Studie på twitteraktivitet från USA:s president Donald J. Trump och dess påverkan på svensk aktiemarknad

Studie på twitteraktivitet från USA:s president Donald J.

Trump och dess påverkan på svensk aktiemarknad

Henrik Claesson 940816 Jonathan Fogdeby 921202

HT19

Företagsekonomi, Självständigt arbete, avancerad nivå, 30hp Ämne: Företagsekonomi

Handelshögskolan vid Örebro universitet Handledare: Kristian Kallenberg Examinator: Pia Lindell

Abstract

Purpose: The purpose of the study is to investigate whether there is a link between Donald J. Trump's statements on the microblogging Twitter and the share price of companies registered on the Swedish stock market, the study will also investigate whether there is any difference in the effect of Donald J. Trump's tweet on large companies listed on the OMXS30 compared to smaller companies listed on the OMXS Small Cap. The study also intends to investigate whether this potential effect has a lasting, declining or increasing effect on the indexes examined.

Methods: To answer this question we used a set of eleven keywords which are Stock, Economy, Tariff, Trade, China, Xi, North Korea, Kim, Russia, Putin and Mexico. From these eleven keywords a total of 1470 tweets were gathered and analyzed by using an event study and a hypothesis test in order to see if the results were significant or not.

Results: When all tweets are included without subdivision into respective keywords no significant abnormal return was observed for OMXSPI. OMXSSCPI showed 6 periods of significant abnormal return and OMXS30 showed 1 period of significant abnormal return. When divided into keywords, abnormal returns were observed at 9 periods of significant abnormal return for OMXSSCPI and OMXS30, for OMXSPI 8 periods of significant abnormal return were observed. Thus, there is support for Donald J. Trump's twitter activity generating a significant effect on the Swedish stock exchange. A difference was observed between OMXSSCPI which was observed for a greater number of periods of significant abnormal return at 6 keywords and OMXS30 which was observed to generate more number of periods of significant abnormal return at 2 keywords. One of the keywords had a lasting effect where the significant abnormal return affected the majority of the periods included in the sample. For other keywords, the effect was diminishing as the majority of the measurement period for these keywords was observed for normal return. The number of tweets published did not affect the effect, the effect was lasting regardless of the number of tweets published for the included keywords.

Key Words: Donald J. Trump, Twitter, stocks, exchange, event study, efficient market hypothesis, OMXSPI, OMXSSCPI, OMXS30,

Innehåll

1 Inledning ... 1 1.1 Bakgrund ... 1 1.2 Problematisering ... 4 1.3 Forskningsfråga ... 6 1.4 Syfte ... 6 2 Tidigare forskning ... 7

2.1 Forskning på annan medias påverkan gällande aktiemarknaden: ... 7

2.2 Forskning på twitters påverkan gällande aktiemarknaden: ... 7

2.3 Forskning på Donald J. Trumps tweets och aktiemarknaden: ... 10

2.4 Tidigare forskning i relation till vår studie ... 11

2.5 Bidrag ... 11

3 Teoretisk referensram ... 13

3.1 Effektiva marknadshypotesen ... 13

3.1.1 Effektiva marknadshypotesens tre grundantaganden ... 13

3.1.2 Effektiva marknadshypotesens former ... 14

3.4 Kritik mot EMH ... 15

3.4.1 Random Walk ... 16

3.4.2 Marknadsreaktion ... 17

3.5 Effektiva marknadshypotesens relation till studien ... 19

4 Metod ... 21

4.1 Arbetssteg... 21

4.2 Kvalitativa forskningsstrategier ... 22

4.3 Datainsamling ... 22

4.3.1 Tidsperiod ... 23

4.3.2 Twitter och nyckelord ... 23

4.3.3 Val av börsdata ... 24

4.4 Artiklar och tidskrifter ... 25

4.5 Eventstudie ... 25

4.5.1 Teorins relation till studien ... Fel! Bokmärket är inte definierat. 4.7 Normalfördelning ... 27

4.8 Metodkritik ... 33

4.8.1 Reliabilitet ... 33

4.8.2 Validitet ... 33

6 Analys ... 48

6.1 Analys av twitter som helhet ... 48

6.2 Analys vid indelning i nyckelord ... 50

6.3 Analys av företagsstorlek ... 54

6.4 Analys av tidsperioden ... 54

6.5 Analys kopplat till tidigare forskning ... 56

7 Slutsats ... 58 7.1 Framtida forskning ... 59 8 Bibliografi ... 60 8.1 Länkar ... 66 Appendix 1 ... 68 8 Bilagor... 72

1

1 Inledning

Kapitlet introducerar läsaren till den bakgrund samt problematisering som leder till ämnesvalet. En överblick av nuvarande forskningsläge ges och motivering till studiens betydelse. Kapitlet avslutas med studiens syfte samt frågeställningar.

1.1 Bakgrund

8e november 2016 röstade USA fram Donald J. Trump till president, en president utan någon tidigare erfarenhet inom politiken som under valkampanjen valt att ta avstånd från traditionell nyhetsmedia. Ett av världens mest inflytelserika länder styrs av en president som valt att använda sociala medier, främst Twitter, som en plattform för att kommunicera med omvärlden vilket är en ny företeelse. (Juma'h & Alnsour 2018; Ge, Kurov & Wolfe 2019). På dennes privata Twitterkonto uttalar sig Donald J. Trump om diverse ämnen som berör och påverkar världsekonomin, förutom detta framhåller presidenten den utveckling som skett på den amerikanska börsen sedan tillträdet som landets ledare. På sitt Twitterkonto räds han inte att öppet kritisera centralbanker, andra lands- samt företagsledare för att hämma ekonomin (Business Insider 2018; Simunjak & Caliandro 2019). Under första året med Donald J. Trump som president hade S&P 500-index en positiv utveckling på 23 % (Fortune 2019, CNBC 2018). Med anledning av att Donald J. Trumps Twitter är en del av Vita Husets officiella informationsdelning (CNN 2017, Spicer 2017) är det intressant att förstå om och hur Donald J. Trumps användning av Twitter har haft en påverkan på aktiemarknaden.

Donald J. Trump anses vara en av världens mäktigaste personer i sin roll som USA:s president där han innehar en unik position med breda befogenheter att påverka politiken. För företag är det relevant hur dessa befogenhet nyttjas då de påverkas av exempelvis regeringsavtal samt handelstullar (Ge, Kurov & Wolfe 2019). Den amerikanska presidenten har stort politiskt inflytande samt tillgång till information från olika statliga institutioner, finansiella institutioner samt rådgivare inom olika områden. Med denna bakgrund antas det att Donald J. Trump har tillgång till information som inte är tillgänglig för allmänheten. Det har i tidigare studier observerats att den information som publicerats på presidentens twitterprofil går att använda som en prediktion till förändringar i den amerikanska ekonomin, finansmarknaderna eller

specifika företag som vid tillfället för publiceringen inte tidigare var känt, vilket skapar en möjlighet för investerare att agera på den nya informationen. (Juma'h & Alnsour 2018).

I samband med ökningen av internetanvändandet har studier observerat en minskning av konsumtionen av traditionell media som exempelvis, radio, tv och tidningar (Stempel, Hargrove, & Bernt, 2000; Dimmick, Chen & Li 2004; Stempel, Hargrove, & Bernt, 2000). Studier har observerat att en ökning av online användare leder till en minskning av användandet av traditionell media som tidskrifter och TV. (Pew Research Center for the People and the Press 2010; 2013)

Enligt Dimmick, Chen & Li (2004) har den växande populariteten av internet som ett kommunikationsverktyg resulterat i förändringar gällande användningen av traditionella medier. En ny typ av media växer, konkurrerar och överlever genom att tillhandahålla ett behov som skapas av konsumenter. Genom skapandet av nya alternativ att konsumera nyheter och information leder det till effekter på redan befintlig media, då nya alternativ uppfyller behov som de tidigare alternativen inte uppfyllt. Konkurrensen leder till att användare av traditionell media sökt sig till modernare sätt att konsumera nyheter. Dimmick, Chen & Li (2004) fann att Internet har en konkurrenskraftig effekt på traditionell nyhetsmedia med störst påverkan på tv och tidskrifter. De fann att Internet har förmågan att på ett bättre sätt tillgodose användarens behov och efterfrågan, vilket leder till ett större antal nöjda användare, gentemot något av de traditionella medierna. Internets konkurrensfördel gällande nyheter går att hänföra till exempelvis att internet samt nyhetsrapportering via tv är de två alternativ som finns där man har åtkomst till nyheter dygnet runt gentemot de mer traditionella medierna som endast finns tillgängliga vid ett mer begränsat antal tillfällen under dygnet (Dimmick et al. 2004).

Det nya sättet att publicera information och nyheter med hjälp av sociala medier har förändrat tillgängligheten och frekvensen. Nyhetslandskapet har förändrats vilket ger oss skäl att tro att dessa förändringar påverkar karaktären av de ekonomiska nyheterna som distribueras och konsumeras. Nyhetskonsumenterna införskaffar en allt större del av sin information online, filtrerad genom sociala medier (Barthel, Shearer, Gottfried, & Mitchell, 2015; Pew Research Center, 2012). Tidigare delgavs information via tidskrifter och officiella uttalanden från myndigheter (Engelberg & Parssons 2011; Gentzkow & Shapiro 2010), vilket skapade en form av filter för det som diskuterats bakom stängda dörrar. När något delgav allmänheten via tidskrifter eller officiella uttalanden granskas det ofta av flera personer som ser till att rätt budskap framgår och att det inte finns några syftnings- eller stavfel.

Antalet individer vilket använder sig av sociala medier som en del av sitt informationsflöde ökar i kapp med att det blir mer accepterat och legitimt (Ellison 2007; Vassileva 2017; Yap & Gaur 2016). Sociala medier används av individer på olika sätt som en källa till information, där vissa individer väljer att väga in denna typ av information gällande beslut om investeringar (Oh & Sheng 2011). Även privata organisationer, företag, icke-statliga organisationer samt medier använder sig idag av Twitter som ett verktyg för att delge information med allmänheten och interagera med dess följare. Både institutionella investerare, privata investerare samt analytiker, använder Twitter för att publicera åsikter och nyhetsartiklar som mer frekvent tillhandahåller kommentarer och information än traditionell nyhetsmedia (Sprenger, Tumasjan, Sandner, & Welpe 2014).

Medieplattformen Twitter har fått en alltmer central roll i politik, media, finansbranschen samt informationsdelning och anses vara ett av de mest effektiva kommunikationsverktygen för offentliga tjänstemän att kommunicera sina meddelanden till allmänheten (Juma'h & Alnsour 2018; Lee & Xu 2018; The Wall Street Journal 2012). För att få tillgång till Twitter skapar en individ, företag eller en organisation ett användarkonto där användaren i sin tur får möjligheten att publicera egna tweets samt ges möjligheten att följa andra användares Twitter konton. När en användare följer en annan persons Twitterkonto får denne direkt upp i sitt Twitterflöde när det kontot som följts publicerar en ny tweet. Möjligheten finns att läsa tweets utan att skapa ett användarkonto vilket gör att det finns ett mörkertal för hur många som faktiskt följer varje användare och läser varje tweet (Twitter 2019).

Donald J. Trumps uttalanden på Twitter ska enligt Vita Huset uppfattas som presidentens officiella uttalande likt all annan elektronisk kommunikation skapad eller mottagen av Vita Huset (CNN 2017, Spicer 2017). Det är av intresse för studien då det innebär att samtliga uttalanden på Twitter av Donald J. Trump ska uppfattas som ett officiellt uttalande.

Vid handel på marknadsplatser, exempelvis börsen, prissätts ny information i realtid. Dessa prisförändringar sker kontinuerligt under marknadens öppettider, där köpare erbjuder ett säljpris och säljare erbjuder ett köppris. När dessa överensstämmer sker en affär och tillgången byter ägare (Fama 1995). Vid denna handel sker beslut enligt erfarenhet och magkänsla där professionella handlare besitter en fördel gentemot gemene man då dessa dels värderar informationen på kortare sikt samt de har kunskap och erfarenhet som appliceras på den nya informationen (Glaser, Langer, Thomas & Weber 2005). Med denna kunskap har individer och institutioner haft möjlighet att skapa ett övertag gentemot gemene man gällande prissättning

av information sedan handel med varor påbörjades. Vid publiceringen av makronyheter eller när företag delger sina rapporter, ges marknaden en möjlighet att positionera sig inför sådana händelser (Bernile, Hu & Tang 2016; Fischer et al. 2011, Green 2005). När nyheter släpps som aktörer på förhand inte haft möjlighet att positionera sig inför och som i förväg bedömts få en effekt på marknaden finns möjligheten att rörelserna bli större än den egentliga effekten av nyheten på grund av att flera aktörer ska prissätta den nya informationen, vid den tidpunkten sker då ett större köp- eller säljtryck än berättigat utifrån den information som delgivits på grund av att dessa aktörer justerar sin risk (Green 2005). Frekvensen på dessa nyheter har tendens att skapa oro hos aktörer och leda till ökad rörelse, därigenom volatilitet, på grund av att aktörer inte vet värdet på nyheten (Green 2005). Nyhetsfaktorer är problematisk att stoppa in i en modell som det går att göra med exempelvis inflationsmått, reporänta eller annan typ av makrodata. Med Donald J. Trump som president har denna typ av uttalanden på Twitter ökat markant gentemot tidigare presidenter (Business Insider 2018, Twitter 2019). Aktörer tvingas ta ställning till en ny typ av osäkerhet, som eventuellt kan påverka värderingen av bolag, eftersom aktörer ser en osäkerhet i att investera. Den volatila effekten som uppstår efter sådana händelser korrigeras till det rätta marknadspriset som Fama (1965) tog upp i sitt arbete om den effektiva marknadshypotesen vilket är den teori som arbetet använder sig av. Effektiva Marknadshypotesen används för att förklara förutsägbarhet i relation till offentlig informationsdelning.

1.2 Problematisering

Twitter har blivit en plattform som används av offentliga personer däribland politiker för att kommunicera med dess följare. Populariteten hos såväl offentliga personer som hos allmänheten har ökat, en förklaring till detta tycks vara att användare ges möjligheten att fritt skriva utan en mellanhand i informationsflödet till läsaren som i fallet med tidskrifter eller officiella uttalanden. Donald J. Trump har valt att ta denna form av kommunikation till en aldrig tidigare beprövad nivå för en person med den typen av maktposition. I slutet av 2019 har Donald J. Trump publicerat över fyrtiofyra tusen tweets på sitt privata Twitterkonto (Twitter 2019) och får via plattformen fritt spelrum för egna uttalanden. Exempelvis diskuteras hur han tänkt lösa krisen i Nordkorea, hur han tänkt lösa problemet med gränsen mot Mexiko, hur Kinas regering agerar, hur amerikanska bolag bör agera, hur Europa bör agera, hur Federal Reserve bör agera för att nämna några av de områden han kommenterar offentligt (Business Insider 2018, Twitter 2019).

Vid slutet av 2019 har Donald J. Trumps privata Twitterkonto över sextiofyra miljoner följare som han interagerar med, genom att kommunicera via maximalt 280 tecken per meddelande. Han blandar där sin roll som president med privata åsikter och uppfattningar, dessa uttalanden har emellertid direkt påverkan på börsen exempelvis när han pratar om att höja eller införa tullar gentemot Kina (Twitter 2019). Enligt Bloomberg (2019) påverkar Donald J. Trump genom sin privata Twitter världsmarknaden både positivt och negativt, genom uttalanden som i praktiken aldrig behöver realiseras. Det finns en möjlighet att osäkerheten hos investerare ökar vilket leder till att volatiliteten ökar i korrelation med detta (Bloomberg 2019). Donald J. Trump har tidigare fått allmän uppmärksamhet samt kritik från media för hans okonventiella tweets rörande hans kampanj inklusive utbrott, samt upprepade förolämpningar riktade till nyhetsmedia och andra politiker. Nyhetsmedia kritiserade redan innan presidentvalet Donald J. Trumps uppviglande och ohyfsade tweets som inte passar en presidentkandidat (Lee & Xu 2018). Det har väckt stor oro eftersom Donald J. Trumps tweets nu är kommunikation som kommer direkt från presidenten vilket går att betrakta som diplomatiska handlingar från USA:s huvuddiplomat (Šimunjak & Caliandro 2019).

Vidare har det gjorts både en svensk samt en finsk studentuppsats som undersökt hur Donald J. Trumps tweets påverkar det amerikanska indexet Dow Jones Industrials Average där författarna fann en påverkan på priset (Tandan 2019; Bagge 2019). Utifrån det vill vi undersöka hur dessa uttalanden påverkar svenska företags börsvärde som aldrig omnämnts i de tweets som publicerats av Donald J. Trump. Vi vill även se om det finns en skillnad i hur större företag noterade på Stockholmsbörsen (OMXS30) samt mindre företag noterade på Stockholmsbörsens Small Cap (OMXSSCPI) påverkas i förhållande till Donald J. Trumps tweets. Anledningen till uppdelningen mellan små och stora bolag är för att se om det finns någon skillnad mellan bolag som agerar mestadels på den inhemska marknaden (små företag) och företag som är starkt beroende av export (stora företag).

Det finns liknande forskning om Twitter relaterat till aktiemarknader och hur investerare ska använda sig av den trender och humör på Twitter för att se indikationer på hur börsen ska utveckla sig dagen efter. Det finns mindre forskning genomförd gällande Donald J. Trumps Twittermeddelanden i relation till aktiemarknader. Inom valt område som fokuserat på Donald J. Trumps Twitter meddelandens påverkan på den svenska aktiemarknaden finns det år 2020 ingen studie som har utforskat ämnet. Det innebär att det finns en lucka inom valt forskningsområde vilket vi med denna studie ska försöka fylla.

1.3 Forskningsfråga

Utifrån problemdiskussionen ovan har följande forskningsfrågor formulerats:

● Har Donald J. Trumps twittrande signifikant påverkan på den svenska börsen i en högre grad än vanliga dagliga genomsnittliga börssvängningar och har denna påverkan varit beständig eller är den tillfällig?

● Finns det en skillnad gällande påverkan mellan större börsnoterade företag med större internationell närvaro kontra mindre börsnoterade företag med en mindre internationell alternativt nationell närvaro?

● Finns det en effekt över tid på svenska börsen av Donald J. Trumps twittrande?

1.4 Syfte

Studiens syfte är att undersöka huruvida en koppling finns mellan Donald J. Trumps uttalanden på mikrobloggen Twitter samt aktiekursen för företag registrerade på den svenska aktiemarknaden, därutöver syftar studien att undersöka om det finns någon skillnad på effekten av Donald J. Trumps twittrande på stora företag noterade på OMXS30 jämfört med mindre företag noterade på OMXS Small Cap. Studien ämnar även att undersöka om denna potentiella effekt har en bestående, avtagande eller ökande effekt på de index som undersöks.

2 Tidigare forskning

Kapitlet presenterar läsaren till området studien undersöker, tidigare forskning samt studiens bidrag. Artiklarnas gemensamma nämnare är att de studerar externa faktorers påverkan på aktiepriset. Första stycket behandlar tidningar och onlineforums påverkan på

aktiemarknaden, andra stycket en större mängd Twitter meddelanden med olika upphovsmän samt tredje stycket behandlar Donald J. Trumps tweet och aktiemarknaden. Alla delområden inkluderades i syfte att visa hur forskningsområdet ser ut i början av 2020.

2.1 Forskning på annan medias påverkan gällande aktiemarknaden:

Wysocki (1998) analyserade 3000 aktier listade på Yahoo!:s finansiella tjänst, studien finner att det totala antalet meddelanden på tjänsten i genomsnitt är högst för företag med tidigare hög avkastning, resultat, högt marknadsvärde, hög volatilitet samt handelsvolym. Förändringar i företagets dagliga marknadskommunikation är associerad med förändringar gällande resultatet. Meddelanden publicerade under natten observerades möjliggöra en prediktion för nästa dags handelsvolym samt avkastning för berört företags aktie. Antweiler & Frank 2004) fann i deras studie baserad på Yahoo!’s finansiella tjänst att positivt sentiment hjälper till att förutsäga indexet Dow Jones Industrials Averages volatilitet. Resultatet observerades ha en statistisk signifikant effekt på avkastningen.

Fang & Peress (2009) undersökte relationen mellan mediatäckning och förväntad avkastning på aktier. Författarna fann att aktier utan mediatäckning hade en högre avkastning än aktier med hög mediatäckning. Resultatet observerades som mer markant för mindre aktier och aktier med högt individuellt ägande, få följande analytiker, samt hög volatilitet. Deras resultat indikerar att bredden av informationsspridning påverkar avkastningen på aktier. (Fang & Peress 2009)

2.2 Forskning på twitters påverkan gällande aktiemarknaden:

Tidigare forskning gällande mikrobloggen Twitter säger att investerares pessimism kan förutsäga mönster för aktiviteten på aktiemarknaden. Tetlock (2007) fann att marknaden reagerar negativt på ett negativt sentiment vilket leder till en minskning av aktieprisnivåerna. Resultatet i studien säger att där finns en signifikant effekt, dock är effekten avtagande och den elimineras på längre sikt. Författaren lyfter fram att handelsvolymen påverkades av såväl låga som av höga nivåer gällande pessimism vilket resulterade i att dessa volymer ökade. Författaren

(Tetlock, Saar-Tsechansky & Macskassy 2008) till studien genomförde en liknande undersökning där de använde sig av positiva och negativa ord för att klassificera artiklar efter sentiment. De fann stöd för att finansiella artiklar med negativa ord är ett tecken på framtida låga resultat för företag samt att marknaden inte alltid reagerar omedelbart på den informationen vilket är ett incitament för investerare att följa nyheterna. (Tetlock, Saar-Tsechansky & Macskassy 2008)

Sprenger et al. (2014a) fann att positiva tweets inte påverkar marknadens avkastning samt att högre avkastning på marknaden leder till fler positiva tweets. Ett högt antal publicerade tweets påverkar handelsvolymen dagen efter och följande dag, den högre handelsvolymen leder till ett högre antal publicerade tweets dagen efter. Vidare fann de att högre volatilitet leder till att antalet publicerade tweets ökar. Sambandet verkar inte åt båda håll, det vill säga att antalet publicerade tweets inte leder till högre till volatilitet. Sprenger et al. (2014b) genomförde en liknande studie som ovan, de fann stöd för att marknaden inte reagerar på nyheter angående rubrikerna produktutveckling och joint venture medan nyheter som berör företagsförvärv och vinster ger upphov till större reaktioner. Författarna fann att positiva nyheter har en signifikant påverkan några dagar före eventdagen vilket antas ha att göra med att nyheten läckt innan den publicerats. Dessa positiva nyheter har en positiv statistiskt signifikant abnormal aggregerade avkastning på händelsedagen. Där finner de en koppling till överreaktioner på aktiemarknaden som sedan nästintill eliminerats nästkommande dagar. Negativa nyheter har bara statistiskt signifikanta abnormal aggregerad avkastning på händelsedagen och antas därmed inte vara sådan information som läckt ut i förtid. (Sprenger, Tumasjan, Sandner & Welpes 2014b) Bollen, Mao och Zeng (2011) använde sig i deras studie av sex stycken typer av humör (lugn, alert, säker, vital, vänlig, lycklig) för att kategorisera tweet. De fann statistiskt signifikanta resultat för kategorin ”Lugn” som indikerade på att det var möjligt att förutspå Dow Jones Industrials Average värde två till fem dagar tidigare än händelsedagen. De fann en korrelation mellan mätningar av allmänhetens humör på Twitter och aktievärderingar.

Ruiz et al. (2012) nämner att det uppstår ett problem med att korrelera twitteraktivitet med händelser på aktiemarknaden som exempelvis förändringar i pris och handelsvolym. Författarna studerade meddelanden relaterade till ett antal företag och sökte korrelationer mellan händelser på aktiemarknaden och meddelanden på Twitter. De fann att korrelationen är starkare gällande handelsvolym än vad den är gällande aktiekursen. De fann att korrelationer mellan pris- och Twitters funktioner går att nyttja för att skapa en aktiehandelsstrategi som överträffar marknaden.

Garcia-Lopez, Batyrshin & Gelbukh (2018) studerade relationen mellan meddelanden på Twitter och aktiemarknadspriser. De fann en korrelation mellan mängden dagliga meddelanden och handelsvolymen, de fann också negativ associering mellan mängden tweets och finansiella indikationer. De finner i deras litteraturanalys att sentimentanalys är mer användbar på den globala nivån än på företags aktienivå.

På global nivå har Yang, Mo och Liu (2015) funnit bevis för ett finansiellt samhälle på Twitter där användares publicerade tweets överensstämmer med ekonomiska marknadsrelaterade händelser. De identifierade relevanta twitter-användare som bildade dessa samhällen där författarna analyserade deras inflytande inom det ekonomiska samhället. Med hjälp av en algoritm för sentimentanalys konstruerade de ett viktat sentimentmått med hjälp av tweets från dessa relevanta användare. De observerade att det fanns en korrelation mellan tweetsen och de aktieindex som undersöktes. Bae & Lee (2012) har genomfört en sentimentanalys på Twittermeddelanden från populära användare. De analyserade över 3 miljoner tweets som nämnde eller svarade på de 13 mest inflytelserika twitteranvändarna. Författarna fann att de känslor som uttrycktes i tweets av populära användare påverkade den kollektiva känslan hos deras följarskara.

Tumasjan et al. (2010a) fann stöd för att känslan som användare upplever vid en tweet möjliggör en onormal utveckling av aktiepriset. Studien inkluderade endast positiva omnämnanden på Twitter, de undersökte således inte alls effekten av negativa. En annan studie av samma författare (Tumasjan et al. 2010b) fann att antalet följare förstärker effekten av ett Twitter-inlägg. Likt tidigare nämnda studier om sentiment finner Zhang, Fuehres & Gloor (2010) stöd för att emotionella tweet korrelerade negativt med Dow Jones, NASDAQ och S&P 500, de observerade en signifikant positiv korrelation till VIX varav de drog slutsatsen att för att skapa en prediktion för aktiemarknaden räckte det med att leta på Twitter efter känslomässiga utbrott av något slag vilket skulle ge en förutsägelse för hur aktiemarknaden kommer att handlas dagen efter. Det finns även studier som fokuserat på hur marknaden reagerat på olika typer av information gällande specifika bolag. Sul, Dennis & Yuan (2017) fann stöd för att känslomässiga tweets som påverkar sentimentet angående ett företags aktie som sprids snabbt genom sociala medier är mer sannolikt att snabbt integreras i aktiekursen medan tweets som påverkar sentimentet som sprider sig långsamt tar längre tid att integrerats i aktiekursen.

Oliveira, Cortez & Areal (2013) analyserade tweets från 9 större teknologiföretag under en period på 32 dagar. Två typer av data insamlades: sentimentindikatorer och antal tweets. Författarna fann inget stöd för att sentimentindikatorerna kunde förutse aktiemarknadens

avkastning följande dag, men stöd för att antalet tweets är relevant för att förutse aktiemarknadens rörelser följande dag.

2.3 Forskning på Donald J. Trumps tweets och aktiemarknaden:

Tidigare studier har undersökt hur aktiemarknaden reagerar på när Donald J. Trump publicerat tweets som berör specifika företag. För att en tweet skulle inkluderas krävdes det att företaget hade svarat på den tweet där företaget nämnts. Dessa publicerade tweets kategoriserades utifrån om omnämnandet var positivt eller negativt.

Born, Myers och Clark (2017) fann stöd för att positiva tweets genererade positiv abnormal avkastning på dagen för händelsen. De negativa tweetsen genererade negativ abnormal avkastning dagen efter händelsen. Vidare fann de stöd för att handelsvolymen påverkades på dagen för händelsen. En liknande studie genomfördes av Ge, Kurov och Wolfes (2018) i denna studie hade författarna en större mängd twittermeddelanden i den data som observerades. Den data som användes inkluderade publicerade tweets av Donald J. Trump där de använde sig av ett liknande tillvägagångssätt där författarna delade upp tweetsen i positiva och negativa grupper.

Ge et al. (2018) fann att aktiepriset, handelsvolymen, volatilitet samt uppmärksamheten ökar. De konstaterar att den abnormala avkastning som sker följs av en motsatt effekt på aktiepriset dagen efter vilket eliminerar effekten som uppstod på händelsedagen. Vidare konstaterar de att effekten för dessa tweets är större före perioden då han tog över som USA:s president, samt att det inte fanns någon skillnad mellan positiva och negativa tweets påverkan på aktiemarknaden. Studiens resultat visar på att 19 av de 37 observerade tweetsen inte visade på någon signifikant abnormal effekt. Wagner, Zeckhauser och Ziegler (2018) finner stöd i sin studie för att tweets publicerade på Donald J. Trumps officiella Twitterkonto som inkluderar namn på börsnoterade företag påverkar företagens aktiekurser. De ökar även aktiens handelsvolym, volatilitet och institutionella investerares uppmärksamhet, dessa tweets gavs även stor uppmärksamhet från finansiella medier. Resultatet påvisade liknande observation som Ge et al. (2018) fann i deras studie, att påverkan var större innan Donald J. Trump tog över som president.

Wagner, Zeckhauser och Ziegler (2018) studie visade på att den inledande påverkan på aktiekurserna återgick under de närmaste handelsdagarna.

Juma'h & Alnsour (2018) undersökte förändringar på aktiemarknaden och aktiekurser till specifika företag som nämnts i Donald J. Trumps tweets. Tweetsen sorterades enligt en uppsättning nyckelord relaterade till finans, ekonomi, offentlig politik samt närmanden av

specifika företag. De fann inte signifikant stöd för att Donald J. Trump’s twitteraktivitet skulle ha påverkat aktieindexen eller specifika företags aktiekurser.

2.4 Tidigare forskning i relation till vår studie

Tidigare studier som har baserats på aktiemarknadens påverkan av andra källor än Twitter har minst relevans för denna studie då de endast innefattar en av tre intressanta undersökningsobjekt, aktiemarknaden. Tidigare forskning som är baserat på Twittermeddelandens påverkan är mer relevant gentemot studier som inte undersöker meddelanden från Twitter då både Twitter samt aktiemarknaden finns med som undersökningsobjekt. Forskning baserad på Donald J. Trumps twittrandes effekt på aktiemarknaden är av mest betydelse då dessa studier har mest likheter med våran egen. Att ha med alla dessa områden anser vi vara av stor vikt då det skapar en överblick över hur forskningsområdet ser ut idag. Det som går att utläsa av kapitlet innan är att väldigt lite forskning finns där undersökningen specifikt undersöker Donald J. Trump gentemot all annan forsknings som finns på hela området vilket skulle vara olika meddelandets effekt på aktiemarknaden.

2.5 Bidrag

Med bakgrund av tidigare forskning hoppas vi kunna bidra till ökad förståelse angående om Donald J. Trump påverkar värderingen av bolag på den svenska aktiemarknaden. Denna studie avser bidra med kunskap om hur bolags värderingar påverkas vid Donald J. Trumps uttalanden under tiden som president, uttalanden som inte rör bolag, fram tills 24 september 2019 vilket var den tid då studiens datainsamling startades. Att förstå effekten av presidentens tweets är avgörande för att förstå den ständigt utvecklande digitala världen där inflytelserika personer ibland har en omedelbar effekt på marknaderna. Donald J. Trump har twittrat frekvent sedan han blev vald till president och publiciteten för hans twitterkonto ökar i takt med att han twittrar. Med den ökade publiciteten ökar antalet följare, vilket ökar inflytandet genom twitter. Utifrån det är det i högsta grad relevant att förstå vad denna typ av aktivitet och uttalanden har för effekt på en utländsk marknad, i denna studie Sveriges aktiemarknad. Det teoretiska bidraget går ut på att studien ger en klarare bild över hur en välkänd teori som EMH fungerar i dagens samhälle. Studiens resultat blir viktigt i framtida studier där enkla meddelanden på en mikroblog relateras till företags aktiekurser. Exempelvis kan en s.k. Daytrader använda sig av studiens resultat i syfte att förbättra sin egen aktiestrategi, forskare

kan använda sig av studiens resultat i syfte att skapa nya teorier och modeller som beskriver hur aktier påverkas av ny information.

3 Teoretisk referensram

Den teoretiska referensramen innehåller en beskrivning av den effektiva marknadshypotesen, kritik mot den effektiva marknadshypotesen samt teorins förhållande till studien.

3.1 Effektiva marknadshypotesen

Teorin bakom den effektiva marknadshypotesen (EMH) används för att förklara marknadens förutsägbarhet i förhållande till offentlig informationsdelning (Fama 1965, 1970, 1991). EMH beskriver aktiekurserna på en marknad som helt reflekterande av all offentlig information där marknaderna är till fullo effektiva (Fama 1965, 1970, 1991).

Enligt EMH är det omöjligt att förutsäga en tillgångs framtida utveckling eftersom marknaden är effektiv och prissätter all tillgänglig kunskap och information, det är således inte möjligt att göra en högre avkastning på grund av information, högre avkastning uppnås bara med högre risk. Eftersom det inte finns någon möjlighet att förutsäga värdet på en tillgång agerar köpare och säljare endast på det aktuella värdet på tillgången, inte det framtida förväntade värdet. EMH innebär ett antagande om att det är omöjligt för en part på marknaden, som endast agerar på offentligt tillgänglig information att uppnå en överavkastning (Fama 1991). EMH i sin tur kategoriseras i tre olika nivåer, varvid varje nivå definierar mängden information som ingår i aktiens marknadspris.

3.1.1 Effektiva marknadshypotesens tre grundantaganden

De tre grundantaganden som görs i den effektiva marknadshypotesen är följande:

1. All information är kostnadsfri och tillgänglig för alla aktörer på marknaden.

2. Det finns inga transaktionskostnader, detta gäller samtliga tillgångar.

3. Alla deltagare drar samma slutsatser gällande all tillgänglig information, priser på marknaden och framtida prisfördelning. Detta villkor anger att priserna på alla tillgångar på marknaden under varje givet moment återspeglar all tillgänglig information.

3.1.2 Effektiva marknadshypotesens former

Det är uppenbart att marknaden som förklaras i den effektiva marknadshypotesen ovan inte är representativ för den faktiska marknaden. Fama (1970) hävdar att detta inte bör ses som ett problem eftersom EMH gör antaganden som bör tillämpas men de är inte nödvändiga. Det är möjligt för marknaden att vara effektiv även om inte alla deltagare har samma information. Så länge som tillräckligt stort antal investerare har full marknadsinformation kommer priserna att närma sig återspegling av all tillgänglig information. Vidare att om transaktionskostnader beaktar all information på marknaden och värderar den korrekt, kommer det andra antagandet inte att vara möjligt att förkasta, trots att transaktionskostnaderna ses som höga. Fama (1970) hävdar att komplikationerna kring huruvida olika investerare drar olika slutsatser från den tillgängliga informationen inte är ett problem så länge vissa investerare inte lyckas skapa överavkastning från dessa slutsatser. Fama (1970) säger emellertid att marknaderna i verkligheten sannolikt inte är fullt effektiva, därför föreslår Fama (1970) tre olika former av den effektiva marknadshypotesen; svag-, semi-stark och stark form. Varje form är utformad för att bättre undersöka olika avvikelser och hur de olika formerna påverkar prisförändringar på tillgångar.

Svag form

I den svaga formen av effektiva marknader är aktiekursen idag en återspegling av tidigare data om priser och information. De tidigare priserna tillför inget värde för att förutsäga framtida priser eftersom denna data redan återspeglas i dagens pris. För att testa den svaga formen för effektivitet måste det avgöras om aktuella förändringar i aktiekurserna går att förklaras med hjälp av historiska förändringar. Om det går att förklaras med historiska priser är det inte en svag form av en effektiv marknad (Fama 1970).

Semistark form

All tillgänglig offentlig information återspeglas i den aktuella tillgångens pris, vilket innebär att nyhetsmeddelanden direkt påverkar aktiekurserna. Investerare ges inte i denna form en fördel genom att använda teknisk analys för att generera högre avkastning, endast från information som inte är allmänt tillgänglig kan aktörer öka sin avkastning och få en fördel på marknaden. Eftersom informationen omedelbart återspeglas i aktiekurserna enligt den effektiva marknadshypotesen, kommer morgondagens pris endast att bero på morgondagens nyheter vilket innebär att prisutvecklingen kommer att vara oberoende av tidigare förändringar. För att

testa den halvstarka formen av effektivitet avgörs huruvida den offentliga nyhetsrapporteringen återspeglas i aktiekursen omedelbart eller om det finns en fördröjning mellan nyheterna och prisändringen. Om det är en försening har investerare möjlighet att förutse framtida förändringar i aktiekursen baserat på känd information och marknaden skulle alltså inte bedömas vara en halvstark form av den effektiva marknaden (Fama 1970).

Stark form

All information, offentlig och privat, påverkar aktiekurserna. Ingen investerare har monopolistisk tillgång till viss information och det finns ingen typ av information som ger investerare en fördel, eftersom all information redovisas. För att testa den starka formen av effektivitet måste det avgöras huruvida en investerare med exklusiv information genererar en högre avkastning än genomsnittet. Fama (1970) erkänner bristerna i den starka formen, eftersom att en sådan extrem modell inte förväntas vara en exakt beskrivning av världen. Han hävdar att formen troligen bäst ses som ett riktmärke för hur vikten av avvikelser från marknadseffektivitet kan bedömas (Fama 1970).

3.4 Kritik mot EMH

Tre teorier som motsätter sig EMH är momentuminvestering, beteendefinansering samt fundamental analys. Momentuminvestering är en kombination av teknisk och fundamental analys som hävdar att vissa prismönster kvarstår över tiden. Beteendefinansiering hävdar att investerare styrs mer av psykologi än rationalitet och effektivitet. Fundamental analys säger att vissa värderingsförhållanden förutsätter högre eller lägre avkastning. (Malkiel 2003) Momentuminvesterare baserar sina argument mot EMH på att i en helt effektiv marknad borde de korta följekorrelationerna mellan aktiekurser vara noll, men de hävdar att flera studier har visat på att kortvariga seriekorrelationer inte är noll, vilket indikerar möjligheten till ett mönster som går att förutsäga. Trots att dessa upptäckter är statistiskt signifikanta innebär det inte att de är ekonomiskt signifikanta. Dessutom presterar momentumstrategier inte på alla marknader. Även om de ledde till en överavkastning i slutet av 1990-talet genererade den ett underskott i förhållande till den dåliga marknaden i början av 2000-talet (Malkiel 2003). Betendefinansiering indikerar att investerare överreagerar på vissa händelser och underreagerar på vissa andra. Både underreaktion samt överreaktion är lika vanliga och fortsättning av onormal avkastning är lika vanligt som tillbakavändningar. Med andra ord, vad som verkar vara en trend enligt utövarna av beteendeekonomi, är bara en slumpmässig händelse (Malkiel

2003).

Vid fundamental analys går det applicera fundamental data, det vill säga inledande utdelningsavkastning och pris i relation till vinstmultiplar i syfte att förutsäga framtida aktieavkastning. Dock går det inte alltid att förutse aktieavkastning under alla tidsperioder vilket innebär att den inte strider mot EMH. Alltså dras slutsatsen att enstaka avvikelser inte bryter mot den effektiva marknadshypotesen; de förlorar sin förutsägelseskraft när de upptäcks och fungerar inte på längre sikt (Malkiel 2003).

Malkiel (2003) bestrider påståenden från alla dessa teorier som utmanar EMH. Han noterar dock att det finns en skillnad mellan marknadseffektivitet och perfekt prissättning. Marknaden felprisar ibland värdepapper, åtminstone på kort sikt, men en investerare vet inte i förväg när en felvärdering kommer ske. (Malkiel 2003)

3.4.1 Random Walk

Forskningen gällande möjligheten att förutsäga marknaden har ifrågasatts av teorier som EMH som säger att marknaderna är effektiva gällande tillgänglig information samt att förutsäga pris är en omöjlighet eftersom prisutvecklingen för en tillgång är slumpmässig och följer en random walk. Oförutsägbarheten i en tillgång eller säkerhets framtida utveckling av värdet kallas en random walk pattern, eftersom utgivningen av ny information som nyheter inte går att förutsäga (Bollen et al. 2011). En slumpmässig utveckling innebär att det vid varje givet tillfälle är 50 procent chans eller risk för att tillgången ska öka eller minska i värde till nästa tidsperiod, oavsett om tidsperioden är en minut, en dag eller ett år. Bollen et al. (2011) konstaterar att random walk pattern inte är helt korrekt eftersom prisnivån för enskilda aktier till viss del går att förutsäga enligt tidigare forskning inom ämnet.

3.4.2 Marknadsreaktion

Ett flertal studier har gjorts i syfte att testa EMHs hållbarhet. När man studerar relevant data går det att undersöka om aktiepriser återspeglar all ny tillgänglig information som nått marknaden.

Figur 1. Kursen gör en anpassning i samband med ny information vid dag 0 efter den initiala kursutvecklingen (De Ridder 1990).

Figuren ovan visar aktiemarknadens reaktion efter ny information nått marknaden. En effektiv marknad absorberar ny information på ett sådant sätt som den heldragna linjen i figur 1 visar, alltså från P0 till P1. Detta innebär att marknadsaktörernas förväntningar på bolaget förändras vid tidpunkt 0. Tidpunkt 3 visar sedan det justerade jämviktspriset i linje med P1, vilket bekräftar den kurskorrigering som skett efter att den nya informationen nått marknaden. Händelsen visar en positiv abnormal kursförändring, en överreaktion som sedan korrigerats till det nya jämviktspriset P1 (De Ridder 1990).

Figur 2. Kursen gör en anpassning i samband med ny information vid dag 0 efter den initiala kursutvecklingen (De Ridder 1990).

Figuren ovan visar en negativ överreaktion som skett efter att ny information nått marknaden. Den effektiva marknaden absorberar ny information enligt den heldragna linjen mellan P0 och P1. Jämviktspriset blir vid tidpunkt 3 efter att P1 justeras till värdet i linje med P1 vid dag 0. Detta bekräftar den kurskorrigering som ny information medför. Likt Figur 1 som visar en abnormal positiv avkastning visar Figur 2 en abnormal negativ avkastning som sedan korrigeras till det nya jämviktspriset (De Ridder 1990).

EMH har fått kritik för att inte ha gett en komplett bild av det sätt marknaden mottar ny information. Rendleman, Jones & Latané (1982) studerade överavkastning i relation till publicerandet av kvartalsrapporter, de använde sig av en residualanalys för att undersöka fenomenet. Författarna drog slutsatsen att marknaden inte är fullständigt effektiv, vilket är motsatsen till vad EMH förutsätter.

Forsgårdh & Hertzen (1975) genomförde en undersökning på hur den svenska marknaden reagerade på ny information. Författarna drog slutsatsen att marknaden reagerade snabbt på ny information och därmed kunde ses som effektiv. Deras slutsats gjorde att Fama (1991) drog slutsatsen att aktiekurserna reflekterade all tillgänglig offentlig information, men att den samtidigt inte kunde ses som fullständigt effektiv. Enligt Fama (1991) beror detta på den asymmetriska informationsfördelning som finns på marknaden där vissa investerare har bättre förutsättningar och därmed tillgång till information som hela aktiemarknaden inte har haft möjlighet att prissätta.

3.5 Effektiva marknadshypotesens relation till studien

För att observera den eventuella effekt som sker i samband med att Donald J. Trump publicerar uttalanden på Twitter, tillämpas i denna studie den semistarka formen eftersom det som publiceras är troligtvis ny information för marknaden och inte något som går att förutse genom att titta bakåt i tiden. Om effektiva marknadshypotesen ska hålla, innebär det att marknaderna ska ha reagerat på presidentens tweets och vi ska tydligt ha möjlighet att påvisa att det finns en förutsägbar påverkan av dessa uttalanden på svenska börsnoterade bolag. EMH säger att en reaktion på priset kommer att äga rum om marknaden skulle anse att en händelse har ett nyhetsvärde som har en effekt på marknaden. I ett fall där marknaden inkorporerar Donald J. Trumps tweet som ny information bör det ske en omedelbar reaktion på priset som svar på en tolkning av tweetens påverkan.

I de fall där informationen som publiceras via Twitter delvis eller helt förväntats finns möjligheten att värdet på uttalandet redan inprisats i tillgångens kurs innan uttalandet faktiskt publicerades. I ett sådant fall får bekräftelsen av uttalandet en inverkan på prissättningen på grund av osäkerheten som uppkommer i samband med denna information. Offentliga tillkännagivanden som inte innehåller ny information (t.ex. upprepningar av ett tidigare meddelande) bör ignoreras av rationella och informerade investerare. Irrationella eller sämre informerade investerare och aktörer som handlar på daglig basis kan dock komma att agera när denna information uppmärksammas igen. I dessa fall utgör handeln mellan dessa aktörer troligtvis en stor del, i förhållande till handeln hos rationella/långsiktiga handlare, kan tillgångspriserna uppträda på ett sätt som strider mot EMH:s förutsägelse, dvs. att det påverkar priset trots redan befintlig information.

Enligt forskningsfrågorna kan Effektiva Marknadshypotesen anses vara relevant då alla tre frågor innefattar antingen en tidsaspekt eller effekter av ny information på svenska aktiemarknaden. EMHs semistarka form (Fama 1970) säger att all information återspeglas i aktiekursen så bör det rent logiskt inte finnas ett positivt svar till de frågeställningar som utformats till studien. Frågeställningarna utformades för att ifrågasätta den semistarka formen samt om stockholmsbörsen kan betraktas enligt EMHs semistarka form. Detta går sedan vidare till studiens syfte vilket har utformats på ett sådant sätt att författarna ska kunna se och utläsa ett resultat angående om Donald J. Trump har en mätbar påverkan på svenska aktiekurser, som då vid positiva resultat skulle vara motsatsen till EMHs semistarka form. Om den semistarka

formen skulle hålla så skulle Donald J. Trumps Twitter meddelanden inte ha någon påverkan på de aktier inom de index som undersöks.

När Fama (1965) introducerade EMH blev teorin snabbt accepterad av akademiska finansekonomer. Det ansågs generellt att värdepappersmarknader av väldigt effektiva i att reflektera information om enskilda aktier sant aktiemarknaden som helhet. Den accepterade uppfattningen var att när information uppstår sprids nyheter snabbt samt införlivas snabbt i värdepappers priser. Således skulle inte teknisk eller fundamental analys hjälpa investerare att uppnå högre avkastning än de som kunde erhållas genom att ha en aktieportfölj uppbyggd enbart av slumpvis valda aktier (Malkiel 2003). Att många teorier har framkommit efter kritik mot EMH ser vi som ett ypperligt tillfälle att testa specifikt den semi-starka formen av EMH samt se hur den står i relation till den svenska aktiemarknaden 2019/2020 samt information som härstammar från Donald J. Trumps Twitterkonto.

4 Metod

Metodkapitlet presenterar studiens nyckelord, arbetsgången, de statistiska teorier som använts samt forskningsstrategi och ansats. Strategin och ansatsen diskuteras där den mest lämpade motiveras, detta för att läsaren lätt ska kunna följa studiens genomförande samt varför den genomförts på det valda sättet.

4.1 Arbetssteg

Modellen nedan visar de arbetssteg som följts gällande tillvägagångssätt för att genomföra studien. Initialt träffades författarna och diskuterade ämnesval, valet föll på aktiemarknaden och finansområdet eftersom båda har liknande intresse inom området. Sökandet började sedan efter intressant data som ligger till grund för arbetet, när denna data var insamlad stod vi inför uppgiften att söka igenom tidigare litteratur i syfte att skapa en överblick över forskningsområdet samt vilken del av forskningsområdet som denna studie kunde komplettera. När bilden av forskningsområdet insamlats skapades ett antal forskningsfrågor vilka ämnade besvara de luckor som uppdagats. I syfte att svara på dessa forskningsfrågor användes två hypotesfrågor som svarar på om resultatet är signifikant eller ej. Därefter påbörjades datainsamlingen där Bloombergs databas användes för att få tillgång till börsdatan samt Twitter för att få tillgång till Donald J. Trumps twittermeddelanden. När all data var insamlad skapades analysmodellen vilket var den mest krävande delen i arbetet. Slutligen analyserades resultatet i linje med den teori som arbetet grundar sig på samt tidigare forskning vilket leder till den

Figur 3. Källa: Egen bearbetning

4.2 Kvantitativa forskningsstrategier

Studien ämnar förklara effekterna av den amerikanska presidenten Donald J. Trumps twittrande och den eventuella påverkan det har ett annat lands värderingar på aktiemarknaden. En kvantitativ undersökning av de nyckelorden twittrade av Donald J. Trump görs genom insamlandet av kvantitativ data av överskådlig karaktär (Eliasson 2013). Den kvantitativa undersökningen ger en uppfattning om vilken tid på dygnet tweetet publicerades, samt om ett tweet innehållande nyckelorden eller nyckelordet har påverkat något av berörda index studien undersöker.

En kvantifiering avser att förklara olika komplexa samband utan att behöva gå in på djupet (Bryman & Bell 2011). Kvantitativ metod är således användbar vid studier som testar variablernas signifikansnivåer och därmed tillämpas den vid studier vars frågeställning är att förklara variabler, exempelvis publicerade tweets effekt på den svenska aktiemarknaden (Bryman & Bell 2011). Att eftersträva ett objektivt resultatet skapar ytterligare motivering till att tillämpa en kvantitativ ansats. Objektivitet uppnås genom den data som används som består av siffror inhämtade från en databas där författarnas tolkning helt åsidosatts. Det ger läsaren en möjlighet att använda sig av empiri och resultatet för att tolka det på egen hand. Det finns en subjektivitet vid tolkningen av litteratur, analys samt slutsats. (Bryman & Bell 2011).

4.3 Datainsamling

För att lösa det problem som studien ämnar att besvara har data inhämtats från Twitter och Bloombergs databas. Vi använde oss av en liknande databasundersökning som Chirinko & Schaller (2004), Ang et al. (2000) samt Agrawal & Knoeber (1996) som utifrån olika krav på

metodik haft liknande problem. Vid datainsamlande från en databas antar man att databasen innehåller korrekta siffror. Studien eftersträvar en hög tillförlitlighet och använder endast data från originalkällor vilket är Bloombergs för den börsdata som inhämtats samt Twitter eftersom det är den plattform som Donald J. Trump använder sig av. Stickprov på de index som undersökts har gjorts från den data som insamlats från Bloomberg med data från Wall Street Journal samt svenska aktörer på finansmarknaden som Avanza och Nordnet i syfte att bekräfta att den data som insamlats stämmer överens med likvärdiga källor.

4.3.1 Tidsperiod

Valet av tidsperiod är gjord utifrån att undersöka hur en presidents uttalande via Twitter har en marknadspåverkan och huruvida denna effekt är konstant, avtagande eller eskalerande. Från invigningsdagen den 20 januari 2017 till 24:e september 2019, har Donald J. Trump tweetat om nämnda rubriker, både positivt och negativt. Argumentet för att begränsa tidsramen till den period som Donald J. Trump suttit som president är motiverad utifrån flera aspekter. Första faktorn är att det är rimligt att anta att det finns ett inre värde i att studera presidentens tweets från den veckan han blev president och inte tidigare eftersom vi är intresserade av en presidents påverkan och inte gemene inflytelserik person. Denna studie ämnar studera presidentens Twitter-kommunikation och studien är därför begränsad till tiden sedan datumet Donald J. Trump invigdes. Vidare går det att argumentera för att studera en så lång tid som möjligt för att fånga upp eventuella kortsiktiga effekter som inte får någon effekt över tid, hur marknaden tolkar informationen över tid desto fler gånger man värderar uttalanden. Att studien endast använder sig av data fram till 24 september 2019 kommer från det att data började insamlas, om ny data hade lagts in senare hade beräkningarna varit tvungna att börjas om vid varje ny datapunkt och därmed tagit mer tid.

4.3.2 Twitter och nyckelord

Vidare har de tweets som analyserats endast hämtats från Donald J. Trumps personliga Twitter ”@realdonaldtrump” och inte från Presidentens officiella Twitter ”@Potus” eftersom det officiella kontot just nu endast innehåller retweets av det @realdonaldtrump publicerar. Med Donald J. Trumps ca 44 700 tweets är det tidskrävande samt ineffektivt att söka i dennes historik via Twitters egna plattform. Istället för denna process togs valet att använda plattformen Trump Twitter Archive, där alla Trumps tweets är samlade, genom att söka på specifika nyckelord tas samtliga tweets för en specifik tidsperiod upp som innehåller valt nyckelord. De återger inte bara i text tweetens innehåll, utan länkar dessutom till originalkällan

Twitter. För att förtydliga, Trump Twitter Archive används inte som källa utan som ett verktyg för att skapa att en överblick och sortera bland alla tweets. Donald J. Trump är registrerad för sin tidszon vilket gör att alla tweets anges i GMT -4 när vi i Sverige använder GMT +2, vidare går inte Europa och USA över till sommar & vintertid vid samma datum, vilket vi tagit hänsyn till eftersom det under dessa perioder leder till att differensen blir endast 5 timmar istället för 6 timmar.

Varje enskild tweet ses som en ny händelse om inte tweetsen sker i nära anslutning till varandra eller uppenbart hänger samman. Sammanhängande tweets är uttalanden som inte slutförts på 280 tecken utan fortsätter över flera sammanhängande tweets. I de fall när de är sammanhängande bedöms tweetsen utifrån när det första tweeten publicerades.

Avsikten är inte att undersöka samtliga tweets eftersom många tweets på förhand antas ha en minimal effekt på marknadens värdering. För att minimera risken för godtycklig värdering av varje tweet har istället nyckelord valts ut som används frekvent och som associeras med specifika händelser eller ekonomiska termer. Dessa nyckelord är, “stock”, “economy”, “tariff”, “trade”, “China”, “Xi”, “North Korea”, “Kim”, “Russia”, “Putin”, “Mexico”. Dessa nyckelord har inkluderats för att de använts flitigt samt är faktorer som påverkar omvärlden men inte specifikt Sverige. Därför är det intressant att se om uttalanden som inkluderar dessa nyckelord ger något utslag även på den svenska aktiemarknaden. Dessa nyckelord har valts av författarna själva då vi ansåg att de användes i så stor utsträckning att de skulle vara passande nyckelord att ha med i denna studie. Nyckelorden samt dess relevans för studien presenteras på ett mer grundläggande sätt i Appendix 1. Detta är en studie av dessa uttalanden för att se om dessa nyckelord ger en omedelbar effekt på svenska företags aktiekurser samt därigenom bolagens värderingar.

4.3.3 Val av börsdata

När det kommer till urvalet av de svenska aktierna som studien ämnat att analysera har tre stycken index valts, det övergripande OMXS Price Index, OMXS30 samt OMXS Small Cap. Om alla företag på Stockholmsbörsen analyserats för hand utefter deras börsvärde hade det tagit för lång tid, därmed är det mer effektivt att använda ett index. Dessa index är uppbyggda efter storlek på bolaget där OMXS30 är de 30 mest omsatta bolagen på Stockholmsbörsen och OMXSSCPI står för Small Cap vilket är en lista för de mindre bolagen. För att ett företag ska få vara listat på Stockholmsbörsens Large Cap vilket samtliga bolag på OMXS30 är måste företagen inneha ett börsvärde på över 1 miljard euro. OMXSSCPI visar Stockholmsbörsen

Small Cap vilket innefattar mindre företag med ett börsvärde under 150 miljoner Euro. Båda indexen är marknadsviktade index vilket innebär att desto större börsvärde ett företag har, desto mer kommer företaget att påverka indexkursen. Detta är dock inget som tas med i beräkningarna eftersom studien endast ämnar undersöka den totala påverkan på alla aktier. Valet på OMXS30 över Large Cap är att skillnaden blir som störst om vi tar de största av de största och jämför med det minsta, vi är ute efter att se om det finns en skillnad och därmed är det bättre att undersöka olikheter.

4.4 Artiklar och tidskrifter

Artiklarna som används är framsökta i databaser som Business Source Premier samt Google Scholar där uppfyllt kravet Scholarly (Peer Reviewed) Journals, alltså att de har blivit vetenskapligt granskade i syfte att höja nivån på arbetet, eller hämtats från erkända aktörer som exempelvis The Wall Street Journal, Bloomberg, Affärsvärlden etc. Inom databasen har vi använt oss av valda nyckelord i olika varianter och kombinationer för att få fram relevanta artiklar. Exempelvis Trump och Twitter, Trump och Twitter samt Stock, Twitter och Stock samt andra kombinationer.

Inom kvantitativ och kvalitativ forskning finns fyra bekymmer som reflekterar epistemologi grundade teorier angående vad som accepteras som vetenskap. De fyra kriterierna är mätbarhet, kausalitet, generaliserbarhet och replikerbarhet. Dessa fyra kriterier har i så lång grad som möjligt tillämpas på det insamlade materialet. De mer generella artiklarna som hämtades bl.a från The Wall Street Journal vet vi har det svårt att uppfylla dessa kriterier eftersom de ofta är skrivna av personer och inte institutet själva. Dessa institut och källor anses enligt oss vara stora, individuella, respekterade och erkända aktörer inom den finansiella världen vilket leder till slutsatsen att materialen från dessa källor är användbara i denna studie.

4.5 Eventstudie

Metoden som används i denna studie utgår ifrån en eventstudie (Fama 1965). Denna typ av studie analyserar prisutvecklingen som observeras under externa händelser. Det krävs att en uppsättning av onormala händelser först identifieras (med hjälp av förkunskaper eller automatisk upptäckt), sedan grupperas efter om händelsen har en positiv, negativ eller ingen effekt på värderingen av tillgången. Därefter analyseras prisutvecklingen för händelser i varje grupp. För att endast fokusera på isolerade händelser som påverkar en viss tillgång, bortser metoden från fluktuationerna på marknaden som den berörda tillgången tillhör. Den initiala

uppgiften när man genomför en eventstudie är att definiera händelsefönstret som består av de händelser som är av intresse, därefter identifieras den period under vilken tillgångens pris ska mätas för de händelser som ska undersökas.

Eventstudie tillämpas inom forskningsområden som finans- eller redovisning i syfte att mäta påverkan av en specifik händelse för värdet av en tillgång till exempel aktier, index, råvaror eller valutor (Kothari & Warner 2007). Fama (1965) introducerade denna forskningsmetodik, under dessa 20 år har metoden för att genomföra eventstudier ökat och tillämpningen av denna forskningsmetod har blivit praxis för att bedöma effekten av en händelse på tillgångspriser (Binder 1998). Vid eventstudier finns det tre utmaningar som bör adresseras (MacKinlay 1997). Den första är att det ibland är svårt att identifiera den exakta tidpunkten för händelsen eftersom nyheter ibland täcker händelser från föregående dag, alltså finns chansen att marknaden redan har informerats alternativt att publiceringsdagen är händelsedagen (MacKinlay 1997). Efter identifiering av händelsen är det nödvändigt att fastställa urvalskriterierna för att ett visst tillgångsslag ska inkluderas i studien. Kriterierna innebär ibland begränsningar till följd av datatillgänglighet exempelvis notering på en specifik börslista eller medlemskap i en specifik bransch. Vid denna selektering är det användbart att sammanfatta vissa egenskaper för inkludering exempelvis fast marknadsvärde, branschtillhörighet, distribution av händelser genom tid och att sedan notera eventuella fördomar som kan ha införts genom urvalet av provet. Den sista utmaningen för att mäta händelsers påverkan är att specificera vilken modell som ska användas för att uppskatta normal avkastning (MacKinlay 1997).

Tidpunkten för händelsen definieras i detta fall som den tid Donald J. Trump publicerar en tweet. Vi är medvetna om att tidigare tweets kan ha förekommit och skapat en reaktion som har hållit i sig och förstärkts av den aktuella tweeten. Utifrån denna problematik har det så långt som möjligt medvetet räknats på att dessa tweets som hör ihop inkluderats till endast en händelse, dock finns möjligheten att andra tweets inom samma tidsram publiceras och som uppenbart inte hör ihop vilket eventuellt generar en kraftigare reaktion på vardera tweet. Då ett förväntat värde räknas ut i estimeringsfönstret elimineras eller minimeras möjligheten att information som läckt innan händelsen påverkar resultatet. Urvalskriterierna för nyckelorden är baserade på författarnas egna tankar och värderingar kring aktuella ämnen som möjligtvis eventuellt påverkat ett annat lands aktievärderingar. För den sista utmaningen gällande att mäta

händelsers påverkan används modeller och formler för att identifiera normal avkastning vilket sedan ställs mot aktuella avkastningar i syfte att se om en abnormal avkastning genererats.

4.5.1 Teorins relation till studien

Studien ämnar analysera effekten på tre av Stockholmsbörsens index. OMXS Price index, OMXS30 samt OMXS Small Cap och jämföra utvecklingen på dessa med tiden för Donald J. Trumps tweets. Genom att använda marknadsinformation i form av indexnivå för att mäta eventuell effekt sparas tid som annars skulle bestå av att analysera varje aktie var för sig.

MacKinlay(1997) nämner det tillvägagångssätt som bör följas för att genomföra en eventstudie. Den metod som beskrivs består utav sju steg, som tillsammans skapar den metod som benämns eventstudie. Följande del beskriver och förklarar de steg som ingår och hur denna studie valt att tillämpa denna metod.

1. Definiera händelsen:

Det första steget är att identifiera den eller de händelser som är intressanta för studien samt den tidsperiod då händelsen inträffat, denna tidsperiod benämns eventfönster. För denna studie är som tidigare nämnt det som undersöks, Donald J. Trumps publicerade tweets, varje enskild tweet utgör således den händelse som undersöks. Eventfönstret består av 100 stycken minutersperioder före den aktuella händelsen(publicerad tweet) och 36 stycken 15-minutersperioder efter händelsen vilket utformar studiens eventfönster som består av totalt 137 15-minutersperioder. Tidsgränsen går att diskutera, valet för denna tidsperiod är motiverat utifrån att mäta påverkan över ett helt dygn, 8 timmar och 30 minuter motsvarar en dags öppettider för Stockholmsbörsen. Motiveringen för utökning till 8 timmar och 45 minuter är att få med den initiala tidsperioden dygnet efter händelse, därför används 8 timmar och 45 minuter istället för 8 timmar och 30 minuter. Med denna tidsperiod mäts den direkta effekten, för att observera om effekten får en större påverkan och eventuellt leder till en trend eller om det bara observeras som ett “brus” (Verma et al. 2007). Tidsramen ses antingen som en begränsning eller styrka när man studerar marknadens reaktion, denna studie har för avsikt att analysera om det finns en omedelbar effekt på indexkursen och därigenom börsvärden på svenska bolag. I detta fall definieras marknadsreaktion inom 24 timmar från det att tweeten publicerats.

2. Definiera kriterierna för den valda gruppen:

I detta steg ska forskaren bestämma de urvalskriterierna för att få fram rätt underlag och studieobjekt att undersöka för att besvara frågeställningen. De undersökta tillgångsslag som valts ut är de tre indexen OMXSPI, OMXSSCPI samt OMXS30 då dessa skiljer sig åt och det kan påvisa eventuella skillnader. Sedan valdes de nyckelord som inkluderats för att skapa en bredd utan att undersöka samtliga tweets.

För att få fram abnormal avkastning används den förväntade avkastningen av händelsen subtraherat med den faktiska avkastningen över den studerade tidsperioden. Formeln ser ut som följande:

𝐴𝑅_𝑖𝑡 = 𝑅_𝑖𝑡− 𝑅_𝑖

Formel 1. Mean adjusted return model. (Cable & Holland 1999)

ARit = Den abnormala avkastningen period t

Rit = Avkastning för period t.

𝑹i = Genomsnittlig avkastning för perioden

3. Välj en modell för att räkna ut estimeringsfönster:

Nästa steg i processen är att identifiera ett estimeringsfönster, vilket innebär den period där man mäter den normala avkastning som jämförs med den aktuella avkastningen. Det sker genom att använda en bestämd period före händelsefönstrets början. Genom att identifiera estimeringsfönstret möjliggörs det att beräkna den förväntade avkastningen. När det kommer till beräkningen av den förväntade avkastningen är det möjligt att tillämpa flera olika modeller. Den som används i denna studie har valts utifrån att det är index som undersökts och inte specifika aktier och det går således att använda en mer generaliserande formel.

𝑅_𝑖𝑡 = ln 𝑃𝑡 𝑃_𝑡−1 Formel 2. Mean adjusted return model (MacKinlay 1997)

Rit = Avkastning för period t.

ln = Den naturliga logaritmen Pt = Aktiepris på period t

För att generera genomsnittlig förväntad avkastning, kommer forskarna att räkna sammanställa den förväntade avkastningen för varje femtonminutersperiod för alla dagar inom estimeringsfönstret. Därefter kommer dessa avkastningar på dagsbasis att summeras och divideras med antalet perioder som ingår i estimeringsfönstret (100 stycken) formeln ser ut som nedan: 𝑅_𝑖 = ∑ 𝑅𝑡 𝑛 𝑛 𝑡=1 Formel 3. (Strong 1992)

𝑹i = Genomsnittlig avkastning för perioden Rt = Avkastning för period t.

n = antalet perioder(15-minutersperioder) i estimeringsfönstret

4. Slutsatser utifrån estimeringsfönstret:

Syftet med estimeringsfönstret är att generera den förväntade avkastningen och på så vis observera hur avkastningen såg ut innan det att händelsen ägde rum. Det är därför viktigt att estimeringsfönstret inte överlappar händelsefönstret, dock tillräckligt nära för att generera den bästa möjliga skattade förväntade avkastningen. I annat fall finns det en risk att eventet kommer ha en påverkan på den förväntade avkastningen. I denna studie har estimeringsfönstret satts till 100 15-minutersperioder före händelsefönstret.