Örebro Universitet Handelshögskolan Kandidatuppsats
Handledare: Dan Johansson Examinator: Conny Johanzon HT 2014
På skattjakt med Piotroski
-
Ett försök att nå överavkastning genom fundamental analys
Ellinor Engström 840116 Alexander Fors 910126
Abstract
The Efficient Market Hypothesis states that it is highly unlikely for an investor to consistently beat the market because all relevant information is already incorporated in the stock prices. An efficient market is thus a market that rapidly adjusts to new information. The Efficient Market Hypothesis consists of three gradual degrees, whereas in its strongest form, all information is reflected. The theory is, however, highly disputed. The aim of this paper is to examine whether it is possible to generate abnormal returns through the use of fundamental analysis. The primary focus is on Value Investing and on the evaluation of the F_SCORE model, initially developed by Joseph Piotroski (2000) and further adjusted by Rados & Lovric (2009). The model, which is originally designed to fit the conditions of the American Stock Market, is tested on the Stockholm Stock Exchange during the period 2004-2014. By forming fictive portfolios and calculate the alterations generated by a 1- respectively a 2-year Buy-and-Hold strategy, we evaluate whether the models generate positive market adjusted returns. This by comparing them to the OMXS_PI benchmark where all companies listed on Small Cap, Mid Cap and Large Cap are represented. We also test the models correlation with abnormal returns statistically. All portfolios generated, on average, positive market adjusted returns. The results show that it is possible to earn abnormal returns by using Piotroski’s and Rados & Lovric’s models for fundamental analysis on the Swedish Stock Market during the period and therefore suggests that the efficient market hypothesis would not have operated in its strongest or semi-strongest form during the period.
Keywords: Efficient Market Hypothesis (EMH), Anomalities, Behavioral Finance, Fundamental Analysis, Value Investing, Book-to-Market,
Innehåll
Inledning ... 6
1.1 Bakgrund och problemformulering ... 6
1.2 Frågeställning ... 8
1.3 Syfte ... 8
1.4 Disposition ... 8
Litteraturgenomgång... 8
2.1 Effektiva marknadshypotesen ... 9
2.2 Marknadsanomalier och Behavioral Finance ... 10
2.3 Fundamental analys med utgångspunkt i finansiella rapporter ... 11
2.4 Book-to-Market som investeringsstrategi ... 12
2.5 Värdeinvestering och risk ... 14
2.6 Piotroskis modell ... 15
2.6.1 Finansiell prestation/lönsamhet ... 16
2.6.2 Skuldsättningsgrad, finansieringskällor och likviditet ... 17
2.6.3 Operationell effektivitet ... 18
2.7 F_SCORE-modellens begränsningar ... 19
2.8 En vidareutveckling av F_SCORE ... 20
Metod ... 21
3.1 Övergripande beskrivning av tillvägagångssätt ... 21
3.2 Datagenerering ... 21
3.3 Databeredning och bortfallshantering ... 22
3.4 Portföljsammansättning ... 23
3.4.1 Book-to-Market ... 24
3.4.2 F_SCORE ... 24
3.4.3 Rados & Lovrics modeller ... 25
3.5 Analysmetod ... 27
3.6 Åtgärder för förbättrad kvalitet ... 30
3.7 Metodkritik ... 31 Empiriska resultat ... 33 4.1 Book-to-Market ... 33 4.2 F_SCORE ... 35 4.3 A_SCORE ... 37 4.4 B_SCORE ... 39
4.5 C_SCORE ... 41
4.6 Modellernas korrelationer med överavkastning ... 43
4.7 Deskriptiv statistik ... 43
4.8 Kortfattad sammanfattning av det empiriska resultatet ... 44
Analys och diskussion ... 45
5.1 Har marknaden varit effektiv?... 45
5.2 Är fundamental analys effektiv för att ta tillvara på marknadsanomalier? ... 46
5.3 Existerar Book-to-Market effekten? ... 46
5.4 F_SCORES tillämpning på den svenska marknaden ... 48
5.5 Lyckas Rados & Lovric förbättra den ursprungliga strategin? ... 49
5.6 Portföljernas avkastning ur ett riskperspektiv ... 49
5.7 Skillnader i tidshorisont ... 50
Slutsatser ... 50
6.1 Slutsats ... 51
6.2 Praktiska och teoretiska bidrag ... 52
6.3 Förslag till vidare forskning ... 53
Referenser ... 54
Tryckta källor ... 54
Elektroniskt material ... 54
Appendix ... 57
Bilaga 1: Ordlista – finansiella och statistiska begrepp ... 57
Bilaga 2: Datastream Mnemonics ... 59
Bilaga 3: H_B/M – Portfölj, Innehav……….……….. 60
Bilaga 4: F_SCORE – Portfölj, Innehav/Blankning………... 61
Bilaga 5: A_SCORE – Portfölj, Innehav/Blankning………... 62
Bilaga 6: B_SCORE – Portfölj, Innehav……….……….…... 63
Figurförteckning
Figur 1: Diversifiering och risk ... 15
Tabellförteckning Tabell 1: F_SCORE beräkning ... 25
Tabell 2: Poängsystem A_SCORE ... 26
Tabell 3: Portfölj H_B/M ... 33
Tabell 4: Regressionsanalys B/M ... 34
Tabell 5: Portfölj F_SCORE ... 35
Tabell 6: Regressionsanalys F_SCORE ... 36
Tabell 7: Portfölj A_SCORE ... 37
Tabell 8: Regressionsanalys A_SCORE ... 38
Tabell 9: Portfölj B_SCORE ... 39
Tabell 10: Regressionsanalys B_SCORE ... 40
Tabell 11: Portfölj C_SCORE ... 41
Tabell 12: Regressionsanalys C_SCORE ... 42
Tabell 13: Korrelationsmatris ... 43
Tabell 14: Deskriptiv statistik ... 43
6
Inledning
I det inledande kapitlet ges en problembakgrund utifrån vilken forskningsfråga och syfte formuleras. Vidare presenteras uppsatsens fortsatta disposition.
1.1 Bakgrund och problemformulering
Inom teorin om den effektiva marknadshypotesen [EMH] görs antagandet att aktiemarknader är informationseffektiva och att all tillgänglig information därmed återspeglas i aktiekurserna. Som en konsekvens av detta ska det inte vara möjligt att konsekvent generera avkastning som överskrider genomsnittlig marknadsavkastning på en riskjusterad1 basis givet den information som finns tillgänglig (Berk & DeMarzo 2014).
EMH har varit omdebatterad och ifrågasatt ända sedan Fama & French (1969) myntade begreppet. Frågan om effektivitet på aktiemarknaden är dock synnerligen komplex och fortfarande råder ingen konsensus. Under 1970- och 1980- talen var forskare tämligen överens om att aktiemarknaden följer en s.k. Random Walk, d.v.s. inte kännetecknas av ett förutsägbart mönster och därmed är effektiv till åtminstone någon grad men sedan dess har flera
avvikelser, marknadsanomalier2, uppmärksammats (Fox 2002).
En relativt ny skola som under 1990-talet uppmärksammats på området är Behavioral Finance vars förespråkare hävdar att aktiemarknaden till stor del styrs av psykologiska faktorer hos dess aktörer. Enligt Behavioral Finance fattar investerare inte alltid nyttomaximerande beslut baserade på fakta vilket gör att det konsekvent uppkommer anomalier på aktiemarknaden (Shleifer 2000). Detta medför att möjligheter till
överavkastning3 uppstår för den som är medveten om och uppmärksam på de anomalier som
uppkommer till följd av andra investerares icke rationella beteende.
Flertalet analysmetoder har skapats i syfte att dra nytta av anomalier genom att utvärdera vilka aktier som skulle kunna vara temporärt underprissatta. En av dessa är fundamental analys där ett företags finansiella information i huvudsak granskas för att på så sätt göra en bedömning av aktiens framtida utveckling (Nilsson et al. 2009). Vidare finns åtskilliga studier
1
Där hänsyn tagits till den risk som antagits för att uppnå avkastningen.
2
Avvikelse från EMH, vilket indikerar att all information inte återspeglas i aktiekurserna.
7 som tyder på att aktier i företag med ett högt Book-to-Market4 värde, även kallat värdeinvestering, har en tendens att generera en hög avkastning.
Joseph Piotroski, sedan 2010 professor i redovisning vid University of Stanford, utvecklade år 2000 en modell för fundamental analys; Fundamental Signal Score [F_SCORE]. Modellens syfte är att med hjälp av en enkel analys med utgångspunkt i företags årsredovisningar utvärdera vilka aktier som bör generera en hög avkastning på ett eller två års sikt. Piotroski hävdar att han med denna metod har kunnat nå en årlig avkastning på i genomsnitt 23 procent på den amerikanska aktiemarknaden under tidsperioden 1976-1996, en siffra som motsvarar mer än det dubbla indexvärdet för S&P 5005.
Rados & Lovric (2009) presenterar en vidareutveckling av Piotroskis F_SCORE. Tre modeller tas fram med bas i Piotroskis ursprungliga forskning; A_SCORE, B_SCORE och C_SCORE. Modellerna utvärderas under åren 1997-2006 och är även de testade på amerikansk aktiedata. Samtliga tre modeller uppvisar i deras studie en högre avkastning än F_SCORE utan att öka komplexiteten nämnvärt.
Vi anser det intressant att testa Piotroskis F_SCORE samt Rados & Lovrics vidareutveckling på en annan aktiemarknad än den amerikanska där modellerna utvecklats och prövats. Detta för att söka visa att Piotroskis modell inte är landsspecifik, utan har en mer generell applicerbarhet som även sträcker sig utanför USA. Som jämförelseindex används OMXS_PI, där samtliga företag noterade på Stockholmsbörsen6 finns inkluderade.
Det kan också anses relevant att pröva modellen under en så aktuell tidsperiod som möjligt. Under 2004-2014 finns både hög- och lågkonjunktur representerade vilket prövar investeringsmodellens funktion även under olika rådande ekonomiska lägen. Den starka högkonjunktur som rådde innan den globala finanskrisen år 2007 inkluderas, likaså den efterföljande perioden av instabilitet och oro för EMU-ländernas ekonomiska situation.
Om marknaden är effektiv, bör det inte vara möjligt att med Piotroskis investeringsstrategi baserad på en kombination av fundamental analys och värdeinvestering konsekvent erhålla en högre avkastning än aktiemarknadsindex utan att för den skull ta en högre risk. Om anomalier
4
Bokfört värde i relation till aktiernas totala marknadsvärde.
5
Standard & Poor’s 500; aktieindex över 500 stora aktiebolag börsnoterade i USA.
8 däremot existerar, vilket förutsätts av förespråkare av Behavioral Finance bör det däremot, i motsats till vad EMH förutsätter, vara möjligt att generera överavkastning.
1.2 Frågeställning
Med stöd i ovanstående resonemang lyder forskningsfrågan enligt följande: Kan Piotroskis investeringsstrategi F_SCORE samt Rados & Lovrics vidareutveckling; A-, B- och C_SCORE överträffa det svenska marknadsindexet OMXS_PI under perioden 2004-2014?
1.3 Syfte
Syftet med denna studie är sålunda att granska huruvida det är genomförbart att med
fundamentala investeringstrategier överträffa OMXS_PI under den tioåriga
undersökningsperioden. För att pröva detta tillämpas Piotroskis F_SCORE-modell samt Rados & Lovrics A-, B- och C_SCORE-modeller och testas huruvida dessa genererar en överavkastning på den svenska aktiemarknaden mellan år 2004 och år 2014.
Studien riktar sig främst till personer med intresse för aktiehandel varför en viss grundläggande förståelse för detta ämne förutsätts. I studien tillämpas statistiska analysmetoder varför även statistikkunskaper kan anses vara av nytta för att ha möjlighet att tolka modellerna och därmed tillgodogöra sig innehållet fullt ut.
1.4 Disposition
I kapitel 2 presenteras studiens teoretiska utgångspunkt. I fokus ligger främst olika synsätt på effektivitet på värdepappersmarknaden och möjligheten till överavkastning genom nyttjandet av fundamentala analysmodeller. I kapitel 3 beskrivs studiens metod; hur material samlats in och hur databearbetning genomförts. I kapitel 4 illustreras med hjälp av tabeller och viss förklarande text studiens empiriska resultat. Resultatet tas sedan vidare till kapitel 5 för analys och diskussion. Detta utifrån teman vilka formats med utgångspunkt i litteraturgenomgången. Slutligen, i kapitel 6 redogörs för studiens slutsatser.
Litteraturgenomgång
Inledningsvis beskrivs här den effektiva marknadshypotesen, dess olika nivåer av effektivitet samt Behavioral Finance som står i kontrast till EMH. Vidare förklaras begreppen fundamental analys, Book-to-Market och värdeinvestering mer ingående samtidigt som en överblick ges över tidigare forskning inom dessa områden. Värdeinvesteringsbegreppet diskuteras även utifrån ett riskperspektiv. Avslutningsvis ges en detaljerad beskrivning av
9 Piotroskis investeringsstrategi, dess begränsningar samt Rados & Lovrics vidareutveckling av den ursprungliga modellen.
2.1 Effektiva marknadshypotesen
Redan under mitten av 1800-talet uppmärksammades aktiemarknaders slumpmässiga karaktär av den franska aktiemäklaren Jules Regnault (Kirman 2009). Vidare lade år 1900, matematikern Louis Bacheliers mastersavhandling från samma land grunden för teorin om en s.k. Random Walk på finansmarknaden (ibid.). Det skulle dock dröja fram till 1960-talet innan forskningen om effektiva marknader på allvar tog fart. Detta genom att dessa grundläggande tankar vidareutvecklades av bl.a. Cootner 1964 i The Random Character of Stock Market Prices (Kendall 1953). Enligt teorin om Random Walk följer aktiers avkastning ett slumpmässigt mönster (ibid). Aktiemarknadens framtida rörelser blir därmed oförutsägbara. Det är därför inte möjligt att förutsäga aktiekursers utveckling på basis av hur kurserna rört sig historiskt.
Fama et al. (1969) definierar, med utgångspunkt i teorin om Random Walk, begreppet effektiva marknadshypotesen. En effektiv aktiemarknad beskrivs här som en marknad som snabbt anpassar sig ny till information. Enligt EMH ska det inte vara möjligt att konsekvent generera överavkastning på aktiemarknaden. Aktiemarknaden antas nämligen vara informationseffektiv eftersom den består av ett stort antal rationella, vinstsökande och riskaverta investerare (Berk & DeMarzo 2014).
Antagandet att investerare agerar rationellt på de finansiella marknaderna har sitt ursprung i neoklassisk ekonomi och Rational Choice Theory, där begreppet rationalitet är synonymt med individens vilja att maximera sin individuella nytta, genom att söka maximera sina intäkter och minimera sina kostnader (Rutherford 1988). I detta fall kan det antas att en rationell investerare vill ha ut högsta möjliga avkastning på sitt investerade kapital utan att behöva utsätta sig för en i sammanhanget högre risk. För att uppnå sina preferenser tar den rationella investeraren alltid logiska och noga övervägda beslut.
På en effektiv aktiemarknad konkurrerar dessa påstått rationella investerare fritt med varandra genom att estimera det framtida värdet av de olika aktierna (Berk & DeMarzo 2014). När ny information tillkommer rörande en specifik aktie agerar rationella investerare omedelbart på denna och därmed korrigeras aktiekursen till att inkludera den nya informationen (ibid.).
10 EMH innebär således att aktiens pris representerar den mest rättfärdigade värderingen av denna, vid en given tidpunkt, eftersom alla faktorer som påverkar aktien tagits med i beräkning.
Vidare uppmärksammar Fama et al. (1969) tre olika nivåer av effektivitet. Den effektiva aktiemarknaden definieras således utifrån tre olika former av effektivitet; svag, medelstark och stark form. De olika formerna utgör en hierarki vilket innebär att vid stark form verkar
även medelstark och svag form.Svag form av effektivitet kännetecknas av att information om
historiska aktiekurser speglas i aktiens nuvarande kurs (Gavelin & Sjöberg 2012). Detta innebär att aktiekurser inte kan förutsägas med hjälp av teknisk analys, d.v.s. analys baserad på historiska aktiekurser. Medelstark form kännetecknas av att aktiekurserna speglar all publik information som finns tillgänglig (ibid.). Denna form leder till att det med fundamental analys ej är möjligt att generera riskjusterad överavkastning. Stark form innebär att all information även privat insider-information7 speglas i aktiepriserna (ibid.). Detta är dock ett starkt antagande eftersom det i praktiken skulle innebära att det frekvent förekommer olaglig insiderhandel.
2.2 Marknadsanomalier och Behavioral Finance
Det finns mycket forskning som tyder på att aktiemarknaden inte alls är informationseffektiv. Redan på 1930-talet erbjöd den välkände nationalekonomen Maynard Keynes ett alternativt sätt att betrakta de finansiella marknaderna. Keynes såg aktiemarknaden som ett slags kasino där investerare drivs av kortsiktiga och spekulativa motiv (Bowyer 2013). Den effektiva marknadshypotesen var dock vida accepterad tack vare Fama & French teorier i slutet av 1960-talet och fram till 1990-talet då forskningen om marknadsanomalier tog fart (Fox 2002). Forskningsområdet, som kom att kallas Behavioral Finance, är en samverkan mellan finans och beteendevetenskapliga områden.
Behavioral Finance behandlar och försöker förklara människans bristfälliga förmåga att handla rationellt när det kommer till finansiella beslut (Shleifer 2000). Simon (1952) finner att investerare inte alls är så nyttomaximerande eller handlar så rationellt som EMH förutsätter, utan snarare kan beskrivas som begränsat rationella. Detta yttrar sig i oförmågan att både inhämta, sortera, bearbeta samt överföra tillgänglig information.
11 Vidare uppmärksammar Simon (1952) att investerare är begränsade av sina förmågor och resurser och sålunda inte alltid väljer den nyttomaximerande lösningen. Istället för att basera beslut på strikt logik finns en tendens att använda resonemangsmässiga genvägar och därmed ta till enkla tumregler vid beslutsfattande. Investeraren väljer ofta ett alternativ som är tillfredsställande utan att vara optimalt. Investerare som systematiskt är begränsat rationella påverkar aktiekurserna och därmed uppstår anomalier på aktiemarknaden. När marknaden på detta sätt är tillfälligt ineffektiv skapas vinstmöjligheter för de investerare som lyckas identifiera och utnyttja dessa anomalier (Simon 1952).
2.3 Fundamental analys med utgångspunkt i finansiella rapporter
Grundtanken med fundamental analys är att utvärdera ett företags ekonomiska ställning med syfte att prognostisera företagets framtida prestation (Nilsson et al. 2009). Analysen utgår ofta från nutida och historisk redovisningsinformation men sträcker sig även till omvärldsfaktorer
och strategiska aspekter såsom konjunktursvängningar, branschutveckling och
konkurrenskraft (ibid.).
Enligt Artsberg (2011) är ett av den finansiella rapporteringens viktigaste syften att förse intressenter med information för såväl fastställande av historiska resultat som bedömning av framtida vinstgenereringsförmåga. För att fundamentala analysstrategier ska fungera krävs att redovisningsinformation är värderelevant8 och att aktiemarknaden temporärt är ineffektiv (Francis & Schipper 1999).
Ball & Brown (1968)9 undersöker sambandet mellan företags redovisningsinformation och aktiekurs. De observerar att det i samband med att företag släpper sina årsredovisningar också sker en revidering av aktiekursen. Detta bekräftar att fundamental historisk redovisningsinformation kan användas för att uppskatta framtida vinstförändringar. Ball & Brown (1968) är också de första att dokumentera temporär ineffektivitet på aktiemarknaden. De observerar att aktiekurserna, i samband med att företaget offentliggör sin årsredovisning och därmed tillkännager sitt resultat, tenderar att röra sig i en förutsägbar riktning.
Ou & Penman (1989) konstruerar utifrån data hämtade ur resultat- och balansräkningar ett aggregerat mått vilket de använder för att prognostisera företags framtida resultatförändringar. Genom en strategi baserad på investering i aktier med höga värden på det aggregerade måttet
8
Att informationen är värdeskapande samt relevant för användaren.
12 och blankning av aktier med låga värden lyckas de generera en avkastning som överträffar index för perioden. I enlighet med detta föreslår de att det utifrån företags finansiella rapporter är möjligt att fånga fundamentala värden vilka inte finns reflekterade i aktiekursen.
Omfattande forskningsinsatser har bedrivits i syfte att analysera vilka faktorer i företags redovisningsinformation som kan anses värderelevanta för att på så sätt förbättra den fundamentala analysens metoder. Lev & Thiangaranjan (1993) utvecklar en modell bestående av tolv fundamentala variabler, s.k. value drivers, vilka de med korrelationsanalys kan konstatera är av betydelse för möjligheten att prognostisera aktiekursers framtida utveckling. Studien visar även att korrelationsgraden mellan fundamentala signaler i de finansiella rapporterna och vinsttillväxt ökar ytterligare om modellen kompletteras med makrovariabler. Abarbanell & Bushee (1997) genomför en prövning av Lev & Thiangaranjans resultat vilken även den styrker fundamentala variablers relevans när det kommer till att estimera förändringar i aktiekurser. Vidare dras slutsatsen att analytiker inte beaktar all information som finns tillgänglig i företags finansiella rapporter och att det således bör finnas möjlighet till överavkastning med hjälp av en investeringsstrategi som utnyttjar detta.
2.4 Book-to-Market som investeringsstrategi
Aktier i företag med ett högt bokfört värde i relation till marknadsvärde10 benämns i allmänhet värdeaktier medan aktier i ett företag med ett lågt värde benämns tillväxtaktier. Det finns flera sätt att bedöma ett företags fundamentala värde, varav Book-to-Market [B/M] värdet är ett av de vanligaste. B/M-värdet är ett mått på skillnaden mellan ett företags i balansräkningen redovisade tillgångar11 och dess totala marknadsvärde (Berk & DeMarzo 2014). Om företagets marknadsvärde är exakt detsamma som dess bokförda värde är alltså B/M-värdet=1 och om det bokförda värdet är högre än marknadsvärdet är B/M-värdet>1.
En avsevärd mängd forskning har fokuserat på investering i företag med höga bokförda värden i relation till marknadsvärdet, ”värdeinvestering”, som strategi för att generera överavkastning. Rosenberg, Reid & Lanstein (1985) dokumenterar att företag med höga B/M-värden har en tendens att generera en högre avkastning än marknaden. Fama & French (1993)
myntar begreppet the Book-to-Market effect. Vidare dokumenterar de ett s.k. värdepremium12
vid investering i företag med höga B/M-värden. Flera studier har sedan dess styrkt att denna
10
Aktiekursen * antal utestående aktier.
11
Tillgångar upptagna till inköpspris - ackumulerade avskrivningar
13 marknadsanomali existerar och med dess hjälp lyckats dokumentera en avkastning betydligt högre än marknadsindex.
Det råder dock delade meningar kring exakt vad det är som skulle leda till att värdeaktier ger högre avkastning. Asness (1997) forskning belyser att tillväxtaktier13 inte utvärderas på basis av finansiell information utan att aktiekurserna istället tenderar att vara momentumdrivna14. McNichols & O’Brien (1997) instämmer och hävdar att analytiker tenderar att rekommendera aktier med befintligt höga marknadsvärden och hög likviditet. Värdeaktier kan sålunda komma att negligeras och underprissättas till förmån för aktier i välkända företag med starka tidigare prestationer. Ett högt B/M-värde skulle därför rimligtvis kunna tyda på en temporär underprissättning från aktiemarknadens sida. När aktiekurserna så småningom justeras kommer denna felprissättning att korrigeras vilket i sin tur leder till en högre avkastning.
Ett högt bokfört värde i relation till aktiemarknadsvärde är i sig inte någon garanti för överavkastning. Piotroski (2000) påpekar att långt ifrån alla företag med höga B/M-värden är bra investeringar och understryker vikten av att kunna urskilja företag med starka prestationer från de med svagare, separating winners from losers, vid användning av en värdestrategi. Han betonar att det typiska företaget med ett högt B/M-värde befinner sig i finansiellt trångmål15 och/eller har en tendens att prestera dåligt resultatmässigt. Piotroskis egen forskning dokumenterar att mindre än 44 procent av alla företag med höga B/M-värden uppvisar en överavkastning de två på varandra följande åren efter investeringstillfället. Han argumenterar för att den höga avkastning som genererats med en värdestrategi och som dokumenterats av bl.a. Rosenberg, Reid & Lanstein (1985) förlitar sig på ett fåtal prestationsmässigt starka företag. Samtidigt tolereras företag med svag prestation vilket egentligen drar ned portföljens avkastning.
Forskningen är alltså inte helt överens vad gäller antagandet om informationseffektivitet på aktiemarknaden. Förespråkarna av Behavioral Finance hävdar att på grund av att investerare inte alltid agerar rationellt skapas anomalier på aktiemarknaden och därmed möjligheter till överavkastning. Att genom fundamental analys dra nytta av anomalier och på så sätt erhålla en avkastning högre än marknadsindex bör med detta synsätt fungera. Då en av de mest
13
Aktier i företag med låga B/M-värden.
14
Fortsätta i redan utstakad riktning.
14 omtalade, påstådda anomalierna är B/M-effekten är det av intresse att undersöka om denna existerat på den svenska marknaden under prövoperioden.
Hypotes 1: En portfölj bestående av aktier med höga B/M-värden genererar en högre avkastning än OMXS_PI under perioden 2004-2014.
2.5 Värdeinvestering och risk
Fama & French (1992), huvudförespråkare av en riskbaserad syn på B/M-effekten, påpekar att den högre avkastningen är ett s.k. riskpremium. Avkastningen skulle alltså utgöra en kompensation för den högre risken som finns i företag vilka marknaden har en tendens att undervärdera. Fama & French poängterar att företag med höga B/M-värden ofta befinner sig i finansiellt trångmål och därför är mer riskfyllda för investerare. Ett högt bokfört värde i förhållande till aktiernas marknadsvärde skulle sålunda kunna signalera avsaknad av förtroende för företagets framtida prestation.
Studier har dock visat att investeringar i värdeaktier inte nödvändigtvis behöver vara mer riskfyllda. Haugen & Baker (1996) finner inte något stöd för en riskbaserad förklaring till den överavkastning som erhålls genom investeringar i företag med höga B/M-värden. De menar att måttet representerar kapitalvärden som inte reflekteras i aktiepriset och därför inte kan härledas till ökat risktagande. Tvärtemot bör företag med höga B/M-värden snarare kännetecknas av en entydigt lägre risk då aktien köps till ett lägre pris än dess tillgångars verkliga värde. Detta stärker ytterligare hypotesen om undervärdering av företag med höga B/M-värden och indikerar enligt Haugen & Baker brister i den effektiva marknadshypotesen.
Modern portföljvalsteori är en av de dominerande teorierna inom finansämnet och har sin grund i att värdepappersmarknaden är effektiv och att dess aktörer agerar rationellt. Kortfattat beskriver teorin hur en värdepappersportfölj kan optimeras genom diversifiering (Berk & DeMarzo 2014). Målet är att sätta samman en portfölj med kollektivt lägre risk än de individuella värdepapperen var för sig (ibid.). Enligt modern portföljvalsteori är alla investeringar en avvägning mellan risk och förväntad avkastning (ibid.). Ju mer riskfylld en investering är, desto högre är dess möjlighet till avkastning. Aktiemarknaden är med detta synsätt i princip helt fri från riskfria vinstmöjligheter.
15 Figur 1: Diversifiering och risk
Ovan illustreras hur en portföljs risk kan minimeras genom diversifiering. Den specifika risken minimeras genom att kombinera olika typer av värdepapper. Sålunda minskar även portföljens totala risk. Den systematiska risken existerar alltid
vid investering på värdepappersmarknaden och hålls därför konstant.
Den totala risken är densamma som aktiens standardavvikelse, σ, och består av den systematiska risken plus den specifika risken (Gavelin & Sjöberg 2012). Den systematiska risken är synonym med marknadsrisken och är den risk som är förknippad med att investera i en viss marknad (ibid.). Den specifika risken är den risk som är direkt förknippad med respektive aktie (ibid.). Specifik risk benämns även diversifierbar risk eftersom denna kan diversifieras bort genom att addera fler och kombinera olika typer av värdepapper (ibid.). Med hjälp av diversifiering kan alltså den totala risken i en portfölj sänkas genom minimering av den specifika risken. En portfölj där den specifika risken minimerats genom diversifiering kallas således för en väldiversifierad portfölj. Den väldiversifierade portföljen kan bestå av så få aktier som 10 stycken, givet att de noga valts ut och inte påverkas av liknande specifik risk (Elton & Gruber 1977).
Enligt modern portföljvalsteori ska en effektiv portfölj ha en så hög avkastning som möjligt, detta i kombination med en låg standardavvikelse. Ju högre standardavvikelse desto mer fluktuerar avkastningen från medelvärdet vilket inte är önskvärt om avsikten är att ta en låg risk (Gavelin & Sjöberg 2012).
2.6 Piotroskis modell
Piotroski menar att den pålitligaste och mest lättillgängliga informationen för investerare återfinns i ett företags balans- och resultaträkning. Syftet med studien Value Investing: the use of historical financial statement information to separate winners from losers (2000) är att utvärdera om en enkel redovisningsbaserad fundamental analysmodell kan förskjuta avkastningsfördelningen i positiv riktning i en aktieportfölj sammansatt av företag med höga
16 B/M-värden. Givet att den höga avkastningen i en aktieportfölj baserad på en värdestrategi kan härledas till ett fåtal företag bör investerare kunna dra fördel av att urskilja företag med starka framtidsutsikter från de med svagare inom kategorin av företag med höga B/M-värden. Piotroski menar att företag med höga B/M-värden erbjuder en unik möjlighet att utforska den fundamentala analysens förmåga att särskilja företag. Målet är att visa att investerare kan skapa en starkare värdeportfölj genom användning av enkla sållningar baserade på historisk finansiell information.
För att fastställa ett företags finansiella styrka och därmed aktiens framtidsutsikter har Piotroski utarbetat ett poängsystem. Modellen som tas fram är konstruerad utifrån nio binära parametrar med avsikt att mäta tre områden i företagens finansiella ställning: lönsamhet, finansiell hävstång/likviditet och effektivitet. Varje signal ges ett binärt värde (1 eller 0) som sedan summeras ihop till ett sammanlagt F_SCORE. Totalsumman 8 och 9 definieras av Piotroski som ett högt F_SCORE medan 0 och 1 definieras som ett lågt. Aktier i företag med en hög poäng (8-9) inhandlas medan aktier i företag med en låg poäng (0-1) blankas16. Vidare presenteras en mer ingående beskrivning av modellens variabler.
2.6.1 Finansiell prestation/lönsamhet
De fyra första variablerna; ROA, CFO, ΔROA och ACCRUAL mäter ett företags förmåga att
med sina interna resurser generera vinst. Givet att företag med höga B/M-värden tenderar att ha en historik kännetecknad av en låg intjäningsförmåga uppvisar ett företag med nuvarande högt kassaflöde eller resultat en förmåga att generera vinstmedel genom sina operationella aktiviteter. Likaså tyder en positiv resultatutveckling på en förbättring av företagets underliggande förmåga att generera positiva framtida kassaflöden.
1. Return on Assets [ROA]
Avkastning på tillgångar är en indikator på hur väl ett företag lyckas använda sina tillgångar för att generera vinstmedel. Det vill säga hur lönsamt företaget är i relation till dess totala tillgångar. ROA definieras som årets nettoinkomst före extraordinära kostnader, dividerat med de totala tillgångarna. Om företaget uppvisar en positiv avkastning på sina tillgångar sätts variabeln F_ROA lika med 1 och 0 annars.
2. Cash Flow from Operations [CFO]
17 Kassaflöde från den operativa verksamheten avser mängden likvida medel företaget genererar från den operativa verksamheten. Om företagets kassaflöde från den operativa verksamheten dividerat med de totala tillgångarna är ett positivt värde sätts variabeln F_CFO lika med 1 och 0 annars.
3. Change in ROA [ΔROA]
Förändringen i ROA är en indikator på huruvida företaget åstadkommer en ökande avkastning på sina tillgångar. Om företaget uppvisar en högre avkastning på de totala tillgångarna detta år
jämfört med året innan sätts variabeln F_ΔROA lika med 1 och 0 annars.
4. Accruals [ACCRUAL]
Periodiseringar tar relationen mellan vinstmedel och kassaflöde i beaktning. Denna variabel beräknas för att uppmärksamma om hur stor del av årets resultat som kan hänföras från periodiseringsjusteringar. Om kassaflödet från den operativa verksamheten överstiger årets resultat, båda dividerat med totala tillgångar, sätts variabeln F_ACCRUAL lika med 1 och 0 annars.
2.6.2 Skuldsättningsgrad, finansieringskällor och likviditet
De nästföljande tre signalerna avser förändringar i kapitalstruktur och företagets förmåga att möta framtida skuldförpliktelser. En av förklaringarna till ett högt B/M-värde kan vara att företaget ifråga befinner sig i finansiellt trångmål vilket gör dessa signaler viktiga att utvärdera. Finansiellt trångmål associeras ofta med sjunkande eller ihållande låga vinstmarginaler, resultat, kassaflöde och likviditet samt stigande eller redan höga nivåer av finansiell hävstång. Variabler som reflekterar förändringar i dessa ekonomiska förhållanden bör därför vara av värde för att prognostisera företagets framtida prestationer. För att mäta finansiell hävstång/likviditet används tre olika signaler: ΔLEVER, ΔLIQUID och EQ_Offer.
5. Change in Leverage [ΔLEVER]
Förändring i långfristiga skulder relativt tillgångar mäter om företagets skuldsättningsgrad ökar. Genom att tillföra kapital från externa källor utanför företaget signaleras en oförmåga att generera tillräckliga interna medel. Extern finansiering innebär också att ytterligare restriktioner sätts för företagets finansiella flexibilitet. Om andelen skulder dividerat med de totala tillgångarna har minskat detta år jämfört med föregående sätts variabeln F_ΔLEVER till 1 och 0 annars.
18
6. Change in Liquidity [ΔLIQUID]
Förändring av likvida medel ger en bild av företagets effektivitet vad gäller försäljning och lagerhantering. Piotroski förutsätter här att en förbättrad balanslikviditet är en positiv signal vad gäller företagets förmåga att möta rådande skuldförbindelser. Om kvoten mellan omsättningstillgångar och kortfristiga skulder ökat från föregående år sätts variabeln F_ΔLIQUID till 1 och 0 annars.
7. Issuance of Common Stocks [EQ_OFFER]
Nyemission beaktar huruvida företaget emitterat nya stamaktier17. Företag i finansiellt trångmål har, i likhet med en ökning av långfristiga skulder, en tendens att lyfta kapital utanför företaget vilket signalerar en oförmåga att generera interna medel för att möta framtida förpliktelser. Även att företaget tar beslutet att emittera nya stamaktier trots att de nuvarande är lågt prissatta understryker företagets undermåliga finansiella tillstånd. Har företaget inte genomfört någon nyemission av stamaktier sätts variabeln F_EQ_OFFER till 1 och 0 annars.
2.6.3 Operationell effektivitet
De två sista signalerna mäter förändringar i effektiviteten i företagets verksamhet. De är av betydelse eftersom de uppmärksammar två underliggande nyckelkonstruktioner vid
nedbrytning av ett företags avkastning. Dessa signaler är ΔMARGIN och ΔTURN.
8. Change in Gross Profit Margin [ΔMARGIN]
Förändring i bruttomarginal definieras som årets bruttomarginal minus föregående års bruttomarginal. Bruttomarginalen beräknas genom att dividera företagets bruttoresultat med den totala försäljningen. Signalen visar om företaget fått en högre konkurrenskraft jämfört med föregående år. En förbättring indikerar en minskning av förvaltningskostnader, minskade lagringskostnader eller en intäkts-/prisökning för företagets produkter. Har bruttomarginalen
ökat sätts variabeln F_ ΔMARGIN lika med 1 och 0 annars.
9. Change in Asset Turnover Ratio [ΔTURN]
Förändring i kapitalomsättningshastighet mäter hur väl ett företag använder sina tillgångar för att generera vinst. En förbättring kan uppkomma genom en ökad försäljning eller en effektiviserad produktionsprocess. Har företaget ökat sin kapitalomsättningshastighet jämfört med föregående år sätts variabeln F_ ΔTURN till 1 och 0 annars.
19
F_SCORE: Slutligen definieras det ackumulerade värdet av alla binära tal enligt
F_SCORE=F_ROA+F_CFO+F_ΔROA+F_ACCRUAL+F_ΔLEVER+F_ΔLIQUID+F_EQ_O
FFER+F_ ΔMARGIN+F_ ΔTURN. Detta aggregerade mått utvärderar den övergripande
kvaliteten eller styrkan på företagets finansiella position och köpbeslutet baseras sålunda på styrkan i den aggregerade signalen.
Piotroskis forskning visar att med hjälp av historisk finansiell information kan företag med hög potential till avkastning urskiljas från de med lägre. Genom nio fundamentala signaler kan B/M-strategin enligt Piotroski (2000) effektiviseras och således generera en högre avkastning genom att separera ”vinnare” från ”förlorare”. Nästa steg i undersökningen blir således att testa om Piotroskis enkla modell baserad på en kombination av värdeinvestering och fundamental analys genererar överavkastning även på den svenska aktiemarknaden. Följande hypotes formuleras för att pröva F_SCORE:
Hypotes 2: Piotroskis F_SCORE genererar en högre avkastning än OMXS_PI under perioden 2004-2014.
2.7 F_SCORE-modellens begränsningar
Eftersom Piotroskis modell är enkel och entydig belyser Piotroski själv att modellen snarare är ett steg tillbaka i utvecklingen av analysprocesser. Ingen sannolikhetsmodell behöver användas, analysmodellen är endast uppbyggd av summan av de nio variablerna. Nackdelen med modellens enkelhet, enligt Piotroski, är att översättningen av de nio signalerna till binära variabler möjligtvis kan eliminera användbar information. Piotroski kategoriserar värdet 0 som ”dåligt” medan 1 kategoriseras som ”bra”. Dock förtydligar han att vissa signaler kan vara tvetydiga. Exempelvis innebär en ökning av skuldsättningsgraden inte nödvändigtvis något ofördelaktigt för företaget så länge det inte befinner sig i finansiellt trångmål.
Flera av signalerna i Piotroskis modell överlappar med Lev & Thiagaranjans (1993) och Abarbanell & Bushees (1997, 1998) tidigare forskning. Dock överensstämmer inte signalerna fullständigt. Piotroski påpekar att varken han själv eller tidigare forskning gör anspråk på att uppvisa de optimala signalerna för fundamental analys. Därför uppmuntras användning av
20 alternativa men likväl komplimenterande signaler. Detta, menar han, demonstrerar den finansiella analysens vida applicerbarhet.
2.8 En vidareutveckling av F_SCORE
Rados & Lovric genomförde år 2009 en studie med syfte att testa Piotroskis modell på amerikansk data mellan år 1997-2006 och vidare söka att förbättra den. De instämmer i Piotroskis diskussion om att F_SCORE-modellens binära gradering leder till att all väsentlig information inte tas tillvara och föreslår att det bör vara genomförbart att med högre precision ha möjlighet att prognostisera individuella företags möjligheter till generering av framtida avkastning. Detta genom utvecklandet av tre nya modeller A-, B- och C_SCORE, vilka mer effektivt ska ta tillvara de fundamentala signalerna i den ursprungliga modellen.
I A-modellen används Piotrioskis egna korrelationskoefficienter för avkastning för att vikta variablerna. Piotroski har i sin modell gett alla nio variabler lika vikt och tilldelat dem antingen värdet ett eller noll. Rados & Lovric ger istället A-modellens variabler olika betydelse och därigenom olika vikt. Varje variabels korrelation till avkastning har alltså testats och därefter tilldelats ett värde. Exempelvis var signalen ROAs uppmätta korrelation med avkastningen 0,10 och tilldelades därför ett A_SCORE-värde på 10. I B-modellen sker för varje signal en inbördes rangordning, företagen emellan. En koefficient för relativ styrka läggs till, vilken visar hur positiv eller negativ en signal är. Variabeln bygger alltså på hur stark signalen är i relation till de andra företagen. C-modellen är ett aggregat av A- och B-modellerna. C-modellen består alltså av den historiska korrelationen mellan signalerna och företagets resultat i kombination med beaktandet av styrkan hos dessa signaler. Tanken är att en modell som bygger på både A_SCORE och B_SCORE bör prestera bättre än var modell för sig (Rados & Lovric 2009).
Rados & Lovrics resultat visar att Piotroskis modell överträffar marknaden för tidsperioden. Vidare konstateras att samtliga tre egenutvecklade modeller genererar en högre avkastning än Piotroskis ursprungliga modell utan att för den skull öka komplexiteten nämnvärt. Detta väljer Rados & Lovric att ta som ett, i linjen med tidigare forskning, ytterligare bevis för att aktiemarknaden underreagerar på finansiell information.
En utökad precision av den finansiella informationens betydelse ligger i fokus för Rados & Lovrics vidareutvecklingar av Piotroskis strategi. Genom den relativa styrkan och
21 korrelationen till överavkastning rangordnas respektive prestationssignal, vilket i sin tur påstås leda till en än högre överavkastning än Piotroskis ursprungliga investeringsmodell. Utifrån avsikten att pröva A-, B- samt C_SCORE på den svenska marknaden formuleras följande hypoteser:
Hypotes 3: Rados & Lovrics A_SCORE genererar en högre avkastning än OMXS_PI under perioden 2004-2014.
Hypotes 4: Rados & Lovrics B_SCORE genererar en högre avkastning än OMXS_PI under perioden 2004-2014.
Hypotes 5: Rados & Lovrics C_SCORE genererar en högre avkastning än OMXS_PI under perioden 2004-2014.
Metod
Kapitlet inleds med en kortfattad översikt över studiens tillvägagångssätt. Vidare återges i tur
och ordning metod för datagenerering, databeredning och bortfallshantering,
portföljsammansättning samt analysmetod. Kapitlet avslutas med de åtgärder som vidtagits för att förbättra studiens validitet och reliabilitet samt kritik av de metoder som tillämpats.
3.1 Övergripande beskrivning av tillvägagångssätt
Studiens syfte är att pröva om det är möjligt att generera överavkastning med fundamental analys. Piotroskis och Rados & Lovrics investeringsstrategier tillämpas där fiktiva aktieportföljer sätts samman baserade på B/M-värde samt på modellerna F-, A-, B- och C_SCORE. Portföljernas avkastning jämförs sedan mot marknadsindexet OMXS_PI där samtliga företag på Stockholmsbörsen finns representerade. Slutligen tillämpas regressionsanalys för att statistiskt säkerställa varje portföljs eventuella påverkan på överavkastning. Det empiriska reultatet illustreras i kapitel 4 i tabellform och analyseras sedan i kapitel 5.
3.2 Datagenerering
Samtliga börsnoterade företag på Stockholmsbörsen tas med i undersökningen. Studien baseras på sekundärdata i form av finansiell information från företags årsredovisningar. För
22 datainsamlingen har databasen Thomson Reuters Datastream vid Linköpings universitet använts. Datan har sedan överförts till Excel med hjälp av ett plug-in program. Tidsperioden för vilken investeringsmodellerna testas är de tio senaste åren för vilka finansiell information finns tillgänglig, d.v.s år 2004-2014.
I likhet med Piotroski väljs början av maj som utgångspunkt för sammansättningen av aktieportföljerna. Detta för försäkran om att företagen släppt sina respektive årsredovisningar och att all nödvändig finansiell information därmed finns tillgänglig. Eftersom första maj i Sverige är en helgdag har aktiekursen för nästföljande börsdag använts. I de fall kurser för både A- och B-aktier varit tillgängliga i Datastream har de aktier som är mest omsatta valts vilket resulterat i att B-aktier prioriterades framför A-aktier, endast med undantag för företaget Klövern. Skatt, transaktionskostnader samt utdelningar har bortsetts från med anledning av att dessa inte inkluderas i OMXS_PI.
Då Piotroski vid konstruktionen av F_SCORE använt sig av databasen COMPUSTAT medför detta att viss data inte fullständigt överensstämmer med den data Piotroski använt sig av. Det är möjligt att informationen i de respektive databaserna bearbetas och framställs på olika sätt vilket kan medföra att vissa värden således skulle kunna avvika. Piotroskis Cash Flow From Operations har som exempel ersatts med Net Cash Flow - Operating Activities, en justering som påverkar studiens validitet18 marginellt.
Data från år 2014 fanns inte tillgänglig via Thomson Reuters Datastream så för detta år hämtades börskurser direkt från Nasdaq OMX Nordic. Här uppstod problem för de aktier som genomgått en split under åren 2013/2014. Aktiekurserna hämtade från Datastream är justerade för split men för 2013/2014 gjordes denna justering manuellt. Detta genom att se till de berörda företagens årsredovisningar för att få information om det nya aktieantalet och sedan multiplicera aktiekursen efter split med 1/splittens kvot.
3.3 Databeredning och bortfallshantering
I första steget identifieras för varje år alla företag med fullständig finansiell information. De företag som för vilka fullständig data ej finns tillgänglig i Datastream, för beräkningen av Book-to-Market eller någon av de nio variablerna, plockas bort och hanteras som bortfall. Även de företag för vilka aktiekursdata inte finns tillgänglig har sorterats bort.
23 Vid hantering av företagens B/M-värden observerades att viss data avvek kraftigt från medelvärdet. Att enstaka värden avvek flera hundra procent tolkades som att något gått fel vid datahanteringen. Det kan ha uppstått fel vid överföringen från företagens årsredovisningar till databasen eller vid överföringen från databasen till Excel via plug-in-programmet. Outliers som avviker mer än tre standardavvikelser från medelvärdet sorteras därför bort för att undvika snedvridning och därmed försämrad reliabilitet19.
För företag inom fastighets- och finansbranschen saknades i Datastream information för Current Liabilities och Current Assets vilket lett till att dessa företag haft sämre förutsättningar att uppfylla modellernas kriterier och därmed ta sig in i portföljerna. Detta är en faktor som förämrar studiens validitet. Totalt uppgår fastighets- och finansbranschen till cirka 12 procent av OMXS_PI. En anledning till bortfallet skulle kunna vara att andra redovisningsstandarder möjligtvis används för branschen.
Bortfallet påverkar dock inte H_B/M-portföljerna eftersom B/M-kvoten finns tillgänglig i Datastream. En konsekvens av detta blir därmed också att portföljerna inte kan anses vara hundraprocentigt jämförbara, något som insetts i efterhand. Fastighets- och finansbranschen borde därmed uteslutits ur samtliga portföljer. Dock är studiens syfte inte i huvudsak att göra en jämförelse av avkastningen portföljerna emellan, varför denna inverkan inte kan anses vara av särskilt hög betydelse.
Modellerna ger, som en försäkran om att företaget har en bestående positiv ekonomisk utveckling, bortfall för de företag som varit börsnoterade under kortare tid än två år. Detta eftersom de saknar finansiell information för beräkning av vissa av modellens variabler. Sammanlagt bortfall uppgår till ca 15 procent vilket påverkar studiens validitet negativt.
3.4 Portföljsammansättning
För bearbetning av den insamlade datan har främst programmet Excel använts. I Excel ordnas inledningsvis informationen på samma sätt, detta för att underlätta hanteringen. Vid beräkning av F-, A-, B- och C_SCORE skapas till att börja med identiska listor över företagen för respektive signal. Sedan adderades dessa ihop med hjälp av en IF-formel. IF-formeln returnerar ett värde om ett påstående kan valideras som sant eller falskt. För exempelvis
19 Korrelationen mellen den teoretiska definitionen och den operationella definitionen, d.v.s. att i realiteten mäta vad som verkligen avses att
24 F_SCORE returneras en 1:a om en signal klarar av Piotroskis gräns och en 0:a om den inte gör det.
3.4.1 Book-to-Market
Företagen rangordnas här efter B/M-värde. De företag i 90:e percentilen, d.v.s. de 10 procent med högst värde, sorteras ut för vidare bearbetning. Inga aktier blankas med denna strategi. Portföljen, som fortsättningsvis kallas H_B/M, testas i ett första steg för att pröva hypotes 1. Portföljen prövas för en ettårig samt en tvåårig Buy-and-Hold strategi där den förvaltas årligen respektive vartannat år under tioårsperioden.
3.4.2 F_SCORE
Företagen sorteras för denna bearbetning återigen efter B/M-värdet. I Piotroskis ursprungliga modell tas företagen i den 80:e B/M-percentilen vidare för beräkning av F_SCORE. Eftersom urvalet med denna metod blev litet och inte särskilt många företag kvalificerades vidare togs beslutet att göra om detta steg för att utöka urvalet. Detta genom att istället för den 80:e högsta percentilen välja företag i den 60:e percentilen.
De företag som tilldelats ett högt F_SCORE (8-9), inhandlas och de med ett lågt F_SCORE (0-1), blankas. Portföljen blir sålunda en förening bestående av aktier med höga F_SCORE och blankade aktier med låga F_SCORE. Även här testas portföljen med en ettårig samt en tvåårig Buy-and-Hold strategi. Denna portfölj används sedan för prövning av hypotes 2.
25 Tabell 1: F_SCORE beräkning
Nedan följer en schematisk översikt över F_SCORES uppbyggnad, de respektive variablerna samt hur de beräknas och poängsätts. Den totala poängsumman kan för F_SCORE anta ett värde mellan 0-9.
Signal Beräkning F_SCORE
ROA
+ 1 om positiv, annars 0
CFO
+ 1 om positiv, annars 0
ΔROA + 1 om positiv, annars 0
ACCRUAL + 1 om positiv, annars 0
ΔLEVERAGE
+ 1 om negativ eller oförändrad, annars 0
ΔLIQUID
+ 1 om positiv, annars 0 EQ_OFFER + 1 om negativ eller oförändrad,
annars 0
ΔMARGIN + 1 om positiv, annars 0
ΔTURNOVER
+ 1 om positiv, annars 0
Källa: Pitroski (2000).
3.4.3 Rados & Lovrics modeller
För sammansättning av följande portföljer beräknas till att börja med aktiernas Book-to-Market värden. Sedan appliceras respektive poängsystem på aktier i de företag med högst B/M-värde (60:e percentilen). Vidare skapas för varje modell två portföljer; en portfölj som löper över ett år samt en som löper över två år. Rados & Lovric har i sin studie använt sig av Piotroskis beräkningar av respektive signals korrelation till överavkastning. Vid beräkningen av A_SCORE (och därmed indirekt C_SCORE då C_SCORE är ett aggregat av A- och B_SCORE) har sålunda Piotroskis resultat använts. Samma vikter som Piotroski används även här och det tas således ingen hänsyn till att det skulle kunna förekomma en annan korrelation på den svenska marknaden. Samma korrelationskoefficienter används för de tvååriga portföljerna som för de ettåriga.
26
3.4.3.1 A_SCORE
För beräkning av A_SCORE sorteras även här företagen till att börja med efter B/M-värden, med samma kriterier som för ovan nämnda F_SCORE. Variablerna viktas efter deras korrelation till avkastningen utifrån Piotroskis ursprungliga korrelationsmatris. ROA, CFO och ΔLEVERAGE är de signaler som väger tyngst, ett företag kan således inte hamna i portföljen utan att ha en positiv avkastning på tillgångar, ett positivt kassaflöde och en positiv hävstång. Aktier i företag med en total poängsumma om 45-49 inhandlas och aktier i företag med en poängsumma om 0-4 blankas.
Tabell 2: Poängsystem A_SCORE
Nedan följer en översikt över respektive variabels korrelation till överavkastning. De korrelationer som visas nedan är Piotroskis ursprungliga, vilka ligger till grund för A_SCOREs poäng i Rados & Lovrics studie.
Källa: Rados & Lovric (2009). 3.4.3.2. B_SCORE
För att beräkna B_SCORE beaktas företagens relativa styrka på de olika F_SCORE-signalerna och rangordnas därefter. Här sätts företagen alltså i relation till varandra och delas in i percentiler där percentilen avgör vilket B_SCORE-värde ett företag tilldelas för ett specifikt mått. Om urvalet består av 100 företag kommer det företaget som har det absolut starkaste värdet på signalen ett år tilldelas värdet 1, det som har den näst starkaste kommer att tilldelas värdet 0,99 etc. De nio signalerna adderas sedan för att få det totala B_SCORE-värdet för ett företag under ett specifikt år. Ett företag kan alltså få ett sammanlagt B_SCORE-värde mellan 0 och 9. Dock är ett värde på just 0 eller 9 högst orimligt då det hade inneburit att ett företag haft det absolut lägsta respektive högsta värdet för samtliga signaler det året. Slutligen skapas en portfölj bestående av företag med ett värde mindre än 1 eller större än 5 där de med ett värde mindre än 1 blankas. För beräkning av B_SCORE har Excels
Signal Korrelation A_SCORE
ROA 0,106 10 ΔROA 0,044 5 CFO 0,104 10 ACCRUAL 0,051 5 ΔLEVERAGE 0,058 6 ΔLIQUID 0,027 3 EQ_OFFER 0,012 1 ΔMARGIN 0,039 4 ΔTURNOVER 0,049 5 49 Totalt antal möjliga poäng:
27
PERCENTRANK-formel nyttjats. PERCENTRANK används för att beräkna ett värdes
relativa position i en datamängd.
3.4.3.3 C_SCORE
C_SCORE-modellen innebär helt enkelt att A_SCORE-värdet multipliceras med B_SCORE-värdet. Om ett företag tilldelats ett A_SCORE-värde på 10 och ett B_SCORE-värde på 0,65 får sålunda företaget ifråga ett C_SCORE-värde på 6,5. Modellen ger ett teoretiskt maxvärde på 49, detta om ett företag har maximal poäng på både A_SCORE och B_SCORE. I Rados & Lovrics ursprungliga modell inkluderas aktier strikt mindre än 3 samt 32 och över. Här har dock modellen utökats till att inkludera aktier med ett värde strikt mindre än 4 samt ett värde på 30 och över för att, då den svenska marknaden är mindre än den amerikanska, få en något större portfölj. Eftersom C_SCORE-värdena hade en högersned fördelning minskades den övre gränsen mer än den nedre.
3.5 Analysmetod
Till att börja med beräknas avkastningen för de olika fiktiva portföljerna. Både avkastning, samt överavkastning beräknas. Detta genom att aktiekurs för start- samt slutdatum för varje aktie i de olika portföljerna jämförs och den procentuella förändringen beräknas. Beräkningarna utfördes enligt följande:
Avkastning för aktier, ettårig Buy-and-Hold, beräknas enligt följande:
Avkastning för aktier, tvåårig Buy-and-Hold, beräknas enligt följande:
Avkastning för blankade aktier, ettårig, beräknas enligt följande:
Avkastning för blankade aktier, tvåårig, beräknas enligt följande:
Där
Pt är aktiekursen för året t.
Pt+1 respektive Pt+2 är således aktiekursen för nästföljande år respektive två
år framåt.
Vidare kalkyleras även den effektiva avkastningen 20. Detta för att se vilken total avkastning som i realiteten skulle ha uppnåtts om det satsade kapitalet tillåtits löpa under hela
20 Innebär att avkastningen mäts med förutsättningen att det fullständiga kapitalet, även avkastningen på det ursprungliga beloppet, återinvesteras
28 tioårsperioden. Möjlighet ges därmed att göra en rättvisande jämförelse mellan ett- och tvåårsperioderna då tvåårsperioderna naturligt har en inbyggd ränta-på-ränta effekt.
Portföljernas avkastning jämförs mot marknadsindex, OMXS_PI, för perioden. Denna information har hämtats från NASDAQ OMX Nordic och därefter sammanställts i genomsnittliga- respektive periodvärden. Anledningen till att den totala avkastningen för tioårsperioden skiljer sig åt för OMXS_PI 1yr och OMXS_PI 2yr är att OMXS_PI 2yr har en ränta-på-ränta effekt inräknad medan OMXS_PI 1yr endast tar hänsyn till individuella år när avkastningen beräknats. Den effektiva avkastningen blir ändå rättvisande eftersom även marknadsindex, vilket fungerar som referens, har haft den procentuella förändring som anges för perioden. Avkastningen illustreras i kapitel 4 i tabeller där ett totalt, periodvis samt årligt genomsnitt för tioårsperioden kan utläsas.
För att pröva hypoteserna statistiskt samt för att urskilja hur stor påverkan de olika modellerna har på överavkastningen används regressionsanalys. Detta har gjorts i Excels inbyggda Addin Data Analysis. Totalt används företagsdata för sammanlagt 1503 observationer över 10-årsperioden. För att statistiskt säkerställa vilka investeringsmodeller som har en positiv påverkan på överavkastning ställs samtliga upp i egna regressioner.
De konstruerade regressionsmodellerna ser ut enligt följande:
Där
Yi= Den beroende variabeln - Överavkastning.
α= Regressionens konstant.
Xi= De olika variablerna som prövas, H_B/M, F-, A-, B- respektive
C_SCORE, samt de olika åren.
βi= Variablernas koefficient till överavkastning.
I regressionsmodellerna är det antingen H_B/M, F-, A-, B- eller C_SCORE som är av intresse. Samtliga regressioner är gjorda utifrån enbart de företag med ett B/M-värde i den 60:e percentilen. Detta eftersom Piotroski i första steget valde ut de företag med ett högt B/M-värde innan F_SCORE tillämpades i nästa steg. År 2004 har uteslutits ur modellen och används istället som startår. Detta för att undvika perfekt multikollinearitet. Perfekt
29 multikollinearitet uppstår då två av de oberoende variablerna uppvisar hundraprocentig korrelation, och således förklarar samma sak (Stock & Watson 2012). Tas båda med går det inte att urskilja vilken av dem som har effekt på den beroende variabeln och de blir därmed inte statistiskt signifikanta (ibid). För att undvika detta måste därför en av variablerna elimineras. I detta fall utesluts år 2004 med anledning av att detta är startåret och därmed modellens konstant.
I de utförda regressionsanalyserna används Book-to-Market och de olika åren som kontrollvariabler för att minska störningar och precisera det samband som eftersöks. Kontrollvariablernas funktion är kortfattat att isolera det samband som observeras. Genom användning av åren som kontrollvariabler utesluts den avkastning som skulle kunna bero på aktiemarknadens tidsmässiga svängningar vilka i sin tur bör ha en inverkan på sambandet (Hair et al. 2005). Vidare är åren uppställda som dummy-variabler, vilket betyder att de endast kan anta värdet ett eller noll (Stock & Watson 2012).
Vid hypotesprövning används variablernas P-värde som utläses ur regressionsanalysen, där det förkastas att det inte finns någon påverkan om P-värdet understiger signifikansnivån α=0,05. P-värdet kan beskrivas som chansen att erhålla ett värde mer extremt än det observerade värdet givet att det i verkligheten inte finns ett samband (Hair et al. 2005). Med andra ord: om en hypotes med P-värdet = 0,05 finns 5 procents chans att det observerade värdet erhölls p.g.a. slumpen.
Determinationskoefficienten, R2, indikerar hur mycket av den beroende variabeln som förklaras av de oberoende variablerna (Hair et al. 2005). Ju högre värde på R2 desto mer förklarar modellen variationen i den beroende variabeln.
För att ytterligare testa sambanden mellan de olika variablerna och överavkastning har en korrelationsanalys genomförts. Detta gjordes för försäkran om att värdena verkligen stämmer överens med resultatet i regressionsmodellerna. Även här gjordes analysen endast med de företag i den 60:e percentilen av högsta B/M-värde. Medan regressionsanalysen används för att fastställa en eller flera oberoende variablers påverkan på den beroende variabeln används korrelationsanalys för att mäta styrkan i sambandet mellan två variabler (Hair et al. 2005) Följaktligen är det inte möjligt att med korrelationsanalys urskilja i vilken riktning det eventuella sambandet går och således vilken variabel som påverkar vilken.
30
3.6 Åtgärder för förbättrad kvalitet
Både reliabilitet och validitet handlar om hur pass tillförlitliga och noggranna mätningarna är vilket blir viktigt att fokusera vid kvantitativ forskning (Bryman & Bell 2010). Den interna validiteten handlar om huruvida en slutsats som rymmer ett kausalt förhållande mellan variabler är hållbar eller ej (ibid.). Det vill säga med vilken säkerhet variationen i den beroende variabeln helt eller delvis orsakas av den oberoende variabeln. I detta fall handlar det om att så långt som möjligt försäkra att förändringen i överavkastning verkligen orsakas av de modeller som prövas. För att ge studien en hög intern validitet har först och främst vikten av användning av ett högt antal observationer fokuserats. Att utgå från företags individuella årsredovisningar hade med tanke på studiens tidsramar medfört ett betydligt färre antal observationer. Användningen av Thomson Reuters Datastream ger oss tillgång till en sammansättning av 246 företags finansiella information under tioårsperioden, vilket motsvarar ett urval på sammanlagt 1503 observationer fördelade över 10 år. Den stora datamängden bidrar till att ge studien en ökad intern validitet.
Användning av kontrollvariabler i regressionsanalyserna, för att på så sätt försöka isolera sambandet mellan variablerna, är en åtgärd som ytterligare syftar till att förbättra studiens interna validitet. Att slå fast att sambandet mellan två variabler är äkta och inte skenbart, d.v.s. beroende av en tredje variabel blir också viktigt vid kvantitativ analys (Bryman & Bell 2010). Begreppet triangulering innebär att flera metoder används för dubbelkontroll och tillämpas för att ge en större tillförlitlighet till resultatet (ibid). Tre steg har i studien använts för att säkerställa att den eventuella överavkastningen verkligen orsakas av de testade modellerna. Det första genom skapandet av fiktiva portföljer för vilka avkastningen kalkylerats och jämförts mot marknadsindex OMXS_PI. Som nummer två säkerställs, genom regressionsanalys, att de testade modellernas påverkan på överavkastning är statistiskt signifikant på 5-procentsnivå. I det sista skedet görs en korrelationsanalys för att ytterligare säkerställa sambanden mellan variablerna.
Extern validitet rör huruvida resultaten från en undersökning kan generaliseras till andra sammanhang utöver den specifika undersökningskontexten, detta bl.a. genom att se till att urvalet är representativt (Bryman & Bell 2010). I studien tillämpas en totalundersökning, d.v.s. alla företag noterade på Stockholmsbörsen har tagits med i undersökningen. Att säkerställa att resultaten är statistiskt signifikanta är en viktig åtgärd även med tanke på studiens externa validitet. Här har som ovan nämnts en signifikansnivå på 0,05 tillämpats,
31 vilket betyder att risken att det eventuella samband som observeras i verkligheten inte existerar är fem av hundra (ibid).
Möjligheten till generalisering av resultatet till andra kontexter beror, utöver den statistiska signifikansen, till stor del på hur hög förklaringsgrad som uppvisas. Förklaringsgraden beskriver hur mycket av förändringen i den beroende variabeln som orsakas av de oberoende variablerna (Dahmström 2011). Förklaringsgraden kan vidare anta ett värde mellan 0 och 100 procent. Ju högre förklaringsgrad desto större möjlighet till generalisering (ibid.). Om resultaten uppvisar hög statistisk signifikans i kombination med en hög förklaringsgrad skulle det betyda att om studien gjordes om på nytt skulle den nya studien med största sannolikhet uppvisa liknande resultat, oberoende av studiens förutsättningar. I denna studie skulle det kunna betyda att resultaten skulle vara generaliserbara till en annan marknad, i ett annat land och under en annan tidsperiod.
Reliabilitet rör frågan om huruvida resultaten blir desamma om undersökningen skulle genomföras på nytt eller om resultatet snarare påverkas av slumpmässiga betingelser (Bryman & Bell 2010). Även med tanke på reliabilitet blir i detta fall statistisk signifikans samt förklaringsgrad viktiga att beakta. För att ytterligare tillfoga studien en högre reliabilitet har tillvägagångssättet beskrivits så utförligt som möjligt. En bilaga med de i Thomson Reuters
Datastream använda mnemonics21 finns bifogad. En beskrivning av hur de olika variablerna i
varje modell beräknas samt formler för kalkylering av aktiernas avkastning samt blankning bifogas också. Variablerna som använts vid regressionsanalysen samt regressionsmodellen delges och i bilagorna finns portföljernas innehav specificerade, d.v.s. samtliga aktier som valts ut med de olika metoderna.
3.7 Metodkritik
Så långt som möjligt har eftersträvats att efterlikna Piotroskis samt Rados & Lovrics ursprungliga undersökningsmetod för att göra resultaten jämförbara. Modellerna modifierades dock något för att få fler aktier i portföljen. Detta medför att studiens metod inte fullständigt överensstämmer med Piotroskis eller Rados & Lovrics. Vid en avsikt att vara strikt kritisk kan påpekas att dessa modeller inte alls fungerar på den svenska marknaden då de i sin ursprungliga form vissa år genererade för få företag22 för att det ska vara tal om någon avkastning alls.
21
Variabelkod i Datastream.
