Momentumstrategier med mindre bolag i Sverige
En studie på Nasdaq Stockholm
Kandidatuppsats 15 hp
Företagsekonomiska institutionen Uppsala universitet
VT 2020
Datum för inlämning: 2020-06-05
André Pommer Vilhelm Nordin
Handledare: Joachim Landström
Förord:
Författarna vill gemensamt rikta ett stort tack till alla som bidragit med kunskap och synpunkter till detta arbete. André Pommer vill även tacka sin mor för alla sätt hon har hjälpt honom i livet vilket lett fram till detta arbete.
Abstrakt
Denna uppsats undersöker om två olika momentumstrategier applicerat på mindre bolag i Sverige kan generera överavkastning. Momentumstrategier är investeringsstrategier som bygger på historisk prisdata och enligt den effektiva marknadshypotesen ska dessa inte kunna ge en överavkastning på en svagt effektiv marknad. Flertalet studier har dock hittat bevis för att dessa fungerar, och även att momentumavkastningen ofta är större för mindre bolag än stora bolag. Studiens urval är samtliga bolag som är noterade på NASDAQ Stockholm under tidsperioden 2007-2016. Vi följer Fama och Frenchs (2008) storleksdefinitioner och sorterar in bolagen i tre kategorier efter deras börsvärde (stora, små och mikrobolag) och vi bygger sedan portföljer med bolagen som kategoriseras som små. Portföljernas avkastning riskjusteras med Fama och Frenchs (1993) trefaktormodell. Studien finner att ingen av momentumstrategierna genererar en statistiskt signifikant överavkastning på den svenska marknaden under perioden.
Nyckelord: Momentum, Investeringsstrategi, Småbolag, NASDAQ Stockholm, Stockholmsbörsen, Fama och French trefaktormodell
Innehållsförteckning
1. Inledning 1
1.1 Bakgrund 1
1.2 Syfte och avgränsning 2
1.3 Disposition 3
2. Teori 4
2.1 Den effektiva marknadshypotesen 4
2.2 Momentumstrategier 5
2.3 Avkastning och risk 7
3. Metod 9
3.1 Data och urval 9
3.2 Portföljstruktur och strategier 10
3.3 Avkastning 12
3.3.1 Veckoavkastning 12
3.3.2 Överavkastning 12
3.3.3 Delperioder 13
4. Resultat 15
4.1 Deskriptiv statistik 15
4.2 Regressionsresultat 16
4.2.1 Regressionsresultat från delperioder 17
5. Diskussion 19
5.1 Diskussion 19
5.2 Studiens begränsningar 21
6. Slutsats och förslag på framtida forskning 22
6.1 Slutsats 22
6.2 Förslag på framtida forskning 22
Referenser 24
Appendix 27
Appendix 1 - Regressionsresultat för delperioder. 27
Appendix 2 – Formations- och hållperioder 29
1
1. Inledning
1.1 Bakgrund
Målet för investerare är att maximera avkastningen på sina investeringar i förhållande till den risk som tas. Ett vanligt sätt för att försöka göra detta är att identifiera och köpa undervärderade tillgångar och sedan sälja dessa när priset stiger, något som fångas i uttrycket ”Köp lågt, sälj högt”. Liknande formulerat så fångas idéen bakom momentumstrategier i uttrycket ”Köp högt, sälj högre”.
Momentumstrategier är investeringsstrategier som försöker dra nytta av att aktier kan uppvisa ett momentum. Momentum är tendensen för en stigande (sjunkande) tillgångs pris att fortsätta stiga (sjunka) på kort till medellång sikt (Varvouzou, 2012). Implikationen är att det framtida priset kan förutspås genom att observera den historiska pristrenden. Flertalet investeringsstrategier har formulerats som testat detta och visar att det genererar överavkastning (Asness, 1997). Detta går i stäv med klassisk teori inom finansiell ekonomi, teorin om att marknader är effektiva.
Teorin bygger på antaganden om en marknad i jämvikt med fritt konkurrerande, rationella investerare (Shleifer, 1999). Effektivitet innebär att priset på ett värdepapper alltid reflekterar all värderelevant information och kan således inte vara över- eller undervärderad. Beroende på vilken typ av information priset reflekterar sägs en marknad vara svagt- , semi- eller starkt effektiv (Fama, 1970). På en svagt effektiv marknad reflekterar priser all värderelevant historisk information och den typen av information kan inte användas för att skapa överavkastning. Den effektiva marknadshypotesen har uppnått bred acceptans men den utmanas av flertalet fenomen som motsäger eller inte förklaras av den, så kallade marknadsanomalier. Momentumeffekten är en sådan marknadsanomali. (Yen & Lee, 2008;
Pompian, 2012).
Jegadeesh och Titman (1993) var först med att studera fenomenet på aktiepriser över kortare perioder genom att formulera en investeringsstrategi som väljer aktier baserat på deras prestation under föregående 6 månader och sedan håller dessa i 6 månader. Deras metod var att konstruera en portfölj där de aktier som gått bra köptes och de som gått dåligt såldes genom att aktierna blankas. De fann att en sådan strategi genererade en högre avkastning än
2 marknadsindex som bestod och var signifikant efter riskjustering och kallade detta fenomen för momentumeffekten.
Momentumeffekten har huvudsakligen studerats på den amerikanska marknaden (Rouwenhorst, 1998). Studier har dock funnit att momentumstrategier fungerar på marknader i latinamerika (Muga & Santamaria, 2007), Europa (Chui, Titman & Wei, 2010; Rouwenhorst, 1998) och i Asien (Chui, Titman & Wei, 2000). Dessa resultat är dock bestridda och andra studier kan inte visa att en momentumstrategi fungerar på marknader utanför USA (Hameed &
Kusnadi, 2002).
Studier som försökt dokumentera momentum på den svenska aktiemarknaden har gett blandade resultat. Rouwenhorst (1998) använder Jegadeesh och Titmans (1993) metod applicerat på 12 europeiska länder och finner statistiskt signifikant momentum i samtliga länder förutom Sverige. Leippold och Lohre (2012) finner signifikant momentum i Sverige men poängterar att det är först efter att ha mildrat kravet på signifikans från 5%-nivån till 10%-nivån. I kontrast finner Chui, Titman och Wei (2010) samt Parmler och Gonzalez (2007) signifikant momentum på den svenska marknaden.
En aspekt av momentum är att effekten verkar vara negativt korrelerad med börsvärde. Fama och French (2012) finner att den genomsnittliga momentumavkastningen är större för små bolag. Likaså finner Hong och Stein (1999) att överavkastningen minskar i takt med att börsvärdet ökar. Stöd för det ger även Semenov (2015) som delar upp aktier i kategorier baserat på styrkan i deras momentum och finner att inom varje momentumkategori uppvisar aktierna med lägst börsvärde starkast momentum.
I en omfattande replikeringsstudie av Hou, Xue och Zhang (2018) testades 452 tidigare statistiskt säkerställda anomalier. Studien formulerade en standardiserad metod för att replikera anomalier och fann att så många som 65% av tidigare rapporterade anomalier inte kunde nå upp till studiens lägsta formulerade krav på statistiskt säkerhet. Studien testade 57 momentumstrategier och kunde inte replikera 20 av dessa.
1.2 Syfte och avgränsning
Med hänsyn till att momentumstrategier huvudsakligen undersökts på den amerikanska marknaden och att de studier som finns på den svenska marknaden gett blandade resultat, anser vi att det finns intresse för en studie som bidrar till att klargöra om en momentumstrategi
3 fungerar på den svenska aktiemarknaden. En sådan studie bidrar även till forskningen om momentum i ett större perspektiv, särskilt när ny forskningslitteratur visar att det finns anledning att betvivla de tidigare resultaten från momentumstudier (Hou, Xue och Zhang, 2018). Vidare har mindre bolag visats ha större momentumeffekt och tidigare studier på den svenska marknaden har beaktat marknaden som helhet. Sammantaget leder det oss till följande syftesformulering:
Syftet med denna uppsats är att undersöka om en momentumstrategi applicerat på mindre bolag på Nasdaq Stockholm kan skapa överavkastning.
Denna studie kommer inte utvärdera den praktiska tillämpbarheten av momentumstrategier, därför tas ingen hänsyn till transaktionskostnader. Studien använder sig enbart av bolag listade på Nasdaq Stockholm (Stockholmsbörsen), dessa anses representativa för den svenska marknaden. Bättre precision kan tänkas fås genom att inkludera bolag noterade på fler svenska börser samt även bolag listade på handelsplattformar.
1.3 Disposition
Resten av uppsatsen är indelad i fem avsnitt. Avsnitt 2 innehåller teori och en litteraturöversikt av tidigare forskning. I avsnitt 3 redogör vi för studiens val av data och metod. I avsnitt 4 presenteras studiens resultat, följt av avsnitt 5 där vi diskuterar resultaten och sätter dessa i relation till tidigare forskning. Avsnitt 6 innehåller en sammanfattning av studien och dess slutsatser med förslag på framtida forskning.
4
2. Teori
Detta avsnitt börjar med att gå igenom den effektiva marknadshypotesen för att få en förståelse för varför momentumeffekten är en anomali. Sedan följer en översikt av tidigare studier om avkastningsbaserade investeringsstrategier och momentumstrategier. Sista delen av avsnittet diskuterar de prissättningsmodeller som använts för att utvärdera avkastningen från momentumstrategier i tidigare forskning och dess begränsningar.
2.1 Den effektiva marknadshypotesen
Fama (1970) formulerade den effektiva marknadshypotesen (EMH) som säger att på en effektiv marknad reflekterar priset på en tillgång alltid all tillgänglig och värderelevant information. På en effektiv marknad handlas tillgångar till sitt fundamentala värde och är inte under- eller övervärderade. Successiva prisförändringar är statistiskt oberoende av varandra och beror på att ny värderelevant information om en tillgång når marknaden och dess investerare.
Dessa påståenden vilar på några antaganden om marknadsförhållandena. För det första så antar man att det inte finns några transaktionskostnader, för det andra så är all tillgänglig information gratis och lättillgänglig för alla aktörer och för det tredje så råder det enighet om vilken effekt informationen har på priset. Fama (1970) delade in effektiviteten i tre olika styrkor beroende på vilken sorts information marknaden effektivt inkorporerar i priset. Den svagaste effektiviteten uppfylls när marknaden fullt reflekterar värderelevant historisk information i priset. Implikationen av detta är att aktivt aktiehandlande med investeringsstrategier som grundar sig på historisk information, som en momentumstrategi, inte ska generera högre riskjusterad avkastning än marknaden som helhet.
Även om EMH är en hörnsten i modern finansiell teori, är den omdebatterad. Flertalet marknadsanomalier har dokumenterats som inte borde existera om marknaden är effektiv (Jegadeesh & Titman, 1993; Ng & Shen, 2016). Ett växande fält av forskare ser marknadsanomalier som konsekventa med hur människor fattar beslut i allmänhet och att detta kan ge upphov till förutsägbara mönster i avkastningen (Malkiel, 2003). I huvudsak vilar denna kritik på faktumet att människor ofta tolkar och värderar information fel samt att även med korrekt information tar människor ofta inkonsekventa och suboptimala beslut (Bodie, Kane &
Marcus, 2011). Exempelvis visade De Bondt och Thaler (1985) att pristrender vänder över en
5 period på 3-5 år och menade att det beror på att investerare påverkas för mycket av optimism och pessimism vilket leder till att tillgångar frångår sitt fundamentala värde på kort sikt.
2.2 Momentumstrategier
I det föregående avsnittet framgår det att på en effektiv marknad ska en investeringsstrategi som bygger på historisk avkastning inte generera en överavkastning. Flertalet investeringsstrategier som gör detta har dock dokumenterats vilket ställer frågan om våra finansmarknader verkligen är effektiva.
Avkastningsbaserade strategier bygger på en förväntning om att framtida priser har ett samband med historiska priser, något som De Bondt och Thaler (1985) och Levys (1967) resultat visar.
Gemensamt för studier som undersöker sambandet mellan historiska och framtida priser är att de använder sig av tidsserier för att identifiera tillgångar som gått bra (vinnare) och tillgångar som gått dåligt (förlorare) under föregående period och sedan observerar deras framtida prestation. Observationerna jämförs sedan mot ett marknadsindex för att se om tillgångarna över- eller underpresterat marknaden som helhet. Momentumstrategier är en typ av avkastningsbaserade strategier som applicerar detta på korta tidshorisonter, vanligtvis upp till ett år (Conrad & Kaul, 1998).
Jegadeesh och Titman (1993) undersökte detta på individuella aktier på den amerikanska marknaden över en period på 24 år med 16 olika momentumstrategier. Genom att identifiera vinnare och förlorare 3 till 12 månader bakåt i tiden skapades likaviktade portföljer där vinnarna köptes och förlorarna såldes (blankades). Portföljernas avkastning mäts sedan 3 till 12 månader fram. Momentumportföljen skapas genom att kombinera vinnare och förlorare i en gemensam portfölj, på detta vis skapas en nollkostnadsstrategi där den korta positionen finansierar den långa positionen. Deras strategier genererade högre månadsavkastning än marknadsindex. De justerar sedan avkastningen för portföljens systematiska risk men överavkastningen består. Fama och French (1996) använder samma metod på den amerikanska marknaden men över flera tidshorisonter. Med en period på 11 månader som underlag för att identifiera vinnare och förlorare finner de signifikant överavkastning som inte förklaras av en flerfaktormodell.
Momentumstrategier har visats fungera över olika tidsperioder, marknader och för olika typer av tillgångar (Daniel & Moskowitz, 2016). Rouwenhorst (1998) använder Jegadeesh och
6 Titmans (1993) metod och visar att överavkastningen från momentumstrategier är signifikant på europeiska marknader över en period på 15 år men kan inte hitta någon momentumeffekt i Sverige. Leippold och Lohre (2012) finner också liknande resultat på flera europeiska marknader men inte i Sverige på 5%-signifikansnivå. I motsats finner Parmler och Gonzalez (2007) att en momentumstrategi ger signifikant överavkastning på Stockholmsbörsen.
Flera studier har visat att momentum är negativt korrelerat med börsvärde (Fama & French 2012; Rouwenhorst, 1998; Chui, Titman & Wei, 2000). Banz (1981) fann att bolag med lägre börsvärde genererade högre riskjusterad avkastning än stora bolag och flera studier har visat att momentumavkastning är större för mindre företag (Fama & French 2012; Rouwenhorst, 1998; Chui, Titman & Wei, 2000). Detta har gett upphov till en misstanke att överavkastningen från en momentumstrategi egentligen är en dold premie för storlek. För att kontrollera för detta har flertalet studier tillfört storlek som en förklarande faktor i sina prissättningsmodeller men finner inte att överavkastningen försvinner (Rouwenhorst, 1998; Fama & French, 1996).
Scowcroft och Sefton (2005) finner att momentum i stora bolag till stor del drivs av industrispecifika faktorer medan momentum i mindre bolag till större grad förklaras av företagsspecifika faktorer. Scowcroft och Sefton (2005) menar att detta beror på att momentum i ett stort bolag ses som ett tecken bland investerare på att industrin som helhet går bra eller dåligt vilket skapar förväntningar om samma utveckling i andra stora företag inom samma industri vilket i sin tur påverkar aktiepriser. Momentum i bolag med mindre marknadsandelar skapar inte samma förväntningar för industrin som helhet, utan antas bero på omständigheter unika för det individuella företaget.
Det har visats att marknaden som helhet spelar en viktig roll för att avgöra om en momentumstrategi fungerar. Cooper, Gutierrez och Hameed (2004) visade att när marknadsindexets trend är negativ så generar en momentumstrategi också negativ avkastning.
Vidare finner Stivers och Sun (2010) att en momentumstrategis avkastning är låg när standardavvikelsen i marknadens avkastning är hög. Grundy och Martin (2001) visar att avkastningen från momentumportföljer är negativt korrelerad med marknadens avkastning efter perioder av en sjunkande marknadstrend.
Flertal studier har försökt återskapa resultaten som momentumstrategier har producerat.
Conrad och Kaul (1998) återskapade 120 avkastningsbaserade strategier och fann att endast 55 genererade signifikant avkastning, av dessa 55 var 30 momentumstrategier. Hou, Xue och Zhang (2018) replikerade 57 momentumstrategier på de amerikanska börserna NYSE, AMEX
7 och Nasdaq. De kunde inte återskapa de tidigare resultaten för 24 av momentumstrategierna och menar att detta beror på micro caps (mikrobolag). I deras studie är mikrobolag företag med ett börsvärde mindre än 20% av det aggregerade börsvärdet för NYSE. Sammantaget representerar mikrobolag enbart 3% av det totala börsvärdet men utgör 60% av alla bolag och har även störst standardavvikelse i sina avkastningar. Hou, Xue och Zhang (2018) menar att när studier inte kontrollerar för detta blir mikrobolag överviktade i en likaviktad portfölj och resultaten blir missvisande. De lyckas replikerar både Fama och French (1996) samt Jegadeesh och Titmans (1993) studier både med likaviktade och värdeviktade portföljer.
Tidigare forskning har visat att momentumstrategier kan generera överavkastning på den amerikanska aktiemarknaden, vilket även replikerats, men samtidigt har resultaten gått isär om överavkastning kan uppnås på den svenska. Enligt bland annat Fama och French (2012) är den genomsnittliga momentumavkastningen högre för bolag med lägre börsvärde. På grund av detta testar vi den följande hypotesen:
H1: En momentumstrategi applicerat på små bolag på den svenska marknaden genererar överavkastning.
2.3 Avkastning och risk
Alla momentumstudier förutsätter en prissättningsmodell för att beräkna förväntad avkastning.
I studierna som diskuterats ovan är de vanligaste prissättningsmodellerna CAPM samt Fama och Frenchs trefaktormodell. I detta avsnitt diskuteras dessa och sätts i relation till momentumstudier.
Capital asset pricing model (CAPM) är en jämviktsmodell för att beräkna tillgångars förväntade avkastning. Enligt CAPM beror en tillgångs förväntade avkastning på tillgångens systematiska risk (beta). Beta är korrelationen mellan tillgången och marknadsportföljen.
Marknadsportföljen består av samtliga tillgångar på marknaden och all unik risk har diversifierats bort. Är marknaden effektiv förklaras en högre avkastning av att det är premien för att investera i en mer riskfylld tillgång (Bodie, Kane & Marcus, 2011). CAPM förlitar sig på att beta är ett bra mått för att uppskatta en tillgångs förväntade avkastning. Resultat från flertalet studier talar emot detta då dessa genererar avkastning som inte kan förklaras av CAPM, vilket De Bondt och Thaler (1985) påpekar. Chan (1998) menar att CAPM inte är ett bra teoretiskt verktyg då beta för en tillgång inte är konstant. Detta bekräftas av Grundy och Martin
8 (2001) som visar att momentumportföljers beta varierar över tid. En överavkastning behöver således inte bero på marknadens ineffektivitet utan kan även vara ett resultat av en felaktig prissättningsmodell (Alajbeg, Zubas & Sonje, 2012).
Fama och French (1993) instämde i kritiken mot CAPM och utvecklade modellen genom att tillföra två ytterligare faktorer utöver beta för att förklara en tillgångs avkastning. En faktor för storlek, då mindre bolag visats generera högre avkastning än större bolag. Samt en faktor för värde, då företag med hög book-to-market kvot visats generera högre avkastning än företag med låg book-to-market kvot. Fama och French (1993) finner att denna trefaktormodell mycket bättre kan förklara en tillgångs avkastning än CAPM. Exempelvis lyckas modellen förklara överavkastningen från De Bondt och Thalers (1985) studie. Den kan dock inte förklara överavkastningen från momentumstrategier vilket indikerar att avkastningen från dessa inte är en premie för ökat risktagande.
9
3. Metod
I detta avsnitt definieras först urvalet av småbolag och motiverar den data som använts.
Sedan beskrivs och motiveras de strategier vi prövar och vår portföljkonstruktion. Sist följer en beskrivning av hur vi beräknar och utvärderar strategiernas avkastning.
3.1 Data och urval
Uppsatsens syfte är att undersöka om en momentumstrategi fungerar i Sverige, därför används bolag som är noterade på Stockholmsbörsen som underlag för denna studie. Stockholmsbörsen anses vara en bra representation av den svenska marknaden då den är störst sett till antal noterade bolag och totalt börsvärde av de svenska börserna (Nasdaq, u.å).
Data för dessa hämtas från Thomson Reuters Datastream.
Uppsatsen intresserar sig för mindre bolag. För definitionen av ett mindre bolag följer vi Fama och Frenchs (2008) definitioner och rangordnar samtliga bolag på Stockholmsbörsen efter börsvärde. De minsta 20% kategoriseras som mikrobolag. De bolag som tillhör de minsta 50%
men som är större än mikrobolag kategoriseras som småbolag (20 < Små ≤ 50). Genom att enbart använda dessa småbolag som urval vid portföljkonstruktion undviker vi problemen med mikrobolag som Hou, Xue och Zhang (2018) dokumenterat.
Bolag kan tillkomma eller avnoteras under perioderna, för att undvika survivorship-bias tar vi inte bort dessa ur vårt urval (Elton, Gruber & Blake, 1996). För att ett företag ska kunna inkluderas i en portfölj krävs dock att det finns data för avkastning under hela formationsperioden. I det fall ett bolag avnoteras under hållperioden antas dess avkastning vara 0% för resten av månaderna i hållperioden då aktierna inte går att handla med på den publika börsen längre.
Tidsperioden vi undersöker är från januari 2007 till december 2016. Valet av perioden motiveras av att studiens resultat blir mer aktuellt och att få momentumstudier har undersökt den perioden. Med en period på tio år ges tillfälle att se om avkastningen från momentumstrategierna varierar över tid och ett tillräckligt dataunderlag för analys. Studiens slutdatum är en konsekvens av att faktorerna för trefaktormodellen enbart finns beräknade fram till slutet på 2016.
10 Då vår studie är på den svenska marknaden behövs faktorer för trefaktormodellen beräknade för Sverige, dessa hämtar vi från Swedish House of Finance (SHoF). SHoF använder indexet SIXRX som marknadsportfölj vid beräkning av faktorerna. SIXRX består av samtliga företag på Stockholmsbörsen vilket motsvarar undersökningens population, detta gör det passande som jämförelseindex. Användandet av breda marknadsindex motsvarande SIXRX som approximation för marknadsportföljen är etablerat i tidigare forskning som använder trefaktormodellen (Elton, Gruber & Blake, 1996).
Studien undersöker veckoavkastning. Vissa studier använder aktiepris för att beräkna avkastning, en nackdel med detta är att den faktiska avkastningen kan vara högre på grund av utdelningar. Vi använder därför Total Return Index (RI) hämtat från Thomson Reuters Datastream. RI är ett mått på avkastning som kombinerar prisutveckling och utdelningar där utdelningen återinvesteras. Detta är i linje med tidigare momentumstudier (Leippold & Lohre, 2012; Parmler & Gonzalez, 2007).
3.2 Portföljstruktur och strategier
Från den tidigare redogörelsen av momentumstudier framgår att en momentumstrategi kan formuleras på flera olika vis och testas för olika typer av tillgångar och marknader. Hou, Xue och Zhang (2018) belyser hur samma strategi kan ha olika utfall beroende på portföljkonstruktion och över vilka perioder den testas. Det finns dock gemensamma variabler för momentumstrategierna, och det är hur dessa används som gör momentumstrategier distinkta från varandra. Dessa är formationsperiod (J) , hållperiod (K) samt eftersläpningsperiod. Beteckningen för en momentumstrategi uttrycks som J-månader/K- månader. Denna studie testar strategierna J6/K12 och J11/K6. Valet av just dessa strategier motiveras av att replikeringsstudien från Hou, Xue och Zhang (2018) finner att dessa är några av de få momentumstrategier som är signifikanta på 1%-nivån. En annan fördel med just dessa strategier är att formationsperioderna är relativt långa, detta ökar sannolikheten att marknaden fullt ut inkorporerat den historiska informationen i priset.
Genom att testa mer än en strategi ges möjlighet att se hur avkastningen varierar med längre hållperiod och kortare formationsperiod och vice versa. Detta är intressant då tidigare studier visat att avkastningen från momentumstrategier varierar med olika längd på perioderna.
Exempelvis visade Novy-Marx (2012) att avkastningen från momentumstrategier ökar med längden på formationsperioden.
11 För att bygga portföljerna följer vi den vanligaste metoden vid momentumstudier så som den utformades av Jegadeesh och Titman (1993). Vid startdatumet för strategin rangordnas aktierna baserat på deras avkastning under föregående J månader. Aktierna sorteras därefter in i deciler, där den högsta decilen utgör innehavet i en likaviktad vinnarportfölj och den lägsta decilen innehavet i en likaviktad förlorarportfölj. Momentumportföljens avkastning beräknas genom att subtrahera förlorarportföljens avkastning från vinnarportföljens avkastning.
Mellan formations- och hållperioden väntar vi en månad, kallad eftersläpningsperiod.
Eftersläpningsperiod används för att minska risken att kortsiktiga priseffekter associerat med aktiehandel påverkar resultatet (Lehmann, 1990). Jegadeesh och Titman (1993) använder sig av en eftersläpningsperiod på en vecka, vi följer dock Scowcroft och Sefton (2005) och använder en månad mellan formation- och hållperiod. Scowcroft och Sefton (2005) motiverar den längre eftersläpningsperioden med att dessa kortsiktiga priseffekter kan pågå i upp till en månad.
I början på hållperioden köps aktierna i vinnarportföljen och aktierna i förlorarportföljen blankas. Negativ avkastning för förlorarportföljen är således en vinst då vi förväntar oss att dessa ska sjunka i värde. Avkastningen från portföljerna mäts på veckobasis under K-månader.
Vid slutet av hållperioden avyttras alla aktier och ersätts av den senaste formationsperiodens vinnare och förlorare och en ny hållperiod börjas. Detta ger veckovisa avkastningar för hela perioden från starten av den första hållperioden till slutet på den sista.
Flertalet studier använder sig av överlappande portföljer (Jegadeesh & Titman, 1993, 2001;
Leippold & Lohre, 2012) medan andra inte gör det (Hon & Tonks, 2003). Användandet motiveras av att det ökar styrkan i testerna, då varje given månad kan innehålla flera portföljer vilket resulterar i fler observationer för samma tidpunkt. Hon och Tonks (2003) jämför sina resultat med studier som använder överlappande portföljer och finner att resultaten är konsekventa samt signifikanta. Att konstruera överlappande portföljer är en möjlighet, men med hänsyn till att studien har begränsat med tid samt Hon och Tonks (2003) resultat så använder den här studien sig inte av överlappande portföljer.
Exakta datum för studiens formations- och hållperioder finns i tabell A3 och A4 i Appendix 2.
12
3.3 Avkastning
3.3.1 Veckoavkastning
Aktiernas veckoavkastning beräknas med RI som Ekvation 1.
𝑇𝑜𝑡𝑎𝑙 𝑅𝑒𝑡𝑢𝑟𝑛 𝐼𝑛𝑑𝑒𝑥 = ( 𝑅𝐼𝑖𝑡
𝑅𝐼𝑖𝑡−1) − 1 där
𝑅𝐼𝑖𝑡 = Totalavkastningsindex (RI) för aktie i vecka t 𝑅𝐼𝑖𝑡−1= Totalavkastningsindex för aktie i vecka t-1
Portföljernas avkastning beräknas med aritmetiskt medelvärde. Det aritmetiska medelvärdet lämpar sig då portföljerna är likaviktade, varje tillgång bidrar således med lika mycket till portföljens avkastning.
3.3.2 Överavkastning
Vi använder Fama och Frenchs (1993) trefaktormodell för att utvärdera strategiernas avkastning. Trefaktormodellen är en utveckling av CAPM med fler förklarande faktorer än enbart marknadsrisk. Dessa är en faktor för storlek (SMB) då mindre företag visats generera högre avkastning än stora företag och en faktor för värde (HML) då företag med hög book-to- market kvot visats ge högre avkastning än företag med låg. Genom att använda trefaktormodellen kan strategiernas eventuella överavkastning beräknas som skillnaden mellan faktiskt avkastning och förväntad avkastning. Användandet av trefaktormodellen är etablerat inom momentumstudier (Leippold & Lohre, 2012; Asness, Moskowitz & Pedersen, 2013).
Användandet av trefaktormodellen motiveras även av att studien intresserar sig för mindre bolag, att inte justera avkastningen med en faktor för storlek vore då missvisande.
Trefaktormodellen är en jämviktsmodell och vårt användande av den grundar sig på ett par antaganden. För det första antas att det finns en riskfri ränta investerare kan låna till utan kostnad. För det andra att det inte finns transaktionskostnader vid handel med aktier, då kostnaden för dessa inte tas med i modellen. Sharpe (1964) medger att dessa antaganden är orealistiska men påpekar att det inte är modellens antaganden som ska kritiseras utan modellens användbarhet och styrka. Då trefaktormodellen visats kunna förklara en stor del av en tillgångs avkastning (Fama & French, 1993) bedömer vi att det är rimliga antaganden att göra.
13 För att testa om strategiernas avkastning förklaras av trefaktormodellen utförs regressioner i Microsoft Excel. Den beroende variabeln är portföljernas veckoavkastning minus den riskfria räntan. Genom att göra regressioner kan vi se till vilken grad portföljernas avkastning beror på deras exponering mot marknadsrisk och faktorerna för HML och SMB. Det som inte förklaras av dessa fångas i regressionekvationens intercept och kallas för Jensens alfa (JA) (Jensen, 1967). Om värdet på JA är positivt och signifikant har momentumstrategin fungerat.
Vi följer Hou, Xue och Zhang (2018) och utgår från en signifikansnivå på 5%.
Regressionsekvationen ges av Ekvation 2.
Rpt -Rft = 𝛼p + 𝛽1(Rmt - Rft)+ 𝛽2SMBt + 𝛽3HMLt + Ɛpt
där
Rpt = Avkastning från portfölj p vecka t Rft = Riskfri ränta vecka t
𝛼p = Överavkastning från portfölj p vecka t (Jensens alfa) Rmt = Marknadsportföljens avkastning vecka t
SMBt = Storlekspremie vecka t HMLt = Värdepremie vecka t Ɛpt = Felterm (antas vara noll) 𝛽1,2,3 = Faktorkoefficienter vecka t
Värden för SMBt, HMLt, Rft, Rmt hämtas från SHoF. SHoF använder räntan på en svensk statsskuldväxel med en månads löptid som riskfri ränta, omvandlat till riskfri ränta på veckobasis. Marknadsportföljens avkastning är avkastningen från SIXRX. Värdena på 𝛽 indikerar hur mycket portföljen är exponerad för varje faktor. Värdet på 𝛼p är således det som kvarstår när portföljens avkastning justerats för marknadsrisk, värde- och storlekspremie.
3.3.3 Delperioder
Studiens huvudsakliga intresse är att utvärdera strategiernas resultat över hela perioden. Men för en mer utförlig analys så delar vi även upp undersökningsperioden i delperioder likt Jegadeesh och Titman (1993) och gör separata regressioner på dessa. Detta ger oss möjlighet att se om resultatet består över tid samt att se om portföljerna svarar olika mycket på de oberoende variablerna i olika tidsperioder. Vi delar upp vår undersökningsperiod i åtta
14 tvåårsperioder för varje strategi, där den första delperioden startar när den första hållperioden startar, och slutar två år fram i tiden. Ett år efter den första delperioden startar börjar en ny tvåårsperiod. Datum för dessa redovisas i tabell 1.
Tabell 1. Start- och slutdatum för strategiernas delperioder.
Strategi 6/12 Strategi 11/6
Period Startdatum Slutdatum n= Period Startdatum Slutdatum n=
1 2007-08-01 2009-07-30 104 1 2008-01-01 2009-12-31 104
2 2008-08-01 2010-07-30 104 2 2009-01-01 2010-12-31 104
3 2009-08-01 2011-07-30 104 3 2010-01-01 2011-12-31 104
4 2010-08-01 2012-07-30 104 4 2011-01-01 2012-12-31 104
5 2011-08-01 2013-07-30 104 5 2012-01-01 2013-12-31 104
6 2012-08-01 2014-07-30 104 6 2013-01-01 2014-12-31 104
7 2013-08-01 2015-07-30 104 7 2014-01-01 2015-12-31 104
8 2014-08-01 2016-07-30 104 8 2015-01-01 2016-12-31 104
Tabellen visar start- och slutdatum för studiens delperioder. n= anger antalet observationer för varje delperiod.
De olika start- och slutdatumen för perioderna är en konsekvens av att strategierna har olika långa formations- och hållperioder.
15
4. Resultat
I detta avsnitt redogör vi för studiens resultat. Först presenteras deskriptiv statistik för strategierna över hela undersökningsperioden. Sedan ges resultaten från regressionerna med trefaktormodellen över hela perioden följt av regressionsresultaten för delperioderna.
4.1 Deskriptiv statistik
Tabell 2. Deskriptiv statistik för strategi 6/12 och 11/6
Strategi 6/12 x̄ Q1 Median Q3 St.Dev Max. Min. n
Vinnare 0,33% -1,82% 0,25% 2,33% 3,81% 16,39% -20,19% 468
Förlorare 0,04% -2,38% -0,16% 2,24% 4,42% 29,88% -23,43% 468
Momentum 0,29% -2,02% 0,17% 2,62% 4,08% 14,97% -19,38% 468
Marknaden 0,14% -1,47% 0,28% 1,70% 3,04% 16,81% -13,97% 468
Strategi 11/6
Vinnare 0,33% -1,55% 0,40% 2,29% 3,62% 15,98% -18,98% 468
Förlorare 0,28% -2,27% -0,22% 2,56% 4,68% 30,66% -19,81% 468
Momentum 0,05% -2,44% 0,19% 2,47% 4,36% 13,93% -22,94% 468
Marknaden 0,19% -1,33% 0,32% 1,73% 3,00% 16,81% -13,97% 468
Deskriptiv statistik för observationerna för strategi 6/12 (augusti 2007 – augusti 2016) och för strategi 11/6 (januari 2008 – december 2016). Samtliga värden är på veckobasis. Avkastningen för Vinnare och Förlorare är det aritmetiska medelvärdet av avkastningen från samtliga aktierna i portföljerna minus den riskfria räntan. De individuella aktiernas avkastning beräknas enligt Ekvation 1. Momentumportföljens avkastning fås genom att subtrahera förlorarportföljens avkastning från vinnarportföljens avkastning. Avkastningen från marknadsportföljen hämtas från Swedish House of Finance (SHoF) och är avkastningen från indexet SIXRX minus den riskfria räntan.
I tabell 2 presenteras deskriptiv statistik för strategiernas observationer. För strategi 6/12 kan vi se att momentumportföljen gett en genomsnittlig veckoavkastning på 0,29% under samma period som marknadsportföljen gav 0,14%. Standardavvikelsen i veckoavkastningen är dock drygt 1 procentenhet högre för momentumportföljen vilket indikerar att portföljens innehav är mer risfyllt. Förlorarportföljens avkastning är positiv med en genomsnittlig veckoavkastning på 0,04%, vilket innebär en faktisk förlust på -0,04% för strategin. Den positiva genomsnittliga veckoavkastningen från momentumportföljen drivs då enbart av vinnarportföljen som har en genomsnittlig veckoavkastning på 0,33% under perioden.
För strategi 11/6 ser vi att vinnarportföljens genomsnittliga veckoavkastning var 0,33% under en period där marknadsportföljens avkastning var 0,19%. I likhet med strategi 6/12 är förlorarportföljens genomsnittliga veckoavkastning positiv under perioden. Det innebär en faktisk genomsnittlig veckoavkastning på -0,28% under perioden för strategin. Den genomsnittliga veckoavkastningen för momentumportföljen är 0,05% under perioden, lägre än marknadsportföljen, huvudsakligen en konsekvens av förlorarportföljens positiva avkastning
16 under perioden. Utöver momentumportföljens låga avkastning har den drygt 1,3 procentenheter högre standardavvikelse i veckoavkastningarna än marknadsportföljen. Siffrorna är ojusterade men för strategi 11/6 är indikationen att momentumportföljen presterat sämre än marknaden till högre risk. För att utvärdera strategiernas avkastning mer utförligt gör vi regressioner med trefaktormodellen.
4.2 Regressionsresultat
Tabell 3. Resultat från regressioner med trefaktormodellen för strategi 6/12 och 11/6
Strategi 6/12 α βRM-RF βSMB βHML Adj. R n=
Vinnare 0,23% 0,65*** 0,03 -0,11 0,26 468
(1.52) (12.16) (0.61) (1.36)
Förlorare -0,08% 0,82*** 0,10* 0,08 0,29 468
(0.47) (13.32) (1.68) (0.94)
Momentum 0,31%* -0,16** -0,07 -0,19** 0,01 468
(1.66) (2.45) (1.05) (1.96)
Strategi 11/6
Vinnare 0,21% 0,62*** 0,07 -0,09 0,24 468
(1.45) (12.05) (1.41) (1.19)
Förlorare 0,11% 0,90*** 0,05 0,22** 0,32 468
(0.60) (13.95) (0.72) (2.46)
Momentum 0,10% -0,27*** 0,03 -0,31*** 0,05 468
(0.53) (3.89) (0.38) (3.13)
Tabellen visar resultatet från regressioner enligt Ekvation 3 för strategi 6/12 (augusti 2007 – augusti 2016) och strategi 11/6 (januari 2008 – december 2016). Samtliga värden är på veckobasis. α (alfa) är interceptet och är den genomsnittliga avkastningen portföljen gett efter riskjustering med trefaktormodellen. Värdet på βRM-RF, βSMB och βHML är riktningskoefficienter och är portföljens genomsnittliga känslighet mot marknadsportföljen, småbolagsfaktorn och värdebolagsfaktorn respektive. Inom parentes ges det absoluta t-värdet. Signifikansnivå på 10%, 5% och 1%-nivå markeras med *, **, ***.
I tabell 2 ser vi resultatet från regressionerna med trefaktormodellen. För strategi 6/12 kvarstår en genomsnittlig överavkastning för både vinnar- och förlorarportföljen efter riskjustering, dessa är dock inte statistiskt signifikanta och det kan därför inte uteslutas att överavkastningen beror på slumpen. Momentumportföljen har gett en genomsnittlig överavkastning på 0,31%
per vecka, signifikant på 10%-nivå. Koefficienten för Rm-Rf (beta) för både förlorarportföljen och vinnarportföljen är positiva och under 1. Detta innebär att rörelser i marknadsportföljens avkastning motsvaras av svagare rörelser i vinnar- och förlorarportföljerna. Förlorarportföljen är positivt exponerad mot småbolagsfaktorn (SMB) vilket indikerar att portföljen består av mindre bolag vilket är väntat givet studiens urval. SMB för vinnarportföljen är inte statistiskt signifikant, indikationen att den är nära noll är dock förvånande givet studiens urval. Lutningen på HML visar att momentumportföljen är negativt exponerad mot värdebolagsfaktorn. Detta
17 indikerar att företagen som driver momentumportföljens avkastning är tillväxtbolag (bolag med låg book-to-market kvot).
För strategi 11/6 kvarstår en överavkastning för samtliga portföljer, ingen av dessa är dock statistiskt signifikanta. Förlorarportföljens avkastning är positiv med 0,11%. Då aktierna är blankade med förväntningen att avkastningen ska sjunka innebär det en faktisk genomsnittlig avkastning på -0,11%. Momentumportföljens avkastning på 0,10% drivs då enbart av vinnarportföljens positiva avkastning. I likhet med resultaten för strategi 6/12 har vinnar- och förlorarportföljen positiva värden på beta under 1, där förlorarportföljens beta är större än vinnarportföljens. Också i likhet med resultaten för strategi 6/12 så är momentumportföljen signifikant negativt exponerad mot HML.
För att se om strategiernas resultat är konsekvent över tid gör vi regressioner på delperioder.
Detta ger oss också möjlighet att se om portföljernas sammansättning förändras över tid.
Resultatet från dessa regressioner presenteras nedan.
4.2.1 Regressionsresultat från delperioder
Tabellerna i detta avsnitt visar enbart portföljernas genomsnittliga överavkastning för varje delperiod. Anledningen är i första hand att det är överavkastningen som är intressant för studien och i andra hand att tabellerna annars blir väldigt omfattande. Fullständiga regressionsresultat för varje delperiod finns i Appendix 1.
Tabell 4. Överavkastning från delperioder för strategi 6/12
Strategi
6/12 P1 P2 P3 P4 P5 P6 P7 P8
Vinnare 0,05% 0,39% 0,21% 0,22% 0,32% 0,26% 0,19% 0,56%
(0,14) (1,20) (0,73) (0,66) (1,03) (0,95) (0,54) (1,51) Förlorare 0,27% 0,14% -0,29% -0,62%* -0,23% 0,12% -0,10% -0,19%
(0,58) (0,31) (0,96) (1,77) (0,65) (0,43) (0,29) (0,50) Momentum -0,23% 0,25% 0,50% 0,84%** 0,55% 0,14% 0,29% 0,75%
(0,56) (0,61) (1,38) (2,47) (1,62) (0,38) (0,66) (1,48) Tabellen visar portföljernas alfa från regressioner enligt trefaktormodellen för åtta delperioder (n=104 för varje period och portfölj) där den första perioden (P1) startar augusti 2007 och den sista (P8) slutar juli 2016 för strategi 6/12. Alfa är interceptet och är den genomsnittliga avkastningen portföljen gett efter riskjustering med trefaktormodellen. Exakta start- och slutdatum för varje period finns i tabell 1. Fullständiga regressionsresultat finns i Appendix 1. Samtliga värden är på veckobasis. Inom parentes ges det absoluta t-värdet. Signifikansnivå på 10%, 5% och 1%-nivå markeras med *, ** och ***.
I tabell 4 kan vi se hur strategi 6/12 presterade under delperioderna. Momentumportföljen har gett en positiv avkastning i sju utav åtta perioder. Enbart en av dessa är statistiskt signifikant
18 på 5%-nivå, period 4. Överavkastningen den perioden är 0,84% per vecka. Resterande perioder kan inte överavkastningen, statistiskt sett, skiljas från noll. Vinnar- och förlorarportföljerna uppvisar olika mönster, där vinnarportföljen presterar som förväntat i alla perioderna och förlorarportföljen presterar som förväntat i fem av åtta perioder. Varken vinnarportföljen eller förlorarportföljen i någon av perioderna uppvisar en signifikant överavkastning på 5%-nivå.
Tabell 5. Överavkastning från delperioder för strategi 11/6
Strategi
11/6 P1 P2 P3 P4 P5 P6 P7 P8
Vinnare 0,17% 0,72%** 0,06% -0,25% 0,31% 0,26% 0,38% 0,60%
(0,49) (2,15) (0,20) (0,84) (1,30) (1,09) (1,28) (1,62) Förlorare 0,67% 0,28% -0,30% -0,32% 0,10% 0,00% -0,11% 0,21%
(1,42) (0,62) (0,83) (0,90) (0,27) (0,00) (0,31) (0,56)
Momentum -0,51% 0,44% 0,37% 0,07% 0,21% 0,25% 0,50% 0,39%
(1,16) (0,99) (0,99) (0,21) (0,57) (0,66) (1,01) (0,73) Tabellen visar portföljernas alfa från regressioner enligt trefaktormodellen för åtta delperioder (n=104 för varje period och portfölj) där den första perioden (P1) startar januari 2008 och den sista (P8) slutar december 2016 för strategi 11/6. Alfa är interceptet och är den genomsnittliga avkastningen portföljen gett efter riskjustering med trefaktormodellen. Exakta start- och slutdatum för varje period finns i tabell 1. Fullständiga regressionsresultat finns i Appendix 1. Samtliga värden är på veckobasis. Inom parentes ges det absoluta t-värdet. Signifikansnivå på 10%, 5% och 1%-nivå markeras med *, ** och ***.
I tabell 5 ser vi hur strategi 11/6 presterade under delperioderna. I likhet med resultaten för strategi 6/12 har momentumportföljen gett en positiv överavkastning i sju av de åtta perioderna.
Ingen av dessa är dock signifikant, det kan alltså inte uteslutas att överavkastningen beror på slumpen i de perioderna. Vinnarportföljen har en signifikant överavkastning på 5%-nivå i period 2 där den genomsnittliga överavkastningen är 0,72% per vecka. I likhet med strategi 6/12 presterar vinnarportföljen enligt förväntning i fler perioder än förlorarportföljen gör.
19
5. Diskussion
I detta avsnitt diskuteras först studiens resultat och sätts i relation till tidigare momentumforskning. Sedan följer en diskussion om studiens begränsningar.
5.1 Diskussion
Uppsatsen syfte är att undersöka om en momentumstrategi applicerat på mindre bolag på Stockholmsbörsen kan generera överavkastning. Under tidsperioden har båda momentumportföljerna en positiv överavkastning. Ingen av dessa är dock statistiskt signifikanta på 5% nivå. Om vi lättar på kravet för signifikans till 10% har strategi 6/12 en signifikant överavkastning. Detta är i linje med Leippold och Lohre (2012) som inte heller finner att en momentumstrategi fungerar på den svenska marknaden på 5%-nivå men däremot på 10%-nivå. Signifikansnivån är dock för låg för att statistiskt säkerställa att momentumportföljernas avkastning inte beror på slumpen. När vi undersöker strategiernas resultat över delperioderna stärks slutsatsen att momentumstrategierna inte har fungerat, där enbart momentumportföljen för en av perioderna har en överavkastning signifikant skild från noll. Det kan dock vara intressant att diskutera de mönster som strategierna uppvisar och jämföra med tidigare forskning på området samt belysa de begränsningar som vår studie haft.
Rouwenhorst (1998) finner signifikanta resultat för momentum i elva europeiska länder men inte i Sverige. Leippold och Lohre (2012) finner liknande resultat, med signifikanta överavkastningar från en momentumstrategi i 10 länder, men inte Sverige. Vår studies resultat är i linje med dessa men med andra tidsperioderna än de föregående studierna testat vilket stärker deras slutsatser om momentum i Sverige. Våra resultat motsäger dock Parmler och Gonzalez (2007) samt Chui, Titman och Wei (2010) som visar att en momentumportfölj ger signifikant överavkastning på den svenska marknaden.
Jegadeesh och Titman (1993) finner att betat för momentumportföljerna tenderar att vara negativt, vilket även Rey och Schmid (2007) finner. Detta är ett resultat av att förlorarportföljen har ett större beta än vinnarportföljen. Vi finner liknande resultat där momentumportföljerna för båda våra strategier har ett negativt beta över hela perioden och sett över delperioderna1 har en majoritet av momentumportföljerna negativa betan. Då marknaden som helhet varit präglad av starkt tillväxt under vår undersökningsperiod (bortsett från finanskrisen 2008) kan det vara
1 Se Appendix 1 för fullständiga regressionsresultat för delperioderna.
20 en möjlig förklaring till momentumportföljernas dåliga prestation. Dessa resultat skiljer sig från Cooper, Gutierrez och Hameed (2004) som finner att momentumportföljer enbart ger positiv avkastning i perioder med uppåtgående marknadstrend.
Jegadeesh och Titman (1993) finner att det huvudsakligen är vinnarportföljen som driver momentumportföljens avkastning och att förlorarportföljen ofta inte presterar enligt förväntning, och att när den gör det så är det till en lägre grad än vinnarportföljen i samma period. Våra resultat talar också för detta om vi betraktar resultaten för perioden som helhet.
För strategi 6/12 är den genomsnittliga överavkastningen för vinnarportföljen nästan tre gånger större än förlorarportföljens över samma period. För strategi 11/6 är skillnaden ännu större då förlorarportföljens genomsnittliga avkastning är positiv (i motsats till en förväntad negativ avkastning) under perioden. Tittar vi på delperioderna framträder en liknande bild. För strategi 6/12 presterar vinnarportföljen bättre än förlorarportföljen i sex perioder av åtta. För strategi 11/6 presterar vinnarportföljen också bättre än förlorarportföljen i sex av åtta perioder.
Novy-Marx (2012) fann att momentumportföljens avkastning ökar med längden på formationsperioden, där högst avkastning fås med formationsperioder på 7 till 12 månader.
Våra resultat talar emot detta, där strategi 11/6 presterar sämre än strategi 6/12 sett över hela perioden. Längden på hållperioderna skiftar dock för båda strategierna. Med den längre hållperioden ökar sannolikheten att momentumeffekten hinner avta och avkastningen börjar gå i motsats riktning, vilket dokumenterades av De Bondt och Thaler (1985).
En intressant aspekt av våra resultat är portföljernas relativt låga exponering mot småbolagsfaktorn (SMB) i regressionerna. För hela perioden är ingen av dessa över 0.10 och tittar vi på regressionsresultaten för delperioderna2 är vinnar- och förlorarportföljernas genomsnittliga värde på SMB -0,03 för strategi 11/6 och 0.09 för strategi 6/12. Givet vårat urval av små bolag hade vi förväntat oss högre, positiva värden. SMB räknas fram som skillnaden i avkastning mellan en portfölj bestående av små bolag och en portfölj bestående av stora bolag vid tidpunkt t. Vi tror att dessa låga tal på koefficienterna kan vara en konsekvens av att vi sorterat bort de minsta bolagen (mikrobolagen) i vårt urval. De bolag som används för att räkna ut SMB blir då inte en del av urvalet som våra portföljer byggs med. Frågan är då om vår studie egentligen applicerat en momentumstrategi på mellanstora bolag snarare än små bolag.
2 Se Appendix 1 för fullständiga regressionsresultat för delperioderna.
21
5.2 Studiens begränsningar
Något som kan ha haft en effekt på våra resultat är att det jämförelseindex vi använder, SIXRX, är värdeviktat medan våra portföljer är jämviktade. Problemet ligger i (vilket Hou, Xue och Zhang (2018) uppmärksammar) att jämviktning av portföljer ger oproportionerligt stora vikter till småbolag som traditionellt har högre standardavvikelse i sina avkastningar. När beta räknas ut kommer kovariansen vara lägre som ett resultat av att den jämviktade portföljen har högre standardavvikelse än det värdeviktade indexet. Detta ger i sin tur ett lägre beta vilket kan göra det lättare att få ett högt intercept i regressionerna (alfa). Detta mätfel kan undvikas genom att konstruera ett eget jämviktat index för jämförelse. Vi valde att kontrollera för de allra minsta bolagen (mikrobolagen) i vårat urval men med hänsyn till uppsatsens omfattning har vi inte konstruera ett eget index. Vid tolkning av studiens resultat bör detta beaktas.
Ytterligare en begränsning med vår studie är portföljdiversifiering. Då vår undersökning intresserar sig för mindre bolag blir urvalet av aktier mycket mindre än om vi hade använt alla listade eller noterade bolag. Studier på den amerikanska marknaden (se Jegadeesh och Titman (1993) samt Fama och French (2008)) har vanligtvis tusentals företag i sitt urval. Även när momentumportföljer byggs efter storlek blir urvalet mycket större än vårat. Den högsta och lägsta decilen kan då innehålla så mycket som 60 bolag vardera. I kontrast innehåller våra småbolagsdeciler i genomsnitt 7 bolag. Konsekvensen är att variationen i de individuella tillgångarnas avkastning kan ha stor effekt på portföljernas avkastning. En mer diversifierad portfölj reflekterar också bättre hur en verklig investerare allokerar sitt kapital. Ett sätt att komma runt detta är att inkludera företag från andra börser och handelsplattformar och på så vis göra urvalet större innan sortering efter storlek görs. En annan möjlighet är att inte använda sig utav deciler för att allokera aktier till portföljerna utan kvintilier (20%). Jegadeesh och Titman (1993) motiverar användandet av deciler för att det bör fånga de företag som har mest momentum. Avvägningen är således att bygga portföljer med de aktier som har mest momentum, eller portföljer som är mer diversifierade (om inte urvalsstorleken tillåter båda).
22
6. Slutsats och förslag på framtida forskning
I detta avsnitt sammanfattar vi studien kortfattat och konstaterar vår slutsats. Efter följer förslag på framtida forskning.
6.1 Slutsats
Flertalet studier har dokumenterat att investeringsstrategier som använder sig av historisk information kan generera överavkastning. Mer nyligen har forskning som ifrågasätter effektiviteten av dessa investeringsstrategier publicerats och visar att det kan vara ett resultat av data-snooping. För att bidra till mer klarhet inom området testar vår studie om några av dessa investeringsstrategier fungerar på den svenska marknaden och inom ett segment som enligt tidigare forskning uppvisar starkt, företagsspecifikt momentum. Den undersökta tidsperioden sträcker sig från början av 2007 till slutet på 2016.
För att testa detta använder vi oss av alla bolag som är noterade på Stockholmsbörsen som underlag och sorterar dessa i tre olika storlekskategorier baserat på börsvärde: stora bolag, småbolag och mikrobolag. Vi använder bolagen i småbolagskategorin för att bygga portföljer genom att rangordna dem efter deras avkastning under föregående J-månader, där den högsta och lägsta decilen utgör innehavet i två likaviktade portföljer som köps och säljs respektive. Vi mäter sedan portföljernas avkastning K-månader framåt i tiden. Momentumportföljens avkastning fås genom att subtrahera förlorarportföljens avkastning från vinnarportföljens avkastning. För att se om avkastningen är en kompensation för risk gör vi regressioner med Fama och Frenchs (1993) trefaktormodell. Ingen av momentumstrategierna ger en överavkastning som är signifikant skild från noll över hela perioden. För strategi 6/12 har momentumportföljen signifikant överavkastning i en av åtta delperioder. Sammantaget drar vi slutsatsen att en momentumstrategi med mindre bolag inte fungerar på den svenska aktiemarknaden, vilket stödjer Rouwenhorsts (1998) och Leippold och Lohres (2012) resultat.
6.2 Förslag på framtida forskning
Vår studie begränsas av att vi använder oss av ett värdeviktat index för att jämföra avkastningen från jämviktade portföljer med. Hou, Xue och Zhang (2018) har visat att portföljviktning spelar en stor roll för resultaten från forskning om investeringsstrategier. Det vore därför intressant att se en studie som antingen värdeviktar portföljerna eller konstruerar ett jämviktat index för jämförelse och se om resultaten skiljer sig.
23 Då studien inte får särskilt höga värden på SMB i regressionerna finns en misstanke att resultaten är mer representativa för en momentumstrategi applicerat på mellanstora bolag än små bolag. Vi hade därför velat se en studie som kontrollerar för detta, genom att göra en jämförelse mellan resultaten från vårat småbolagssegment och resultaten från ett segment som består av alla bolag som utgör de minsta 50% av marknaden. Hou, Xue och Zhang (2018) visar att inkludering av de minsta bolagen kan påverka resultatet drastiskt vilket får oss att tro att skillnaden i en sådan jämförelse kan vara stor.
Våra resultat visar att en strategi med längre formationsperiod inte presterar bättre än en strategi med kortare formationsperiod, vilket skiljer sig från Novy-Marx (2012) resultat. Resultaten är inte helt jämförbara då längden på den här studiens hållperioder varierar men det vore intressant att se om förhållandet består med Novy-Marx testmetod på den svenska marknaden.
Våra portföljer är inte väldiversifierade vilket kan tänkas påverka resultaten. Därför vore en studie på den svenska marknaden som inkluderar samtliga bolag, både på handelsplattformar och andra börser intressant. En sådan studie kan även tänkas vara mer representativ för den svenska marknaden som helhet.
Vår studie undersöker enbart mindre företag, vi efterlyser därför en liknande studie på stora företag. I en sådan studie vore det intressant att skapa momentumportföljer efter industri då Scowcroft och Sefton (2005) visat att momentum i stora företag till stor del drivs av industrispecifika faktorer.
24
Referenser
Alajbeg, D., Bubas, Z. and Sonje, V., 2012. The efficient market hypothesis: problems with interpretations of empirical tests. Financial Theory and Practice, 36(1), pp.53-72.
Asness, C., 1997. The Interaction of Value and Momentum Strategies. Financial Analysts Journal, 53(2), pp.29-36.
Asness, C., Moskowitz, T. & Pedersen, L., 2013. Value and Momentum Everywhere. The Journal of Finance, 68(3), pp.929-985.
Banz, R., 1981. The relationship between return and market value of common stocks. Journal of Financial Economics, 9(1), pp.3-18.
Bodie, Z., Kane, A. & Marcus, A., 2011. Investments And Portfolio Management. 9 uppl.
McGraw-Hill.
Chui, A., Titman, S. & Wei, K., 2010. Individualism and Momentum around the World. The Journal of Finance, 65(1), pp.361-392.
Chui, A., Titman, S. & Wei, K., 2000. Momentum, Legal Systems and Ownership Structure:
An Analysis of Asian Stock Markets. SSRN Electronic Journal.
Conrad, J. & Kaul, G., 1998. An Anatomy of Trading Strategies. Review of Financial Studies, 11(3), pp.489-519.
Cooper, M., Gutierrez, R. and Hameed, A., 2004. Market States and Momentum. The Journal of Finance, 59(3), pp.1345-1365.
Daniel, K. & Moskowitz, T., 2016. Momentum crashes. Journal of Financial Economics, 122(2), pp.221-247.
De Bondt, W. & Thaler, R., 1985. Does the Stock Market Overreact?. The Journal of Finance, 40(3), pp.793-805.
Elton, E., Gruber, M. and Blake, C., 1996. The Persistence of Risk-Adjusted Mutual Fund Performance. The Journal of Business, 69(2), p.133.
Fama, E., 1970. Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), pp.383-417.
Fama, E. & French, K., 1993. Common risk factors in the returns on stocks and bonds.
Journal of Financial Economics, 33(1), pp.3-56.
25 Fama, E. & French, K., 2008. Dissecting Anomalies. The Journal of Finance, 63(4), pp.1653- 1678.
Fama, E. & French, K., 1996. Multifactor Explanations of Asset Pricing Anomalies. The Journal of Finance, 51(1), pp.55-84.
Fama, E. & French, K., 2012. Size, value, and momentum in international stock returns.
Journal of Financial Economics, 105(3), pp.457-472.
Grundy, B. & Martin, J., 2001. Understanding the Nature of the Risks and the Source of the Rewards to Momentum Investing. Review of Financial Studies, 14(1), pp.29-78.
Hameed, A. & Kusnadi, Y., 2002. Momentum Strategies: Evidence from Pacific Basin Stock Markets. Journal of Financial Research, 25(3), pp.383-397.
Hon, M. & Tonks, I., 2003. Momentum in the UK stock market. Journal of Multinational Financial Management, 13(1), pp.43-70.
Hong, H. & Stein, J., 1999. A Unified Theory of Underreaction, Momentum Trading, and Overreaction in Asset Markets. The Journal of Finance, 54(6), pp.2143-2184.
Hou, K., Xue, C. & Zhang, L., 2018. Replicating Anomalies. The Review of Financial Studies, forthcoming; Fisher College of Business Working Paper No. 2017-03-010; Charles A. Dice Center Working Paper No. 2017-10.
Jegadeesh, N. & Titman, S., 2001. Profitability of Momentum Strategies: An Evaluation of Alternative Explanations. The Journal of Finance, 56(2), pp.699-720.
Jegadeesh, N. & Titman, S., 1993. Returns to Buying Winners and Selling Losers:
Implications for Stock Market Efficiency. The Journal of Finance, 48(1), pp.65-91.
Jensen, M., 1967. The Performance of Mutual Funds in the Period 1945-1964. The Journal of Finance, 23(2), pp.389-416.
Lehmann, B.N., 1990, "Fads, Martingales, and Market Efficiency", The Quarterly Journal of Economics, 105(1), pp. 1-28.
Leippold, M. & Lohre, H., 2012. International price and earnings momentum. The European Journal of Finance, 18(6), pp.535-573.
Levy, R., 1967. Relative Strength as a Criterion for Investment Selection. The Journal of Finance, 22(4), pp.595-610.
26 Malkiel, B., 2003. The Efficient Market Hypothesis and Its Critics. Journal of Economic Perspectives, 17(1), pp.59-82.
Muga, L. & Santamaría, R., 2007. The Momentum Effect in Latin American Emerging Markets. Emerging Markets Finance and Trade, 43(4), pp.24-45.
Nasdaq, utan år. Var handlar man aktier?. Nasdaq. Tillgänglig via:
http://www.nasdaqomxnordic.com/utbildning/aktier/varhandlarmanaktier/?languageId=3 (Hämtad 2020-04-18)
Ng, C.C.A. & Shen, J., 2016. Screen winners from losers using simple fundamental analysis in the Pacific-Basin stock markets, Pacific-Basin Finance Journal, vol. 39, pp. 159-177.
Novy-Marx, R., 2012. Is momentum really momentum?. Journal of Financial Economics, 103(3), pp.429-453.
Parmler, J. & González, A., 2007. Is Momentum Due to Data-snooping?. The European Journal of Finance, 13(4), pp.301-318.
Pompian, M., 2012. Behavioral Finance And Wealth Management. 2 uppl. Hoboken, N.J:
Wiley.
Rouwenhorst, K., 1998. International Momentum Strategies. The Journal of Finance, 53(1), pp.267-284.
Scowcroft, A. & Sefton, J., 2005. Understanding Momentum. Financial Analysts Journal, 61(2), pp.64-82.
Semenov, A., 2015. The small-cap effect in the predictability of individual stock returns.
International Review of Economics & Finance, 38, pp.178-197.
Sharpe, W., 1964. Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(3), p.425.
Shleifer, A., 1999. Inefficient Markets. Oxford: Clarendon.
Stivers, C. & Sun, L., 2010. Cross-Sectional Return Dispersion and Time Variation in Value and Momentum Premiums. Journal of Financial and Quantitative Analysis, 45(4), pp.987- 1014.
Varvouzou, I., 2012. Capital Market Anomalies. Hamburg: Grin Verlag.
Yen, G. & Lee, C., 2008. Efficient Market Hypothesis (EMH): Past, Present and Future.
Review of Pacific Basin Financial Markets and Policies, 11(02), pp.305-329.
