Existerar lågriskanomalin?
- en studie på den svenska aktiemarknaden
Kandidatuppsats 15 hp
Företagsekonomiska institutionen Uppsala universitet
VT 2020
Datum för inlämning: 2020-06-05
Emil Ek
Jesper Ström
Handledare: Joachim Landström
Sammandrag
Anomalier ligger till grund för investeringsstrategier som används för att förvalta biljontals dollar. Anomalier frångår vedertagen teori som implicerar att abnormal avkastning inte är möjlig över tid. En anomali som bevisats ge långsiktig abnormal avkastning är lågriskanomalin. Det råder brist på studier som undersökt om lågriskanomalin existerar på den svenska aktiemarknaden. En studie inom ämnet är av praktisk relevans då resultaten kan ligga till grund för investeringsstrategier som genererar abnormal avkastning. Denna studies syfte är att undersöka om en lågriskanomali existerar på den svenska aktiemarknaden under tidsperioden 2008/01/07 - 2019/12/27. För studien används totalavkastningsdata för bolag noterade på Stockholmsbörsen. Studien skapar hedgeportföljer och undersöker genom regression av prissättningsmodellen CAPM om lågriskportföljer ger högre signifikant abnormal avkastning än högriskportföljer. Studien finner inga statistiskt säkerställda resultat för en lågriskanomali. Det antyder att lågriskanomalin inte existerar på den svenska aktiemarknaden och därför saknar praktisk relevans som investeringsstrategi på nämnda marknad.
Vi skulle vilja rikta ett tack till Joachim Landström för värdefulla insikter och vägledning.
Nyckelord: Lågriskanomali, volatilitet, abnormal avkastning, svenska aktiemarknaden, Capital Asset Pricing Model
Innehållsförteckning
1. INTRODUKTION ... 1
2. TEORI ... 3
2.1DEN EFFEKTIVA MARKNADSHYPOTESEN ... 3
2.2PRISSÄTTNING AV RISK ... 4
2.3LÅGRISKANOMALINS OLIKA RISKFAKTORER ... 5
2.4LITTERATURÖVERSIKT AV LÅGRISKANOMALIN ... 5
2.4.1 Kritik mot anomaliforskning ... 8
2.5HYPOTESFORMULERING ... 8
3. METOD ... 9
3.1DATA OCH URVAL ... 9
3.2PORTFÖLJALLOKERING ... 9
3.2.1 Konstruktion av hedgeportföljer ... 11
3.3BERÄKNING AV ABNORMAL AVKASTNING ... 12
3.4OLIKA INVESTERINGSHORISONTER ... 13
4. RESULTAT ... 14
4.1TOTALAVKASTNING 2008/01/07-2019/12/27 ... 14
4.2REGRESSIONSRESULTAT 2008/01/07-2019/12/27 ... 15
4.3REGRESSIONSRESULTAT FÖR OLIKA INVESTERINGSHORISONTER ... 16
5. DISKUSSION ... 20
6. SLUTSATS ... 23
6.1SLUTSATSER AV STUDIENS RESULTAT ... 23
6.2FÖRSLAG TILL FRAMTIDA FORSKNING ... 23
REFERENSLISTA ... 24
1. Introduktion
Ett av de mer utforskade ämnena inom redovisning och finans är anomalier. Det finns intresse från aktiemarknader att upptäcka anomalier då de kan användas till att skapa investeringsstrategier som kan ge abnormal avkastning. Hou et al. (2017) menar att ett exempel på anomaliers praktiska relevans är att flertalet biljoner dollar placeras på amerikanska aktiemarknader med hjälp av anomalibaserade strategier. Enligt Schwert (2003) uppstår anomalier då vedertagen teoretisk modell inte kan förklara ett samband, det kan bero på att aktiemarknaden är ineffektiv eller att den tillämpade prissättningsmodellen är inadekvat. Blitz och van Vliet (2007) menar att anomalistrategier utmanar den effektiva marknadshypotesen.
Förespråkare av den effektiva marknadshypotesen hävdar att anomalier inte kan existera över tid, men att anomalier kan uppstå under kortare perioder (Malkiel, 2003).
Genom åren har hundratals finansiella anomalier dokumenterats på aktiemarknader världen över (Hou et al., 2017). En anomali som visats existera över tid och på flera olika aktiemarknader är lågriskanomalin, den innebär att aktier med lägre risk ger högre abnormal avkastning än aktier med hög risk (Baker et al., 2011; Blitz & van Vliet, 2007). De riskfaktorer som används i studier av lågriskanomalin är beta, idiosynkratisk risk och volatilitet, ett högre värde för respektive riskfaktor implicerar högre risk. Samtliga riskfaktorer har inom kontexten för lågriskanomalin visats generera abnormal avkastning på olika aktiemarknader (Ang et al., 2006;Frazzini & Pedersen, 2014). Gemensamt för lågriskanomalistudier är att de använder en prissättningsmodell för att mäta förväntad avkastning. Abnormal avkastning är den avkastning prissättningsmodellen inte kan förklara. Vanliga prissättningsmodeller är Capital Asset Pricing Model (CAPM) och Fama och French (1993) trefaktormodell.
Lågriskanomalin har undersökts på internationella aktiemarknader såväl som nationella. Baker et al. (2011) finner att lågriskportföljer genererar positiv signifikant abnormal avkastning på amerikanska aktiemarknader under åren 1968 - 2008 oavsett om portföljerna sorteras på beta eller volatilitet. Samtidigt påvisar Frazzini och Pedersen (2014) att portföljer sorterade på beta med korta positioner i högriskportföljer och långa positioner i lågriskportföljer genererar positiv signifikant abnormal avkastning på internationella aktiemarknader. När lågriskanomalin studeras på amerikanska aktiemarknader med både idiosynkratisk risk och volatilitet som riskfaktor visar Ang et al. (2006) att lågriskportföljer ger positiv signifikant abnormal avkastning. Samtliga nämnda studier undersöker tidsintervall längre än 20 år, och
finner positiv signifikant abnormal avkastning vilket stärker lågriskanomalins praktiska relevans. Baker et al. (2011) går så långt som att kalla den långvariga existensen av positiv abnormal avkastning för lågriskportföljer en av den finansiella forskningens allra starkaste anomalier.
Då marknadens intresse för anomalier är stort prioriteras nya upptäckter istället för att validera tidigare studier (Harvey et al., 2016). Att validera tidigare påvisade fenomen (replikering) är en fundamental del inom all forskning (Mccullough & Vinod, 2004). Enligt McMillan (2017) säkerställer replikering att en upptäckt inte endast håller för ett specifikt dataset eller specifika omständigheter. När Hou et al. (2017) replikerar samtliga anomalier inom den finansiella forskningen uppvisar många studier insignifikanta resultat, de menar att det indikerar mer effektiva aktiemarknader än anomaliforskningen gör gällande. De replikerar till exempel Ang et al. (2006) och Frazzini och Pedersen (2014) med insignifikanta resultat. Hou et al. (2017) är inte ensamma om att kritisera anomaliforskningen. Brodeur et al. (2016) finner bevis för att manipulation av p-värden förekommer. Harvey et al. (2016) menar att en anledning till att dessa falska upptäckter publiceras är att insignifikanta resultat tenderar att arkiveras.
På den svenska aktiemarknaden har lågriskanomalin hittills inte utforskats. Fokus för forskning i ämnet är antingen internationellt eller amerikanskt (Blitz & van Vliet, 2007; Frazzini &
Pedersen, 2014; Ang et al., 2006; Baker et al., 2011). I replikeringssyfte bör därför en undersökning av lågriskanomalins existens på den svenska aktiemarknaden företas. Att undersöka om lågriskanomalin existerar är intressant ur ett teoretisk perspektiv då vedertagen teori motsäger dess existens över en längre tidsperiod. Det kan även vara av praktiskt intresse, då en lågriskanomali kan implementeras i en investeringsstrategi för att generera abnormal avkastning. Syftet med denna studie är därför att undersöka om lågriskanomalin existerar på den svenska aktiemarknaden. Detta mynnar ut i studiens frågeställning:
Existerar lågriskanomalin på den svenska aktiemarknaden?
2. Teori
Detta avsnitt presenterar teori relevant för studien. Kapitlet inleds med en genomgång av den effektiva marknadshypotesen och prissättningen av risk, sedan förklaras lågriskanomalins olika riskfaktorer. Därefter en litteraturöversikt på lågriskanomalin och kritik mot anomaliforskningen. Slutligen presenteras studiens hypotes.
2.1 Den effektiva marknadshypotesen
En marknad vars priser till fullo reflekterar all tillgänglig information definieras av Fama (1970) som en effektiv marknad. Den effektiva marknadshypotesen är en utveckling av teorier först publicerade av Samuelson (1965), som menar att marknadens priser alltid är oförutsägbara och att priset på marknadens tillgångar är justerat för de förväntningar som ställs på tillgångarna. Det gör enligt Malkiel (2003) att investerare inte kan hitta undervärderade aktier genom att studera historiska kursrörelser för att förutspå framtida priser, eller genom att analysera finansiell information. Vidare menar han att den enda möjligheten till högre avkastning på en effektiv marknad är ökad risk. Fama (1970) hävdar att en effektiv marknad förutsätter att informationen på marknaden är tillgänglig för alla och att aktörerna på marknaden är rationella. Han formulerar styrkan i marknadens effektivitet i tre olika former. I marknadens svaga form av effektivitet är all historisk information reflekterad i tillgångens pris. Den medelstarka formen av effektivitet innebär att publikt tillgänglig information reflekteras i tillgångens pris och i den starka formen av effektivitet reflekteras både publik och privat information i tillgångens pris. Den effektiva marknadshypotesen medför en nollhypotes om att samtliga tillgångar på en marknad är korrekt prissatta, det möjliggör test av anomalier som genererar abnormal avkastning (Fama, 1970).
Malkiel (2003) menar att Fama’s (1970) form av marknadseffektivitet fram till 2000-talet var en accepterad beskrivning av marknaden och dess mekanismer. Enligt Malkiel (2003) har nyare forskning kommit att hävda att tillgångars priser till viss del kan förutspås med hjälp av teknisk och fundamental analys. Han ifrågasätter inte dessa anomaliers existens på kort sikt men hävdar att de inte kan exploateras för att generera abnormal avkastning över längre perioder, ett exempel på detta är att anomalier tycks försvinna efter de publicerats. Schwert (2003) påpekar att anomalier som size och value försvann så fort de publicerats och tillämpats i praktiken. Han menar därför att anomaliers praktiska relevans kan ifrågasättas.
2.2 Prissättning av risk
För att testa en anomali krävs en modell som prissätter tillgångar och specificerar relationen mellan risk och förväntad avkastning (Brealey et al., 2014). Campbell et al. (1997) framhåller att ett test av en prissättningsmodell också är ett kombinerat test mellan modellen och marknadens effektivitet. Ett sådant test är behäftat med ett problem kallat Joint Hypothesis Problem. Problemet är enligt Campbell et al. (1997) att det inte går att bevisa att en marknad är effektiv. Hypotesen att marknaden är effektiv går alltså inte att förkasta, därför går det inte att konstatera om ett testresultat beror på en ineffektiv marknad eller en inadekvat prissättningsmodell.
En vedertagen prissättningsmodell är Capital Asset Pricing Model (CAPM) utvecklad av Treynor (1962), Sharpe (1964), Lintner (1965) och Mossin (1966). Den bygger vidare på Markowitz (1952) portföljteori. CAPM etablerar ett positivt linjärt samband mellan systematisk risk (marknadsrisk) och en tillgångs förväntade avkastning. Enligt Fu (2009) förutsätter CAPM att investerare håller en maximalt diversifierad portfölj (marknadsportföljen). Det innebär att marknadsrisken är prissatt och den idiosynkratiska risken (företagsspecifik risk) är bortdiversifierad. CAPMs riskfaktor, beta, mäter tillgångens rörelse i förhållande till marknadsportföljen. Ett högre beta innebär högre risk, och vice versa. Enligt Fama och French (2004) kräver en riskaversiv investerare en riskpremie för att ta risk. I och med det linjära sambandet mellan marknadsrisk och avkastning kommer investeraren alltså att kräva högre förväntad avkastning för varje extra enhet risk.
CAPM mäter den förväntade avkastningen, men för att studera den abnormala avkastningen utvecklar Jensen (1967) CAPM genom att beräkna interceptet i modellens regression (𝛼). Detta avkastningsmått påvisar den avkastning en given prissättningsmodell inte kan förklara. Om Jensen’s alfa ger signifikant 𝛼 ≠ 0, genererar portföljen signifikant abnormal avkastning gentemot den förväntade avkastning prissättningsmodellen begär av en portfölj med samma exponering mot risk (Brooks, 2008). Ett signifikant 𝛼 ≠ 0 kan indikera en ineffektiv marknad eller en inadekvat prissättningsmodell (Campbell et al., 1997).
CAPMs funktion som prissättningsmodell har genom åren mottagit kritik. Exempelvis menar Fama och French (1992) att CAPM inte lyckas prissätta risk på ett adekvat sätt. Därför utvecklar Fama och French (1993) CAPM genom att i sin trefaktormodell addera två
riskfaktorer utöver marknadsrisken, marknadsvärde och book-to-market kvot. De menar att riskfaktorerna har hög förklaringsgrad av förväntad avkastning. Fama och French (1996) hävdar att trefaktormodellen fångar upp många av de anomalier som CAPM inte lyckas prissätta.
2.3 Lågriskanomalins olika riskfaktorer
Inom kontexten för lågriskanomalin finns det tre olika sätt att definiera risk, beta, idiosynkratisk risk och volatilitet (Ang et al., 2006; Blitz & van Vliet, 2007; Frazzini &
Pedersen, 2014). En akties betavärde beräknas som kovariansen mellan marknadsportföljens totalavkastning och aktiens totalavkastning, dividerat med variansen för marknadsportföljens totalavkastning (Brealey et al., 2014). Ett sätt att mäta volatilitet är standardavvikelsen i historisk totalavkastning. Högre standardavvikelse indikerar större svängningar i totalavkastningen, detta innebär större risk för den individuella tillgången (Schwert, 1990).
Gemensamma resultat för Baker et al. (2011) och Blitz och van Vliet (2007) är att portföljer sorterade på låg (hög) volatilitet också uppvisar lågt (högt) betavärde. Enligt Baker et al. (2011) spelar volatilitet endast roll för en eventuell lågriskanomali om marknadsaktörernas portföljer inte är tillräckligt diversifierade för att ta bort idiosynkratisk risk. De menar att en akties volatilitet innefattar både systematisk risk och idiosynkratisk risk. Idiosynkratisk risk kan bland annat mätas genom standardavvikelsen i feltermen genererad från regressionen av Fama och French (1993) trefaktormodell, se exempelvis Ang et al. (2006). Olika studier med idiosynkratisk risk som riskfaktor har nått skilda resultat. Levy (1978) och Xu och Malkiel (2001) finner en positiv relation mellan idiosynkratisk risk och förväntad avkastning. Ang et al. (2006) finner däremot samma relation negativ. Inom det finansiella forskningsfältet råder fortsatt diskussion om idiosynkratisk risk ska prissättas eller ej (Maiti, 2019).
2.4 Litteraturöversikt av lågriskanomalin
Nedan presenteras ett urval av tidigare studier på lågriskanomalin. Den har utforskats internationellt men i huvudsak på amerikanska aktiemarknader. Inom forskningsfältet har studier med hjälp av olika prissättningsmodeller funnit positiv signifikant abnormal avkastning för lågriskanomalins tre olika riskfaktorer.
Under perioden 1968 - 2008 finner Baker et al. (2011) att lågriskportföljer har systematiskt högre abnormal avkastning än högriskportföljer på den amerikanska aktiemarknaden, oavsett
om beta eller volatilitet används som riskfaktor. Dessa mönster är svåra att förklara med klassiska prissättningsmodeller. Delar av de drivande faktorerna bakom lågriskanomalin kan hämtas från beteendeekonomin. Resonemanget utvecklas kring två principer som hämtas från forskningsområdet. Den första innebär att vissa av marknadens aktörer är irrationella, ett exempel är en del marknadsaktörers preferens för lotteri. I kombination med övertro på sina kunskaper leder det till ökad efterfrågan på aktier med hög risk. Aktierna ökar då i pris och dess förväntade avkastning sjunker. En anledning till att institutionella investerare inte lyckas kapitalisera på lågriskanomalin kan vara att investeringsregler leder till begränsade arbitragemöjligheter. Ett exempel är stora fonder som följer ett givet index, eller har andra tvingande regler som gör att de inte kan investera i enbart hög- eller lågriskaktier (Baker et al., 2011).
För att undersöka beta som riskfaktor konstruerar Frazzini och Pedersen (2014) portföljer med långa positioner i lågriskaktier och korta positioner i högriskaktier. De finner att strategin ger positiv signifikant abnormal avkastning. Det gäller för både amerikanska aktiemarknadenr åren 1926 - 2012, och på internationella aktiemarknader åren 1984 - 2012. I studien använder de bland annat CAPM och Fama och French (1993) trefaktormodell. Regressionen från prissättningsmodellerna uppvisar i stort sett identisk abnormal avkastning. När portföljstrategin jämförs med anomalierna size, value och momentum uppvisar den högre abnormal avkastning.
En bakomliggande faktor till lågriskanomalin kan vara lånerestriktioner eller motvilja till att belåna portföljen, vilket gör att investerare överviktar portföljer mot riskfyllda tillgångar i ett försök att nå högre totalavkastning (Frazzini & Pedersen, 2014).
Ang et al. (2006) beräknar idiosynkratisk risk genom att månatligen sortera fem portföljer på standardavvikelsen från feltermen från regressionen i Fama och French (1993) trefaktormodell.
Ang et al. (2006) skapar även portföljer sorterade på volatilitet. I studien finner de att den portfölj med lägst idiosynkratisk risk mellan åren 1963 - 2000, är den portfölj som genererar högst abnormal avkastning på den amerikanska aktiemarknaden. Samma förhållande gäller när volatilitet används som riskfaktor. Studien använder både Fama och French (1993) trefaktormodell och CAPM som prissättningsmodeller.
Blitz och van Vliet (2007) undersöker lågriskanomalin på internationella aktiemarknader genom att skapa portföljer sorterade på volatilitet. I likhet med Ang et al. (2006) finner Blitz och van Vliet (2007) att portföljer med låg risk har signifikant högre abnormal avkastning än portföljer med hög risk. De finner även att lågriskportföljer har högre abnormal avkastning i lågkonjunktur, samtidigt som högriskportföljer har lägre abnormal avkastning under samma förutsättningar. De presenterar tre eventuella förklaringar till den lågriskanomali de finner.
Lånerestriktioner, decentraliserade investeringsstrategier och beteendebias hos privata investerare kan orsaka lågriskanomalin. Binsbergen et al. (2008) ger en förklaring till decentraliserade investeringsstrategier. Strävan efter positiv abnormal avkastning kan ge ineffektiva portföljer. Om professionella investerare har incitament att övervikta högriskaktier i sina portföljer drivs priserna på dessa aktier upp. Priserna för lågriskaktier rör sig då i motsatt riktning. Shefrin och Statman (2000) menar att en förklaring till lågriskanomalin är beteendebias hos privata investerare. Privata investerare delar upp sin portfölj i två skikt. Ett skikt som handlar om att undvika fattigdom, det andra skiktet om att uppnå rikedom. Det första skiktet består av en rationellt riskdiversifierad portfölj. I det andra skiktet är investeraren riskneutral eller risktagande. Detta leder till att riskfyllda investeringar överbetalas, då risktagande i endast en specifik tillgångsklass kan liknas vid att köpa en lott för att uppnå rikedom. Denna typ av beteende hos privata investerare kan leda till att högriskaktier är överprissatta och lågriskaktier är underprissatta.
Tabell 1: Litteraturöversikt lågriskanomalin
Tabell 1 visar en sammanställning av resultaten av de studier på lågriskanomalin som presenterats i litteraturöversikten.
2.4.1 Kritik mot anomaliforskning
Forskningen på anomalier är kritiserad och många anomalier tycks försvinna över tid (Malkiel, 2003). Schwert (2003) ifrågasätter med anledning av detta studiernas praktiska relevans. Hou et al. (2017) finner vid replikering av 447 tidigare bevisat signifikanta anomalier endast 64%
av studiernas replikerade hedgeportföljer signifikanta till 5% signifikansnivå (t ≥ 1.96). De menar att en stor anledning till att deras resultat skiljer sig från ursprungsstudierna är att de tar hänsyn till mikrobolagens (marknadsvärde < 20:e percentilen) påverkan. Fama och French (2008) finner att mikrobolag endast utgör 3% av det totala marknadsvärdet på de amerikanska aktiemarknaderna, men utgör 60% av det totala antalet aktier. Det innebär enligt Hou et al.
(2017) att portföljerna i anomalistudier överviktas av mikrobolag om portföljerna likaviktas.
Fama och French (2008) hävdar att en hedgeportfölj baserad på likaviktade aktier kan påverkas av mikrobolag genom att de står för 60% av extremvärdena i totalavkastning på aktiemarknaden. Hou et al. (2017) ifrågasätter även den faktiska lönsamheten i att utnyttja en anomalistrategi baserad på mikrobolag på grund av höga transaktionskostnader. De menar också att aktiemarknader där anomalierna upptäckts tycks vara mer effektiva än vad de ursprungliga studierna vill göra gällande då en stor del av anomalierna replikeras med insignifikanta resultat.
2.5 Hypotesformulering
Tidigare studier av lågriskanomalin finner att lågriskportföljer genererar signifikant högre abnormal avkastning än högriskportföljer. Studiens hypotes formas i linje med de signifikanskrav som Hou et al. (2017) ställer på en anomalireplikering. För att lågriskanomalin ska anses existera på den svenska aktiemarknaden under perioden 2008/01/01 - 2019/12/27 krävs att en hedgeportfölj ger positivt 𝛼 på 5% signifikansnivå (t ≥ 1.96). Studiens hypotes formuleras således:
H1: Hedgeportföljen uppvisar positivt signifikant 𝛼 till 5% signifikansnivå (t ≥ 1.96).
3. Metod
I detta avsnitt presenteras studiens metod. Inledningsvis ges en förklaring av studiens data och urval. Därefter redogörs för hur decilportföljer och hedgeportföljer är formerade. Vidare beskrivs hur abnormal avkastning beräknas och slutligen hur delperioder med olika investeringshorisont formeras.
3.1 Data och urval
Syftet med studien är att testa om lågriskanomalin existerar på den svenska aktiemarknaden under tidsperioden 2008/01/07 - 2019/12/27. Veckovis totalavkastningsdata avseende samtliga, vid given tidpunkt noterade aktier på Nasdaq OMX Stockholm (Stockholmsbörsen) har samlats in. Data har samlats in via Thomson Reuters Eikon. Databasen är välanvänd inom finansiell forskning. Det har dock påvisats att felaktig data kan förekomma (Ince & Porter, 2006). Avkastningsdata baseras på Thomson Reuters RI (Return Index), vilket är ett totalavkastningmått som inkluderar återinvestering av utdelningar. Som marknadsportfölj används det värdeviktade indexet OMXSGI, vilket omfattar totalavkastningen för samtliga aktier noterade på Stockholmsbörsen. Då studien tillämpar de individuella aktiernas totalavkastning vid beräkningar är det viktigt att även studiens marknadsportfölj baseras på totalavkastningdata. I studien representerar svenska statsskuldväxlar med en månads löptid (SSVX-1M) den riskfria räntan, även denna data är hämtad från Thomson Reuters Eikon.
Studiens data är fri från överlevnadsbias då bolag som gått i konkurs eller avnoterats under tidsperioden inkluderats i urvalet. Elton et al. (1996) menar att överlevnadsbias kan skapa problem för en studie och leda till att upptäckterna inte ger en rättvisande bild av marknaden.
Den studerade tidsperioden är vald med hänsyn för övergången till redovisningsstandarden IFRS. Genom att välja en period som startar efter årsskiftet 2004 - 2005 undviks de eventuella effekter övergången till IFRS medfört.
3.2 Portföljallokering
Likt Blitz och van Vliet (2007) skapas likaviktade decilportföljer enligt Calendar Time Portfolio (CTP) genom att ranka aktier efter de senaste 36 månadernas volatilitet i veckovis totalavkastning. Baker et al. (2011) och Blitz och van Vliet (2007) finner att portföljer sorterade på låg (hög) volatilitet också uppvisar lågt (högt) betavärde. Det implicerar att valet av riskfaktor inte påverkar studiens resultat nämnvärt. Valet att inte sortera portföljerna på idiosynkratisk risk hänförs till den mer komplexa process det kräver. Att ranka portföljerna på
36 månader, istället för exempelvis en månad likt Ang et al. (2006), ger jämnare portföljer över tid då bolagen skiftar portfölj mer sällan. Ang och Zhang (2015) menar att CTP är en vedertagen metod för att beräkna långsiktig totalavkastning i likaviktade portföljer. En likaviktad decilportfölj innebär att alla bolag bidrar lika mycket till decilportföljens totalavkastning, oavsett det enskilda bolagets marknadsvärde. Decilportföljernas totala veckoavkastning beräknas som det aritmetiska medelvärdet av alla bolags totala veckoavkastning. Den veckovisa totalavkastningen beräknas enligt formel (1). Att aktierna delas upp i deciler innebär att aktierna fördelas över 10 olika portföljer. De 10 % med lägst volatilitet placeras i den lägsta decilportföljen (D1), samtidigt som de 10 % med högst volatilitet återfinns i den högsta decilportföljen (D10). Portföljerna ombalanseras efter den sista handelsdagen varje månad. Totalt ombalanseras decilportföljerna 144 gånger, det ger totalt 626 veckovisa observationer. Eventuella transaktionskostnader för ombalansering förbises vid alla beräkningar. Över tid varierar decilportföljerna i storlek mellan 25 och 31 bolag. Statman (2002) menar att en portfölj bestående av 20-30 bolag är tillräckligt diversifierad.
𝑇𝑜𝑡𝑎𝑙 𝑅𝑒𝑡𝑢𝑟𝑛 𝐼𝑛𝑑𝑒𝑥!,# =(%&!,#%&'%&!,#$%)
!,#$% (1)
Där:
𝑅𝐼!,# ∶ totalavkastningsindex (RI) för aktie 𝑖 under vecka 𝑡
𝑅𝐼!,#$% ∶ totalavkastningsindex (RI) för aktie 𝑖 under vecka 𝑡-1
I likhet med Blitz och van Vliet (2007) beräknas den veckovisa avkastningen under månaden efter rankningsperioden på 36 månader. Det innebär att ett bolag måste ha 37 månaders tillgänglig totalavkastningsdata för att placeras i en portfölj. Nynoterade bolag eller bolag som gått i konkurs representeras inte i studien om de inte varit noterade på Stockholmsbörsen i 37 månader någon gång under den studerade tidsperioden. Att studien kräver 36 månaders släpande volatilitet innebär att studien använder totalavkastningsdata som sträcker sig tillbaka till 2005/01/03. Med bakgrund av den valda tidsperioden formeras de första decilportföljerna den första handelsdagen i januari 2008 och ombalanseras efter den sista handelsdagen samma månad. En kortare släpningsperiod hade givit mer data, samtidigt som en längre släpningsperiod ger mindre volatil data. Ett eventuellt problem med studiens urval är att de bolag som av ovanstående anledningar exkluderats ändå representeras i studiens marknadsportfölj. Det innebär att dessa bolag påverkat OMXSGI, men inte studiens
decilportföljer. Detta kan potentiellt snedvrida resultatet. Efter urvalsprocessen återstår 410 bolag och det totala antalet datapunkter över den studerade tidsperioden uppgår till 230652 stycken.
Hur en studie väljer att formera sina portföljer kan medföra olika typer av konsekvenser. Till exempel kan likaviktade portföljer i högre grad påverkas av specifika bolags egenskaper än värdeviktade portföljer. Fama och French (2008) menar att en portfölj baserad på likaviktade aktier kan påverkas av mikrobolag. Mikrobolag står för 60% av extremvärdena i totalavkastning på amerikanska aktiemarknader. Det kan innebära att en likaviktad portfölj blir mer volatil än en värdeviktad portfölj. Hou et al. (2017) menar att portföljerna i anomalistudier tenderar att överviktas av mikrobolag om portföljerna likaviktas. Det innebär att resultatet kan snedvridas om portföljen inte är värdeviktad. Enligt Armitage (2005) har kombinationen av likaviktade portföljer och värdeviktad marknadsportfölj dessutom visats generera låga beta.
Anledningen till att den här studien inte likaviktar decilportföljerna är de extramoment som värdeviktade decilportföljer medför. Valet att likavikta decilportföljer gjordes på grund av studiens omfattning i kombination med att decilportföljerna ombalanseras vid 144 tillfällen.
Anledningen till att studien inte använder en likaviktad marknadsportfölj är att det inte finns ett färdigkonstruerat likaviktat index tillgängligt för den svenska aktiemarknaden.
3.2.1 Konstruktion av hedgeportföljer
Om lågriskanomalin existerar på den svenska aktiemarknaden ska lågriskportföljer ha signifikant högre abnormal avkastning än högriskportföljer. Hou et al. (2017) definierar en replikering som lyckad om den genomsnittliga abnormala avkastningen av lågrisk (D1) minus högrisk (D10) är signifikant till 5% nivå (t ≥ 1.96). För att undersöka det konstruerar studien precis som Blitz och van Vliet (2007) en hedgeportfölj, där 𝑅& för D1 subtraheras med 𝑅& för D10. Hedgeportföljen är konstruerad för att visa utfallet av en lång postition i D1 och en lika stor, kort position i D10. En hedgeportfölj konstrueras för varje mätperiod.
3.3 Beräkning av abnormal avkastning
För att studera om portföljerna genererar abnormal avkastning tillämpas CTP. Portföljernas veckovisa totalavkastning beräknas som det aritmetiska medelvärdet för alla bolagens totalavkastning i portföljen. Likt Blitz och van Vliet (2007) logaritmeras portföljernas aritmetiska medelvärde för att uppnå önskvärd normalitet. Brealey et al. (2014) menar att den abnormala avkastningen bättre approximeras med lognormal fördelning.
För att testa en anomali krävs det en modell som prissätter tillgångar och specificerar relationen mellan risk och avkastning. I studien tillämpas CAPM för att utföra detta. En regression (2) av CAPM genererar regressionsinterceptet Jensen’s alfa (𝛼) vilket symboliserar en given veckas genomsnittliga abnormala avkastning. Brooks (2008) menar att om regressionen ger signifikant 𝛼 ≠ 0, innebär det att portföljen genererar en positiv eller negativ signifikant abnormal avkastning gentemot den förväntade avkastning CAPM kräver av en portfölj med samma exponering mot risk.
Valet av CAPM som prissättningsmodell kan ses som kontroversiellt sett till den kritik som riktats mot modellen. Motivet till valet är att det ger möjlighet att undersöka en längre period än om exempelvis Fama och Frenchs (1993) trefaktormodell valts. Tillgänglig data för faktorerna till trefaktormodellen sträcker sig endast till år 2016. I kombination med valet att undvika övergången till IFRS år 2005, hade det förkortat den studerade tidsperioden avsevärt.
Ytterligare ett motiv till valet är att CAPM tillämpas i andra studier av lågriskanomalin (Ang et al., 2006; Baker et al., 2011; Blitz & van Vliet, 2007).
Regressionsmodell 𝑅&− 𝑅' = 𝛼&− 𝛽&,𝑅(− 𝑅'- + 𝜀& (2)
Där:
𝑅&: Portföljens totalavkastning
𝑅': Riskfri ränta
𝛼&: Abnormal avkastning för portfölj p
𝛽&: Portföljens betavärde
𝑅(: Marknadsportföljens totalavkastning
𝜀&: Felterm (förväntas vara 0)
3.4 Olika investeringshorisonter
Utöver att studera hela perioden, undersöker studien en investeringshorisont på ett, tre och fem år med start den första handelsdagen och slut den sista handelsdagen i varje delperiod under åren 2008 - 2015. Regressioner utförs för samtliga investeringshorisonter. Det visar känsligheten i investeringshorisont och -tidpunkt samt ger en bild av hur praktiskt användbar lågriskanomalin är som investeringsstrategi. Datum för delperiodernas början och slut återfinns i tabell 2.
Tabell 2. Start- och slutdatum för investeringshorisonternas delperioder.
Tabell 2 visar start- och slutdatum för investeringshorisonternas delperioder. Antalet observationer på ett års investeringshorisont uppgår till 52 stycken per delperiod. Antalet observationer på tre års investeringshorisont uppgår till 156 stycken per delperiod. Antalet observationer på fem års investeringshorisont uppgår till 260 stycken per delperiod.
4. Resultat
Detta avsnitt innehåller studiens empiriska resultat. Först presenteras deskriptiv statistik för perioden 2008/01/07 - 2019/12/27, sedan hela periodens regressionsresultat och slutligen regressionsresultaten för investeringshorisonter på ett, tre och fem år.
4.1 Totalavkastning 2008/01/07 - 2019/12/27
Tabell 3: Total portföljavkastning för perioden 2008/01/07 - 2019/12/27
Tabell 3 visar CTP totalavkastning för perioden 2008/01/07 - 2019/12/27. Efter varje månads sista handelsdag delas aktierna in i likaviktade decilportföljer sorterade på 36 månaders historisk volatilitet i totalavkastning. D1 till D10 visar resultaten för respektive decilportfölj, där D1 är sorterad på lägst volatilitet och D10 är sorterad på högst volatilitet. Portföljernas totalavkastning beräknas som det aritmetiska medelvärdet av alla portföljbolagens totala veckoavkastning. Dessa värden logaritmeras. Rp är portföljernas totalavkastning och Rm är totalavkastning för OMXSGI. Observationerna i tabell 3 uppgår till 626 stycken per portfölj.
Tabell 3 beskriver samtliga decilportföljers veckovisa totalavkastning under perioden 2008/01/07 - 2019/12/27. Den genomsnittliga totala veckoavkastningen uppgår till 230,2%.
Marknadsportföljen har under samma period stigit med 197,27%. Generellt sett ger decilportföljerna sorterade på låg volatilitet högre totalavkastning än decilportföljerna sorterade på hög volatilitet. Högst totalavkastning ger D2 på 415%, lägst ger D8 på 70,7 %.
Den genomsnittliga totalavkastningen mellan samtliga decilportföljer är högre än marknadsportföljen. D1, D2, D3, D5 och D7 har högre totalavkastning än marknadsportföljen, med respektive 115,5%, 217,7%, 206,6%, 60,7%, 62,8%. D4, D6, D8, D9 och D10 har under tidsperioden lägre totalavkastning än marknadsportföljen med respektive -1,8%, -50,4%, - 126,6%, -65%, -90,3%. Standardavvikelsen för decilportföljernas totalavkastning är linjärt ökande med undantag för D4 och D5. Lägst standardavvikelse i veckoavkastningen har D1 med 12,6%, högst har D10 med 24,9%.
4.2 Regressionsresultat 2008/01/07 - 2019/12/27
Tabell 4: Portföljernas regressionsresultat 2008/01/07 - 2019/12/27
Tabell 4 visar det genomsnittliga veckovisa regressionsresultatet under perioden 2008/01/07 - 2019/12/27. Efter varje månads sista handelsdag delas aktierna in i likaviktade decilportföljer sorterade på 36 månaders historisk volatilitet i totalavkastning.
D1 till D10 visar resultaten för respektive decilportfölj, där D1 är sorterad på lägst volatilitet och D10 är sorterad på högst volatilitet. D1-D10 är hedgeportföljen. Portföljernas totalavkastning beräknas som det aritmetiska medelvärdet av alla bolags totala veckoavkastning i portföljerna. Dessa värden logaritmeras och används i studiens regressionsmodell för att finna interceptet α, vilket är portföljernas genomsnittliga abnormala veckoavkastning. R2 är justerad förklaringsgrad, β är portföljernas beta. I tabellen motsvarar *** p<0,01, ** p<0,05 , * p < 0,1 för. Observationerna i tabell 4 uppgår till 626 stycken per tidsperiod och portfölj.
I tabell 4 presenteras regressionsresultat för hela den studerade perioden. Över perioden uppvisar tabell 4 en justerad förklaringsgrad (R2) under 0,40 för samtliga portföljer. Högst förklaringsgrad uppnår D2, D3, D4, D5, D6. Lägst justerad förklaringsgrad uppvisar hedgeportföljen. Decilportföljernas beta ökar generellt från D1 till D10, med undantag för D5 och D6. Samtliga portföljer i tabell 4 uppvisar beta under 1. Regressionens intercept, 𝛼 , är signifikant negativt för alla decilportföljer till minst 5% signifikansnivå. Högst 𝛼 genereras av D1 med -0,141%, lägst presterar D8 med -0,378%. Generellt kan konstateras att lågriskportföljerna ger högst 𝛼. Hedgeportföljen ger positivt signifikant 𝛼 på 0,16% till 10%
signifikansnivå. Att ta en lång position i lågriskaktier (D1), och en kort position i högriskaktier (D10) har under perioden genererat 0,16% abnormal avkastning per vecka. Hedgeportföljen når inte upp till det signifikanskrav studien ställer för att påvisa en lågriskanomali.
4.3 Regressionsresultat för olika investeringshorisonter
Tabell 5: Regressionsresultat med ett års investeringshorisont, 2008 - 2015
Tabell 5 visar det genomsnittliga veckovisa regressionsresultatet för ett års investeringshorisont för åren 2008 - 2015 med start första handelsdagen varje år. Efter varje månads sista handelsdag delas aktierna in i likaviktade decilportföljer sorterade på 36 månaders historisk volatilitet i totalavkastning. D1 till D10 visar resultaten för respektive decilportfölj, där D1 är sorterad på lägst volatilitet och D10 är sorterad på högst volatilitet. D1-D10 är hedgeportföljen. Portföljernas totalavkastning beräknas som det aritmetiska medelvärdet av alla bolags totala veckoavkastning. Dessa värden logaritmeras och används i studiens regressionsmodell för att finna interceptet α. R2 är justerad förklaringsgrad och β är portföljernas beta. (α) representerar den genomsnittliga abnormala avkastningen. I tabellen motsvarar *** p<0,01, ** p<0,05 , * p < 0,1 för α. Observationerna i tabell 5 uppgår till 52 stycken per tidsperiod och portfölj.
I Tabell 5 framgår veckovisa regressionsresultat med ett års investeringshorisont. Generellt sett är trenden att decilportföljernas justerade förklaringsgrad är högre för D1 än D10. Det enda undantaget är år 2015. Det går inte att uttyda en tydlig trend angående portföljernas beta. För ett års investeringshorisont med start 2013, 2014 och 2015 har D1 högre beta än D10.
Merparten av samtliga beta i tabell 5 är lägre än 1. Decilportföljen med högst genomsnittligt 𝛼 är D3 med 0,098%. Decilportföljen med lägst genomsnittligt 𝛼 är D8 med -0,079%. Resultaten för decilportföljernas 𝛼 med ett års investeringshorisont antyder inga tydliga mönster i abnormal avkastning. Merparten av 𝛼 i tabell 4 är statistiskt insignifikanta. Att ta en lång position i lågriskaktier (D1), och en kort position i högriskaktier (D10) har under perioden i
genomsnitt genererat 0,031% abnormal avkastning per vecka. Hedgeportföljerna genererar inget positivt signifikant 𝛼 med ett år som investeringshorisont under den studerade perioden.
Tabell 6: Regressionsresultat med tre års investeringshorisont, 2008 - 2015
Tabell 6 visar det genomsnittliga veckovisa regressionsresultatet för tre års investeringshorisont för åren 2008 - 2015 med start första handelsdagen varje år. Efter varje månads sista handelsdag delas aktierna in i likaviktade decilportföljer sorterade på 36 månaders historisk volatilitet i totalavkastning. D1 till D10 visar resultaten för respektive decilportfölj, där D1 är sorterad på lägst volatilitet och D10 är sorterad på högst volatilitet. D1-D10 är hedgeportföljen. Portföljernas totalavkastning beräknas som det aritmetiska medelvärdet av alla bolags totala veckoavkastning i portföljerna. Dessa värden logaritmeras och används i studiens regressionsmodell för att finna interceptet α. R2 är justerad förklaringsgrad och β är portföljernas beta. (α) representerar den genomsnittliga abnormala avkastningen. I tabellen motsvarar *** p<0,01, ** p<0,05 , * p < 0,1 för α. Observationerna i tabell 6 uppgår till 156 stycken per tidsperiod och portfölj.
Tabell 6 visar regressionsresultat med tre års investeringshorisont. I likhet med decilportföljerna med ett års investeringshorisont tenderar den justerade förklaringsgraden vara högre för D1 än för D10. Mönstret blir tydligare från år 2012 och framåt. Den justerade förklaringsgraden för samtliga portföljer minskar under senare delen av den undersökta perioden. Samtliga beta i tabell 6 är lägre än 1. Med tre års investeringshorisont med start 2013 och 2014 har D1 högre beta än D10. Samtliga portföljer har i genomsnitt positiva 𝛼 varav
merparten är insignifikanta. Efter 2011 uppvisar flera decilportföljer signifikanta 𝛼, varav merparten av dessa på 5% signifikansnivå. I likhet med den ettåriga investeringshorisonten har D3 högst genomsnittligt 𝛼 på 0,155%, samtidigt som D6 och D10 har lägst genomsnittligt 𝛼 med 0,036%. Inga av dessa värden är statistiskt signifikanta. Noterbart är att hedgeportföljen på tre års investeringshorisont i genomsnitt har ett negativt 𝛼. Samtliga hedgeportföljer med en investeringshorisont på tre år uppvisar insignifikanta 𝛼.
Tabell 7: Regressionsresultat med fem års investeringshorisont, 2008 - 2015
Tabell 7 visar det genomsnittliga veckovisa regressionsresultatet för fem års års investeringshorisont för åren 2008 - 2015 med start första handelsdagen varje år. Efter varje månads sista handelsdag delas aktierna in i likaviktade decilportföljer sorterade på 36 månaders historisk volatilitet i totalavkastning. D1 till D10 visar resultaten för respektive decilportfölj, där D1 är sorterad på lägst volatilitet och D10 är sorterad på högst volatilitet. D1-D10 är hedgeportföljen. Portföljernas totalavkastning beräknas som det aritmetiska medelvärdet av alla bolags totala veckoavkastning i portföljerna. Dessa värden logaritmeras och används i studiens regressionsmodell för att finna interceptet α. R2 är justerad förklaringsgrad och β är portföljernas beta. (α) representerar den genomsnittliga abnormala avkastningen. I tabellen motsvarar *** p<0,01, ** p<0,05 , * p < 0,1 för α. Observationerna i tabell 7 uppgår till 260 stycken per tidsperiod och portfölj.
Tabell 7 visar regressionsresultat för en investeringshorisont på fem år. Den justerade förklaringsgraden över femårsperioden något högre för D1 än D10, vilket inte skiljer sig från de kortare investeringshorisonterna. I likhet med de kortare investeringshorisonterna går det
inte uttyda någon trend för portföljernas beta. Samtliga beta i tabell 7 är lägre än 1. För fem års investeringshorisont med start 2013, 2014, 2015 har D10 lägre beta än D1. I genomsnitt har samtliga portföljer ett positivt 𝛼. De decilportföljer med högst genomsnittligt 𝛼 är D1, D2, D3, D7 och D9. Högst genomsnittligt 𝛼 ger D2 med 0,176%. Lägst genomsnittligt 𝛼 ger D8 och D10, med 0,081% för respektive decilportfölj. Merparten av samtliga 𝛼 på fem års investeringshorisont är statistiskt insignifikanta. Hedgeportföljen ger ett genomsnittligt 𝛼 på 0,048% per vecka. En investeringshorisont på fem år genererar inga signifikanta 𝛼 för någon av periodens hedgeportföljer.
5. Diskussion
I detta avsnitt diskuteras studiens resultat och sätts i relation till tidigare studier av lågriskanomalin. Diskussion om studiens begränsningar sker löpande.
Studiens syfte är att undersöka om en lågriskanomali existerat på den svenska aktiemarknaden under perioden 2008/01/07 - 2019/12/27. Då hedgeportföljen inte uppvisar positivt signifikant 𝛼 till 5% signifikansnivå (t ≥ 1.96) förkastas studiens hypotes. Lågriskanomalin replikerar inte på den svenska aktiemarknaden med volatilitet som riskfaktor. Resultat står i motsats till vad som bevisats på internationella aktiemarknader av Ang et al. (2006), Baker et al. (2011) och Blitz och van Vliet (2007). Studien inte finner signifikant abnormal avkastning. Det antyder att lågriskanomalin inte existerar på den svenska aktiemarknaden och därför saknar praktisk relevans som investeringsstrategi. Att decilportföljerna ombalanseras en gång varje månad, innebär dessutom att praktisk tillämpning av en liknande investeringsstrategi skapar stora transaktionskostnader. När decilportföljernas beta studeras för hela tidsperioden visar studiens resultat liknande mönster som Baker et al. (2011) och Blitz och van Vliet (2007). De finner mönster mellan portföljer sorterade på volatilitet och dess betavärden, låg volatilitet innebär lågt beta och vice versa. Att portföljerna uppvisar låga beta, merparten under 1, kan kopplas till att decilportföljerna är likaviktade och studiens marknadsportfölj är värdeviktad. Samma tendens har enligt Armitage (2005) påvisats i tidigare studier med kombinationen likaviktade portföljer och värdeviktad marknadsportfölj. Något som bör beaktas är att hedgeportföljen kan vara utsatt för snedvridning. Om mikrobolag endast utgör en liten del av det totala marknadsvärdet på den svenska aktiemarknaden men en stor del av det totala antalet aktier kan valet att använda likaviktade portföljer ha påverkat studiens resultat på det sätt som Fama och French (2008) beskriver. Att studien finner insignifikant 𝛼 för hedgeportföljen kan vara en indikation på att den svenska aktiemarknaden är mer effektiv än internationella aktiemarknader eller att CAPM prissätter risk bättre på den svenska aktiemarknaden.
När hela den studerade perioden bryts ned i kortare investeringshorisonter om ett, tre och fem år med start åren 2008 - 2015 återfinns inga signifikanta 𝛼 för hedgeportföljerna. Det är därför inte statistiskt säkerställt att en marknadsaktör som tar en lång position i en lågriskportfölj och en kort position i en högriskportfölj kan finna positiv abnormal avkastning på den svenska aktiemarknaden. Det antyder att lågriskanomalin saknar praktisk relevans även vid kortare investeringshorisonter. På ett års investeringshorisont med start den första handelsdagen år
2008 återfinns signifikant negativt 𝛼 för hedgeportföljen. Det innebär att portföljen med högst volatilitet (D10) har högre abnormal avkastning än portföljen med lägst volatilitet (D1) på den nedåtgående aktiemarknaden år 2008. Det är i motsats till vad Blitz och van Vliet (2007) funnit på nedåtgående marknader. Deras lågriskportföljer genererar högre abnormal avkastning i nedåtgående marknader än under uppåtgående marknader. Det omvända förhållandet är intressant då aktier med låg risk bör vara en mer säker investering på en nedåtgående aktiemarknad. Resultaten på olika investeringshorisonter visar att signifikant abnormal avkastning inte förekommer på den svenska aktiemarknaden, vare sig på kort eller lång sikt.
Det kan vara en indikation på att den svenska aktiemarknaden är mer effektiv än internationella aktiemarknader även på kort sikt eller att CAPM prissätter risk bättre på den svenska aktiemarknaden.
Studien finner ingen statistiskt signifikant abnormal avkastning för hedgeportföljen och kan därför inte bevisa att en lågriskanomali existerar på den svenska aktiemarknaden. Vad som dock kan konstateras är att portföljer med lägre risk generellt ger en högre totalavkastning över perioden 2008/01/07 - 2019/12/27. Decilportföljernas standardavvikelse i totalavkastning är linjärt ökande, med undantag för D4 och D5. Det går linje med Blitz och van Vliets (2007) resultat. D4 och D6 ger lägre totalavkastning än kringliggande portföljer och marknadsportföljen. Beta för D4 och D6 inte avviker från de kringliggande decilportföljerna, kan bolagen i D4 och D6 inneha idiosynkratisk risk som CAPM inte lyckas fånga upp eller kan förklara. Den genomsnittliga totalavkastningen är högre än marknadsportföljens. En möjlig förklaring till det är valet att likavikta portföljerna istället för att värdevikta dem. Att marknadsportföljen är värdeviktad samtidigt som decilportföljerna är likaviktade innebär att mikrobolag kan ha större effekt på studiens decilportföljer i jämförelse med dess påverkan på marknadsportföljen. Något som även bör beaktas i detta avseende är att bolag som exkluderats i studiens urvalsprocess representerats i marknadsportföljens totalavkastning.
Enligt Baker et al. (2011) kan en orsak till lågriskanomalin vara att det finns riskvilliga, irrationella marknadsaktörer med övertro på sina kunskaper. De driver upp priserna på aktier med hög risk. Liknande slutsatser kan dras av Shefrin och Statmans (2000) teorier. De menar att privata investerare har olika lager i sina investeringsstrategier. Ett lager innebär irrationella investeringar i högriskaktier för att uppnå rikedom. Agerar en stor del av marknaden på detta sätt kan det leda till att högriskaktier är överprissatta sett till förväntad avkastningsnivå. Det är
dock tveksamt att privata investerare skulle vara den största faktorn till varför en lågriskanomali existerar. Ett mer rimligt antagande är att marknadens stora aktörer såsom fonder och andra kapitalstarka marknadsaktörer orsakar anomalier. Binsbergen et al. (2008) menar att dessa aktörer strävar efter positiv abnormal avkastning och därmed riskerar att hålla ineffektiva portföljer med hög risk. Det leder till att priserna på högriskaktier ökar, och priserna på lågriskaktier sjunker. Då denna studie inte påvisar en lågriskanomali på den svenska aktiemarknaden, kan en förklaring i motsats till Binsbergen et al. (2008), vara att den svenska aktiemarknadens stora aktörer föredrar att investera i bolag med lägre risk.
6. Slutsats
Detta avsnitt presenterar studiens slutsats och förslag på framtida forskning.
6.1 Slutsatser av studiens resultat
Mot bakgrund av replikeringsproblematiken inom den finansiella forskningen var syftet med denna studie att testa om en lågriskanomali existerar på den svenska aktiemarknaden under perioden 2008/01/07 - 2019/12/27. Lågriskanomalin replikerar inte på den svenska aktiemarknaden med volatilitet som riskfaktor. Det innebär att studiens hypotes förkastas.
Hedgeportföljen uppvisar inte positivt signifikant 𝛼 till 5% signifikansnivå (t ≥ 1.96). Studiens resultat går emot tidigare forskning som funnit positiv signifikant abnormal avkastning med volatilitet som riskfaktor på internationella aktiemarknader (Ang et al., 2006; Baker et al., 2011; Blitz & van Vliet, 2007). När den studerade perioden bryts ned till kortare investeringshorisonter om ett, tre och fem år med start åren 2008 - 2015 återfinns inget signifikant 𝛼 för studiens hedgeportföljer. Det antyder att lågriskanomalin inte existerar på den svenska aktiemarknaden och därför saknar praktisk relevans som investeringsstrategi. Studiens insignifikanta resultat kan vara en indikation på att den svenska aktiemarknaden är mer effektiv än internationella aktiemarknader, eller att CAPM prissätter risk bättre på den svenska aktiemarknaden.
6.2 Förslag till framtida forskning
För framtida forskning om lågriskanomalin och den svenska aktiemarknaden kan en studie genomföras med de riskfaktorer som exkluderats i denna studie. En annan intressant tanke är att dela in portföljerna i exempelvis kvintiler istället för deciler för att se om mer väldiversifierade portföljer kan finna andra resultat. En liknande tanke är att minska portföljernas släpningsperiod vid portföljformeringen för att öka antalet bolag i portföljerna.
För att undvika eventuella effekter som bytet av redovisningsstandard till IFRS vid årsskiftet 2004 - 2005 begränsades studien till att endast använda totalavkastningsdata från början av år 2005. En utveckling av denna studie skulle kunna vara att bortse från eventuella effekter IFRS kan medföra i syfte att undersöka en längre tidsperiod, samtliga påvisade lågriskanomlier refererade i denna studie undersöker tidsperioder längre 20 år. För att ytterligare öka en eventuell studies jämförbarhet med tidigare forskning kan Fama och French (1993) trefaktormodell användas parallellt med CAPM.
Referenslista
Ang, A., Hodrick, R. J., Xing, Y., & Zhang, X. (2006). The Cross-Section of Volatility and Expected Returns. The Journal of Finance, 61(1), 259–299. https://doi.org/10.1111/j.1540-
6261.2006.00836.x
Ang, J. S., & Zhang, S. (2015). Evaluating Long-Horizon Event Study Methodology. In C.-F. Lee &
J. C. Lee (Eds.), Handbook of Financial Econometrics and Statistics (pp. 383–411). Springer.
https://doi.org/10.1007/978-1-4614-7750-1_14
Armitage, S. (2005). The Cost of Capital: Intermediate Theory. Cambridge University Press.
Baker, M., Bradley, B., & Wurgler, J. (2011). Benchmarks as Limits to Arbitrage: Understanding the Low-Volatility Anomaly. Financial Analysts Journal, 67(1), 40–54. JSTOR.
Binsbergen, J. H. V., Brandt, M. W., & Koijen, R. S. J. (2008). Optimal Decentralized Investment Management. The Journal of Finance, 63(4), 1849–1895. https://doi.org/10.1111/j.1540- 6261.2008.01376.x
Blitz, D., & van Vliet, P. (2007). The Volatility Effect: Lower Risk without Lower Return. ERIM Report Series Research in Management Erasmus Research Institute of Management, Article ERS-2007-044-F & A. https://repub.eur.nl/pub/10460/
Brealey, R. A., Stewart, M. C., & Allen, F. (2014). Principles of Corporate Finance (11th ed.).
McGraw-Hill Education.
Brodeur, A., Lé, M., Sangnier, M., & Zylberberg, Y. (2016). Star Wars: The Empirics Strike Back.
American Economic Journal. Applied Economics, 8(1), 1–32.
http://dx.doi.org.ezproxy.its.uu.se/10.1257/app.20150044
Brooks, C. (2008). Introductory Econometrics for Finance (2nd ed.). Cambridge University Press.
Campbell, J. Y., Lo, A. W., & MacKinlay, A. C. (1997). The Econometrics of Financial Markets.
Princeton University Press; JSTOR. https://doi.org/10.2307/j.ctt7skm5
Elton, E., Gruber, M., & Blake, C. (1996). Survivorship Bias and Mutual Fund Performance. Review of Financial Studies, 9, 1097–1120.
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383–417. JSTOR. https://doi.org/10.2307/2325486
Fama, E. F., & French, K. R. (1992). The Cross-Section of Expected Stock Returns. The Journal of Finance, 47(2), 427–465. JSTOR. https://doi.org/10.2307/2329112
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds.
Journal of Financial Economics, 33(1), 3–56. https://doi.org/10.1016/0304-405X(93)90023-5
Fama, E. F., & French, K. R. (1996). Multifactor Explanations of Asset Pricing Anomalies. The Journal of Finance, 51(1), 55–84. https://doi.org/10.1111/j.1540-6261.1996.tb05202.x Fama, E. F., & French, K. R. (2004). The Capital Asset Pricing Model: Theory and Evidence. The
Journal of Economic Perspectives, 18(3), 25–46. JSTOR.
Fama, E. F., & French, K. R. (2008). Dissecting Anomalies. The Journal of Finance, 63(4), 1653–
1678. https://doi.org/10.1111/j.1540-6261.2008.01371.x
Frazzini, A., & Pedersen, L. H. (2014). Betting against beta. Journal of Financial Economics, 111(1), 1–25. https://doi.org/10.1016/j.jfineco.2013.10.005
Fu, F. (2009). Idiosyncratic risk and the cross-section of expected stock returns. Journal of Financial Economics, 91(1), 24–37. https://doi.org/10.1016/j.jfineco.2008.02.003
Harvey, C. R., Yan Liu, & Heqing Zhu. (2016). ...and the Cross-Section of Expected Returns.
Review of Financial Studies, 29(1), 5–68. https://doi.org/10.1093/rfs/hhv059
Hou, K., Xue, C., & Zhang, L. (2017). Replicating Anomalies (Working Paper No. 23394; Working Paper Series). National Bureau of Economic Research. https://doi.org/10.3386/w23394 Ince, O. S., & Porter, R. B. (2006). Individual Equity Return Data from Thomson Datastream:
Handle with Care! Journal of Financial Research, 29(4), 463–479.
https://doi.org/10.1111/j.1475-6803.2006.00189.x
Jensen, M. C. (1967). The Performance of Mutual Funds in the Period 1945-1964 (SSRN Scholarly Paper ID 244153). Social Science Research Network. https://doi.org/10.2139/ssrn.244153 Levy, H. (1978). Equilibrium in an Imperfect Market: A Constraint on the Number of Securities in
the Portfolio. American Economic Review, 68(4), 643–658.
Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. The Review of Economics and Statistics, 47(1), 13–37.
JSTOR. https://doi.org/10.2307/1924119
Maiti, M. (2019). Is idiosyncratic risk ignored in asset pricing: Sri Lankan evidence? Future Business Journal, 5, 5. https://doi.org/10.1186/s43093-019-0004-6
Malkiel, B. G. (2003). The Efficient Market Hypothesis and Its Critics. Journal of Economic Perspectives, 17(1), 59–82. https://doi.org/10.1257/089533003321164958
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91. JSTOR.
https://doi.org/10.2307/2975974
Mccullough, B. D., & Vinod, H. (2004). Verifying the Solution from a Nonlinear Solver: A Case Study: Reply. American Economic Review, 94, 400–406.
https://doi.org/10.1257/000282804322970887
