resultat där aktier med högre miljövärden presterade bättre än de med låga värden, sett till avkastning.
3.2 Bannier, Bofinger & Rock
I sin studie undersöker Bannier et al. (2019) lönsamheten att investera i hållbara aktier. Hållbarhet definieras i form av ESG och författarna ämnar sig åt att undersöka både det
sammanlagda ESG-betyget men även delarna var för sig. Studien tillämpas på Europa och USA och portföljer skapas med aktier utefter olika nivåer av ESG-betyg. Jämförelseindex är Stoxx Europe 600 för de europeiska portföljerna och S&P 500 för de amerikanska portföljerna. Författarna använder sig av Carharts modell med fyra faktorer och portföljerna analyseras i en period mellan 2003–2017. För att estimera modellernas koefficienter används OLS- och GMM-regressioner. Bannier et al. konstaterar ett negativt signifikant samband mellan hållbara
investeringar och avkastning samt ett positivt signifikant samband mellan lågt ESG-betyg och avkastning. Regressionsmodellerna påvisade även att den främsta komponenten för att reducera risk i USA var den miljömässiga faktorn samtidigt som arbetsförhållanden var den faktorn som genererade minst risk i Europa.
3.3 Ziegler, Schröder & Rennings
I en studie av Ziegler, Schröder och Rennings (2007) undersöks hur hållbarhet utifrån områdena miljö och arbetsförhållanden påverkar avkastning. Studien appliceras på den europeiska
aktiemarknaden mellan 1996–2001 där företag delas in i portföljer utifrån miljö- och
arbetsförhållandebetyg. Index som används som benchmark i studien är FTSE Eurotop 300. Analyser från författarna baseras delvis på CAPM men framför allt Fama och Frenchs trefaktormodell vilka presenteras med OLS-regressioner. De kan från resultatet urskilja ett positivt signifikant samband mellan avkastning och företag med höga miljöbetyg medan de istället finner ett negativt signifikant samband för företag som innehar högre betyg inom arbetsförhållanden. Hållbarhet ur ett helhetsperspektiv fångas inte upp och Zeigler et al. (2007) belyser att många företag som exempelvis innehar ett högt betyg inom miljö samtidigt kan ha den lägsta nivån av arbetsförhållanden. Därav utförs även ett test med företag som inkluderade både bra miljö- och arbetsförhållandearbete i sin verksamhet. Testet visade att hållbara företag inte påvisar något signifikant samband med avkastning. Ziegler et al. (2007) menar därmed att en satsning på en mer hållbar verksamhet i form av miljötänk och förbättrade arbetsförhållden inte skulle vara olönsamt för företagen.
3.4 La Torre, Mango, Cafaro & Leo
La Torre et al. (2020) undersöker i en studie hur ESG påverkar företags aktieavkastning. Företag från det europeiska indexet Euro Stoxx 50 studeras under en period mellan 2010–2018 och studien ämnar sig åt att analysera både ESG som helhet och komponenterna var för sig. Författarna använder sig av en tvåstegsmetod där en paneldataanalys först skapas för att undersöka relationen mellan ESG och avkastning med hjälp av ett Hausman-test. Modellen för detta test är egenkonstruerad där avkastning är den beroende variabeln som förklaras av fyra komponenter. Därefter undersöks E, S och G var för sig i en multipel linjär regressionsmodell i form av ett Durbin-Watson-test. Denna modell är även egenkonstruerad där avkastning förklaras av fem variabler. Resultaten från paneldataanalysen visar att ESG har ett positivt signifikant samband med aktieavkastning. För den linjära regressionsmodellen kunde författarna ej påvisa något statistiskt signifikant samband.
3.5 Naffa & Fain
Naffa och Fain (2020) analyserar hur hållbarhet påverkar riskjusterad avkastning på den globala aktiemarknaden. Författarna konstruerar tre portföljer för vardera ESG-område (totalt nio portföljer) som jämförs med det globala indexet MSCI ACWI. För att studera portföljerna används CAPM, Carharts fyrafaktormodell, Fama och Frenchs femfaktormodell samt Fama och Frenchs femfaktormodell med en tillagd faktor, likviditet. Analysen genomförs med hjälp av OLS-och GMM-regressioner där data baseras på tidsperioden 2015–2019. Studien avser att undersöka huruvida det är värt att offra avkastning för att upprätthålla hållbarhetsmålen som framtagits av FN. Resultaten från regressionerna visar att de flesta av ESG-portföljerna genererar en icke-negativ avkastning i förhållande till risk gentemot jämförelseindexet och att de därav är likvärdiga. Naffa och Fain (2020) menar att detta kan ses som en indikation på att mer hållbara aktier innehar en risk som går att diversifiera och att det därav är värt att investera i ESG-aktier. Författarna konstaterar även att för företag som har högre ESG-betyg visas möjliga tecken att den svaga varianten av den effektiva marknadshypotesen håller.
3.6 Morgan Stanley
I en survey utförd av Morgan Stanley (2019) analyseras hållbarhet i förhållande till risk och finansiell prestation. Studien jämför hållbara fonder, i enlighet med ESG, med traditionella fonder mellan åren 2004–2018. Metoden som används är Wilcoxon signed-rank-test som mäter hur distributionerna för ESG-fonder respektive traditionella fonder skiljer sig åt. Detta görs med hjälp av total avkastning och ”downside deviation” vilket är risk mätt i förhållande till minsta accepterade avkastning. Morgan Stanley (2019) finner att ESG-fonder presterar likvärdigt med de traditionella fonderna och därmed generar inte hållbara aktier högre avkastning. När de däremot inkluderar riskfaktorer i modellen så visar resultaten att ESG-fonderna generar en 20 % lägre ”downside risk”. Surveyn kommer fram till att hållbara fonder kan ses som mer stabila under volatila förhållanden och därmed fördelaktiga för investerare med hållbara preferenser.
3.7 Masteruppsatser
I sin uppsats analyserar Sluth och Yousif (2017) sambandet mellan finansiell prestation och socialt ansvarsfulla investeringar. Portföljer skapas bestående av svenska aktier utifrån områdena miljö och arbetsförhållanden där författarna undersöker om aktier med högt hållbarhetsbetyg
presterar bättre än de med lågt betyg utifrån dess riskjusterade abnormala avkastning. Företagen som används i portföljerna är hämtade från Folksams index för ansvarsfullt företagande och perioden som undersöks är 2006–2016. Analyser baseras på CAPM, Fama och Frenchs
trefaktormodell samt Carharts modell med fyra faktorer där regressioner skapas för varje modell. Författarna specificerar inte exakt vilket regressionstest som används och inte heller vilket marknadsindex som fungerar som benchmark i studien och som är en faktor i modellerna. Sluth och Yousif (2017) finner inget signifikant samband mellan hög- och lågrankade hållbara aktier och avkastning och menar därmed att investeraren inte förlorar något på att investera ansvarsfullt.
Ahlklo och Lind (2019) undersöker i sin uppsats relationen mellan ESG-score och finansiell prestation på aktiemarknaden. Företag på den nordiska aktiemarknaden analyseras med
hänseende till deras hållbarhetsprestation där portföljer skapas utefter deras ESG-score samtidigt som faktorerna analyseras var för sig. Vilken tidsperiod som undersöks specificeras inte exakt men utifrån regressioner tolkar vi det som att studien undersöker aktierna mellan 2015–2018. Författarna konstruerar vidare tre olika modeller med beroendevariablerna ”Return on Asset”, ”Tobin’s q” och ”Return” samt med förklarande variabler vilka är ESG, E, S och G. Ahlklo och Lind (2019) förklarar att kontrollvariabler även adderas i modellerna i enighet med tidigare studier som undersökts. Modellerna appliceras sedan på en kvantitativ studie där statistiska test utförs för att rensa data från ekonometriska problem innan OLS-regressioner tillämpas.
Författarna finner ingen signifikant relation mellan ESG-score och finansiell prestation men företag med ett större fokus på arbetsförhållanden visar den starkaste relationen till lönsamhet med en något negativ relation till avkastning. Till följd av detta rekommenderar Ahlklo och Lind (2019) att investera i aktier med höga ESG-betyg då resultaten tyder på att avkastningen inte kommer skilja sig från icke-hållbara alternativ.
I en undersökning av Franzen (2019) analyseras förhållandet mellan ESG och finansiell prestation samtidigt som portföljer med olika ESG-betyg jämförs med varandra. Detta görs genom Fixed Effects-regressioner med paneldata samt med olika kombinationer av
ESG-portföljer som utvärderas med hänseende till riskfaktorerna i Fama och Frenchs femfaktormodell med tillagda kontrollvariabler. Data baseras på aktier från S&P 500 och sträcker sig från
påverkan på avkastning på aktiemarknaden. Samtidigt har portföljer med lägre ESG-betyg genererat en högre avkastning jämfört med de portföljerna med ett högre betyg. Författaren menar därför att det är optimalt från investerarens perspektiv att inneha en portfölj med lägre ESG-värde. Med detta fås en likvärdig systematisk risk som en portfölj med högt ESG-värde men med skillnaden att portföljen generar en högre avkastning. Franzén (2019) nämner dock att det finns en högre grad av acceptans gällande låg avkastning hos investerare som vill investera hållbart och att en hållbar portfölj därmed är ett altivernativ att inneha.
Breitz och Partapuoli (2020) undersöker hur ESG påverkar avkastning både generellt men även inom de tre områdena miljö, arbetsförhållanden och företagsstyrning. Studien använder sig av aktier i det amerikanska indexet S&P 500 där portföljer skapas utefter hållbarhetsbetyg. Tidsperioden som undersöks är mellan 2005–2018. För att genomföra analysen skapas delvis regressioner för tidseriedata där de olika portföljerna ställs mot riskfaktorerna i Fama och Frenchs femfaktormodell med ett tillägg av faktorn momentum. Som metod använder sig även Breitz och Partapuoli (2020) av paneldataregressioner där de inkluderar olika kontrollvariabler i modellen. Resultaten visar att portföljer med ett lågt hållbarhetsbetyg presterar bättre än de med ett högt betyg. Författarna menar däremot att investerare som värderar hållbarhet högt bör investera i aktier med högre ESG-värde, vilket styrks av resultatet att portföljer med en högre grad av ESG genererar en högre Sharpekvot. Dock påpekar författarna att det finns begränsade
överavkastningsmöjligheter för de mer hållbara alternativen.
3.8 Sammanfattning av tidigare studier
Från de tidigare studierna som har analyserats, samt som tabell 1 visar, har inte de enskilda komponenterna i ESG undersökts på den svenska marknaden där Fama och Frenchs
femfaktormodell används som metod. Denna studie skiljer sig därmed från tidigare forskning gällande hållbarhet och finansiell prestation på aktiemarknaden. Resultaten skiljer sig sedan åt mellan de olika studierna och vi kan ej konstatera en specifik trend gällande hur hållbara aktier presterar. Däremot konstaterar bägge studier som använder sig av Fama och Frenchs
femfaktormodell som metod signifikanta resultat. Detta kan möjligtvis understryka modellens styrkor gentemot modellerna med färre faktorer.
Vi kan sedan tyda att flertalet studier på den amerikanska marknaden erhåller signifikanta resultat mellan hållbarhet och avkastning. Vidare är bägge studierna på den svenska/nordiska marknaden icke-signifikanta men ingen av dessa använder sig av Fama och Frenchs femfaktormodell. Metoden skiljer sig sedan åt mellan de olika studierna och flertalet använder sig utav Fama och Frenchs trefaktormodell och/eller Carhart fyrafaktormodell. Metodvalen motiveras i studierna, dock anser inte vi att modellernas styrkor gentemot femfaktormodellen motiveras tillräckligt. Överlag har det varit svårt att finna relevanta studier som använder sig av femfaktormodellen då hållbara portföljer analyseras. Vi anser därmed att det är av intresse att tillämpa modellen i denna studie, framför allt då tidigare forskning visar på att femfaktormodellen presenterar bättre än både CAPM och Fama och Frenchs trefaktormodell (kap 2.3).
Testen som modellerna appliceras på skiljer sig även åt mellan studierna men vi kan tyda att OLS-regressioner är det test som används av flest antal studier. Vissa specificerar sedan inte vilka ekonometriska test som genomförs för att analysera relationen mellan hållbarhet och avkastning. Det skiljer sig också huruvida studierna använder sig av panel- och/eller tidsseriedata när
modellerna tillämpas på regressionsanalys. Något som även skiljer sig åt mellan studierna är hur portföljerna konstrueras då vissa analyserar ESG-portföljerna som helhet, vissa undersöker de enskilda ESG-delarna samtidigt som några studier endast analyserar enskilda komponenter av ESG. Detta kan därmed vara en förklaring till varför resultatet från de tidigare studierna som analyserats skiljer sig så pass mycket. Författarna komponerar portföljerna på olika vis samt har olika metodval där studierna även testas på olika marknader. På grund av detta är det även ovisst vad denna studie ska erhålla för resultat, framför allt då ingen liknande studie tidigare har gjorts där femfaktormodellen tillämpas på den svenska marknaden för att analysera de enskilda ESG-komponenternas relation till avkastning.
Tabell 1 - Sammanfattning av tidigare studier
4 Metod
Då syftet med denna uppsats är att analysera avkastningen för tre respektive portföljer bestående av aktier med höga betyg inom miljö, arbetsförhållanden och företagsstyrning är en kvantitativ metod lämplig för studien (Esaiasson et al. 2017, s. 198). Fama och Frenchs femfaktormodell tillämpas för att utifrån de tre ESG-områdena värdera och jämföra företags avkastning i relation till risk. De finansiella måtten Sharpekvot och Jensens alfa beräknas även för att analysera de tre portföljerna och jämföra dem med markandsportföljen OMXS30. Vi utgår från den definition av hållbarhet som fastställts utefter kriterierna inom ESG enligt figur 2.
För att analysera hur de olika kategorierna inom ESG; miljö, arbetsförhållanden och
företagsstyrning, förhåller sig till varandra skapas tre portföljer för respektive område. Då studien ämnar sig åt att analysera svenska aktier används företag som verkar på Nasdaq Stockholm (Stockholmsbörsen). De tre portföljerna består av 24 aktier vardera där månadsvisa
stängningspriser undersöks under en tioårsperiod mellan januari 2010 och december 2019. Genom att välja denna tidsperiod omfattas studien varken av finanskrisen (2008) eller
volatiliteten på aktiemarknaden till följd av Covid-19 (2020). Därmed exkluderas större outliers på aktiemarknaden under 2000-talet vilka kan påverka resultatet på ett negativt sätt. Adams et al. (2019) förklarar att outliers är observationer som har en påtaglig avvikelse jämfört med
resterande data som observeras. Att undvika outliers bidrar till väntevärdesriktighet vilket är grundläggande för att erhålla en bra modell (Adams et al. 2019). De skapade portföljerna jämförs sedan med en markandsportfölj, i detta fall OMXS30 som är ett index bestående av de 30 mest omsatta bolagen på Stockholmsbörsen (Nasdaq a, u.å.). Vid tolkning av resultatet krävs det att eventuella problem med metod och data tas i beaktning, detta diskuteras senare i studien under kapitel 5.5.
4.1 Konstruktion av femfaktormodellen
För att mäta de konstruerade ESG-portföljernas förhållande till risk tillämpas Fama och Frenchs
femfaktormodell. Modellen omfattas som tidigare nämnt av faktorerna marknadsvärde (𝑅𝑀 −
𝑅𝐹), företagsstorlek (SMB), företagsvärde (HML), lönsamhet (RMW) och investeringar (CMA).
𝑅𝑖𝑡− 𝑅𝐹𝑡 = 𝑎𝑖 + 𝑏𝑖(𝑅𝑀𝑡− 𝑅𝐹𝑡) + 𝑠𝑖𝑆𝑀𝐵𝑡+ ℎ𝑖𝐻𝑀𝐿𝑡+ 𝑟𝑖𝑅𝑀𝑊𝑡+ 𝑐𝑖𝐶𝑀𝐴𝑡+ 𝜀𝑖𝑡 (3)
Marknadsvärdet beräknas genom att ta marknadens avkastning, vilket i detta fall är OMXS30, subtraherat med den riskfria räntan. Den svenska räntan för statsskuldsväxlar används som riskfri ränta i modellen.
Fama and French (2015) har i sin studie undersökt olika kombinationer av metoder för att testa femfaktormodellens känslighet. De konstruerade bland annat en modell benämnt 2 x 3-modellen vilket erhöll bäst resultat och används därmed som metod i vår studie. Modellen är indelad i två delar, dels en storleksbaserad del som består av två nivåer och dels ett värdebaserat steg som omfattas av tre olika komponenter. En illustration över modellen finns nedan i figur 3.
Figur 3 - Fama och Frenchs 2 x 3-modell
Där: N = neutral
S = small H = high R = robust C = conservative
B = big L = low W = weak A = aggressive
Modellen i figur 3 visar att företagen initialt fördelas utefter företagens storlek enligt faktorn SMB med stora (big) och små (small) företag. Företagen sorteras vidare utifrån deras
marknadsvärde, lönsamhet och investeringar för både SMBbig och SMBsmall. För varje komponent
delas företagen upp i tre nivåer där första gruppen är aktierna inom 30e percentilen, andra gruppen är aktier i 30e-70e percentilen och till sist aktierna i 70e percentilen och högre.
Exempelvis för faktorn HML fördelas företagen efter deras ”book to market”-värde (B/M-värde) i kategorierna high (hög), neutral och low (låg). B/M-värdet är en kvot som mäter ett företags värde genom att ta företagets kapital dividerat med börsvärdet. RMW fördelas efter lönsamhet med benämningen OP (operating profitability) och CMA fördelas efter INV (investments). Förkortningarna är de som används av Fama och French (2015) och anses därmed som lämpliga.
För att beräkna faktorerna använder studien sig av samma princip som Fama och French där beskrivningen är hämtad från French egna hemsida (French, u.å.). För att beräkna faktorn SMB estimeras först övriga faktorer i modellen enligt ekvation 4, 5 och 6.
𝑆𝑀𝐵𝐵/𝑀= 1
3 × (𝐵/𝑀𝑆𝐻+ 𝐵/𝑀𝑆𝑁+ 𝐵/𝑀𝑆𝐿) – (𝐵/𝑀𝐵𝐻+ 𝐵/𝑀𝐵𝑁 + 𝐵/𝑀𝐵𝐿) (4)
Ekvation 4 beräknar medelavkastningen för små (small) subtraherat med medelavkastningen för
stora (big) företag utefter deras B/M-värde. 𝐵/𝑀𝑆𝐻 är små företag med högt värde, 𝐵/𝑀𝑆𝑁 är
små företag med neutralt värde och 𝐵/𝑀𝑆𝐿 är små företag med lågt värde. Vidare är 𝐵/𝑀𝐵𝐻 stora
företag med högt värde, 𝐵/𝑀𝐵𝑁 är stora företag med neutralt värde och 𝐵/𝑀𝐵𝐿 stora företag med
lågt värde.
𝑆𝑀𝐵𝑂𝑃 = 1
3 × (𝑂𝑃𝑆𝑅+ 𝑂𝑃𝑆𝑁+ 𝑂𝑃𝑆𝑊) – (𝑂𝑃𝐵𝑅 + 𝑂𝑃𝐵𝑁+ 𝑂𝑃𝐵𝑊) (5)
Ekvation 5 beräknar medelavkastningen för små företag subtraherat med medelavkastningen för
stora företag med hänseende till dess lönsamhet. 𝑂𝑃𝑆𝑅 är små företag med robust lönsamhet,
𝑂𝑃𝑆𝑁 är små företag med neutral lönsamhet och 𝑂𝑃𝑆𝑊 är små företag med svag (weak)
lönsamhet. 𝑂𝑃𝐵𝑅 är stora företag med robust lönsamhet, 𝑂𝑃𝐵𝑁 är stora företag med neutral
lönsamhet och 𝑂𝑃𝐵𝑊 är stora företag med svag lönsamhet.
𝑆𝑀𝐵𝐼𝑁𝑉 = 1
Ekvation 6 beräknar medelavkastningen för små företag subtraherat med medelavkastningen för stora företag utifrån deras investeringsvärde. 𝐼𝑁𝑉𝑆𝐶 är små företag med restriktivt (conservative)
investeringsvärde, 𝐼𝑁𝑉𝑆𝑁 är små företag med neutralt investeringsvärde och 𝐼𝑁𝑉𝑆𝐴 är små företag
med aggressiv investering. Vidare är 𝐼𝑁𝑉𝐵𝐶 stora företag med restriktiv investering, 𝐼𝑁𝑉𝐵𝑁 är
stora företag med neutral investering och 𝐼𝑁𝑉𝐵𝐴 stora företag med aggressivt investeringsvärde.
Vidare beräknas faktorerna i Fama och Frenchs femfaktormodell enligt ekvation 7, 8, 9 och 10.
𝑆𝑀𝐵 = 1
3 × (𝑆𝑀𝐵𝐵/𝑀+ 𝑆𝑀𝐵𝑂𝑃+ 𝑆𝑀𝐵𝐼𝑁𝑉) (7)
Ekvation 7 beräknar riskfaktorn SMB vilket är medelavkastningen av 𝑆𝑀𝐵𝐵/𝑀, 𝑆𝑀𝐵𝑂𝑃 och
𝑆𝑀𝐵𝐼𝑁𝑉.
𝐻𝑀𝐿 =1
2 × (𝐵/𝑀𝑆𝐻+ 𝐵/𝑀𝐵𝐻) − (𝐵/𝑀𝑆𝐿+ 𝐵/𝑀𝐵𝐿) (8)
Ekvation 8 beräknar faktorn HML genom att ta medelavkastningen för företag med högt B/M-värde subtraherat med medelavkastningen för företag med lågt B/M-B/M-värde.
𝑅𝑀𝑊 =1
2 × (𝑂𝑃𝑆𝑅+ 𝑂𝑃𝐵𝑅) − (𝑂𝑃𝑆𝑊+ 𝑂𝑃𝐵𝑊) (9)
Ekvation 9 beräknar RMW genom att ta medelavkastningen för företag med robust lönsamhet subtraherat med medelavkastningen för företag med svag lönsamhet.
𝐶𝑀𝐴 =1
2 × (𝐼𝑁𝑉𝑆𝐶+ 𝐼𝑁𝑉𝐵𝐶) − (𝐼𝑁𝑉𝑆𝐴+ 𝐼𝑁𝑉𝐵𝐴) (10)
Ekvation 10 beräknar riskfaktorn CMA genom att ta medelvärdet för företag med restriktiv investering subtraherat med medelavkastningen för företag med aggressiv investering.
4.2 Ekonometrisk analys
För att testa ekvationernas (7, 8, 9 och 10) giltighet tillämpas vidare ekonometriska analyser där femfaktormodellen testas i sin helhet. Studien omfattas delvis av tidsseriedata där de tre ESG-portföljerna analyseras enskilt. Genom att kombinera ESG-portföljerna till pooled tvärsnitts- och tidsseriedata analyseras även portföljerna i ett gemensamt dataset. För att undersöka hur avkastning förhåller sig till risk appliceras portföljerna på OLS-test. Ytterligare test
implementeras även för att konstruera en sådan bra modell som möjligt utan statistiska problem. De ekonometriska analyserna skapas via programmet Gretl och den valda signifikansnivån för alla tester är satt till 5 %.
Augmented Dickey-Fuller
Eftersom studien behandlar tidsseriedata är det viktigt att variablerna är stationära för att tillämpa vidare ekonometriska test. Stationäritet innebär att medelvärdet och variansen inte förändras över tid samt att det inte finns någon tydlig tidstrend i data. För att undersöka om de enskilda
variablerna i femfaktormodellen är stationära analyseras grafer samt ADF-test för tidsserieportföljerna. Augmented Dickey-Fuller-test (ADF-test) är en metod som testar integrationsordningen av en variabel. Hypoteserna för testet ser ut som följande:
H0: 𝛿 = 0 (serien måste differentieras för att bli stationär)
Ha: 𝛿 < 0 (serien är stationär)
Nollhypotesen förklarar att serien uppvisar en unit-root-process och att variabeln därmed har en stokastisk trend (Stock och Watson, 2015, s. 605). Om p-värdet är lägre än signifikansnivån (5 %) förkastas nollhypotesen, dock kan inte alternativhypotesen att serien är stationär accepteras med säkerhet. Informationskriterium analyseras för varje test, i detta fall Akaike-värdet (AIC). Kriteriet ska vara så låga som möjligt för att erhålla en sådan bra modell som möjligt (Stock och Watson, 2015, s. 594–597). Då syftet med detta test endast är att kontrollera för huruvida
modellerna är stationära kommer inte någon optimal lagg-längd (p) att väljas ut. Däremot skapas ADF-test för 0–5 laggar för varje enskild variabel i syfte att kontrollera om serien bör
differentieras eller inte. Testen konstrueras för både intercept samt intercept och trend.
konstateras som den bästa modellen vid fallet att både modellerna med intercept samt intercept och trend är signifikanta (Sjö, 2019). Detta gäller även för integrationsordningen för att inte riskera att få en överdifferentierad modell där vi börjar med att testa endast de logaritmerade variablerna av differentieringsordning noll.
ARCH och GARCH
Engle (2001) förklara i sin artikel att finansiella data ofta skiljer sig från andra tidsserier då den tenderar att variera över tid. Med detta menas att volatiliteten i residualerna inte är konstanta vilket kan innebära problem med heteroskedasticitet. Engle benämner denna typ av varians för volatilitetskluster vilket bland annat sker på grund av den osäkerhet som existerar på
aktiemarknaden. Eftersom den beroende variabeln i denna studie är aktieavkastning förändras värdet över tid och variansen är därmed aktuell att ta hänsyn till. Heteroskedasticitet är även av betydande att kontrollera för då OLS-regressioner kan uppvisa ineffektiva resultat samt
missvisande p-värden vid volatilitetsproblem. Vi har därav valt undersöka huruvida våra tidsserieregressioner lider av volatilitetskluster i residualerna genom att analysera ARCH-test. ARCH står för autoregressive conditional heteroscedasticity och är en modell som testar om volatiliteten i residualerna förändras över tid. Hypoteserna för ARCH-testet är följande:
H0: 𝑣𝑎𝑟(𝜀) = 𝜎2 (ej heteroskedastisk)
Ha: 𝑣𝑎𝑟(𝜀) ≠ 𝜎2 (heteroskedastisk)
Nollhypotesen förkastas om p-värdet är mindre än signifikansnivån. Utifall att en ARCH-process kan påvisas tyder det på att det finns en systematisk risk i residualen som de förklarande
variablerna inte lyckats fång upp. Om så är fallet ska man gå vidare med GARCH-test. GARCH står för generalized autoregressive conditional heteroscedasticity och är en utvecklad version av ARCH. Detta gör det möjligt för en mer generell prediktion av volatiliteten (Engle, 2001). Om nollhypotesen i ARCH-testet inte förkastas innebär det att data inte har problem med
heteroskedasticitet och därmed lider inte modellen av volatilitetskluster. Vid detta fall behöver man inte gå vidare med GARCH-test utan kan förlita sig på de estimerade värdena som OLS-regressionerna predicerar.
Breusch-Pagan
Breusch-Pagan-test tillämpas för att säkerställa att modellerna inte lider av heteroskedasticitet i residualerna. Hypoteserna för detta test är:
H0: 𝑣𝑎𝑟(𝜀) = 𝜎2 (ej heteroskedastisk)
Ha: 𝑣𝑎𝑟(𝜀) ≠ 𝜎2 (heteroskedastisk)
Nollhypotesen innebär att data är homoskedasticitet och således har modellen en konstant
varians. H0 förkastas om p-värdet är mindre än 5 %. Då det inte är möjligt att konstruera
Breusch-Pagan-test för pooled data i Gretl genomförs istället White’s-test. Testet är en förenkling av Breusch-Pagan-testet men principerna är densamma med liknande hypoteser och tolkningar.
Breusch-Godfrey
Autokorrelation är ett problem inom ekonometrin som innebär att en variabel korrelerar med sig själv över tid (Stock och Watson, 2015, s. 574–575). För att undersöka att det inte finns någon autokorrelation i residualerna för de konstruerade modellerna genomförs Breusch-Godfrey-test. Hypoteserna för testet ser ut som följande:
H0: 𝜌𝑖 = 0 för alla i (ingen autokorrelation)
Ha: 𝜌𝑖 ≠ 0 för alla i (autokorrelation)
Nollhypotesen säger att det inte finns någon autokorrelation i modellen för någon ordning av p och om p-värdet är signifikant förkastas nollhypotesen. Såvida p-värdet är större än
signifikansnivån (5 %) kan inte nollhypotesen förkastas vilket innebär att modellen inte har problem med autokorrelation. För det kombinerade tvärsnitts- och tidsseriedatasetet genomförs istället Wooldridge-test för att studera autokorrelation. Hypoteserna och tolkningen av testet är liknande som principerna för Breusch-Godfrey men kontrollerar endast för första gradens autokorrelation.
Autokorrelationen för de tre portföljerna bestående av tidsseriedata undersöks närmre genom att studera korrelogram och dess ACF- och PACF-grafer. ACF står för autocorrelation function och PACF står för partial autocorrelation function. ACF och PACF används för att studera
effektiviteten av en serie och för att analysera ifall data är slumpmässig, vilket den är om autokorrelationen har ett värde så nära noll som möjligt. Testet genererar även ett p-värde för ACF och PACF och dess tillhörande laggar. Om p-värdet är signifikant tyder det på att modellen inte innehar vitt brus, vilket är önskvärt för en modell att inneha.
Chow-test
För att testa huruvida tvärsnitts- och tidsseriedatasetet går att kombinera i en regressionsmodell konstrueras ett Chow-test. De tre portföljerna innehar alla 119 observationer som testas för åren 2010–2019. Testet avgör om data är passande att undersöka i form av en linjär regressionsmodell med pooled-OLS enligt följande hypoteser:
H0: 𝛾𝐸 = 𝛾𝑆 = 𝛾𝐺 (data kan representeras av 1 linje)
Ha: 𝛾𝐸 ≠ 𝛾𝑆 ≠ 𝛾𝐺 (data kan inte representeras av 1 linje)
Där 𝛾 representerar de olika koefficienterna i femfaktormodellen för E-, S- och G-portföljerna.
Nollhypotesen förkastas om F-värdet faller inom det kritiska området. F-värdet räknas ut genom följande funktion:
𝐹 =(𝑅𝑆𝑆(𝑅𝑆𝑆𝑝−𝑅𝑆𝑆𝐸−𝑅𝑆𝑆𝑆−𝑅𝑆𝑆𝐺)÷𝑘
𝐸+𝑅𝑆𝑆𝑆+𝑅𝑆𝑆𝐺)÷(𝑛𝐸+𝑛𝑆+𝑛𝐺−𝑔𝑘) (11)
Där:
• RSS = Sum squared residual för OLS-regressionerna (p för pooled, E för miljö, S för arbetsförhållanden och G för företagsstyrning)
• k = antal variabler i modellen • n = antal observationer för data • g = antal grupper i pooled dataset
Det kritiska värdet erhålls via en F-tabell med signifikansnivå 0,05. Om F-värdet är större än det kritiska värdet förkastas nollhypotesen vilket tyder på att data inte lämpar sig för ett pooled-OLS-test. Oavsett resultatet i Chow-testet kommer ett OLS-test med kombinerad tvärsnitts- och tidsseriedata genomföras för att jämföra med de enskilda tidsserieregressionerna. Detta på grund av att en alternativhypotes aldrig ska accepteras och därmed går det inte med säkerhet att säga att data inte kan representeras av en regressionslinje om nollhypotesen i testet förkastas.
OLS
OLS-regressioner genomförs för att estimera koefficienterna av de testade modellerna. När en stationär ordning med lågt informationskriterie har uppnåtts via ADF-testet kan OLS-regressioner tolkas. Den slutgiltiga OLS-modellen som tolkas är den med lägst Akaike-värde såvida modellen inte har problem med heteroskedasticitet eller autokorrelation. För att undersöka dynamiken i modellerna analyseras även laggstruktur. När en modell har erhållits undersöks residualplottar för regressionerna för att se till att estimaten inte är biased. Ett normalitetstest konstrueras även för att studera om modellen är normalfördelad. Vid fallet att man studerar aktier är dock data ofta icke-normalfördelat. Vidare analyseras den statistiska output som OLS-regressionerna genererar. De intercept modellerna estimerar redogör för systematisk överavkastning i förhållande till marknadsjämvikt. Om den riskjusterade avkastningen kan förklaras helt av modellen har den i sådana fall har ett värde på noll. Ett positivt värde tyder även på att modellen överavkastar i relation till vad som förväntas från modellen. Ifall variansen för den förväntade avkastningen förklaras av något annat utanför modellen kommer konstanten inte vara lika med noll.
Jensens alfa beräknas även för de tre portföljerna bestående av tidsseriedata. Genom att räkna ut interceptet kan man tyda huruvida en portfölj i form av riskjusterad avkastning har under
(negativ)- eller överavkastat (positiv) gentemot marknaden. Svaret visar hur en portfölj har presterat i relation till CAPM-modellen. Formeln för att beräkna Jensens alfa är följande:
𝛼 = 𝑟𝑖− [𝑟𝐹+ 𝛽(𝑟𝑀− 𝑅𝐹)] (12)
5 Data
5.1 Portföljkonstruktion
All data som används i studien är hämtade från Refinitiv, en databas som redovisar global finansiell information (Refinitiv, u.å.). Studien behandlar därmed sekundärdata. För att skapa portföljerna hämtas data från företag som finns med i indexet OMXSPI (Nasdaq b, u.å.) vilka är alla bolag som verkar på Stockholmsbörsen. Om företagen i OMXSPI har olika aktieslag i form av både a- och b-aktier väljs endast ett aktieslag. Vidare hämtas betyg för miljö,
arbetsförhållanden och företagsstyrning för alla företag, betyget har en skala mellan 0 (lågt) och 100 (högt). De tre portföljerna konstrueras genom att 24 aktier väljs ut baserat på
hållbarhetsbetyget från år 2019. Studien utgår från 2019 års betyg av anledningen att endast ca. 15 % av företagen redovisar siffror för den valda tidsperioden, 2010–2019 samtidigt som ca. 50 % av företagen redovisar E, S och G-betyg för år 2019. Därmed uppdateras inte portföljerna varje år baserat på årsbetyget men genom att endast utgå från 2019 års betyg möjliggör det istället för ett större sample.
Portföljerna konstrueras sedan baserat på specifika krav som företagen måste uppnå. Kraven är följande:
• företagen ska ha ett hållbarhetsbetyg över 75
• företagen ska redovisa månadsvisa stängningspriser för hela tidsperioden (2010–2019) • företagen ska inte ha en korrelation över 0,75/under -0,75 med mer än 12 andra aktier
De 24 aktierna med bäst hållbarhetsbetyg för de tre kategorierna väljs ut bland företagen som uppfyller kriterierna. En tabell med alla företag i portföljerna samt deras hållbarhetsbetyg
redovisas nedan i tabell 2. I appendix bifogas en tabell (tabell 11) med företagen i OMXS30.
Korrelationsmatriser för företagen i portföljerna presenteras även i en tabell (tabell 12) som finns att hitta i appendix.
Tabell 2 - Portföljuppsättning
5.2 Applicering på femfaktormodellen
Då avkastning är en del av den beroende variabeln i femfaktormodellen hämtas månadsvisa stängningspriser för företagen i portföljerna från Refinitiv för åren 2010–2019. Avkastningen beräknas i den logaritmerade formen för de tre ESG-portföljerna, formeln som används visas nedan i ekvation 13.
𝑅𝑖𝑡 = 𝑙𝑛(𝑃𝑡) − 𝑙𝑛(𝑃𝑡−1) (13)
Jämförelseindexet som appliceras i modellerna är OMXS30 där månadsvis avkastning räknas ut på liknande vis som ekvation 11 för den valda tidsperioden. Den riskfria räntan i modellen är en del av den beroende faktorn samt den första riskfaktorn. Räntan tillhandahålls från Sveriges Riksbank (u.å.) och är den svenska räntan för statsskuldsväxlar på månadsbasis för åren 2010– 2019. För att konstruera resterande riskfaktorer hämtas de tillämpande måtten från databasen Refinitiv. Företagens storlek värderas utifrån Company market capialization, vilket utgör ett företags börsnoterade värde genom att aktiekursen multipliceras med bolagets totala antal aktier. För att framställa HML-faktorn används en uträkning av “book-to-market"-värdet. Detta görs genom att Total equity, som representerar ett företags egna totala kapital, divideras med redan nämnda Company market capitalization. Lönsamhetsfaktorn RMW baseras utifrån måttet Return
on equity. Måttet definieras av Refinitiv som en lönsamhetskvot som beskriver ett företags vinst i
förhållande till aktieägarnas kapital. För att representera investeringsfaktorn CMA används Total
current assets, vilket inkluderar det aggregerade kapitalet samt kortfristiga investeringar. Måtten
Tabell 3 - Faktorbeskrivning
5.3 Deskriptiv statistik
För att få en överblick över de tre portföljerna och femfaktormodellens faktorer redovisas deskriptiv statistik i form av medelvärde, standardavvikelse, kurtosis, skewness, min- och maxvärde. Standardavvikelsen är ett vanligt mått för att beräkna en portföljs risk där en helt riskfri portfölj har ett värde på noll (Peterson Drake och Fabozzi, 2010, s. 422). Kurtosis
beskriver avvikande värden från en normalfördelning i form av extrema utfall. Desto högre värde kurtosis innehar ju mer extrema blir topparna av en normalfördelning, detta genererar även en större risk för outliers (Stock och Watson, 2015, s. 69–71). Skewness förklarar hur mycket distributionen i en normalfördelning avviker till höger (positiv) eller vänster (negativ). Om fördelningen är helt symmetrisk har skewness ett värd på noll (Stock och Watson, 2015, s. 69– 71). Sharpekvoten är ett mått som även redovisas för portföljerna men inte för de enskilda faktorerna. Kvoten beskriver den riskjusterade avkastningen och mäter därmed hur en portfölj presterar med hänseende till dess risk (Avanza, u.å.). En hög Sharpekvot innebär att portföljen genererar hög avkastning i relation till låg risk. Formeln som används för att beräkna
Sharpekvoten beskrivs nedan i ekvation 14.
𝑆ℎ𝑎𝑟𝑝𝑒𝑘𝑣𝑜𝑡 = 𝑅𝑖𝑡− 𝑅𝐹𝑡
Rit förklarar portföljens avkastning, RFt är den riskfria räntan och 𝜎𝑖𝑡 är portföljens
standardavvikelse.
För de enskilda portföljerna redovisas den deskriptiva statistiken nedan i tabell 4. Siffrorna baseras på den månadsvisa avkastningen i den logaritmerade formen.
Tabell 4 - Deskriptiv statistik för portföljerna
Notering: talen redovisas i procent, E = miljö, S = arbetsförhållanden, G = företagsstyrning, M = OMXS30.
Från tabellen går det att tyda att miljö- och företagsstyrningsportföljerna avkastar i genomsnitt mer än marknaden per månad. Standardavvikelsen är relativt jämn mellan de fyra portföljerna men som högst för marknaden. Sharpekvoten innehar ett högre värde för de tre
hållbarhetsportföljerna gentemot marknaden vilket innebär högre riskjusterad avkastning.
Tabell 5 - Deskriptiv statistik för faktorerna i modellen
Notering: talen redovisas i procent.
5.4 Korrelationsmatriser
Korrelationsmatriser för de enskilda faktorerna i de tre portföljerna redovisas för att få en bättre överblick för hur de relaterar till varandra. Korrelationen mellan två faktorer kan uppvisa ett värde mellan ett och minus ett. Önskvärt är att korrelationen ligger så nära noll som möjligt då detta innebär att två faktorer i modellen inte förklarar samma sak. Om två förklarande variabler har en hög korrelation kan det innebära att en utav variablerna bör övervägas att uteslutas från modellen. Korrelationsmatrisen presenteras nedan i tabell 6.
Tabell 6 - Korrelationsmatriser för faktorerna i modellen
Från tabellen går det att utläsa överlag låga korrelationer mellan faktorerna i modellen. För de förklarande variablerna syns inga höga korrelationer som anses som problematiska och därmed förmodar vi att ingen av modellerna innehar problem med multikollinearitet. För de tre
hållbarhetsportföljerna syns dock en hög korrelation mellan den beroende variabeln
portföljavkastning och den förklarande variabeln markandsavkastning. Däremot korrelerar inte marknadsavkastning med någon annan förklarande variabel och genom att behålla variabeln kan den därmed tillföra något till modellen.
5.5 Metod- och datakritik
För att notera kritik mot metodval och den data som behandlas i uppsatsen redovisas problem som kan påverka det resultat som senare presenteras. Ett problem med hur portföljerna hanteras är att företagen inte uppdateras för varje år. För hela den undersökta tidsperioden består
