Linköpings universitet SE-581 83 Linköping, Sverige 013-28 10 00, www.liu.se
Borta bra men hemma
bäst.
- Home bias i svenskregistrerade fonder vid
olika marknadsförhållanden
Ellinor Jonsson
Emma Johansson
Handledare: Mikael KnutssonFörord
Ett stort tack riktas till alla som varit delaktiga och behjälpliga under genomförandet av denna studie. Vi vill rikta ett stort tack till vår handledare Mikael Knutsson för värdefulla insikter och råd under arbetets gång. Dessutom tackar vi de opponeringsgrupper som har bidragit med värdefull feedback som hjälp till att förbättra studien.
Sammanfattning
Bakgrund:
Människor tenderar att i större grad investera i bekanta företag i närområden, detta psykologiska fenomen kallas för home bias. Det kan bli problematiskt då det kan medföra att investerare inte optimerar sina portföljer utifrån risk, avkastning och korrelation mellan tillgångarna i portföljen. Tidigare forskning kring home bias har indikerat på att fenomenet kan drivas av olika förklaringsmekanismer, exempelvis marknadsförhållanden, volatilitet och transaktionskostnader. Forskningen kring home bias har i mindre skala fokuserat på hur home bias förändras i olika marknadsförhållanden dessutom finns endast begränsad forskning om detta för svenska fonder vilket är varför det var intressant att undersöka denna kunskapslucka.Syfte:
Syftet var att undersöka och analysera potentiell exponering och förändring av home bias i svenskregistrerade fonder vid marknadsförändringar i ekonomin mellan år 1994–2018. För att definiera olika marknadsförhållanden används termerna bear-marknad vilket är en kontraherande marknad och bull-marknad som är motsatsen. Detta har sedan undersökts och analyserats tillsammans med de två valda förklaringsmekanismerna volatilitet och transaktionskostnader.Metod:
Studien var kvantitativ med en deduktiv ansats. Den primära datan har bestod av den totala svenska fondförmögenheten mellan 1994–2018 och den totala världsmarknadsportföljen. Dessutom har indexdata använts för att fånga marknadsförändringar och svenska genomsnittliga fondavgifter för att beskriva transaktionskostnader. Att inkludera volatilitet och transaktionskostnader grundade sig på den tidigare forskningens tyngdpunkt på dessa två mekanismer. Analysmetoden har främst utgått från hypotestest för dessa variabler.Slutsats:
Resultatet av studien hittade signifikanta samband för home bias för svenskregistrerade fonder både för bear- och bull-marknad, vilket ligger i linje med tidigare forskning som har sett att bear-marknader leder till ökning av home bias på grund av att osäkerheten i omvärlden gör investerare i större grad villiga att placera i det bekanta. Dessutom har tidigare forskning visat att home bias minskar under säkrare perioder vilket denna studies resultat av sambandet mellan bull-marknaden och home bias indikerat. Vidare visade båda förklaringsmekanismerna att de har ett signifikant samband med home bias. Resultatet har därmed bidragit till kunskap om home bias i marknadsförhållanden för den svenska fondmarknaden och kan i större grad motverka investerare att hamna i psykologiska fällor som leder till sämre investeringsbeslut.Nyckelord:
Home bias, bear-marknad, bull-marknad, marknadsförhållande, volatilitet, transaktionskostnader.Abstract
Background:
People tend to invest a large portion of their investments in familiar companies near their home area, this psychological phenomenon is called home bias. This can become problematic thus it means that investors do not optimize their portfolios based on risk, return and correlation between assets in the portfolio. In addition, there are studies that indicate that home bias is driven by various explanatory mechanisms, for example market conditions, volatility and transaction costs. Research about home bias has in a smaller scale focused on how home bias changes in different market conditions, especially in Sweden and for funds, therefore it would be interesting to investigate this knowledge gap.Purpose:
The purpose of this study was to examine and analyze the relationship between funds registered in Sweden and their potential exposure to home bias in various market conditions in the economy between 1994-2018. To define market conditions, the concepts bear market is used when the market is in a contracting phase and bull market is used when the opposite conditions occur. This has been examined and analyzed together with the two selected explanatory mechanisms volatility and transaction costs.Method:
The method for this research is quantitative with a deductive approach. The primary data used to investigate home bias comes from statistics of total Swedish fund assets between 1994-2018 and the total world market portfolio. Furthermore, index data is used to capture market changes and data of average fund fees are used to examine transaction costs. The choice to include volatility and transaction costs is based on the previous research emphasis on these two mechanisms. The method of analysis is based primarily on hypothesis testing for the mentioned variables.Conclusion:
The result of the study shows that the relationship between bear and bull markets and home bias for funds registered in Sweden are significant. Which is in line with previous research that states that bear markets lead to an increase in home bias because the uncertainty around the world makes investors to a greater extent willing to invest in the familiar. In addition, previous research has shown that home bias decreases during safer periods, which the results of the relationship between the bull market and home bias indicate in this study. Furthermore, both explanatory mechanisms showed that they are significantly associated with home bias. The result has contributed to the knowledge of home bias for the Swedish fund market in various market conditions and can in a larger scale counteract investors to fall in to psychological traps and go through with badly made investment decisions.Innehållsförteckning
Inledning... 1
Bakgrund ... 1
Problemformulering ... 4
Syfte ... 4
Teoretisk referensram och tidigare forskning ... 5
Den optimala portföljen ... 5
Home bias puzzle ... 6
Bear-och- bull-marknader ... 8
Home bias i olika marknadsförhållanden ... 8
Metod ...11 Vetenskapsteoretiskt perspektiv ... 11 Forskningsansats ... 11 Forskningsmetod... 11 Forskningsdesign... 12 Sekundär datainsamling ... 12 Urval... 12
Hypoteser och variabler ... 13
Beroende variabel ... 13
Förklaringsvariabler ... 14
Analysmetod ... 17
Korrelation ... 17
Multipel linjär regression... 17
R2 och adjusted R2 ... 18 P-värde ... 19 Multikollinearitet ... 19 Normalfördelning ... 19 Heteroskedasticitet ... 21 Autokorrelation ... 22 Metodkvalité ... 22 Validitet ... 22
Reliabilitet ... 23
Metodkritik ... 23
Etiskt förhållningssätt ... 25
Resultat och Analys ...27
Univariat analys ... 27 Bivariat analys ... 29 Multivariat analys ... 30 Heteroskedasticitet ... 30 Durbin Watson... 31 Regressionsanalys ... 32 R2 och Adjusted R2 ... 32 P-värde ... 33 VIF ... 33 Normalfördelning ... 34 Diskussion ...35
Korrelation och hypoteser... 35
Den optimala portföljen och home bias puzzle ... 37
Modellkritik ... 38
Slutsats ...41
Vidare forskning ...43
Referenser ...45
Bilagor ...51
Bilaga 1: Univariat analys ... 51
Bilaga 2: Bivariat analys ... 54
Tabellförteckning
Tabell 1 - Variabler
Tabell 2 - Deskriptiv statistik för home bias vid bear-och bull-marknad
Tabell 3 - Korrelationskoefficienten mellan home bias och förklarande variabler, Pearson Tabell 4 - Breusch-Pagan-Godfrey-test före justering av variabler
Tabell 5 - Breusch-Pagan-Godfrey-test efter justering av variabler Tabell 6 - Durbin Watson för Modell 1, Modell 2 och Modell 3
Tabell 7 - Multipel linjär regression, R2 och Adjusted R2 för modell 1, modell 2 och modell 3 Tabell 8 - VIF-värden för Modell 1, Modell 2 och Modell 3
Diagramförteckning
Diagram 1 - Affärsvärldens generalindex bear-marknad Diagram 2 - Affärsvärldens generalindex bull-marknad Diagram 3 - Normalfördelningskurva
Diagram 4 - QQ-diagram
1
Inledning
Det inledande kapitlet har som avsikt att introducera läsarna till det valda forskningsområdet och ge en bakgrund till ämnet. Problemformuleringen kommer redogöras och kapitlet avrundas med att introducera syftet för studien.
Bakgrund
I en investeringsprocess finns ett antal parametrar att ta hänsyn till och det finns olika åsikter om vad som utgör bra investeringar (Yong och Peimin, 2020; Stanyer, 2006; Markowitz, 1952). Enligt modern portföljteori (MPT) bör valet av investeringar i en portfölj göras med beaktning av tre parametrar, vilka är förväntad avkastning, risknivå och korrelation mellan olika investeringar (Markowitz, 1952). Den sistnämnda parametern beskriver hur en portfölj bör vara diversifierad. Diversifiering innebär att hitta balans i portföljen. Det görs genom att inte bara titta på vilken risk och avkastning varje enskild investering har var för sig utan även förhållandet mellan dessa investeringar. En väldiversifierad portfölj innebär vanligtvis att det finns flera investeringar i portföljen och att de är lågt korrelerade med varandra. En låg korrelation mellan investeringarna betyder att när pengar går förlorade i en investering så kan pengar genereras från en annan (Markowitz, 1952). Denna typ av portfölj anses enligt teorin vara en optimal portfölj att investera i (Nofsinger, 2016).
I klassisk investeringsteori går det att skilja på nationell- och internationell diversifiering. Nationell diversifiering avser investeringar som sprids över bolag, branscher och tillgångstyper inom samma land. Internationell diversifiering lägger till ytterligare en dimension vilket är spridning av investeringar i olika länder. Tanken bakom denna typ av diversifiering är att investeringar inom samma område, exempelvis ett land, i många fall har en större koppling till varandra än investeringar mellan olika länder (Kellner och Rösch, 2019). Att investera i olika länder och geografiska områden ger många gånger en högre diversifieringsgrad enligt dessa antaganden. Internationell diversifiering är således en viktig aspekt att beakta när en portföljsammansättning konstrueras.
I kontrast till hög internationell diversifiering lockar det många att investera i sådant vi känner till och människor tenderar att i högre grad investera i nationella företag, snarare än i de företag som är lämpligast (Nofsinger, 2016). "Om diversifiering är den enda gratislunchen vid investering, kan
investerare runt om i världen lämna mycket på lunchbordet." Citatet kommer från Morningstars CFA
Ben Johnson (2019). Det han vill förmedla är att många inte tillämpar diversifiering, framförallt internationell diversifiering. En stor mängd forskning inom området visar att fenomenet är vanligt förekommande hos investerare i flera olika länder och det är alltså ett globalt fenomen (Oehler, Rummer och Wendt, 2008). Detta brukar beskrivas som home bias. Home bias är enligt MPT problematiskt då det leder till att portföljer inte alltid blir optimala, det vill säga att risken minimeras för en given avkastning (Nofsinger, 2016). På grund av en högre grad globalisering idag och bättre
2
informationsflöde om utländska investeringar har home bias minskat. Minskningen är dock liten och fenomenet förekommer fortfarande på grund av att det lokala är mer känt än det globala (Riff och Yagil, 2016; Mondria och Wu, 2006). Genom investeringar i det som är familjärt framför det som leder till internationell diversifiering kan fördelaktiga investeringar förbises.
Home bias drivs av flera olika faktorer. Home bias kan beskrivas som ett rent psykologiskt beteende där investeraren inte alltid fattar rationella beslut samt att de påverkas av kognitiva och beteendemässiga tillkortakommanden (Bodie, Kane och Marcus, 2014). Utöver detta finns det forskning som visar på andra drivkrafter bakom home bias. Två exempel är risk och transaktionskostnader. Med risk menas en ökad volatilitet på marknaden och ökad volatilitet har visat sig bidra till högre home bias i tidigare studier (Riff och Yagill, 2019; Schultz, 2002). Vidare är transaktionskostnader en drivfaktor, vad en investering kostar är en bidragande faktor till valet av investeringar. Om exempelvis kostnaderna för investeringar ökar generellt i hemlandet kan det bli mer attraktivt att ha investeringar i andra länder (Oehler, Rummer och Wendt, 2008; Mishra, 2015). Det finns kort sagt olika faktorer som bidrar till fenomenet home bias i ett land.
Eftersom home bias är ett globalt fenomen innefattas även Sverige. Home bias har påträffats i Sverige för individer som investerar i pensionsfonder (Karlsson och Nordén, 2006). Dock är det inte bara privata investerare som påverkas av home bias i Sverige. I institutioner finns det tecken på att svenska fonder föredras av svenska investerare (Mcqueen och Stenkrona, 2012). När home bias undersökts för investerare i EU-länder visade resultatet på förekomsten av home bias för alla typer av investerare i Sverige. Home bias för institutioner är dock inte lika hög som för privata investerare vilket kan bero på olika kunskap och informationsflöde (Darvas och Shoenmaker, 2017). Home bias har därmed visat sig vara ett fenomen inom Sverige både för privata och institutionella investerare.
Home bias beter sig olika beroende på vilka förutsättningar som råder på marknaden. Investerare tenderar att föredra investeringar som är familjära i takt med ökad osäkerhet (Riff och Yagil, 2019). Detta ligger i linje med andra studier som menar att home bias har en tendens att förändras vid olika marknadsförhållanden. En av studierna presenterar bankers förändring av portföljsammansättning gällande gränsöverskridande lån, där det urskildes en ökning av inhemska lån, vilket har visat att home bias ökar vid kriser (Gianetti och Laeven, 2012). Dessutom har en annan studie som noterat en ökning av home bias för lån vid kriser och lågkonjunktur (Bremus och Fratscher, 2015). Sambandet mellan en ökning av home bias i kapitalflöden och finansiella kriser har även diskuterats i en liknande studie för andra typer av kapitalflöden som kommit fram till motsvarande resultat (Yesin, 2015). Förutom att home bias tenderar att öka under en period av kris har det visat sig att home bias minskar under en period utan kris (Othmani, 2014). Således tenderar osäkra marknadsförhållanden att ge upphov till mer home bias och stabilare marknadsförhållanden ger upphov till mindre home bias.
3
Osäkra och stabila marknadsförhållanden kan definieras på olika sätt. Ett sätt att beskriva börsmarknaden och dess nedgång samt uppgång är genom de engelska begreppen bear market och bull market vilka i denna studie refereras till som så kallade bear- och bull-marknader. Bear-marknaden visar en avstannad eller kontraherande marknad medan bull-Bear-marknaden istället åsyftar en expanderande trend med fler köpare än säljare och därmed stigande priser (Fontanills och Gentile, 2001; Schultz, 2002). Vid undersökning av home bias i dessa marknadsförhållanden konstaterades att home bias ökade under bear-marknader och under finansiella kriser (Riff och Yagil, 2016). Sålunda visar det att home bias har en tendens till förändring vid osäkra marknadsförhållanden som bear-marknader.
4
Problemformulering
Home bias går emot modern portföljteori. Att handla i det som är familjärt minskar den internationella diversifieringen som enligt MPT leder till en optimal portfölj, vilket blir extra problematiskt när home bias ökar under kriser och osäkra marknadsförhållanden. Detta kan leda till ökat risktagande utan motsvarande ökning av den potentiella avkastningen. Fenomenet home bias minskar därmed enligt MPT möjligheten att vara effektiv som investerare.
Tidigare forskning som gjorts inom home bias och internationell diversifiering är fokuserad på EU-området i stort och USA varför det är intressant att studera situationen i Sverige (Darvas och Shoenmaker, 2017). I andra länder har forskning visat på att home bias förändras under olika marknadsförhållanden. Detta skulle kunna ge upphov till samma mönster även för svenska investerare, exempelvis att det ökar under bear-marknader och vid finansiella kriser. Dock har det inte undersökts i lika stor grad i Sverige. Det finns således ett intresse av att undersöka om denna trend även gäller för investeringar på den svenska marknaden. Tidigare svensk forskning har observerat home bias hos både institutionella och privata investerare och denna studie syftar till att studera den svenska fondmarknaden i sin helhet vilket inkluderar båda typer av investerare. Studiens främsta ändamål är därmed att undersöka svenska investerares home bias vid marknadsförändringar i ekonomin i form av bear- och bull-marknader.
Home bias kan enligt tidigare forskning förklaras av andra faktorer utöver marknadsförändringar (Oehler, Rummer och Wendt, 2008; Black, 1974; Ahearne, Griever, och Warnock, 2004; Mishra, 2015). Denna studie har således valt att analysera ytterligare två faktorer, vilka är volatilitet och transaktionskostnader. Tidigare forskning har konstaterat att dessa variabler kan ha en roll i att förklara home bias. Förhoppningen är att studiens upplägg ger en större förståelse för fenomenet home bias i Sverige.
Syfte
Syftet är att undersöka och analysera potentiell exponering och förändring av home bias i svenskregistrerade fonder vid marknadsförändringar i ekonomin mellan år 1994–2018. Detta ska sedan undersökas och analyseras tillsammans med de två valda förklaringsmekanismerna volatilitet och transaktionskostnader.
5
Teoretisk referensram och tidigare forskning
Den teoretiska referensramen avser att presentera den teorin och tidigare forskning som ligger bakom antagandena i studien samt ligger till grund för den analys som arbetet syftar till.
Den optimala portföljen
I syfte att skapa förståelse för hur en optimal portfölj skapas enligt modern portföljteori (MPT) måste det finnas en grundläggande förståelse för den effektiva marknadshypotesen (EMH). En effektiv marknad innebär priser som fullt ut speglar all tillgänglig information, vilket gör det omöjligt att slå marknaden genom att systematiskt köpa under- eller övervärderade värdepapper (Winful, 2013; Burton, 2003). EMH har ett antagande gällande att aktiepriser är oförutsägbara och självständiga vilket gör det omöjligt att förutspå framtida aktiekurser, detta benämns som random walk (Burton, 2003). Ytterligare antaganden som EMH bygger på är att det inte finns några transaktionskostnader, informationen är kostnadsfri och tillgänglig samt alla investerare är rationella och tolkar information på samma sätt. EMH kan ifrågasättas, exempelvis att människor inte är rationella utan gör misstag (Burton, 2003). Antagandena i teorin anses vara stora brister, vilka har kritiserats att inte stämma överens med verkligheten (Samuelson, 1989). EMH ligger trots sina brister till grund för flera ekonomiska teorier som till följd därav antar en effektiv marknad.
Enligt modern portföljteori, som delvis baseras på samma antaganden som den effektiva marknadshypotesen, skapas en optimal portfölj utifrån följande tre parametrar: risk, avkastning och korrelation (Nofsinger, 2016). Där beräkningen av en optimal portfölj väger risk mot avkastning, en optimal portfölj har en så hög avkastning till en så låg risk som möjligt och vise versa. Gemensamt för optimala portföljer är att de ofta besitter en hög grad av diversifiering, som sker genom låg korrelation mellan fler olika investeringar för att avlägsna den unika risken varje investering har (Markowitz, 1952). MPT följs dock inte alltid fullt ut i praktiken och det är bland annat på grund av att den inte tar hänsyn till transaktionskostnader (Beyhaghi och Hawley, 2012). Trots det tillämpas teorin vid optimering av portföljer utifrån dessa parametrar.
Med avsikt att uppnå en optimal portfölj och reducera risken krävs diversifiering. Diversifiering kan ske på flera olika sätt, exempelvis nationellt respektive internationellt samt över tid (Kellner och Rösch, 2019). Diversifiering innebär att sprida risken på flera tillgångar så att en enskild tillgång inte har för stor påverkan på portföljen (Markowitz, 1952). Diversifiering utgår inte bara från antal utan även från korrelation mellan tillgångarna vilket visar hur dessa samvarierar. Finns en stor samvariation och de därmed rör sig alla åt samma håll innebär det att portföljen inte är diversifierad (Wahlin, 2015). All korrelation mellan fonder går dock inte att diversifiera bort. Detta kallas för marknadsrisk och är sådant som påverkar samtliga tillgångar på samma sätt och exempel på marknadsrisk är konjunktur, världshändelser och räntor (Byström, 2014). Det går därmed enbart att påverka den korrelation som
6
finns mellan tillgångarna utöver marknadsrisken. Diversifiering av en portfölj innebär kort sagt att sprida risken i portföljen genom påverkan av korrelationen.
Home bias puzzle
Som motpol till effektiva marknadshypotesen och modern portföljteori har ett beteendevetenskapligt synsätt uppkommit på finansiella teorier. En del av detta är att människor inte beter sig rationellt eller har åtkomst till all tillgänglig information som behövs för att fatta ett optimalt beslut (Bodie, Kane och Marcus, 2014). Det finns studier som visar att en rad olika psykologiska faktorer ligger bakom en investerares beslut (Nofsinger, 2016). Det finns något som kallas heuristik, vilket innebär mentala genvägar människan använder för att lösa problem och ta beslut. Dessa genvägar leder inte alltid till vad som enligt MPT är optimalt men de är enkla, snabba och intuitiva (Kahneman och Tversky, 1979). Heuristik kan under vissa specifika omständigheter leda till ett irrationellt beteende och om det irrationella beteendet är systematiskt kallas det kognitiv bias (Kahneman, Slovic och Tversky, 1982). Home bias är en typ av kognitiv bias. Home bias innebär att investerare har en överoptimistisk förväntning om högre avkastning på inhemska värdepapper, vilket i sin tur leder till att de investerar en alltför stor del av deras tillgångar i den inhemska marknaden (French och Poterba, 1991). Investeraren föredrar sammanfattningsvis det bekanta och nära i investeringsprocessen snarare än att tänka utifrån MPT och antaganden om ett rationellt beteende (Nofsinger, 2016).
En vanlig definition av home bias kommer från tankesättet om capital asset pricing model (CAPM) och homogena investerare, där en representativ investerare bör inneha världsmarknadsportföljen. Världsmarknadsportföljen innehåller alla tillgängliga tillgångar i världen och det är en helt diversifierad portfölj som enbart innehar marknadsrisk. CAPM är en förklaringsmodell för relationen mellan systematisk risk och den förväntade avkastningen hos en tillgång. CAPM utgår från vissa antaganden vilka är rationella och riskaverta investerare, en effektiv marknad med separering mellan finansiell marknad och produktionssektorn, samt att riskfri ränta existerar och obegränsat med möjligheter till utlåning finns (Markowitz, 1952). Att vara rationell och riskavert är detsamma som att investerare inte faller för psykologiska fällor och inte är villiga att ta onödiga risker (Nofsinger, 2016). CAPM har ifrågasatts på flera punkter av många olika författare (Taleb, 2010; Mandelbrot, 1997; Roll 1977; Fernandez 2019). Kritiken riktar sig främst mot de antaganden som modellen grundar sig på och de empiriska tester som genomförts för att utvärdera och utveckla modellen. Även om CAPM kan kritiseras är den en frekvent använd modell som trots en äldre bakgrund fortfarande tillämpas för att prissätta tillgångar. Modellens antaganden innebär att en representativ investerare bör inneha världsmarknadsportföljen och alltså innehar en portfölj som representerar hela världsmarknaden. Andelen finansiella tillgångar investerade i lokala tillgångar bör därmed vara lika med andelen lokala tillgångar i världsmarknadsportföljen. Home bias definieras följaktligen som 1 subtraherat med andelen utländska tillgångar i svenskregistrerade fonder dividerat med andelen utländska tillgångar i världsmarknadsportföljen. När home bias summeras till 1 finns total home bias och är den lika med 0 är portföljen optimalt diversifierad.
7
𝐻𝑜𝑚𝑒 𝑏𝑖𝑎𝑠 = 1 −
𝐴𝑛𝑑𝑒𝑙 𝑢𝑡𝑙ä𝑛𝑑𝑠𝑘𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑖 𝑠𝑣𝑒𝑛𝑠𝑘𝑟𝑒𝑔𝑖𝑠𝑡𝑟𝑒𝑟𝑎𝑑𝑒 𝑓𝑜𝑛𝑑𝑒𝑟
𝐴𝑛𝑑𝑒𝑙 𝑢𝑡𝑙ä𝑛𝑑𝑠𝑘𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑖 𝑣ä𝑟𝑙𝑑𝑠𝑚𝑎𝑟𝑘𝑛𝑎𝑑𝑠𝑝𝑜𝑟𝑡𝑓ö𝑙𝑗𝑒𝑛
(Ahearne, Griever, och Warnock, 2004; Othmani, 2014; Fidora, Fratzscher och Thimann, 2007)
Tidigare forskning har visat på flera bakomliggande faktorer till home bias, dessa kan delas in i psykologiska faktorer och ekonomiska faktorer. Ett exempel på psykologiska faktorer är irrationellt beteende (Kellner och Rösch, 2019; Schultz, 2002). Det har visat sig att det finns en positiv koppling mellan home bias, familjaritet och förmågan att kunna uttala namnet på en tillgång (Riff och Yagill, 2016). Investerare känner sig mer optimistiska och kompetenta när det kommer till hanteringen av inhemska investeringar då de har en känsla av att ha större kunskap inom områden de känner till (Kilka och Webber, 2000). Narrow framing är ett psykologiskt fenomen som innebär att investerare bedömer tillgångar individuellt istället för i grupp. Detta medför att de väljer fler inhemska investeringar utan att ta hänsyn till det som MPT avser vara en optimal portfölj (Magi, 2009). Sammanfattningsvis har tidigare forskning kring home bias klargjort att finns det flera psykologiska mekanismer som ligger bakom fenomenet.
Ekonomiska faktorer som bidrar till home bias är exempelvis skatter, valuta, informationsasymmetri, risk och transaktionskostnader (Oehler, Rummer och Wendt, 2008; Black, 1974; Schultz, 2002). En ökning av utländska skatter har bevisats öka graden av home bias enligt en studie baserad på 42 länder, där Sverige var ett av dem (Mishra, 2015). Vidare har en lägre volatilitet i den lokala valutan visats bidra till en högre home bias för tillgångar när både industrialiserade och utvecklingsländer granskats. En lägre volatilitet innebär en lägre risk för den lokala valutan, varför denna är att föredra (Fidora, Fratzchers och Thimann, 2007). Fortsättningsvis finns det indikationer på att home bias ökar när informationsasymmetri ökar. Exempelvis i de länder där det finns dålig datatillförlitlighet, vilket gör det svårare att få relevant information från utlandet (Ahearne, Griever, och Warnock, 2004). En studie har visat att högre risk påverkar investerare att välja fonder som de i större grad känner till och därmed vara mer bias (Schultz, 2002). En annan studie har visat att en ökning av risknivån i en portfölj leder till en ökning av home bias (Riff och Yagill, 2019). Att en ökning av risk ökar home bias kan därmed kopplas till att home bias ökar vid osäkerhet. Till sist har transaktionskostnader visat sig vara en viktig faktor för home bias där höga transaktionskostnader internationellt leder till en ökning av home bias (Oehler, Rummer och Wendt, 2008; Domowitz, Glen, och Madhavan, 2001). Samtidigt kan transaktionskostnader i form av förvaltningsavgifter påverka en investerares beslut, där en lägre avgift ger ett större incitament att välja denna investering (Engström och Westerberg, 2004). Därmed finns det flera ekonomiska faktorer som påverkar home bias där risk och transaktionskostnader är några vanligt förekommande exempel.
8
Bear-och- bull-marknader
I den ekonomiska cykeln rör sig finansmarknaden i trender där orsakerna till de olika rörelserna på marknaderna baseras på utbud och efterfrågan. De primära trender som sträcker sig över hela marknaden kan definieras som normal-, bear- och bull-marknader och kan användas för beskrivningen av olika marknadsförhållanden. Med normal-marknad avser en marknad som är varken en bear- eller bull-marknad (Fontanills och Gentile, 2001). Litteraturen tar upp flera definitioner på bear- och bull-marknaden och någon tydlig definition finns inte (Fabozzi och Francis, 1977).
Bear-marknaden betecknar en marknad som är avstannad eller fallande. En definition är att den präglas av marknadsnedgångar inom intervallet 13,9 till 90 procent (Schultz, 2002). En annan vedertagen definition av bear-marknaden är att index minskar med minst 20 procent sedan senaste högsta slutkurs och är den definition som denna studie utgått från (First Trust, 2019). Bear-marknaden medför investerare som av rädsla och via låga förväntningar vidgar vyerna och letar efter alternativa investeringar utanför aktiemarknaden. I en bear-marknad är volatiliteten ofta högre än i en expanderande marknad vilket således innebär en högre risk (Guidolin och Timmerman, 2004). Eftersom en bear-marknad betecknas av högre risk kan det medföra investerare som blir mer riskaversiva. Kort sagt betyder det att en bear-marknad ofta tolkas som en kontraherande trend.
Bull-marknaden syftar till expanderande trender och övergången från pessimistisk syn på marknaden till en optimistisk syn. Detta betyder fler köpare än säljare vilket i sin tur leder till ökade affärstransaktioner och stigande priser (Fontanills och Gentile, 2001). Bull-marknaden kan definieras av en ökning i jämförelseindexet med 20 procent eller mer, vilket är en vanlig definition och definitionen som valts i studien (Pagan och Sossounov, 2003). En annan definition är att en bull-marknad startar efter första uppgången efter en kontraherande bull-marknad på 20 procent eller mer (First Trust, 2019). Detta innebär att definitionen av bull-marknaden är diffus men att den förenklade tolkningen är att marknaden är i en accelererande eller expansiv fas.
Home bias i olika marknadsförhållanden
Det finns ett flertal studier som visar på förändringar av home bias i olika marknadsförhållanden. Volatila marknader har visat sig leda till investerare som är mer bias i en investeringsprocess (Schultz, 2002). Volatiliteten beskriver marknadsrisken, alltså den systematiska risken i en investeringsprocess. En hög volatilitet betyder att marknaden förändras mycket och tvärtom vid låg volatilitet. När utländska lån undersökts i olika marknadsförhållanden har det visats att det finns en koppling mellan home bias och volatilitet på hela marknaden, där home bias ökar under finanskriser. De finanskriser som refererats till i den studien är japanska bankkrisen 1990 och finanskrisen 2008 (Gianetti och Laven, 2012). Vidare har en studie visat på en koppling mellan ökad risk och ökad home bias, som i sin tur betyder att home bias bör öka vid osäkerhet. Investerare har även visat sig föredra investeringar i det som är familjärt vid negativa chocker då tvetydigheten hos dem ökar (Riff och Yagill, 2019;
9
Barberis, 2013). Förutom att home bias ökar under en period av kris finns bevis för att home bias minskar under en period utan kris. Mellan it-bubblan 2002 och finanskrisen 2008 minskade home bias för att sedan öka mellan 2008 till 2012 (Othmani, 2014). Osäkra och kontraherande marknader kan därmed bidra till en ökning av home bias och stabilare marknader till en minskning av home bias.
En kris som har analyserats mycket i nutid är finanskrisen 2008 och dess följder. När bankkrediters förändring studerats har det visat att en ökning sker av home bias för lån vid kriser och vid lågkonjunktur med utgångspunkt för finanskrisen (Bremus och Fratscher, 2015). Vidare har kapitalflöden under den aktuella krisen granskats vilket resulterade i en tydlig och stark ökning av home bias. Det som studerades var bland annat tidpunkterna före och efter finanskrisen 2008. Kapitalflödet har dämpats och fluktuerar mindre efter finanskrisen och anledningen till att home bias ökar är just för att investerare inte tar upp lika mycket utländska investeringar under perioden efter krisen (Yesin, 2015).
Home bias har fortsättningsvis analyserats under marknadsförhållanden som är definierat som normal, bear- och bull-marknader. Där tre olika faktorer har undersökts under de olika marknadsförhållandena; utländska, okända och icke-flytande tillgångar. Med icke-flytande tillgångar menas tillgångar som inte investeraren kan uttala namnet på. När dessa tre faktorer var närvarande tillsammans ökade home bias markant. Resultatet visade också att home bias ökade under bear-marknader (Riff och Yagil, 2016). Investerare tenderar även att ha mindre geografiska spridningsportföljer under bear-marknader (Schultz, 2002). Marknadsförhållanden är således en beståndsdel i vad som driver home bias, främst under kontraherande trender.
11
Metod
I metodkapitlet beskrivs metoder och verktyg som använts för att uppnå de målsättningar studien syftar till. Detta sker genom beskrivning av perspektiv, ansats och den forskningsmetod studien har samt hur datainsamlingen genomförs. Dessutom redogörs de analysverktyg som nyttjats. Avslutningsvis skildras hur detta förhåller sig till kvalité, kritik och etik.
Vetenskapsteoretiskt perspektiv
Med utgångspunkt att undersöka och analysera sambandet mellan home bias och marknadsförhållanden har denna studie utgått från ett realistiskt vetenskapsteoretiskt perspektiv. Utgångspunkten har varit att studera sambandet för svenskregistrerade fonder mellan 1994–2018. Ytterligare faktorer som har analyserats för en förklaring av home bias är volatilitet och transaktionskostnader. I ett realistiskt vetenskapsperspektiv ligger fokus på underliggande mekanismer och strukturer samt att förklara och förstå verkligheten, vilket har varit fokus i studien. Eftersom syftet har eftersträvat att beskriva hur home bias ökar eller minskar och inte att beskriva hur något känns kan perspektivet inte klassas som tolkande eller postmodernt (Justesen och Mik-Meyer, 2012). Det realistiska vetenskapsteoretiska perspektivet ger sålunda möjligheter att undersöka och analysera de strukturer och skeenden som uppkommer för home bias i samband med marknadsförhållanden och andra förklaringsmekanismer.
Forskningsansats
För att uppnå syftet har en deduktiv ansats tillämpats. Studien utgick från befintlig teori och vetenskap för att utföra en hypotesprövning och analys. Valet att inte tillämpa en induktiv ansats gjordes på grund av syftet, som inte utgått från att härleda nya anknytningar utifrån empiriska data, vilket är tillvägagångssättet vid induktiv ansats. Syftet har grundat sig på att studera olika samband, således inte finna nya (Bryman och Bell, 2015). Till följd av detta anses en deduktiv ansats var lämpligast för denna studie.
Forskningsmetod
Då studien hade en deduktiv ansats och syftade till att samla in data för att testa ett samband är en kvantitativ metod väl lämpad (Bryman och Bell, 2015; Jacobsen 2002). Data över Sveriges alla fonder undersöktes för att kunna dra generella slutsatser om home bias och marknadsförhållanden. En kvantitativ metod är lämplig när intentionen är att undersöka ett större antal observationer för att kunna dra allmänna slutsatser om någonting (Eliasson, 2013). Valet av en kvalitativ metod gör att en sådan generalisering inte är möjlig i lika stor utsträckning. Anledningen är att denna typ av metod ofta undersöker ett mindre antal observationer i detalj. Eftersom denna studie har som avsikt att åstadkomma generaliserbara resultat mäts home bias i siffror med en kvantitativ ansats.
12
Forskningsdesign
Sekundär datainsamling
Med ändamål att skapa en generell bild av problemformuleringen och den teoretiska referensramen har sekundärdata insamlats i form av rapporter, avhandlingar, böcker och hemsidor. Sekundärdata i form av artiklar och böcker har även inhämtats för att lägga grunden för den deduktiva ansatsen och bygga argumentationen för studiens hypoteser. Datainsamlingsmetoden bidrar till förståelse och information om studiens problem och syfte (Bryman och Bell, 2015). Förutom detta har även sekundärdata samlats in för att genomföra studien i form av tidsseriedata.
Den insamlade datan som ligger till grund för studiens resultat och analys har bestått av data från olika hemsidor och databaser om svenska fondförmögenheten, index, världens börsmarknadsvärde och svenska fondavgifter. En kritik som kan riktas mot datainsamlingsmetoden är att ingen primärdata tillhandahållits. Anledningen till kritiken är svårigheten att kontrollera om datan är bristfällig eller felaktig, då den har inhämtats sekundärt. Sekundära datan var dock hämtad från professionella organisationer som är specialiserade på att mäta och lagra information dessutom har kontroll gjorts för outliers. Att genomföra en undersökning med sådan primärdata kräver dessutom stora mängder information och har ett omfång som fallit utom ramen för studien. Studiens data är på så sätt insamlad sekundärt från större databaser.
Urval
Urvalet har bestått av data från olika källor. För att skatta home bias har fondförmögenheten i Sverige från Moneymate och marknadsvärdet på börsmarknader i världen från World bank använts. Datan bestod av kvartalsdata mellan åren 1994 och 2018. Tidsperioden på 25 år gör att flera ekonomiska cyklar har beaktats och olika marknadsförhållanden har fångats upp. Valet av kvartalsdata grundade sig i att få en större datamängd för en så bra analys som möjligt och fånga upp variation som uppstått under åren. Data från Moneymate visade den totala fondförmögenheten i Sverige uppdelat mellan svenska och utländska placeringar i miljoner svenska kronor. Moneymate är ett fondanalysföretag som samlar information och statistik om svenska och utländska fonder (Fondbolagensförening, 2019). Datan om marknadsvärdet för världens börser samlades in från World bank (World bank, 2018). World bank är en fristående överstatlig bank som bland annat bistår med global statistik från alla världens länder (World bank, 2020). Dessa värden har utgjort grunden till definitionen av home bias vilken diskuteras vidare i kommande metoddel.
I syfte att visa ett mått på förändringar i ekonomin och volatiliteten på inhemska marknaden har indexdata från Thomson Reuters Eikon studerats. Även denna data har insamlats kvartalsvis mellan 1994 och 2018 (Thomson Reuters, 2020). Thomson Reuters är en nyhetsbyrå som samlar data via deras applikation Eikon. Indexdatan har bestått av affärsvärldens generalindex vilket har mätt den genomsnittliga kursutvecklingen på Stockholmsbörsen och datan har bestått av kurspriset i svenska
13
kronor för varje kvartals stängningskurs (Affärsvärlden, 2018). Datan har använts för att mäta volatilitet, det vill säga risk, vilket diskuteras längre fram.
Transaktionskostnadernas påverkan på home bias har analyserats. Svenska fondavgifter från AMF representerade de transaktionskostnaderna som har tagits till hänsyn och är de som refererats till som transaktionskostnader fortsättningsvis. Datan var årsbaserad och fanns endast tillgänglig för år 2005– 2018 och har bestått av medelvärdet för fondavgifter i Sverige. AMF är ett ickevinstdrivande försäkringsbolag som främst arbetar med pensionsförsäkringar och pensionsfonder som årligen sammanställer Sveriges fondavgifter i rapporter. Data från rapporten av AMF har inhämtats från Morningstar (AMF, 2019). Insamlade data om fondavgifter har sålunda använts som grund för förklaringsmekanismen transaktionskostnader.
Hypoteser och variabler
Studien bygger på modellerande av home bias utifrån olika förklarande variabler på tre olika sätt. Då insamlade data om transaktionskostnader endast sträcker sig mellan 2005–2018 medan de andra variablerna har data mellan 1994 och 2018 har tre modeller tillhandahållits och analyserats i resultatet. Den första modellen (modell 1) har innefattat hela tidsperioden (1994–2018) och har därmed uteslutit data om transaktionskostnader. Den andra modellen (modell 2) har innefattat tidsperioden 2005 till 2018 och inkluderade data om transaktionskostnader. Den tredje modellen (modell 3) har innefattat tidsperioden 2005 till 2018 och inkluderade inte transaktionskostnader. Detta innebär att det gått att jämföra och se om resultaten stämmer överens vid analysering av effekten från de olika variablerna samt om omfånget data av påverkat resultatet. Nedan kommer modellernas variabler beskrivas.
Beroende variabel
Home bias har operationaliserats genom följande formel;
𝐻𝑜𝑚𝑒 𝑏𝑖𝑎𝑠 = 1 −
𝐴𝑛𝑑𝑒𝑙 𝑢𝑡𝑙ä𝑛𝑑𝑠𝑘𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑖 𝑠𝑣𝑒𝑛𝑠𝑘𝑟𝑒𝑔𝑖𝑠𝑡𝑟𝑒𝑟𝑎𝑑𝑒 𝑓𝑜𝑛𝑑𝑒𝑟
𝐴𝑛𝑑𝑒𝑙 𝑢𝑡𝑙ä𝑛𝑑𝑠𝑘𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 𝑖 𝑣ä𝑟𝑙𝑑𝑠𝑚𝑎𝑟𝑘𝑛𝑎𝑑𝑠𝑝𝑜𝑟𝑡𝑓ö𝑙𝑗𝑒𝑛
(Ahearne, Griever, och Warnock, 2004)Andel utländska tillgångar i svenskregistrerade fonder utgick från data om utländska tillgångar i från Moneymate. Vidare har andelen utländska tillgångar i världsmarknadsportföljen representerats av andelen utländska tillgångar i datan från World bank.
14
Förklaringsvariabler
Totalt har analysen bestått av fyra stycken förklaringsvariabler. Modellerna som benämnts som modell 1 och modell 3 har innefattat tre av de fyra förklarande variablerna medan modell 2 har innefattat alla fyra förklaringsvariabler. De förklaringsvariabler som använts för att studera olika marknadsförhållanden har bestått av två stycken dummies som definierar bear- och bull-marknader, där 1 har beskrivit om marknad finns och 0 att den inte existerat. Normal-marknad har använts som referensvariabler för dummyvariablerna vilket syftar till en marknad som är varken bear- eller bull-marknad. Volatilitet och transaktionskostnader har lagts till som två andra förklaringsvariabler som påverkar home bias utöver marknadsförhållanden. I modell 1 och 3 bortsågs dock variabeln för transaktionskostnader. De fyra förklaringsvariablerna som använts har beskrivits utförligare och motiverats utifrån olika studier under tillhörande rubriker.
Tabell 1; Variabler
Variabel Marknadsförhållanden Enhet
x1 Variabel som förklarar om marknaden är i en bear-marknad eller inte. Dummy
x2 Variabel som förklarar om marknaden är i en bull-marknad eller inte. Dummy
x3 Volatilitet Kontinuerlig
x4 Transaktionskostnader (procent) Kontinuerlig
Bear-marknad
Bear-marknad som beskriver en kontraherande marknad förväntas ha ett negativt samband i relation med home bias (Riff och Yagill, 2019; Schultz, 2002). Hypotesen för att testa sambandet var utformad enligt följande;
H0: Det finns inget samband mellan bear-marknad och home bias för svenskregistrerade fonder H1: Det finns ett samband mellan bear-marknad och home bias för svenskregistrerade fonder
Definitionen som definierar en bear-marknad i denna studie är när marknaden har en nedgång på 20 procent eller mer. Utefter detta har två nedgångar reflekterats vilka varit extra tydliga sedan 1994, när IT bubblan brast under år 2000 fram till tredje kvartalet 2002 och finanskrisen mellan år 2008 till 2010. Nedgångarna på den svenska börsmarknaden de senaste åren har tydliggjorts av diagram 1. De gröna markeringarna visar marknadernas början och de röda markeringarna visar bear-marknadernas slut.
15
Diagram 1; Affärsvärldens generalindex bear-marknad. (Reuters, 2020)
Bull-marknad
Bull-marknad har beskrivits som en expanderande marknad och home bias har visat sig minska i perioder utan kris, varför ett positivt samband mellan home bias och bull-marknad kan förväntas (Othmani, 2014). Hypotesen för testet såg ut enligt följande;
H0: Det finns inget samband mellan bull-marknad och home bias för svenskregistrerade fonder H1: Det finns ett samband mellan bull-marknad och home bias för svenskregistrerade fonder
Bull-marknaden definieras i denna studie med en uppgång på marknaden med 20 procent eller mer efter senaste nedgång. För perioden 1994 till 2018 kännetecknades den svenska marknaden av flera bull-marknader till en början under en starkare tro på IT- företagen vilket gett upphov till IT-bubblan mellan år 1995 och 2000. Den främsta tillväxten var år 1999 och början av år 2000. Under återhämtningen efter IT-kraschen och innan finanskrisen kännetecknades marknaden av en uppgång återigen, denna varade mellan 2004 och 2006. Återhämtningen efter finanskrisen från 2009 och framåt räknas även den som en bull-marknad. Fram till 2018 har inga drastiska skillnader utmärkts som skulle kunna tyda på någonting annat än att marknaden skulle vara en bull-marknad. Diagrammet nedan illustrerar vilka tidsperioder som definierats som bull-marknad.
0 100 200 300 400 500 600 700 3 /1 /9 4 3 /1 /9 5 3 /1 /9 6 3 /1 /9 7 3 /1 /9 8 3 /1 /9 9 3/1 /0 0 3 /1 /0 1 3 /1 /0 2 3 /1 /0 3 3 /1 /0 4 3 /1 /0 5 3 /1 /0 6 3 /1 /0 7 3 /1 /0 8 3 /1 /0 9 3 /1 /1 0 3/1 /1 1 3 /1 /1 2 3 /1 /1 3 3 /1 /1 4 3 /1 /1 5 3 /1 /1 6 3 /1 /1 7 3/1 /1 8 SE K År
Affärsvärldens generalindex
16
Diagram 2; Affärsvärldens generalindex bull-marknad (Reuters, 2020).
Volatilitet
Den tredje förklaringsvariabel var volatilitet, vilket kan beskrivas som risk enligt modern portföljteori. Risk påverkar investerares val, där en mer volatil period på börsmarknaden kan komma påverka investerare att välja fonder som de känner till och därmed vara mer bias (Riff och Yagill, 2019; Schultz, 2002). Hypotesen för denna förklarande variabel var utformad enligt;
H0: Det finns inget samband mellan volatilitet på börsmarknaden och home bias för svenskregistrerade fonder
H1: Det finns ett samband mellan volatilitet på börsmarknaden och home bias för svenskregistrerade fonder
Transaktionskostnader
Måttet på transaktionskostnader som tagits i beaktning är operationaliserat som de genomsnittliga svenska fondavgifterna under den aktuella perioden. En låg fondavgift kan ses ge positiva effekter på en fond (Engström och Westerberg, 2004). Om transaktionskostnaderna ökar i Sverige i förhållande till utländska transaktionskostnader bör därmed home bias minska i enlighet med MPT, där investeraren maximerar avkastning för en viss risk, och således inte vill betala mer för något som inte genererar mer avkastning (Markowitz, 1952). Hypotesen för transaktionskostnaderna var;
H0: Det finns inget samband mellan transaktionskostnader och home bias för svenskregistrerade fonder
H1: Det finns ett samband mellan transaktionskostnader och home bias för svenskregistrerade fonder 0 100 200 300 400 500 600 700 3 /1 /9 4 3 /1 /9 5 3 /1 /9 6 3 /1 /9 7 3 /1 /9 8 3 /1 /9 9 3/1 /0 0 3 /1 /0 1 3 /1 /0 2 3 /1 /0 3 3 /1 /0 4 3 /1 /0 5 3 /1 /0 6 3 /1 /0 7 3 /1 /0 8 3 /1 /0 9 3 /1 /1 0 3/1 /1 1 3 /1 /1 2 3 /1 /1 3 3 /1 /1 4 3 /1 /1 5 3 /1 /1 6 3 /1 /1 7 3/1 /1 8 SE K År
Affärsvärldens generalindex
17
Analysmetod
Variablerna har analyserats utifrån univariat, bivariat och multivariat analys. Univariat analys innebär att en enskild variabel analyseras, vilket har gjorts utifrån deskriptiv statistisk och tester för normalfördelning. Testerna för normalfördelning var skevhet, kurtosis och Kolmogorov-smirnov-test. Analysen gjordes för att få en inblick i den insamlade datans egenskaper. Den bivariata analysen innebär att två variabler analyseras tillsammans vilket gjordes i form av korrelationer mellan olika variabler. I en multivariat analys analyseras fler än en variabel åt gången och är den analysmetod som använts för test av hypoteserna och sedan har olika verktyg nyttjats för att utvärdera de olika modellerna. Variablerna har därmed analyserats på olika sätt och nedan följer ytterligare beskrivningar av verktygen.
Korrelation
Korrelation visar samvariation mellan två variabler och mäts med värden mellan plus 1 och minus 1. En stark positiv korrelation innebär värden nära plus 1 medan en stark negativ korrelation innebär värden nära minus 1 och när det inte finns någon korrelation alls är värdet 0 (Wahlin, 2015). I denna studie har en typ av korrelation använts, vilket var Pearsons korrelationsanalys. Denna har antaganden om att variablerna ska ha ett linjärt samband (Djurfeldt, Larsson och Stjärnhagen, 2018). I studien har korrelation nyttjats för analysen av sambanden mellan de valda förklaringsvariablerna och hur de förhållit sig till den beroende variabeln.
Multipel linjär regression
Den multivariata analysen bestod av en modell kallad multipel linjär regression. Där ett statistiskt samband undersökts mellan en responsvariabel (Y) och flera förklarande variabler (X). Formeln för en multipel linjär regression ser ut som följande:
𝑦𝑖 = 𝛽0+ ∑ 𝑥𝑖𝑗𝛽𝑗+ 𝑒𝑖 𝑘
𝑗=1
𝑖 = 1, . . . . , 𝑛.
Eftersom analysen är utformad utifrån tre olika modeller har därmed tre olika formler konstruerats.
Den multipla linjära regressionen för modell 1 var enligt följande:
𝑦99= 𝛽0+ 𝐵𝑒𝑎𝑟 𝛽𝑏𝑒𝑎𝑟+ 𝐵𝑢𝑙𝑙 𝛽𝑏𝑢𝑙𝑙 + 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡 𝛽𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡+ 𝑒99
Den multipla linjära regressionen för modell 2 var enligt följande: 𝑦55= 𝛽0+ 𝐵𝑒𝑎𝑟 𝛽𝑏𝑒𝑎𝑟+ 𝐵𝑢𝑙𝑙 𝛽𝑏𝑢𝑙𝑙 + 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡 𝛽𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡
18
Den multipla linjära regressionen för modell 3 var enligt följande:
𝑦55= 𝛽0+ 𝐵𝑒𝑎𝑟 𝛽𝑏𝑒𝑎𝑟+ 𝐵𝑢𝑙𝑙 𝛽𝑏𝑢𝑙𝑙 + 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡 𝛽𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡+ 𝑒55
𝑦𝑖 är en observation av responsvariabeln Y vars värde beror på förklaringsvariablerna (𝑥𝑗) och en
slumpvariabel, även kallad residualen (𝑒𝑖). 𝛽0 är interceptet i modellen och 𝛽𝑗 är
regressionskoefficienter som beräknas utifrån den observerade datan. Modellen består av n observationer och k förklaringsvariabler (Lang, 2016).
Modellen utgår från vissa antaganden;
1. Den beroende variabeln kan skrivas som en linjär funktion mellan de förklarande variablerna och residualen.
2. Väntevärdet på residualen är noll.
𝐸 (𝑒 𝑋) = 0
3. Alla residualer har samma varians alltså homoskedastisk och är okorrelerade vilket innebär ingen autokorrelation. 𝐸 (𝑒 2 𝑋) = 𝜎 2 4. Residualerna är normalfördelade.
5. Värdet på förklaringsvariablerna är konstanta oavsett om fler mätningar görs.
6. Antalet observationer är större än antalet förklaringsvariabler och förklaringsvariablerna är linjärt oberoende, alltså ingen multikollinearitet.
(Lantz, 2013)
R2 och adjusted R2
R2 är ett mått som visar förklaringsgraden hos de förklarande variablerna för den beroende variabeln. Måttet beskriver hur stor del av variansens storlek som är förklarat av förklaringsvariabeln. Ett högre R2- värde indikerar en mer komplett modell som är bättre på individuella prediktioner, då högre R2 betyder att differensen mellan de observerade värdena och värdena från modellen är mindre. Med R2 tenderar det dock uppstå problem vilket undviks med hjälp av adjusted R2. Ett av dessa problem är att R2 tenderar att öka i takt med att fler regressorer läggs till i en modell (Bowerman, Koehler och O'Connell, 2004). Det innebär i vanliga fall att alla variablerna inte är värdefulla eller ett ökande problem med VIF vilket är ett mått på multikollinearitet som beskrivs i kommande avsnitt. I utvärderingen av modellerna beaktades både R2 och adjusted R2.
19
P-värde
För att dra slutsatser utifrån de uppställda hypoteserna har p-värde använts. P i p-värde står för probability och är sannolikheten för om ett resultat är lika eller mer extremt än vad som observeras i en nollhypotes om nollhypotesen är korrekt. En nollhypotes förkastas om p-värdet är mindre eller lika med ett förbestämt värde, kallat signifikansnivå. Förkastas nollhypotesen innebär det att sannolikheten att den alternativa hypotesen stämmer är stor. Signifikansnivåer som är vanliga i statistiska undersökningar är 0,1, 1, och 5 procent för att få en djupare inblick tas stundtals 10 procent i beaktning (Wahlin, 2015). I denna studie har var och en av hypoteserna utvärderats utifrån de tre signifikansnivåer 1, 5 och 10 procent.
Multikollinearitet
De uppställda modellerna har testats för multikollinearitet i syfte att bygga upp en så robust modell som möjligt. Problemet multikollinearitet uppstår när två eller fler av de förklarande variablerna är högt korrelerade med varandra vid en regression. Multikollinearitet kan göra en signifikant variabel icke signifikant på grund av ett ökat standardfel. Om standardfelet, även kallat residualer växer så minskar t-värdet och ökar därmed p-värdet i regressionen. Problemen kring multikollinearitet kan lösas genom att öka urvalsstorleken för att se om två variabler har någon unik effekt eller inte (Hair, Anderson, Tatham och Black, 2013). VIF eller variance inflation factor är en metod för att upptäcka multikollinearitet och hur stor den är i en regression, vilken beskrivs nedan.
Kvadratroten av VIF indikerar hur mycket större standardfelet ökar jämfört med om den variabeln inte hade någon korrelation med andra förklaringsvariabler i modellen. VIF-faktorn för en oberoende variabel ökar i värde när variabeln är multikollineär med en eller flera oberoende variabler. I en modell utan multikollinearitet är VIF lika med 1. Det finns olika rekommendationer för hur stor VIF bör vara innan den ställer till med problem. En del menar på ett kritiskt värde på 2,5 (Djurfeldt och Barmark, 2009) medan andra påstår att ett VIF under 10 är okej (Lang, 2016). I denna studie har dessa VIF- värden använts som riktlinje.
Normalfördelning
I en multipel linjär regression bör residualerna följa en normalfördelning och det är dessutom en fördel om variablerna också gör det. Dock antas variablerna följa en normalfördelning när urvalet i en studie är över 30, vilket har varit fallet i denna studie. En normalfördelning innebär att observationsvärdena tenderar att befinna sig i närheten av värdenas medelvärde. Desto färre observationsvärden desto längre ifrån medelvärdet kommer värdet. Följer inte residualerna en normalfördelning kan det leda till att osäkerheten i analysen underskattas vilket gör att tillförlitligheten i resultatet försämras. Normalfördelningen brukar vanligtvis illustreras i en normalfördelningskurva, vilket kan likna kurvan nedan. Kurvan har observationsvärdena i x-led och värdenas frekvens i y-led (Hair, Anderson, Tatham och Black, 2013).
20
Diagram 3; Normalfördelningskurva
Ett annat diagram som illustrerar normalfördelningen är ett QQ-diagram. QQ står för quantile quantile och diagrammet plottar två set av kvantiler mot varandra. Om båda seten kommer från samma distribution och därmed är normalfördelade uppstår en linjär linje. En perfekt linjär passform ger ett förväntat värde på 0 för residualerna och betyder att de är normalfördelade (Wilk och Gnanadesikan, 1968). Diagrammet nedan visar hur ett QQ-diagram för normalfördelning kan se ut.
Diagram 4; QQ-diagram
Förutom plottning av variablerna och residualerna i en normalfördelningskurva eller ett QQ-diagram finns det andra test för normalfördelning. De test som använts i denna studie förutom plottning i diagram är kurtosis, skevhet och Kolmogorov- Smirnov. Kurtosis är ett mått för hur sannolika extremutfallen är för en sannolikhetsfördelning. När en variabel eller residualen är normalfördelad har de en kurtosis på 3 (Trochim och Donnelly, 2006). Skevheten hos variablerna visar hur asymmetrisk en sannolikhetsfördelning av en variabel är. Om variabeln är helt normalfördelad är den helt symmetrisk och skevheten är 0. Är skevheten mellan -0,5 och 0,5 är kan den anses vara tämligen symmetrisk (Trochim och Donnelly, 2006). Kolmogorov-Smirnov är ett icke-parametrisk test som testar om en variabel följer en normalfördelning. Hypoteserna för Kolmogorov- Smirnov-testet är följande:
21 H0: Den analyserade datan är normalfördelad. H1: Den analyserade datan är inte normalfördelad.
Om testet får en signifikans under 5 procent kan en normalfördelning inte antas (Pallant, 2013). Variablerna och residualerna i denna studie har därmed testats för normalfördelning både med hjälp av diagram och test.
Heteroskedasticitet
Heteroskedasticitet är ett problem som kan uppstå vid regressionsanalys. Variansen hos residualerna är då inte konstanta och med andra ord inte homoskedastiska. Det vill säga, när värdet på en förklaringsvariabel ökar så minskar eller ökar den oförklarade variationen i beroendevariabeln. Standardavvikelsen kommer därmed se mindre eller större ut än vad den egentligen är vilket leder till att estimaten antingen blir för lätta eller för svåra att få signifikans för. En vanlig anledning till heteroskedasticitet är utelämnande av en viktig variabel (Bowerman, Koehler och O'Connell, 2004). Ett test kallat Breusch- Pagan- Godfrey visar om det finns ett problem med heteroskedasticitet. Det testar om variansen hos residualerna är beroende av värdet på förklaringsvariablerna, om så är fallet finns heteroskedasticitet. Hypoteserna för Breusch- Pagan- Godfrey-testet är följande:
H0: Den analyserade datan är homoskedastisk. H1: Den analyserade datan är inte homoskedastisk.
Nollhypotesen för testet är att residualerna är homoskedastiska. Förkastas nollhypotesen innebär det att residualerna är heteroskedastiska (Broms, 2013). Vanligtvis förkastas nollhypotesen på 5 procent signifikansnivå. Heteroskedasticitet och den ojämna spridning som detta innebär, kan i vissa fall undvikas genom att använda standardiserade residualer. Vidare innebär det att residualerna är konsistenta oavsett om de är hetero- eller homoskedastiska. Standardiserade residualer har använts för att minska problematiken med heteroskedasticitet i denna studie. De standardiserade residualer som nyttjats kallas Huber-White heteroskedasticity-consistent standard errors (White, 1980). Ett annat sätt att undvika heteroskedasticitet kan vara genom en transformation av variablerna. Transformationen görs vanligen genom att logaritmera eller exponentiera antingen x- eller y variablerna eller båda (Djurfeldt och Barmark, 2009). Kontroll av variansen hos residualerna och problemet med heteroskedasticitet har i denna studie kontrollerats med hjälp av Breusch- Pagan- Godfrey testet.
22
Autokorrelation
När residualerna i modellen följer ett mönster kallas det autokorrelation, vilket inte feltermerna bör göra således har modellerna i studien testas för detta. Autokorrelationen för en stokastisk process beskriver korrelationen mellan processens olika tidpunkter. Följaktligen hur en felterm korrelerar med sig själv under olika tidpunkter. Mönstret kan leda till en underestimation och leda till en tro om signifikans även om så inte är fallet. Att upptäcka autokorrelation kan göras med ett Durbin- Watson test. Testet kan visa ett värde mellan 0 och 4, där 2 är ingen autokorrelation, 0 till mindre än 2 innebär positiv autokorrelation och mellan 2 till 4 visar negativ autokorrelation. Tumregeln är att värden mellan 1,5 och 2,5 är normalt, och värden utanför intervallet kan leda till ett problem (Field, 2009). Durbin- Watson testet har därmed legat som grund för kontroll av autokorrelation.
Metodkvalité
Validitet
Validitet avser hur väl en studie mäter det den gör anspråk att mäta. Det vill säga om forskningsmetoderna är rättvisande i form av att datan är exakt, precis, giltig och konsekvent. Undersökningen kräver data som är ämnad för syftet och data behöver dessutom vara mätt på ett korrekt sätt (Bryman och Bell, 2015). Det finns flera bidragande faktorer som individuellt och tillsammans leder till att förstärka förtroendet för resultaten. Exempel på dessa är data för fondförmögenhet, affärsvärldens generalindex och marknadsvärde från världens börser. Data för fondförmögenhet har innefattat hela Sverige och utgjort ett stort urval samt att det är relevant för vad syftet i studien behandlat. Dessutom är datan uppdaterad kvartalsvis och mätt på ett konsekvent sätt. Affärsvärldens generalindex har även den utgjort ett stort urval, den är uppdaterad och konsekvent och eftersom indexet är brett utgör det en bra måttstock för svenska börsmarknadens utveckling. Marknadsvärde från World bank från alla världens börser har tagit med ett stort urval av världen för att mäta vad som benämns som världensmarknadsportfölj. Denna data har därmed bidragit till validiteten i studien
Validiteten i studien har minskat något på grund av att datan har inhämtats sekundärt och därmed har den exakta processen i vilket siffrorna är framtagna i inte säkerställts. Utöver det har genomsnittliga årsbaserade siffror för svenska transaktionskostnader använts vilket inte har varit konsekvent med siffrorna av home bias, detta diskuterats vidare i kapitlet om metodkritik. Fortsättningsvis har inte utlandets transaktionskostnader beaktats vilket gjort att den relativa skillnaden mellan Sverige och utlandet gått miste. Dock har variabeln och datan använts för att fånga upp hur variationen i svenska transaktionskostnader påverkat home bias. För att stärka validiteten har även olika typer av statistiska tester genomförts för att kontrollera de modellerna som framställts, exempelvis VIF- test och Breusch -Pagan-Godfrey. Validitet har därmed en rimlig nivå trots vissa svagheter i datan.
23
Validitet kan delas in i två delar, intern validitet och extern validitet. Intern validitet beskriver huruvida orsakssambandet är underbyggt och extern validitet är ett mått på huruvida resultatet går att generalisera till övrig population (Graziano och Raulin, 2014). Var och en av variablerna har motiverats utifrån tidigare studier men de har inte applicerats på den svenska fondmarknaden tidigare. Tillsammans med detta och det faktum att home bias beror på flera faktorer som är svåra att mäta var vissa aspekter svåra att få in i denna typ av metod. Home bias kan exempelvis påverkas av andra faktorer samt att definitionen för home bias inte är entydig. Det här har gjort att den interna validiteten har minskat något. Datan som har hämtats för studien har mätts utifrån den aggregerade svenska marknaden vilket också är det perspektiv som studiens syfte har, vilket gjort att svaren ska gå att generalisera till hela den populationen. Sammanfattningsvis har studien visat både på intern och extern validitet, där vissa svagheter har tagits i beaktning för den interna.
Reliabilitet
Tillförlitligheten i studiens resultat har beskrivits utifrån begreppet reliabilitet och för att uppnå reliabilitet bör resultatet vara konsistent vid upprepning (Bryman och Bell, 2015). Således behövs rätt verktyg för att studera home bias. Home bias hade kunnat studeras utifrån andra definitioner och variabler vilket skulle kunna lett till andra slutsatser. Vidare hade bear- och bull-marknaden kunnat definierats annorlunda och därmed lett till ett annat resultat. Valet av variabler och definitionen av dessa variabler har därmed argumenterats för med hjälp av tidigare forskning och teorier. Detta har gjort att reliabiliteten har stärkts och att utfallet med den tillgängliga data som denna studie tillhandahållit med stor sannolikhet inte skulle lett till ett förändrat utfall vid upprepade mätningar. De modeller och analysverktyg som nyttjats har påverkat studiens utfall, varför andra modeller och verktyg hade kunnat ge ett annorlunda utfall. För att stärka reliabiliteten har metodkapitlet haft som avsikt att vara tydliga med tillvägagångssättet. Reliabilitet har således stärkts av tidigare forskning och teori samt tydliga beskrivningar av tillvägagångssättet.
Metodkritik
Den valda metoden för att genomföra studien kan kritiseras utifrån olika aspekter. Inledningsvis kan valet av index kritiseras för att mäta den optimala världsmarknadsportföljen, eftersom inte alla länder i världen har inkluderats utan endast de som fanns tillgängliga på World bank. Då de största ekonomiernas generalindex representerades i datan anses ändå datan ha representerat världsmarknaden som helhet. Kritik kan även riktas mot hur home bias är mätt, då det är svårt att kvantifiera och inte har någon enstaka definition. Genom att studien utgått från fondförmögenhet vid definition av home bias kan andra perspektiv på begreppet gått förlorade. Home bias hade kunnat analyserats på en mer detaljerad nivå, där enskilda individer undersökts. I syfte att uppnå den generaliserbarhet som eftersträvas hade det dock inneburit ett stort urval av enskilda individer, vilket hade krävt en stor mängd primärdata. Detta har fallit utanför ramen för studien och är varför den valda definitionen av home bias tillämpats.
24
Kritik kan vidare riktas till urvalet då transaktionskostnader till viss del är bristfälliga i sin data. De var i form av årsdata, beräknade utifrån ett medelvärde och endast sträckt sig från år 2005. Eftersom datan inte har samma tidsperspektiv som resterande variabler har det gjort att datan inte var lika precis som varit önskvärt. Eftersom ingen annan data fanns att tillgå inkluderades denna trots bristen. Att medelvärdet får representera hela året behöver inte vara felaktigt, dock missas variationen som finns i kvartalsdatan vilket har gjort analysen mindre robust. Variabeln har trots det här ändå ansetts tillföra studien då den enligt teori har en betydande effekt. Ett val har därmed gjorts att göra hypotestest med och utan denna transaktionskostnad. Tre olika modeller har utgjort resultatet för studien vilket anses som ett rimligt tillvägagångssätt för att få med all data och även inkludera transaktionskostnader.
En annan svaghet i val av metod är att vissa variabler har utelämnats. Det kan vara sådant som teorier tagit upp som bidragande ekonomiska faktorer exempelvis skatter och valuta (Oehler, Rummer och Wendt, 2008; Mishra, 2015). Det har varit svårt att urskilja de skatter som är relevanta för förklaringen av home bias. Skatter förändras kontinuerligt genom en långsam process samt att effekten av dessa är svår fastställda. Därmed har skatteeffekten stått utanför ramen för studien och har inte tagits i beaktning. Valuta innefattades indirekt i och med att världens börser har omräknats i svensk valuta och skillnaderna har således tagits till hänsyn. Endast volatilitet och transaktionskostnader användes då de har inkluderats i modellen på ett bättre sätt samt att de enligt vald teoretisk referensram varit av stor betydelse. Andra psykologiska förklaringar till home bias är svåra att kvantifiera som, exempelvis familjaritet och informationsasymmetrier (Riff och Yagill, 2016; Schultzs, 2002). Dessa hade dock kunnat beskrivits och fångats upp om utgångspunkten var från en kvalitativ ansats. Då studien ämnat att förklara olika marknadsförhållanden och åstadkomma generella slutsatser som lättast gått att beskriva utifrån en kvantitativ ansats har studien fokuserat på det och dessa svårmätta variabler har frångåtts.
