Linköpings universitet SE-581 83 Linköping, Sverige 013-28 10 00, www.liu.se
Aktieanalytikers
träffsäkerhet
Beror skillnader i konsensusriktkursers
träffsäkerhet på bolagens storlek?
Oliver Bergman
Inas Delic
Förord
Vi vill rikta ett stort tack till alla eminenta opponeringsgrupper som tagit sig tiden att läsa igenom materialet och bidragit med bra feedback. Vi vill även rikta ett stort tack till vår handledare Katarina Eriksson för väldigt bra synpunkter och vägledning genomgående.
Oliver Bergman Inas Delic
Sammanfattning
Titel Aktieanalytikers träffsäkerhet
Författare Oliver Bergman och Inas Delic
Handledare Katarina Eriksson
Bakgrund Aktieanalytiker publicerar ofta rapporter innehållandes riktkurser och rekommendationer. Det har gjorts många studier på ämnet träffsäkerhet för vinst per aktie prognoser. Det har även gjorts studier på riktkursträffsäkerhet på andra marknader samt främst för stora bolag. Denna studie behandlar riktkursträffsäkerheten på den svenska marknaden för företag från listorna OMX Stockholm Small Cap-, Mid Cap- och Large Cap. Skillnaden från tidigare studier är alltså att fokus ligger på skillnader i riktkursträffsäkerhet mellan små och stora bolag.
Syfte Syftet med denna studie är att beräkna aktieanalytikers träffsäkerhet avseende riktkurs på den svenska aktiemarknaden och jämföra denna träffsäkerhet mellan större och mindre bolag för att se om den skiljer sig åt.
Genomförande Studien har genomförts med en kvantitativ metod och deduktiv ansats. Data för 98 bolag på den svenska marknaden har samlats in för att beräkna det absoluta prognosfelet för perioderna tre, sex och tolv månader efter utgiven riktkurs. Detta prognosfel har sedan undersökts genom regressioner för att se om det finns ett samband med variablerna beta, diskrepans mellan högsta och lägsta riktkurs, absolut kurspotential, marknadsvärde, omsättning, handelsvolym och volatilitet. Dessa variabler har valts då de visat skilja sig signifikant mellan stora och små bolag. Träffsäkerheten har även undersökts genom att analysera om aktiekursen någon gång uppgår till riktkursen under samma tidsspann som för det absoluta prognosfelet.
Resultat Resultatet i denna studie visar att andelen uppnådda köp-och behållrekommendationer är högre för bolag tillhörande OMX Stockholm Large Cap medan säljrekommendationer uppnås oftare för bolag tillhörande OMX Stockholm Small Cap och OMX Stockholm Mid Cap. De flesta skillnaderna är statistisk signifikanta vid minst 5% signifikansnivå. Regressionerna visar att på tre samt sex månaders sikt leder högre Beta och handelsvolym till mindre absolut prognosfel. Ökad diskrepans, absolut kurspotential, marknadsvärde, omsättning och volatilitet ger ett högre prognosfel. På tolv månaders sikt uppvisar diskrepans, absolut kurspotential, marknadsvärde, handelsvolym samt volatilitet ett positivt samband med absolut prognosfel. Beta och omsättning har ett negativt samband.
Abstract
Title Equity research analyst’s accuracy.
Authors Oliver Bergman and Inas Delic
Supervisor Katarina Eriksson
Background Equity research analysts publish reports containing recommendations and target prices for stocks. A lot of research has been carried out on the subject of accuracy in earnings per share forecasts. Studies have also been made regarding target price accuracy on different markets and for bigger companies. This study concerns the target price accuracy on the Swedish market and for companies from the lists OMX Stockholm Small Cap-, Mid Cap- and Large Cap. The difference from earlier studies is therefore the focus on target price accuracy difference between large and small companies.
Aim The aim of this thesis is to analyze the target price accuracy on the Swedish market and compare this accuracy between big and small companies to see if there is any connection between company size and target price accuracy.
Completion The study has been conducted with a quantitative method and a deductive approach. Data for 98 companies on the Swedish market has been collected to be able to calculate the absolute forecasting error for three, six- and twelve-month horizons. The absolute forecasting error is then analysed through a regression to be able to see if there is any connection between the absolute forecasting error and the variables beta, difference between highest and lowest target price, difference between target price and actual price, market capitalization, sales, trading volume and volatility. The accuracy has also been studied by looking at if the target price has been reached during the same time horizons.
Results The results of this study show that the ratios of achieved buy recommendations and hold recommendations are higher for constituents of OMX Stockholm Large Cap whilst sell recommendations are more often achieved for OMX Stockholm Small Cap and OMX Stockholm Mid Cap constituents. Most differences are statistically significant at least at a 5% level of significance. The regressions show that at three and six-month horizons a higher Beta and trading volume leads to a smaller absolute forecasting error. Increased discrepancy, absolute target price potential, market capitalization, sales and volatility lead to a higher absolute forecasting error. At a twelve-month horizon, the absolute forecasting error has a positive relationship with discrepancy, absolute target price potential, market capitalization, trading volume and volatility. Beta and sales show a negative relationship with the absolute forecasting error.
Innehållsförteckning
1 INLEDNING ... 1
1.1 BAKGRUND ... 1
1.2 PROBLEMDISKUSSION ... 3
1.3 SYFTE OCH FORSKNINGSFRÅGOR ... 4
1.3.1 Forskningsfrågor ... 4 1.4 AVGRÄNSNING ... 4 1.5 DEFINITION TRÄFFSÄKERHET ... 5 2 TEORETISK REFERENSRAM... 7 2.1 EFFEKTIVA MARKNADER ... 7 2.2 INFORMATIONSASYMMETRI ... 10 2.3 BETEENDEEKONOMI ... 12 2.3.1 Investerares beteenden ... 12
2.3.2 Flockbeteende och konsensus ... 13
2.3.3 Analytikers Överoptimism... 14
3 METOD ... 15
3.1 UTFORMNING ... 15
3.2 DATAINSAMLING... 16
3.2.1 Sekundärdata ... 16
3.2.2 Urval & undersökningsperiod ... 18
3.2.3 Definitioner ... 18 3.2.4 Balansering av paneldata ... 19 3.3 VARIABLER ... 20 3.3.1 Absolut prognosfel ... 20 3.3.2 Marknadsvärde ... 20 3.3.3 Absolut kurspotential ... 20 3.3.4 Handelsvolym... 21 3.3.5 Beta ... 21 3.3.6 Volatilitet ... 21 3.3.7 Diskrepans ... 21 3.3.8 Omsättning ... 22 3.4 DATAANALYS ... 22 3.4.1 Individuell heterogenitet ... 22
3.4.3 Random Effect Model ... 23 3.4.4 Hausman-test ... 24 3.4.5 Signifikanstest ... 24 3.4.6 Heteroskedasticitet ... 24 3.4.7 Multikollinearitet ... 25 3.4.8 Autokorrelation ... 25 3.4.9 Robusta standardfel ... 25 3.5 KVALITETSFÖRSÄKRING ... 26 3.5.1 Validitet ... 26 3.5.2 Reliabilitet ... 26 3.5.3 Replikerbarhet ... 27 3.5.4 Etik ... 27 4 EMPIRI ... 29 4.1 DESKRIPTIV STATISTIK ... 29
4.1.1 Fördelning av bolag & rekommendationer ... 29
4.1.2 Utfall av rekommendationer ... 31
4.1.3 Oberoende variabel & kontrollvariabler ... 32
4.1.4 Beroende variabel ... 34
4.2 BIVARIAT ANALYS ... 35
4.3 REGRESSIONSANALYS ... 35
5 ANALYS ... 39
5.1 TRÄFFSÄKERHET UTIFRÅN UPPNÅDDA REKOMMENDATIONER ... 39
5.1.1 Fördelning av bolag & rekommendationer ... 39
5.1.2 Utfall av rekommendationer ... 41
5.1.3 Sammanfattning ... 43
5.2 TRÄFFSÄKERHET UTIFRÅN ABSOLUT PROGNOSFEL ... 44
5.2.1 Marknadsvärde ... 44 5.2.2 Beta ... 45 5.2.3 Diskrepans ... 45 5.2.4 Absolut kurspotential ... 46 5.2.5 Omsättning ... 47 5.2.6 Handelsvolym... 47 5.2.7 Volatilitet ... 48 5.2.8 Sammanfattning ... 48
6 SLUTSATSER & FÖRSLAG TILL VIDARE FORSKNING ... 49
7 REFERENSER ... 51
BILAGOR ... 56
T-TEST &KORRELATIONSMATRIS ... 56
HETEROSKEDASTICITETSTEST ... 57
REGRESSIONSSKATTNINGAR &HAUSMAN-TEST ... 58
1
1 Inledning
Detta kapitel behandlar bakgrunden till ämnet, problemdiskussion, syfte, forskningsfrågor, avgränsning samt definitionerna av träffsäkerhet som används i studien. Detta för att skapa en bra bild av ämnet och vad denna studie undersöker.
1.1 Bakgrund
Sedan länge har teorin bakom utvecklingen på de finansiella marknaderna studerats och diskuterats bland forskare som till exempel Fama (1965:1970) och Shiller (2000). Målet med diskussionerna har varit att försöka hitta kunskap som kan hjälpa till att ge en fördel inför investeringsbeslut. Frågan huruvida det är möjligt att med hjälp av en grundlig analys kunna investera på ett sätt som genererar överavkastning och på så vis slå marknaden har mynnat ut i en debatt kring marknadens effektivitet. Det är ett område som Fama (1970) studerat och ur hans forskning utvecklades den effektiva marknadshypotesen. Innebörden av begreppet är att priserna på värdepapper speglar tillgänglig information på marknaden. Finansiella marknader kan enligt Fama (1970) vara effektiva i olika hög grad där effektiviteten delats upp i tre nivåer. Redan i den första nivån, som kallas för weak form, elimineras möjligheten att skapa överavkastning med hjälp av strategier som utgår från historiska kursrörelser då dessa inte kan nyttjas för att förutse marknaden (Fama 1970). Investerare agerar rationellt vilket bidrar till att ingen har en klar fördel (Fama 1970).
Robert J. Shiller (2000) kontrasterar Famas hypotes och menar på att marknaden inte alls är effektiv i alla lägen och att investerare inte kan antas agera rationellt varje gång på grund av diverse psykologiska bias. Implikationerna av en effektiv marknad menar Fama (1965) är att investerare inte borde kunna slå marknaden konsekvent med hjälp av vanliga investeringsstrategier. Däremot har detta i praktiken kritiserats då flertalet investerare lyckats uppnå en bättre avkastning än index. Barber, Lehavy, McNichols och Trueman (2001) har undersökt fenomenet och funnit att en strategi som går ut på att investera i bolag med de mest positiva analyserna, genererade en överavkastning mot index om fyra procent. Strategin som Barber et al. (2001) testade i sin studie genererade dock en realavkastning lägre än fyra procent eftersom strategin innefattade en del kortsiktiga affärer som innebar transaktionskostnader.
2
Fama (1965) menar vidare att alla aktier inte måste vara korrekt värderade för att marknaden ska kunna anses vara effektiv, utan det räcker med att prisdiskrepanserna är slumpmässiga och inte korrelerade med en särskild variabel. Sannolikheten för att hitta ett undervärderat företag bör alltså alltid vara 50% enligt Famas teori (1965). Exempelvis bör aktier med lägre P/E tal inte ha en högre sannolikhet att prestera bättre än aktier med högre P/E tal. Det har gjorts statistiska studier som motbevisar detta. Ett exempel är Pettersen (2011) som funnit överavkastningen signifikant för en portfölj innehållandes bolag med låga P/E tal. Damodaran (2012) hävdar att företagsvärdering och därmed aktieanalys har en roll och att den är betydelsefull även för dem som tror att marknaden är effektiv. Vidare anger Damodaran (2012) att det behöver finnas investerare som är ute efter att hitta över- och undervärderade företag för att marknaden ska bli effektiv. Det i sin tur leder till priser på marknaden som reflekterar det fundamentala värdet. De som tror att marknaden gör misstag i prissättningen av aktier måste ändå förvänta sig att marknaden är tillräckligt effektiv och att den till slut rättar till felprissättningen för att kunna erhålla avkastningen som eftersträvas (Damodaran 2012).
Idag sparar svenskar allt mer i aktier, antingen direkt eller indirekt genom aktiefonder. De senaste 7 åren har enligt SCB:s mätningar uppvisat en stark positiv trend av den totala fondförmögenheten i Sverige som i september 2019 uppmättes till 4526 miljarder kronor varav aktiefonder utgör mer än hälften av andelen (SCB 2019). Investerare exponeras för aktieanalyser dagligen från flera olika håll genom exempelvis banker och analyshus. Brav och Lehavy (2003) visar även att marknaden reagerar på dessa rekommendationer på kort sikt efter att rekommendationerna släpps och att de har ett informationsvärde. Lin Tan och Zhang (2016) har också kommit fram till att institutionella investerare justerar sina innehav i aktier till följd av aktierekommendationer.
Ramnath, Rock och Shane (2008) diskuterar i sin artikel vad en analytiker bidrar med. I deras studie nämns det att det viktigaste inte alltid är vad som kommer ut ur en analys utan snarare vad som går in i den (Ramnath et al. 2008). Ramnath et al. (2008) hävdar att analytiker bidrar med information om marknaden och bolagen som analyseras. Marknaden kan genom aktierekommendationerna få en bättre implicit inblick i analyserade företag då analytiker lättare kan ta kontakt med företagsledning för att på ett effektivare sätt kunna bearbeta informationen som publiceras (Cao & Kohlbeck 2010). De senaste åren har emellertid nedskärningar gjorts hos många stora banker världen över vilket delvis kan förklaras av det nya EU direktivet MiFID II samt att provisionerna minskat markant de senaste åren enligt Bloomberg (2019). Det väcker frågan om analytiker verkligen fyller en viktig funktion, något som vore intressant att utvärdera genom att undersöka analytikers träffsäkerhet för de rekommendationer som ges ut.
3
1.2 Problemdiskussion
En analys av ett bolag kräver en hel del antaganden och prognoser. Det är viktigt att dessa görs på rätt sätt för att ett företags värde ska vara rättvisande. För att göra rimliga prognoser så krävs väldigt mycket kunskap om marknaden som det analyserade företaget är verksamt på samt kännedom om produkter och konkurrenter. Det leder oss in på problemdiskussionen, i och med att prognoserna grundar sig på väldigt många antaganden som kräver ingående kunskap så är det många parametrar som kan bli fel vilket i så fall genererar en felaktig riktkurs.
Imam, Chan och Shah (2013) har gjort en studie på aktieanalytikers träffsäkerhet i Europa där de konstaterar att DCF-värdering och P/E multipeln är de värderingsmetoder som främst används. Trots det har multiplar som utgår från ROE och bokfört värde lägre felmarginal. Då aktieanalytiker främst använder värderingsmetoder som kan generera en högre felmarginal så är det viktigt att analysera hur ofta de faktiskt har rätt. Tidigare studier som gjorts på ämnet undersöker primärt hur hög träffsäkerhet aktieanalytiker har allmänt och främst genom undersökning av större bolag. Brycz och Włodarczyk (2017) har till exempel gjort en studie på Warsaw Stock Exchange där de kom fram till att 67% av aktieanalytikernas riktkurser uppnås inom 12 månader efter släppt rapport. En annan studie gjord i Europa visar att på den tyska marknaden återfinns ett positivt samband mellan aktieanalytikers träffsäkerhet och storleken på bolaget (Kerl 2011). Bonini, Zanetti, Bianchini och Salvi (2010) hittar dock ett negativt samband mellan ett företags storlek och aktieanalytikers träffsäkerhet vilket gör detta till ett intressant ämne. Den svenska marknaden är mindre utforskad och fokus på jämförelsen mellan stora och små företag är något som saknas samt föreslås i tidigare studier som lämpligt för vidare forskning.
Elton och Gruber (1972) har gjort en studie på träffsäkerheten för vinst per aktie som visar att det inte finns någon signifikant skillnad mellan analytikers träffsäkerhet och prognoser som endast utgår från extrapolerade data. Studier gjorda på ämnet tyder på att det finns analytiker som konsekvent överpresterar både andra analytiker och extrapolerade data (Bradshaw, Brown & Huang 2013). Problemet är emellertid att det finns många parametrar som måste prognosticeras vid en aktieanalys vilket gör det svårt att ge en rättvisande riktkurs. Är det lika svårt för stora bolag som för små eller spelar storleken på bolagen roll för träffsäkerheten i en aktieanalys? För tillfället kan det vara svårt att bedöma olika investeringsalternativ utifrån aktieanalyser då det är oklart om analyserna skiljer sig i träffsäkerhet baserat på det analyserade företagets storlek. Det forskningsgap som denna studie fyller är därmed jämförelsen mellan träffsäkerheten för analyser på små och stora bolag. Studien ämnar ge en djupare bild av vad som gör att det skiljer mellan analyser på olika bolag och undersöker om träffsäkerheten beror av storleken på det analyserade bolaget.
4
Studiens resultat kan därför användas av investerare när de tar beslut baserade på rekommendationer utgivna av aktieanalytiker samt även för aktieanalytiker för att veta om det är något som behöver beaktas mer vid värdering av ett bolag av en viss storlek.
1.3 Syfte och forskningsfrågor
Syftet med denna studie är att beräkna aktieanalytikers träffsäkerhet avseende riktkurs på den svenska aktiemarknaden och jämföra denna träffsäkerhet mellan större och mindre bolag för att se om den skiljer sig åt samt vad det kan bero på.
1.3.1 Forskningsfrågor
− Hur påverkas aktieanalytikers träffsäkerhet av storleken på de analyserade bolagen? − Vilka faktorer skulle kunna förklara eventuella skillnader i träffsäkerhet mellan stora
och små bolag?
1.4 Avgränsning
Den svenska marknaden har valts som avgränsning för att minimera påverkan av faktorer som kan komma av olika marknader mellan de undersökta bolagen. Listorna som undersöks är OMX Stockholm Small Cap, OMX Stockholm Mid Cap och OMX Stockholm Large Cap. Detta då studien syftar till att undersöka eventuella skillnader i aktieanalytikers rikskursers träffsäkerhet baserat på storleken på de undersökta bolagen. Riktkurserna som inhämtas är konsensus riktkurser vilket innebär medianen av samtliga utställda rekommendationer. Konsensus används för att representera analytiker som en grupp samt för att syftet med uppsatsen inte är att jämföra enskilda analytiker, banker eller analyshus. Gällande tidsaspekten analyseras riktkurser kvartalsvis från 2010 till sista kvartalet 2018 mot aktiekurser från 2010 till det sista kvartalet 2019. Valet att använda Q4 2019 som sista mätpunkt är gjort för att få lika många mätpunkter för varje tidshorisont efter att riktkurs publicerats.
5
1.5 Definition träffsäkerhet
I denna studie används två olika mått på träffsäkerhet. Det ena måttet består i enlighet med Kerl (2011) av en undersökning om riktkursen uppnåtts för perioderna ett kvartal, två kvartal samt ett år. Detta görs genom att högsta och lägsta kursen under dessa kvartal hämtas för att se om riktkursen ligger mellan dessa, gör riktkursen det så definieras det som träffsäkert då analytikernas riktkurs har uppnåtts. Anledningen till att flera mätpunkter har valts ut är för att kunna se om det finns ett mönster som visar på hur lång tid det kan ta för en riktkurs att bli aktuell och matcha mot framtida faktiska aktiekurser. Detta används i uppsatsens diskussion med utgångspunkt i den effektiva marknadshypotesen samt tidigare empiriska studier kring försenade reaktioner och marknadens korrigeringar av aktiepriser. En närmare förklaring och motiveringen återfinns i avsnitt 2.1. Den ovan nämnda definitionen visar dock endast om riktkursen är träffsäker eller ej, det vill säga om kursen någon gång under mätperioden uppnås. Därmed fångas inte riktkursens avvikelse från det faktiska utfallet av aktiepriserna upp.
För att komplettera denna definition så används därför också en annan definition på träffsäkerhet som Bonini et al. (2010) använder i deras studie. Definitionen bygger på absolut prognosfel som visar procentuellt hur nära riktkursen är den faktiska kursen för de undersökta tidsperioderna. Absolut prognosfel visar ett absolutbelopp vilket alltid är ett positivt tal. Hänsyn tas alltså inte till om aktieanalytikers prognoser understiger eller överstiger de verkliga aktiekurserna utan fokuserar på hur pass stor avvikelsen är. Problemet med denna definition är att den endast undersöker träffsäkerheten för stängningskursen den specifika dagen som mätningen görs mot. Då aktiekurser kan vara relativt volatila så kan detta bli missvisande varför det valts att använda även tidigare nämnd definition för att komplettera denna. Då undersökningen bygger på kvartalsdata över en period om nio år så bör dock risken för otillförlitliga träffsäkerhetsmått minska. Formeln ser ut som nedan:
𝐴𝑃𝐹 = | (𝐹𝑎𝑘𝑡𝑖𝑠𝑘 𝑎𝑘𝑡𝑖𝑒𝑘𝑢𝑟𝑠𝑏,𝑡− 𝑅𝑖𝑘𝑡𝑘𝑢𝑟𝑠𝑏,𝑡) 𝐹𝑎𝑘𝑡𝑖𝑠𝑘 𝑎𝑘𝑡𝑖𝑒𝑘𝑢𝑟𝑠𝑏,𝑡
∗ 100 | Där
b = bolaget
t = tiden för riktkurs respektive faktiskt aktiekurs
Tillsammans utgör dessa mått en bra indikation på träffsäkerhet då det första måttet visar om riktkursen någon gång under ett kvartal uppnåtts och med andra ord inte hur långt ifrån högsta eller lägsta är vilket spelar roll för hur bra riktkursen faktiskt är. Det andra måttet visar endast för en dag vilket kan vara missvisande på grund av volatilitet men, i och med användningen av data för nio år och två olika definitioner så undviks detta.
7
2 Teoretisk referensram
Den teoretiska referensramen tar upp tidigare forskning och teorier som anses vara av värde för att diskutera och analysera det insamlade empiriska datamaterialet och besvara studiens frågeställningar. Referensramen kommer att förklaras utförligt samt genomgående anknytas till forskningsämnet.
2.1 Effektiva marknader
“In an efficient market at any point in time the actual price of a security will be a good estimate of its intrinsic value.” (Fama 1965, s. 4).
På detta vis definierar Fama (1965) en effektiv marknad vilket är centralt i den effektiva marknadshypotesen. Fama (1965) beskriver att det på de finansiella marknaderna främst är teorier kring teknisk och fundamental analys som dominerar samt att det är dessa som har haft inflytande på den akademiska världen. Vidare skrivs det om att tanken bakom teknisk analys är att de som nyttjar den formen av analys gör det för att de tror att tidigare aktieutveckling har en tendens att upprepas. Fama (1965) menar att de utgår från att studera tidigare mönster i kursrörelserna för att kunna förutspå dessa och därmed dra nytta av det i sina investeringsbeslut. Det nämns därefter att det är rätt så sällsynt för analytiker att endast tillämpa teknisk analys, snarare är det fundamental analys som är den dominerande metoden. Metoden består av ett antal fundamentala faktorer som analytiker och förespråkare av teorin noggrant utvärderar för att komma fram till ett verkligt värde (Fama 1965).
Vissa akademiker har hävdat att dessa former av analys kan bli överflödiga och till slut inte medföra något ökat värde i förhoppningen om att generera överavkastning. Fama (1965) benämnde till följd av detta teorin som the theory of random walks. I korthet innebär teorin att aktiepriser rör sig slumpmässigt runt deras verkliga värde. Detta till följd av att befintliga analytiker och välutbildade samt rationella marknadsaktörer konstant agerar utifrån information tillgänglig för hela allmänheten med syftet att maximera sin vinst (Fama 1965). Även om prisskillnaden mellan aktiers verkliga värde och marknadsvärde beror på systematiskt fel bör ändå vetskapen om detta göra att effekten förr eller senare neutraliseras med tanke på att aktörer på marknaden önskar erhålla avkastning (Fama 1965). Teorin kan för studiens syfte vara intressant att undersöka genom att se ifall en ökad handelsvolym leder till att träffsäkerheten ökar. Det är därutöver värt att ta reda på ifall en ökad handelsvolym är ett karaktärsdrag som större bolag innehar. Dessutom bör skillnaden mellan andelen uppnådda köp-, behåll och säljrekommendationer kunna diskuteras utifrån teorin.
8
Vidare anges det att ny information hela tiden flödar in som är av betydelse för värdet av företagen vilket leder till att priserna justerats omedelbart. Däremot brukar det råda ovisshet kring information som publiceras och hur den tolkas vilket kan få två följder menar Fama (1965). Den ena är att marknaden med lika stor sannolikhet kommer att reagera med en underdrift som med en överdrift, med andra ord är utfallet slumpartat. Anledningen är att konkurrensen mellan marknadsaktörer kommer att leda dem till att försöka ta vara på möjligheten till avkastning. Den andra implikationen är att priserna kan ligga efter i de fall då informationen inte är tydligt fastställd, exempelvis en händelse som förväntas inträffa men som inte ännu har inträffat (Fama 1965). Med andra ord innebär detta att den omedelbara justeringen av priserna är oberoende och går enligt Fama (1965) inte att förutspå genom att studera tidigare mönster.
Frågan om hur marknaden reagerar på ny information har testats av De Bondt och Thaler (1985) där de ställer frågan om aktiemarknaden överreagerar. För att undersöka detta bildades två portföljer med aktier hämtade från New York Stock Exchange (NYSE) i form av månadsdata. Den ena portföljen innehöll aktier som över 36 månader före mättidpunkten uppvisat sämst överavkastning gentemot marknaden. Aktier med bäst överavkastning placerades i vinnarportföljen. När dessa konstruerades mättes överavkastningen för de nästkommande 36 månaderna. De fann vid testet att resultatet kring överreaktioner var asymmetriskt och att förlorarportföljen faktiskt presterade bättre över testperioden i genomsnitt än vinnarportföljen. Detta menar De Bondt och Thaler (1985) visar på att marknaden överreagerar på ny information. En annan eventstudie har även utförts av Berndard och Thomas (1989) där de testat hur priser på marknaden utvecklas efter att resultatrapporter släppts för noterade bolag. Det visade sig att det fanns en fördröjning efter positiva såväl som negativa nyheter då överavkastningen för aktierna fortsatte att anpassas till den nya informationen mer än 50 dagar efter släppt rapport. Ett liknande resultat har också påfunnits på OMX Stockholm Large Cap listan (Setterberg 2007).
Fynden motsäger till viss del Famas påståenden och menar på att det tar tid för aktiepriser att justeras till ett värde som är av någorlunda bestående karaktär. Då denna undersökning mäter träffsäkerheten av aktieanalytikers riktkursprognoser vid flera tidpunkter efter de datum som riktkurserna samlas in kommer teorin om effektiva marknader att användas i uppsatsens diskussion. Det görs genom att studera om det finns ett mönster i hur träffsäkerheten utvecklas över tid och hur det kan relatera till dessa teorier. Detta analyseras även med hänsyn till storleken på bolagen för att se om det råder en diskrepans.
9
Fama (1965) hävdar med stöd i tidigare studier på ämnet att det över tid inte har bevisats att teknisk analys av mönster och tidigare rörelser är ett adekvat verktyg och att det över tid regelbundet inte går att överprestera gentemot en så kallad buy and hold strategi som i korthet innebär att värdepapper med likande risknivå allokeras och behålls. Detta, menar Fama (1965) ger stöd för the random walk theory. Däremot skriver Fama (1965) att analytiker som tillämpar fundamentala analyser ändå kan överprestera jämfört med en buy
and hold strategi i de lägen då en oförklarad och uppenbar skillnad uppstår mellan det
verkliga värdet och marknadsvärdet. Däremot kan detta vara svårt då det på en effektiv marknad går fort för priserna att justeras. Därmed menar Fama (1965) att det inte gör stor skillnad om analytikern är medioker eftersom avkastningen troligtvis inte kommer att vara sämre än den för en analytiker som anses vara bättre än genomsnittet. En ytterligare del värd att belysa ur Fama (1965) är hans ståndpunkt att analytiker bör ha cirka 50% procents chans att ha rätt i sin prognos på grund av slumpen. Dessa slutsatser som Fama kommit fram till tillför nytta för denna studie då teorin i korthet innebär att det nuvarande marknadsvärdet är det mest rättvisande värdet givet att ingen ny information tillkommer som förändrar värderingen. Därför testar studien ifall aktierekommendationer som inte avviker något avsevärt från aktiepriset för samma period är mer träffsäkra i genomsnitt gentemot sälj-och köprekommendationer. Därvid undersöks de absoluta kurspotentialernas samband med absoluta prognosfel för att se om marknadsvärdet faktiskt är den bästa prognosen för det framtida värdet.
I en senare artikel beskriver Fama (1970) tre olika nivåer av vad som kan anses effektiva marknader. De benämns av Fama (1970) som weak form, semi-strong form och strong form.
Weak form är den svagaste nivån av en effektiv marknad och innebär att tidigare
prisutveckling för aktier inte är tillräckligt för att regelbundet hitta undervärderade företag att investera i. Med andra ord skulle inte en teknisk analys kunna användas för att uppnå en överavkastning mot marknaden, däremot kan en fundamental analys vara till hjälp. Kriterierna för att det ska råda en semi-strong form-marknad är att historisk utveckling samt all publik information, så som bolagsrapporter och nyhetsrapporter, reflekteras i de nuvarande aktiepriserna. Den starkaste nivån av en effektiv marknad benämns som strong
form och adderar till det som kännetecknar en semi-strong form marknad att även privat
10
2.2 Informationsasymmetri
Teorin om informationsasymmetri myntades först av nationalekonomen George A. Akerlof (1970) och exemplifierades i sammanhanget av ett bilköp. Efter att ha ägt bilen en längre period menar Akerlof (1970) att ägaren har en bra uppfattning om bilens eventuella brister och bilens kvalité överlag. Köparen å andra sidan som är ute efter en bra bil på andrahandsmarknaden kan inte ha bättre kunskap om bilen än dess tidigare ägare även om personen i fråga gör en genomgående kontroll av bilen före köpet. Akerlof (1970) menar att köparen endast kan ha en preliminär ungefärlig uppfattning om risken för att bilen ska vara en så kallad lemon det vill säga en dålig bil. I sammanhanget med specifika företag är det styrelsen och ledningen som har bäst insikt i bolaget och dess ekonomi gentemot allmänheten och kapitalmarknaden (Löfgren, Persson & Weibull 2001).
Förmedlingen av information om företagens verksamheter och affärshändelser är viktig då det är ett underlag som investerare på aktiemarknaden grundar sina beslut på (Runesson, Samani & Marton 2018). Nedgången under finanskrisen år 2007 till 2008 samt IT bubblan mellan år 2000 och 2002 kan till viss del förklaras av bristande information i finansiella rapporter menar Runesson et al. (2018). Vidare refererar Runesson et al. (2018) till Famas (1970) effektiva markandshypotes där den starkaste formen innebär att marknaden reflekterar all publik men också privat information. Med hänsyn till det hävdar Runesson et al. (2018) att marknaden inte kan anses vara i strong form om det råder informationsasymmetri mellan marknaden och bolagets ledning, alltså om den privata informationen inte finns tillgänglig. I de lägena kan det få effekter som att investerare får det svårare att urskilja bra och dåliga bolag, detta resulterar då i felprissättningar på marknaden konstaterar Runesson et al. (2018).
Här menar Isniawati, Rahmawati och Gunardi (2018) att aktieanalytiker gör nytta då de i sin studie funnit att ju mer aktier följs och analyseras desto mindre blir informationsasymmetrin. Cao och Kohlbeck (2010) skriver om ett liknande tema där de konstaterar att aktieanalytiker har bättre tillgång och åtkomst till information eftersom de lättare kan komma i kontakt med styrelsen vilket också gör att de mer effektivt kan bearbeta den. På så vis kan de göra marknaden mer effektiv då investerare också kan få sig en tolkning av informationen indirekt genom riktkursen (Cao & Kohlbeck 2010). Lin et al. (2016) har funnit att institutionella investerare på den amerikanska marknaden förändrar storleken på sina innehav utefter förändringar i aktierekommendationer. I sitt urval från 1999 till år 2011 har Lin et al. (2016) också upptäckt att denna procentuella förändring varit särskilt stor för mindre företag och för företag som i mindre utsträckning följs av aktieanalytiker.
11
Effekterna av aktieanalytikers rekommendationer har studerats på den svenska marknaden av Lidén (2007) där han analyserat köp och säljrekommendationer utgivna av affärstidningar och analyshus. Resultaten visar en viss effekt för avkastningen samt handelsvolymerna på publiceringsdagen för köprekommendationer, dessa visade sig dock återgå till nivåerna före rekommendationen. För säljrekommendationerna uppvisades en effekt på publiceringsdagen men till skillnad från köprekommendationerna fortsatte trenden av prisutvecklingen nedåt.
En liknande empirisk undersökning har gjorts av Asquith, Mikhail och Au (2005) där de i sin artikel belyst hur förändringar i olika variabler, som aktieanalytiker förmedlar, påverkar marknaden. Deras fynd ger belägg för att större marknadsreaktioner förekommer främst vid förändringar i riktkurser jämfört med förändringar i prognostiserad vinst. Därutöver drar Asquith et al. (2005) slutsatsen att investerare lägger större vikt vid att ta till sig informationen som analytiker har med i sina rapporter vid en nedgradering från en tidigare rekommendation. Alltså läggs mer fokus på beståndsdelarna som värderingen bygger på om riktkursen avviker kraftigt från föregående riktkurs. I artikeln hävdas det också att aktieanalytiker spelar en stor roll i bearbetning och tolkning av information.
För att försöka uppnå syftet med denna uppsats tillför en diskussion kring informationsasymmetri en djupare förståelse och förklaring till varför eventuella skillnader råder träffsäkerheten mellan stora och mindre stora bolag. Teorin kommer därför att knytas an till resultatet av detta vilket presenteras i empirin och testas genom att ha med handelsvolym som en av variablerna i regressionerna. Rollen som aktieanalytiker har i att minska informationsgapet genom sina analyser och hur investerare reagerar på rekommendationerna är särskilt intressant att ha med i diskussionen.
12
2.3 Beteendeekonomi
2.3.1 Investerares beteenden
I kontrast till Famas (1970) teori om den effektiva marknadshypotesen, hävdar Shiller (2000) att den i praktiken omöjligen kan vara sann. Shiller (2000) menar att prisförändringar inom den närmaste framtiden är svåra att förutspå men att investerare på längre tidshorisonter har en möjlighet att prognostisera aktiekurser. Därvid tillägger Shiller (2000) att aktörer inte fullt ut kan rätta marknaden till dess verkliga värde trots att de agerar rationellt och handlar, vad de anser vara, felvärderade aktier. Ett annat problem i investerares psyke som Shiller (2000) identifierar är faktumet att människor tenderar att visa en allt för stark optimism. Det beskrivs att investerare under perioder med stigande aktiekurser förväntar sig fortsatta uppgångar och att vid mindre bra tider då börsen faller tror de att ett uppsving väntar. Detta indikerar enligt Shiller (2000) att investerare uppvisar ett beteende präglat av överdrivet självförtroende.
Kahneman och Tversky (1979) grundade genom sin forskning begreppet prospect theory vilket behandlar människors beteenden under tvetydiga omständigheter och när ambivalenta känslor uppstår i förhållande till aktiemarknaden. De har i sin studie illustrerat en kurva som är av konkavt utseende när investerares utveckling är positiv, alltså känns inte en vinst om 1000 dollar två gånger så bra som en vinst om 500 dollar. Vidare anges en förlust slå hårdare mot ens upplevda nytta. Det Kahneman och Tversky (1979) konstaterar är att kurvan för förluster är brantare än den för vinster, alltså tenderar människor att vara mer rädda för förluster än glada över vinster. Sådana tendenser leder till att investerare påverkas i sina val när de ska göra affärer, menar Shefrin och Statman (1985). Deras undersökning visade att människor blandar in sina känslor och att de på grund av rädslan att förlora pengar säljer av investeringar som går med vinst för tidigt.
I motsats till det bevisade deras forskning att investerare är benägna att behålla aktier som tappat i värde för länge. Fenomenet benämns av Shefrin och Statman (1985) som disposition
effect. Följderna som detta kan få har Odean (1998) konkretiserat och visat att vinnande
aktier i snitt stigit med 2,35% jämfört med marknaden i övrigt, medan förlorande aktier underavkastat med 1,06%. Ytterligare ett fenomen som hittats hos investerare och som kan leda till dåliga investeringsbeslut är när de väljer att placera sitt kapital i bolag som anses glamorösa eller populära. Beteendet benämns av Nofsinger (2018) som representativitet. En studie har gjorts av Lakonishok, Shleifer och Vishny (1994) som visar att denna effekt är sann och att dessa populära aktier underpresterar de mindre kända aktierna sett till avkastning både över 1 år och över 5 år.
13
2.3.2 Flockbeteende och konsensus
Nofsinger (2018) förklarar att i takt med att människan hör mer om vad andra tänker kring aktier bildas en social konsensus, vilket benämns av Nofsinger (2018) som flockbeteende. Nofsigner (2018) liknar investerare till en flock antiloper som ena stunden står stilla men som vilken sekund som helst kan börja galoppera i samma riktning. På samma sätt har investerare uppvisat ett beteende där de följer strömmen, exempel på detta tas upp av samma forskare med fokus på slutet av 1990-talet. Internetbolag som Yahoo och eBay värderades till P/E värden på 1 300 respektive 3 300 vilket i relation till det historiska genomsnittliga P/E värdet på 15 visade på total irrationalitet och saknade en förklaring menar Nofsinger (2018). Shiller (2000) påstår att investerare, trots att de besitter en självinsikt om att de ofta följer flocken, ändå tror sig ha bättre förmåga att träffa rätt tidpunkt än den övriga marknaden. Populationen utgår också ofta ifrån vad andra tycker istället för att prioritera en gedigen och noggrann analys, hävdar Shiller (2000). Jegadeesh och Kim (2007) visade i en studie att flockbeteende även förekommer hos aktieanalytiker och att de har en vana att i sina rekommendationer förhålla sig till övriga analytiker och konsensus. De fann även att marknaden reagerade som starkast på riktkurser som avvek från konsensus, vilket indikerar att marknaden också inser att analytiker har en tendens att samlas kring ett värde (Jegadeesh och Kim 2007). Även Welch (2000) kommer fram till den slutsatsen samt tillägger att flockbeteendet hos analytiker inte grundar sig i rationell informationsbearbetning.
Clement och Tse (2005) har studerat vilka faktorer som har en inverkan på analytiker och gör att de släpper rekommendationer i linje med konsensus och därmed uppvisar flockbeteenden. Utöver faktorer som erfarenhet och risken att förlora jobbet, vilka Hong (2000) talar om, visar Clement och Tse (2005) att analytikers tendens att ge ut rekommendationer som faller utanför konsensus ökar med tidshorisonten som rekommendationen ges ut för, tidigare träffsäkerhet, storleken av mäkleriet och frekvensen av analyser. Vidare anges sådana rekommendationer förekomma mer sällan ju fler dagar som passerat sedan senaste utgivna riktkurs och ju fler branscher analytikern följer. Clement och Tse (2005) menar även att de analytiker som vågar sticka ut från konsensus på ett bättre sätt speglar den privata informationen de tillhandahållit vilket innebär att de mot investerare ses som mer informativa. Slutligen visar Clement och Tse (2005) att människor lägger större vikt vid enskilda rekommendationer än till konsensus. Med utgångspunkt i att denna uppsats ämnar studera om det finns ett samband mellan träffsäkerhet och de bolag som analyseras är det även värt att belysa hur flockbeteende skiljer sig utifrån dem parametrarna. Lin et al. (2011) visar att bekantskap är en drivande faktor i analytikers flockbeteende, eftersom analytiker främst täcker större bolag är flockbeteendet prominent just vad gäller dessa. I korthet bör därmed träffsäkerheten i riktkursprognoser för större företag vara mindre vilket
14
är en intressant aspekt att ha med i diskussionen för att analysera träffsäkerheten i denna studie.
2.3.3 Analytikers Överoptimism
Förutom analytikers flockbeteende kan det vara av nytta att diskutera resultatet från undersökningen i denna uppsats utifrån aktieanalytikers överoptimism. Studier om huruvida detta fenomen går att utmärka hos aktieanalytiker har gjorts av Butler och Lang (1991), Easterwood och Nutt (1999) samt Gu och Xue (2007). Analytiker uppvisar konsekvent överoptimism påstår Butler och Lang (1991) efter att ha sammanställt andelen överskattningar och underskattningar baserat på prognosen över bolagsvinster. Butler och Lang (1991) fastslår att en klar majoritet av analytikerna förutspår högre vinster än vad som blir det faktiska utfallet samt att underskattningarna inte alls är lika förekommande.
Easterwood och Nutt (1999) diskuterar liknande fynd då de efter sin empiriska studie konstaterar att analytiker överreagerar till positiv information medan de inte reagerar lika starkt till negativ information. Likt Butler och Lang (1991) var det analytikers vinstprognoser som studerats. Vidare sammanfattar Easterwood och Nutt (1999) att analytiker även vid extremt positiva nyheter överreagerar medan en underreaktion oftast återfinns vid extremt negativa bolagsnyheter. Gu och Xue (2007) menar att optimism föreligger bland analytiker och att det är särskilt märkbart när det råder osäkerhet i prognostiserade bolagsvinster. Gu och Xue (2007) resonerar att analytiker kan bli påverkade till att prognostisera optimistiskt för att få en bättre bekantskap med bolagsledningen och därmed få åtkomst till privat information. Det kan även bero på att de är selektiva och tror på att de analyserade bolagen kommer att ge en bra avkastning. Hooke (1998) tillägger att ett annat incitament till överoptimistiska rekommendationer är att mäklerier tjänar pengar i form av transaktionskostnader när investerare genomför affärer. Detta tyder på att det bland aktieanalytikerna kan råda en viss irrationalitet vilket gör det intressant att undersöka hur optimistiska aktieanalytiker är och om det skiljer sig mellan stora och små bolag. Speciellt då det uppenbarligen är en faktor som påverkar en viktig komponent vid värderingen av bolag, alltså bolagsvinsten.
15
3 Metod
I detta kapitel beskrivs metoden som använts för att samla in och analysera studiens data samt vilken data som valts och hur den kommer att användas för att besvara studiens syfte.
3.1
Utformning
Enligt Håkansson (2013) är det första valet i förklaringen av en uppsatsmetod att avgöra huruvida en kvalitativ eller kvantitativ metod är bäst lämpad. Övergripande menar Håkansson (2013) att det är en fråga om undersökningen ämnar bevisa ett fenomen, genom diverse tester och insamling av data samt experiment eller om meningen är att göra observationer som analyseras och mynnar ut i skapandet av teorier, produkter och uppfinningar. Med utgångspunkt i syftet och frågeställningarna som ställts i denna studie framstår en kvantitativ undersökning som det lämpligaste alternativet. Detta då uppsatsens syfte innefattar att beräkningar behöver göras för att på bästa sätt kunna uppfylla det. Likaså är insamling av kvantifierbara data av stor vikt för att finna ett resultat och förhoppningsvis besvara frågorna som identifierats efter problemdiskussionen.
Forskningsmetoden bidrar med riktlinjer för att genomföra undersökningen (Håkansson 2013). Det finns en mängd olika forskningsmetoder som lämpar sig för olika typer av studier hävdar Håkansson (2013). Denna undersökning bedrivs med en descriptive research method då uppsatsen undersöker sambandet mellan de variabler som förklaras i frågeställningarna. Detta är i enlighet med Håkansson (2013) passande för studien då en descriptive research
method beskrivs på det viset. Håkansson (2013) beskriver descriptive research method som
en metod där relationen mellan variabler studeras. Insamling av en stor mängd data har gjorts som observeras och behandlas genom diverse statistiska tester vilka beskrivs senare i metoden. Detta görs för att se hur sambandet mellan de variablerna ser ut vilket också är en del av Håkanssons (2013) beskrivning av descriptive research method. Bland alternativa forskningsmetoder återfinns experimental research method. Däremot är en grundläggande innebörd av experimental research method att samband testas genom kausalitet. Bryman och Bell (2015) definierar kausalitet som ett orsakssamband där en handling orsakar en verkan, vilket antyder på att experimental research method är mer lämpat för vetenskapliga tester. Eftersom genomförandet av denna studie inte bygger på experimentella tester eller utgår från data genererat genom kausala samband framstår descriptive research method som det lämpligare alternativet.
16
Ansatsen är enligt Håkansson (2013) till för att dra slutsatser och avgöra vad som stämmer eller ej. Det finns två ansatser som är de mest använda; induktiv och deduktiv, det finns även en mix av dessa som kallas abduktiv (Håkansson 2013). Deduktiv ansats består av antaganden som representerar den vanligaste uppfattningen om ämnet, utifrån dessa deduceras hypoteser som stärks eller förkastas vid en empirisk granskning (Håkansson 2013). Induktiv ansats är tvärtom när observationer eller mönster används för att formulera en teori med alternativa förklaringar (Håkansson 2013). Denna uppsats har en deduktiv forskningsansats då det tidigare utförts liknande studier och syftet med denna studie är att undersöka samma fenomen på den svenska marknaden. Fakta som används i studien är känd och testas för att se om det finns ett samband som går att dra slutsatser från vilket enligt Håkansson (2013) är definitionen av en deduktiv ansats.
Avseende forskningsstrategin och designen i en undersökning anger Håkansson (2013) att det agerar som ett medel som upprättar riktlinjer för studien. Det inkluderar organiseringen, planeringen, designen och genomförandet av forskningen. De vanligaste strategierna kallas för experimental research och ex post facto research. Experimental research strategy menar Håkansson (2013) är applicerbar för forskning som bedrivs med avsikten att verifiera eller bevisa motsatsen till en bildad hypotes genom experiment av samspelet mellan olika variabler för att förkasta eller verifiera en hypotes. Däremot kommer, som nämnt, inte denna studie att genomföras på ett experimentellt vis vilket gör Ex post facto research till ett bättre alternativ.
Ex post facto research är likt experimental research med skillnaden att historiska data
används för att studera och härleda svar för studiens frågeställningar (Håkansson 2013). I linje med dessa strategier utreds och analyseras uppsatsens insamlade historiska data med utgångspunkt i de frågeställningar som nämnts för att försöka fastställa eller avslå den uppställda hypotesen. Strategin anses vara kompatibel med studiens syfte, därför har den också tillämpats.
3.2 Datainsamling
3.2.1 Sekundärdata
Undersökningen baseras på data insamlat från främst Thomson Reuters samt I/B/E/S vilka är ledande inom förmedling av finansiell information (Reuters u.å; Refinitiv u.å).Med andra ord är det sekundärdata som inhämtas vilket har både fördelar och nackdelar. Några av fördelarna som nämns i Bryman och Bell (2015) är besparing av tid, data av hög kvalitet, mer tid åt analysering av data och möjligheten att komma fram till nya tolkningar. I en studie som denna där författarna har begränsat med tid att färdigställa rapporten ses det som en klar fördel att använda sekundärdata då det sparar tid och underlättar insamlingen.
17
Därutöver är de valda databaserna som används av hög kvalité vilket också ökar studiens tillförlitlighet. Med hänsyn till att mycket tid sparas på detta vis så lämnar det utrymme för att utveckla och nyansera analysen. Bryman och Bell (2015) skriver att datainsamlingen ofta ses som den svåra delen av vetenskaplig forskning medan analysen är mindre ansträngande, dock är så inte fallet. Då mer tid läggs åt analys kan det också leda till flera tolkningar med fler infallsvinklar vilket är positivt för studien men också eventuella fortsatta undersökningar. Överlag ses denna insamlingsmetod som klart bättre då syftet med uppsatsen är att studera samband mellan variabler med en stor mängd bolag.
Å andra sidan kan det också uppstå svårigheter med sekundärdata. Några av dessa omfattar enligt Bryman och Bell (2015) att forskarna inte är bekanta med datamaterialet, datamängdens komplexitet samt brist på kontroll av kvalitén. Med tanke på att den data som samlats in är enkel att förstå och som nämnt är av hög kvalité är dessa faktorer inte särskilt svåra att överkomma, samtidigt som de inte ska försummas.
Datamaterialet som samlats in består av konsensusriktkurser i form av median, högsta och lägsta samt faktisk, högsta och lägsta aktiekurs. Därutöver har Beta, volatilitet, handelsvolym, omsättning samt marknadsvärde samlats in. Denna data har samlats in på kvartalsbasis för bolagen för att kunna användas till tidsperioderna tre, sex och tolv månader från utgiven riktkurs. All data har samlats in genom Thomson Reuters Datastream. Riktkurserna består av konsensusriktkurser för bolagen, datamaterialet är från I/B/E/S men inhämtas genom Thomson Reuters. Medianriktkursen är vald då den på ett bra sätt representerar aktieanalytikerna som en grupp. I studien har det valts att endast använda data genom Thomson Reuters för att minska risken för att det skiljer sig mellan databaser eller att slarvfel görs vid insamling av förstahandsdata på grund av tidsbrist. Hur denna data hanterats av författarna samt hur den definieras i Thomson Reuters förklaras mer utförligt senare i metoden.
Informationen som inhämtats är ren data som inte har beräknats av Thomson Reuters vilket gör att skillnader i beräkningsmetoder undviks. Som tidigare nämnt finns det både för och nackdelar med sekundärdata men på grund av mängden data som hanterats i denna studie och den begränsade tiden som givits för att slutföra studien, väger fördelarna över. I/B/E/S eller Institutional Broker´s Estimate System är en databas där prognoser på finansiella data över bolag sammanställs. De har varit verksamma länge i branschen och har täckning av många företag vilket är den främsta anledningen till valet av databasen. I/B/E/S data finns sammanställd i Thomson Reuters Datastream vilket underlättar inhämtningen av data då allt har kunnat samlas in vid samma tidpunkt.
18
3.2.2 Urval & undersökningsperiod
Studien har avgränsats till den svenska marknaden och bolag från listorna OMX Stockholm Small Cap, OMX Stockholm Mid Cap och OMX Stockholm Large Cap har använts. Urvalet har gjorts då dessa listor innehåller företag av olika storlek sett till marknadsvärde vilket gör de användbara för att besvara studiens frågeställningar. Anledningen till att endast den svenska marknaden har valts är att tidigare studier (Bonini et al. 2010: Kerl 2011) har haft annat fokus och genomfört studier på andra marknader vilket gör det intressant att veta hur träffsäkerheten ser ut i Sverige. De svenska bolagen har samma politiska och legala situation vilket minimerar risken för att andra variabler påverkar träffsäkerheten. Riktkurser och faktiska kurser för samtliga bolag på dessa listor har hämtats. Bolag där data inte finns för samtliga mätpunkter och utvalda variabler har tagits bort ur urvalet. Efter rensning återstår 98 bolag. En förteckning över de inhämtade bolagen före och efter rensning återfinns under avsnittet Urval & Bortfall i bilagorna. Rensningen resulterade i ett avtagande antal bolag tillhörande Small Cap listan och Mid Cap listan men sammanlagt var antalet bolag tillräckligt för att ge ett statistiskt normalfördelat resultat. Detta kan konstateras i enlighet med den centrala gränsvärdesansatsen som menar att 30 stycken är acceptabelt (Gujarati 2009). Studien har ett tidsspann på nio år där första observationen är från första kvartalet år 2010. Valet av tidsperiod har grundats i tidigare studier gjorda på ämnet där tio år är det vanligaste, till exempel använder både Kerl (2011) och Bonini et al. (2010) tio år som tidsperiod. Data för år 2009 fanns inte tillgänglig för samtliga företag vilket ledde till valet att justera ner tidsperioden ett år istället för antalet bolag. Anledningen till att denna tidsperiod ses som lämplig är att en kortare tidsperiod kan innebära att konjunkturcykler spelar in på resultatet om träffsäkerheten exempelvis är ovanligt hög eller låg ett år. Anledningen till att kvartalsdata har inhämtats är att riktkurser inte uppdateras så ofta och för att resultatet ska vara lätt att dra användbara slutsatser utifrån. En tätare mätperiod hade försvårat analysen samt gjort resultatet mindre överskådligt för läsaren. Valet av frekvens i mätningarna följer även tidigare studier, exempelvis Kerl (2011) och Bonini et al. (2010).
3.2.3 Definitioner
För att lättare kunna jämföra analytikers träffsäkerhet mellan större och mindre bolag har de tre listorna OMX Stockholm Small, Mid och Large Cap komprimerats till att definieras som stora och små bolag. Studien presenterar i kapitel 4 data där stora bolag utgör företag från OMX Stockholm Large cap, små bolag består av företag tillhörande OMX Stockholm Mid Cap och Small Cap. Ur ett globalt perspektiv anses detta vara en rimlig uppdelning då bolag från listan OMX Stockholm Large Cap har ett börsvärde som överstiger 1 miljard euro medan det minsta bolaget i S&P 500 har ett börsvärde på ca 1,9 miljarder dollar (Nasdaq u.å; Standard & Poor’s u.å). En jämförelse mellan de tre olika listorna hade kunnat göras istället men det bedöms inte ge ökat värde jämfört med vald definition. Särskilt med tanke på att
19
även regressionsanalyser har genomförts vilket inte beaktar eller kategoriserar aktier utifrån dess listtillhörighet.
Insamlade riktkurser har kategoriserats och fördelats som köp-, behåll och säljrekommendationer. Detta för att kunna studera skillnader i träffsäkerhet i prognoser mellan stora och små bolag ur ytterligare en synvinkel som kan förklara differensen.
En köprekommendation har klassificerats som när kurspotentialen, det vill säga skillnaden mellan riktkursen och aktiekursen överstiger eller är lika med 5%. Behållrekommendationer definieras för riktkurser som visar en kurspotential under 5% och över -5%. En säljrekommendation innebär att prognosen avviker med mindre än eller lika med -5% från dagens kurs. En behållrekommendation exempelvis, antyder på att en affär inte är värd att genomföra på grund av transaktionsavgifter och kanske tidsåtgång. Dessutom kan aktiepriserna förändras med ett par procentenheter på relativt kort tid. Sammantaget anses intervallerna vara rimliga med hänsyn till detta. I övrigt har även Kerl (2011) studerat just träffsäkerheten för köp-, behåll och säljrekommendationer.
3.2.4 Balansering av paneldata
Studien består av en analys av kvartalsdata för 9 år från 98 bolag som därför definieras som paneldata (Gujarati & Porter 2009). Enligt gujarati och porter (2009) är paneldata en kombination av tidsseriedata och tvärsnittsdata. Tidsseriedata är data för en variabel över olika tidsperioder, tvärsnittsdata är tvärtom en studie av data för flera variabler vid en tidpunkt (Gujarati & Porter 2009). En fördel med paneldata nämns av Gujarati och Porter (2009) är att det blir mer informationsrikt än tidsseriedata eller tvärsnittsdata vilket är logiskt då det mer eller mindre är de två typerna av data ihop. Det finns dock fler parametrar att ha i åtanke vid analys av paneldata. Gujarati och Porter (2009) diskuterar bland annat att det är viktigt att veta om det är balanserad eller obalanserad paneldata. För att en panel ska vara balanserad krävs det att den innehåller lika många observationer för i detta fall bolagen (Gujarati & Porter 2009). Det kan uppstå problem om datamaterialet inte är balanserat, varför det har valts att utesluta bolag som inte innehåller observationer från samtliga perioder eller som saknar värden som används i studien. Efter rensning återstår 98 bolag som alla har data för riktkursuppfyllelse mellan Q1 2010 och Q4 2018. Justering till nio år istället för tio har även gjorts då fler bolag hade observationer under de nio åren.
20
3.3 Variabler
3.3.1 Absolut prognosfel
De beroende variablerna som genom regressionen analyseras är det absoluta prognosfelet för de olika tidsperioderna. Dessa är döpta till ABS_PROGNOSFEL_3M, ABS_PROGNOSFEL _6M samt ABS_PROGNOSFEL _12M och avser träffsäkerheten i form av absolut prognosfel för tidsperioderna tre, sex och tolv månader från utgiven riktkurs. Beräkning har gjorts enligt tidigare nämnd formel för absolut prognosfel. Riktkursen som använts är konsensusriktkursen för aktien då studien undersöker aktieanalytikers träffsäkerhet och konsensus är då definitionen som använts för aktieanalytikerna som en grupp.
Syftet med uppsatsen är att undersöka förhållandet mellan träffsäkerheten och storleken på bolaget. Därför är marknadsvärdet den oberoende variabeln som regressionsskattningarna utgår ifrån. Övriga variabler har valts ut som kontrollvariabler för att minimera risken för
omitted variable bias det vill säga risken för att modellen utelämnar variabler som ökar
förklaringsvärdet. Problemet som kan uppstå vid utelämnandet av dessa är att modellen felaktigt kan värdera övriga variabler (Woolridge 2002).
3.3.2 Marknadsvärde
Marknadsvärde är en av två variabler som används för att indikera storleken på bolaget och är studiens oberoende variabel. Marknadsvärdet hämtas från Datastream kvartalsvis över undersökningsperioden. Marknadsvärdet anges i den valuta som är gällande för det land där företaget är verksamt, vilket i denna undersökning uteslutande är Sverige och därmed svenska kronor. I regressionerna namnges marknadsvärdet MARKNADSVARDE. Variabeln är vald i enlighet med Bonini et al. (2010).
3.3.3 Absolut kurspotential
Den procentuella skillnaden mellan konsensusriktkursen och aktiekursen för samma tidpunkt är det som avses med kurspotential. För att kunna mäta sambandet med absolut prognosfel har även absolutbeloppet av kurspotential valts. I regressionerna döps variabeln till ABS_KURSPOTENTIAL. Mätningarna av absolut kurspotential bidrar med förståelse om ifall en riktkurs som avviker mer ifrån aktiekursen då rekommendationen utgavs också innebär att träffsäkerheten blir liten. Variabeln är vald då den tros påverka träffsäkerheten samt skiljer sig mellan stora och små bolag. Även Absolut kurspotential har använts av Bonini et al. (2010).
21
3.3.4 Handelsvolym
Handelsvolym är en variabel hämtad från Datastream som visar värdepapprets omsättning. Data är insamlad för varje enskilt bolag kvartalsvis. Syftet med variabeln är att se ifall större handelsvolym är en faktor som också ökar träffsäkerheten. Variabeln kallas i regressionerna för HANDELSVOLYM. Variabeln skiljer sig mellan små och stora bolag. Variabeln har valts i enlighet med Kerl (2011).
3.3.5 Beta
Betavärden för de utvalda bolagen har hämtats från Thomson Reuters Datastream och är beräknad mot bolagets jämförelseindex. Värdena är hämtade kvartalsvis och beräknade på femåriga historiska data. Denna data är av betydelse då det är känt som ett mått för en akties marknadsrisk då det mäter aktiens risk i förhållande till marknadens risk (Sharpe 1970). Beta används i denna studie då det tros kunna påverka aktieanalytikernas träffsäkerhet samt skiljer sig mellan stora och små bolag. Variabeln kallas i regressionerna för BETA. Beta har valts i enlighet Bonini et al. (2010).
3.3.6 Volatilitet
Volatilitet är en variabel som i denna studie är hämtad kvartalsvis och avser volatiliteten för värdepappret beräknat utifrån 5 års rullande data. Då denna studie sträcker sig över en större tidsperiod anses 5 års rullande data vara acceptabelt för att eliminera effekten av perioder då volatiliteten för vissa bolag möjligtvis avviker kraftigt från vad som förväntas. Måttet är likt Beta ett mått för risk men fångar förutom marknadsrisk också upp företagsspecifika risker vilket är av betydelse vid utvärdering av investerare. Variabeln heter i regressionerna VOLATILIET. Variabeln har valts i enlighet med Kerl (2011).
3.3.7 Diskrepans
Differensen mellan högsta och lägsta riktkurs är beräknat som den procentuella skillnaden mellan högsta och lägsta riktkursen utgivna för samma period och döps i regressionen som DISKREPANS. Högsta och lägsta riktkurs är hämtat från Thomson Reuters Datastream. Diskrepansen är viktig att mäta för att undersöka om det råder stor oenighet bland analytikerna när riktkurserna sätts. Diskrepans är vald som en variabel då den skiljer sig baserat på bolags storlek samt tros inverka på träffsäkerheten i analyser.
22
3.3.8 Omsättning
Den andra variabeln för storlek är omsättning som visar bolagens omsättning för tolv månader innan utgiven riktkurs. Orsaken till att omsättning finns med som kontrollvariabel är att se om aktieutvecklingen för bolag med större omsättning tenderar att följa de riktkurser som ges ut. Omsättning är också en viktig del i värdering av företag. Omsättningen för de senaste tolv månaderna benämns som OMSATTNING i regressionerna. Variabeln är vald i enlighet med Bonini et al. (2010).
3.4 Dataanalys
Dataanalysmetoden används för att analysera allt sammanställt material. Vid analys av paneldata är det viktigt att rätt metoder används för att generera korrekta skattningar (Gujarati & Porter 2009). I detta avsnitt förklaras de modeller och metoder som utförts i studien för att säkerställa att materialet och de statistiska skattningarna är korrekta.
3.4.1 Individuell heterogenitet
Vid användandet av paneldata är det viktigt att ta hänsyn till individuell heterogenitet (Gujarati & Porter 2009). Paneldata karaktäriseras ofta av att observationerna är beroende av varandra då datamaterialet i detta fall avser ett företag över tiden. Varje bolags aktie är alltså individuell och dess utveckling kan i olika stor grad förklaras av diverse faktorer. Ett särskilt bolag skulle kunna vara svårare att analysera vilket skulle försvåra prognostiseringen av riktkurser på grund av specifika variabler som inte tas upp i denna studie. Att samla ihop samtliga bolag och skapa en regression hade således inte gett upphov till ett rättvist resultat då ingen hänsyn hade tagits till denna individualitet vilket i sin tur minskar värdet i de statistiska skattningarna (Gujarati & Porter 2009).
3.4.2 Fixed Effect Model
Fixed Effect model behandlar heterogenitet och låter de observerade bolagen ha sitt eget
intercept på skattningen. Regressionen för varje bolag görs utifrån förklaringsvariablerna och de oberoende variablerna. Formeln för Fixed Effect model är förklarad nedanför.
yit= 𝛼𝑖 + 𝛽1𝐾1𝑖𝑡 + 𝛽2𝐾2𝑖𝑡 + 𝛽3𝐾3𝑖𝑡 +. . . + 𝛽𝑥𝐾𝑥𝑖𝑡+ 𝑢𝑖𝑡 i = individ (Bolag)
23
Termen fixed effects används enligt Gujarati och Porter (2009) då, trots att interceptet för regressionerna är olika för varje individ så varierar det inte över tid för enskilda individer, därmed är det tidsoberoende. Eftersom denna studie inte har som fokus att undersöka ifall det finns variationer i koefficienterna för de valda variablerna från år till år utan över en och samma period så kan det tyckas att denna modell är passande. Fördelen är att inga dummyvariabler används i regressionen, det hade nämligen inte varit gynnsamt att använda en fixed effect model då. Något som är positivt med modellen är enligt Gujarati och Porter (2009) att den konsekvent skattar intercept korrekt även om det finns en korrelation med förklaringsvariablerna.
3.4.3 Random Effect Model
Råder det inte någon korrelation i heterogeniteten mellan bolagen med förklaringsvariablerna kan en random effect model vara bättre lämpad för studien. Skillnaden är huvudsakligen att skärningspunkten ses som en stokastisk variabel. Gujarati och Porter (2009) menar att om dummyvariabler innehar ett värde som kan komplettera regressionsmodellen kan det vara bra att använda denna modell. Formeln skrivs enligt följande.
𝑦𝑖𝑡 = α + β1𝐾1𝑖𝑡 + β2𝐾2𝑖𝑡 + β3𝐾3𝑖𝑡 +. . 𝛽𝑥𝐾𝑥𝑖𝑡+ 𝑤𝑖𝑡 i = individ (Bolag)
t = tidsperiod
Slumptermen 𝑤𝑖𝑡 uttrycks enligt formeln nedan
w𝑖𝑡= εi+ uit εi = individspecifik slumpterm
uit = idiosynkratisk slumpterm som varierar mellan individer och över tid
Då εi är en del av w𝑖𝑡 . Eftersom inga variabler som förblir konstanta över tid ingår som oberoende eller som förklaringsvariabler i denna studie torde denna metod inte vara bäst lämpad.
24
3.4.4 Hausman-test
Gujarati och Porter (2009) presenterar Hausman-testet som ett test som kan göras för att välja mellan ovan nämnda modeller. Det är ett hypotestest som testar nollhypotesen att slumpvariabeln är okorrelerad med förklaringsvariablerna i modellen (Gujarati & Porter 2009). Fixed effect model är bäst lämpad om nollhypotesen förkastas. Alternativhypotesen är därmed definierad enligt nedan:
𝐻𝑎: Random effects är inkonsekvent.
Skulle nollhypotesen inte kunna förkastas vid en acceptabel signifikansnivå går det däremot att använda både fixed effect model eller random effect model för att göra skattningar. Gujarati och Porter (2009) lyfter fram Hausman-testet som överlag det bästa redskapet för att avgöra valet av modell. Däremot kan det finnas andra mått och omständigheter värda att tänka på. Hausman (1978) hävdar att en utredning bör göras utifrån den typen av variabler som finns med i studien. Clark och Linzer (2012) menar att Hausman testet i sig inte behöver vara avgörande utan att undersökningens syfte kan vara en viktigare utgångspunkt i valet av modell.
3.4.5 Signifikanstest
För att kunna avgöra ifall samband råder mellan oberoende variabel och beroende variabel samt kontrollvariabler kommer signifikanstest att göras på data från regressionerna och genom T-test. Regressionsdata och T-test finns bifogade under avsnittet Regressionsskattningar & Hausman-test respektive T-test & Korrelationsmatris i bilagorna. Signifikansen mäts för att avgöra om koefficienterna från regressionerna är statistiskt hållbara och på så vis leder till resultat som är generaliserbara (Gujarati & Porter 2009). Samband med signifikansnivåer på 1%, 5% och 10% diskuteras i analysavsnittet, variabler som ej är signifikanta vid dessa nivåer förkastas då de inte anses vara av värde att nämnas mer än att de inte är trovärdiga resultat. I tabellerna kommer dessa signifikansnivåer att betecknas med ”*” för 10% signifikansnivå, ”**” för 5% signifikansnivå och ”***” vid 1% signifkansnivå.
3.4.6 Heteroskedasticitet
När en regression utförs så är förklaringsgraden en viktig parameter, något som kan störa förklaringsgraden är variansen i mätpunkterna. Gujarati och Porter (2009) skriver att om ett datamaterial har jämn varians i feltermerna så är den homoskedastisk. Är variansen hos feltermerna inte konstant så råder inte homoskedasticitet utan heteroskedasticitet. Heteroskedasticitet gör det svårt att dra slutsatser samt gör att outliers kan påverka mycket
