Bära eller brista – byte av noteringslista?

Bära eller brista – byte av noteringslista?

Nya resultat från svenska aktiemarknaden

Erik Wange och Tor Wikman

Nationalekonomiska institutionen

Uppsala universitet

2011-02-04 Sammanfattning

Denna eventstudie syftar till att undersöka hur ett byte av noteringslista påverkar kumulativ onormal avkastning (CAR) 1 till och med 12 månader efter genomfört byte. I studien undersöks därför utförda byten av noteringsplats på den svenska aktiemarknaden under tidsperioden 1995-2009. I studien beräknas onormal avkastning delvis med marknadsmodellen (MM) som grund, men också med Fama & French tre-faktormodell (FF) för att öka reliabiliteten. Vidare undersöks om skillnader i CAR föreligger under olika tidsintervall samt om olikheter förekommer efter att berörda företag delats in i undergrupper baserade på typ av byte, industri samt storlek. Slutligen testas utifall den eventuella kumulativa onormala avkastningen är signifikant skild från noll med student t-test samt om det föreligger skillnader i medelvärde i de olika undergrupperna. Resultatet visar att den genomsnittliga kumulativa onormala avkastningen (CAR) uppgår till – 4,57 % (MM), - 3,74 % (FF) en månad efter bytet, vilket är signifikant på 1 % - nivån. Denna negativa tendens håller i sig och efter 12 månader uppvisas CAR på – 20,20 % (MM), -16,99 % (FF) även dessa statistisk säkerställda på 1 % - nivån. Detta resultat är i linje med liknade studier på andra aktiemarknader. Vi kan alltså dra slutsatsen att detta fenomen även föreligger på den svenska aktiemarknaden samt konstatera att händelsen listbyte är något både företag och aktieägare bör beakta mer varsamt.

2 Innehållsförteckning 1. Inledning ... 3 2. Bakgrund ... 4 2.1.1 Svenska handelsplatser ... 4 2.1.2 Byte av noteringslista ... 5

2.1.3 Varför byta noteringslista? ... 6

2.2 Tidigare forskning ... 7

3. Metod ... 9

3.1 Marknadsmodellen ... 9

3.2 Fama & French tre-faktors CAPM ... 10

3.3 Eventstudie ... 11

3.4 Utvärderingsmått ... 14

3.5 Onormal avkastning (AR) ... 15

3.6 Kumulativ onormal avkastning (CAR) ... 15

3.7 Urval och aktiedata ... 16

3.8 Student t – test ... 18

4. Resultat och analys ... 20

5. Slutsats ... 31

5.1 Förslag till fortsatt forskning ... 31

1. Inledning

Konsultbolaget Avega Group bytte i december 2010 noteringslista. Handeln i företagets aktie flyttade följaktligen från handelsplatsen First North till Stockholmsbörsens Small Cap lista. Sådana listbyten är en vanlig företagshändelse i dagens näringsliv. Under 2010 noterades fjorton nya företag på Stockholmsbörsen varav åtta tidigare var noterade på andra svenska handelsplatser. Flertalet motiveringar kan ligga bakom företagsledares val att byta noteringslista, det kan vara allt ifrån breddning av företagets investerarbas, till rena prestigeskäl.

På den amerikanska och japanska aktiemarknaden har studier gjorts kring företags avkastningar före och efter listbyten. Dessa studier påvisar liknande resultat; företag tenderar att generera negativ avkastning efter ett noteringsplatsbyte relativt till vad de gjorde innan. Redan 1937 visade forskning antydningar till detta fenomen som senare i litteraturen blivit känt som ”The post-listing puzzle”. Bala G. Dharan och David L. Ikenberry (1995) undersökte 2889 företag som mellan åren 1962-1990 bytte lista till New York Stock Exchange (NYSE) eller American Stock Exchange (AMEX). Genom att beräkna den kumulativa onormala avkastningen (CAR) visade de att företagen genererade en genomsnittlig avkastning på -4,81 % ett år efter noteringsbytet, ett negativt resultat som signifikant skiljde sig ifrån noll. Med detta i beaktande växer en nyfikenhet kring hur det ser ut på den svenska aktiemarknaden? Föreligger samma fenomen när svenska företag som t.ex. Avega Group byter noteringslista? I kombination med det faktum att över hälften av Stockholmsbörsens nya noteringar under 2010 var just noteringsbyten blir frågan än mer aktuell. Syftet med vår uppsats är att undersöka huruvida byten av noteringsplats på den svenska aktiemarknaden genererar kumulativ onormal avkastning. Vår huvudfråga är således;

Upplever svenska företag onormal avkastning i samband med listbyten? Svaret på frågan är intressant både för företag samt för den privata aktieägaren. Om resultatet skulle påvisa onormal avkastning bör båda aktörerna beakta händelsen mer varsamt.

4

flera faktorer beaktade i metoden skulle signifikansen för den negativa onormala avkastning som studien visat försvagas, alternativt försvinna helt. Famas argumentation får stöd av Cheng (2004) som genom applicering av fler faktorer visar att onormala avkastningar endast är signifikant över en mindre tidsperiod av genomförda noteringsbyten i USA mellan 1973-1999. Utifrån det väljer vi att i vår studie utöver marknadsmodellen även beräkna CAR med Fama & Frenchs 3-faktor-modell (se nedan) för att på bästa sätt kunna besvara vår frågeställning.

För att tydliggöra och göra vår ansats enkel att förstå inleds studien med en bakgrundsförteckning där fakta och begrepp samt tidigare studier redogörs djupare. Därefter förklaras ingående den metod och de utvärderingsmått vi använder följt av en resultatdel där resultat från vår studie presenteras både i diagram, tabell samt i skriftlig form. Studien avslutas sedermera med en slutsats samt förslag på framtida forskning. Studien avgränsar sig till byten mellan olika handelsplatser och börser. Således observeras inte byten mellan segmentindelningar inom samma börs

2. Bakgrund

Bakgrunden är tvådelad. Den första delen redogör grundfakta för svenska handelsplatser samt lättare teorier kring varför företag byter noteringslista. Den andra delen redogör för de tidigare kvantitativa studier som är gjorda på ämnet.

2.1.1 Svenska handelsplatser

Nasdaq OMX Stockholm, i folkmun Stockholmsbörsen, är Sveriges största och äldsta börs för aktiehandel. Fram till 2006 delades börsen upp i A- och O-listor, då den istället ersattes av den Nordiska listan. Börsen delas idag upp i tre olika segment, Large cap som innefattar företag med börsvärden över 10 miljarder SEK, Mid Cap där företag med börsvärden mellan 1,5 – 10 miljarder SEK är noterade samt Small Cap som innefattar företagen som understiger 1 miljard SEK i börsvärde. De tre segmenten utgör tillsammans en del av den Nordiska listan. I slutet av år 2010 fanns det totalt 256 aktier noterade på Stockholmsbörsen (Nasdaqomx, 2010).

eller mer vardagligt som Handelsplattform. Det finns idag fyra stycken handelsplattformar etablerade i Sverige; First North, Nordic MTF, Aktietorget och Burgundy (Finansinspektionen, 2010).

De två börserna i Sverige driver varsin handelsplattform som främst riktar sig emot mindre tillväxtföretag. First North ägs och drivs av Nasdaq OMX och Nordic MTF i sin tur av Nordic Growth Market AB. Aktietorget grundades 1993 och har sedan 2007 haft tillstånd att bedriva handelsplatsform. Burgundy som grundades 2009 skiljer sig från övriga handelsplattformar i den mån att den erbjudna handeln omfattar aktier som befintligt handlas på Stockholmsbörsen. Således är plattformen Burgundy inte relevant för vår studie. Börser och handelsplatser redovisar aktiers utveckling på olika så kallade listor, därför används uttrycket noteringslista (Finansinspektionen, 2010).

2.1.2 Byte av noteringslista

För att byta noteringslista krävs ett godkännande från den börs eller handelsplattform handeln ska flyttas till. När information om byte når marknaden varierar på grund av avsaknaden för specifika regleringar för sådan annonsering. De olika aktörerna ställer olika noteringskrav. För notering på Stockholmsbörsen krävs bland annat ett godkännande från en noteringskommitté, en juridisk granskning samt ett upprättat prospekt som måste publiceras innan notering. Vid jämförelse med noteringskraven på First North, där granskning och kontroll av en Certified Adviser1 _{i princip räcker för notering, understryks den hårdare reglering som omger en}

börs(Nasdaqomx, 2011). I studien delas noteringsplatsbytena upp i tre olika segment; 1) Byte från en lista med lägre krav till en lista med högre krav

2) Byte från en lista med högre krav till en lista med lägre krav 3) Byte mellan listor med samma krav

1

6

Tabell I

I tabellen redovisas skillnaderna i noteringskrav mellan handelsplatserna gällande hur stor procentuell grad av aktierna som minst måste vara i allmän ägo, samt minimum krav på börsvärde och antal aktieägare.

Segmentindelningen baseras på de olika noteringskraven med stor vikt på de tal som redovisas i Tabell I. Det första segmentet innefattar byten från antingen Aktietorget, NGM2 _{eller First North}

till Nordiska listan, eller byten från O- till A-listan. Det andra segmentet är byten från Nordiska listan till antingen Aktietorget, NGM eller First North, eller byten från A- till O-listan. Det tredje segmentet är byten mellan de mindre listorna som vi med ovan nämnda noteringskrav bedömer ligga på samma kravnivå.

2.1.3 Varför byta noteringslista?

Den 16 juni 2010 bytte Odd Molly International AB noteringslista från First North till Nordiska Listan. I en intervju säger Odd Mollys VD Christina Tillman att ”Förhoppningen är att få en högre kvalitetsstämpel och att få fler institutionella investerare i vår aktie” (Dagens Industri, 2009). Snarlika skäl låg bakom tidigare nämnda Avega Groups platsbyte och Stockholmsbörsen understryker den högre kvalitetsstämpel företag uppnår vid notering på Nordiska listan (Nasdaqomx, 2011). Genom att byta från en mindre till en större handelsplats hoppas företag att uppnå en högre likviditet och större omsättning i aktien. Ett byte till en större lista kan också vara företagsledares signalering om en positiv framtidssyn (McConnell & Sanger, 1984). På en större marknadsplats kan företag även få mer uppmärksamhet från aktieanalytiker och media. Forskning visar ett samband mellan antal analytiker som bevakar en aktie och andelen institutionella ägare (Potter, 1992). Mer medial uppmärksamhet leder till en ökning i aktiens synlighet, något som är positivt av två anledningar. Dels ökar tillgängligheten och flödet av information från aktien, något som kan underlätta att dra till sig investerares uppmärksamhet. Dessutom kan synlighet öka effektiviteten i handeln i aktien, något som reducerar flödet av asymmetrisk information (Baker & Weaver,

2

NGM betecknar både NGM Equity och Nordiq MTF pga. att inga byten från Nordiq MTF gjorts under vår observationsperiod. Kravet på minst 300 st aktieägare gäller dock endast NGM Equity.

Nordiska listan 25% 10 mkr -First North 10% - -NGM2 10% - 300 st Aktietorget 10% - 200 st A-listan 25% 300 mkr -O-listan 10% - 500 st min. aktieägare

1999). Det kan även finnas prestige som incitament till att byta till en större lista; att handlas på Stockholmsbörsen kan ge signaler till både investerare och befintliga kunder om trygghet och kvalitet. Enligt Dahran & Ikenberry (1995) är just prestige en av de vanligaste anledningarna till att företag byter noteringslista. Det kan ses som en viktig milstolpe i ett företags historia att bli listade på exempelvis Stockholmsbörsen eller New York Stock Exchange (NYSE).

Den 1 augusti 2008 bytte Human Care HC AB noteringslista från Nordiska listan till First North. I ett pressmeddelande från nyhetsbyrån SIX ca 30 dagar innan bytet framgår det att företaget inte längre uppfyllde börsens ägarspridningskrav. På grund av detta ansökte Human Care om notering på First North där spridningskravet är mindre. Att företag inte längre uppfyller vissa specifika noteringskrav, likt Human Care ovan, är en anledning till att företag byter till mindre listor. Tidigare när Stockholmsbörsen delades upp i A – och O-listor, flyttade även många företag från A- till O-listan på grund av den senares förmånligare skatteregler (Veckans Affärer, 2002).

2.2 Tidigare forskning

Tidigare studier har undersökt hur den amerikanska och japanska aktiemarknaden reagerar på företag som byter noteringslista. Redan 1937 presenterade G. Maxwell Ule studien “Price movements of newly listed common stocks”. I studien undersökte Ule tjugonio stycken amerikanska OTC3_{-aktier som listades på New York Stock Exchange (NYSE) eller New York Curb Exchange}

(numer American Stock Exchange, AMEX) under tidsperioden 1934-1937. Författarens tillvägagångssätt var att jämföra varje akties absoluta månadsavkastning med respektive branschindex före och efter bytesdagen. Ule’s resultat visar att aktiepriserna faller relativt respektive index efter handelsplatsbytet.

I John J. McConnell och Gary C. Sanger’s artikel ”The puzzle in post-listning common stock returns”(1987) konstaterar författarna att flertalet studier under 1900-talet, däribland Ules, påvisar samma resultat. Trots användning av olika analystekniker visar studierna resultatet att aktier avkastar sämre efter att de bytt lista och noterats på NYSE eller AMEX. McConnel och Sanger undersöker olika alternativ som kan vara upphov till den negativa avkastningen. De testar om det beror på att data tagits från ”underliga perioder”, om det beror på att företag generellt emitterar nya aktier i samband med noteringsplatsbyten eller om det beror på snedvriden prissättning på aktien före omlistningen. De undersöker även om det beror på att marknaden överreagerar på nyheten om noteringsbytet, och den negativa avkastningen följaktligen beror på en korrigering

3

8

utav just reaktionen. Författarna kan dock inte fastställa en specifik förklaring till den negativa avkastningen. McConnell och Sangers har gjort ett antal andra studier med olika angreppssätt på ämnet. De har bland annat konstruerat en investeringsstrategi som i kort sammanfattat bygger på att ta en lång position vid annonseringen för ett listbyte, för att sedan ta en kort position när själva bytet görs och till sist stänga positionen sex veckor efteråt. Genom att observera 166 OTC-bolag som ansökte om listning på NYSE mellan åren 1971-77 kunde de visa att strategin under perioden skulle generera en marknadsjusterad avkastning på 5,75 % (McConnell och Sanger, 1984).

Hwang & Jayaraman (1993) visar i studien ”The Post-listing Puzzle: Evidence from Tokyo Stock Exchange Listings” att anomalin föreligger även på den japanska aktiemarknaden och stryker därmed under att fenomenet är internationellt. Författarna använder Brown & Warners (1985) metod och får snarlika resultat som tidigare studier på amerikanska aktiemarknaden.

Dharan och Ikenberry finner i sin studie “The Long-Run negative drift of post-listning stock returns” (1995) att företag som bytt handelsplats under tidsperioden 1962-1990 upplever en onormal negativ avkastning efter noteringsbytet. I studien framkommer det att främst mindre företag tenderar avkasta sämre, medan de inte finner samma utveckling i större företag med stor andel institutionella ägare. Författarna förklarar detta med den såkallade opportunismhypotesen som innebär att företag passar på att byta lista när företagets aktie haft en bra period och marknaden överreagerat till detta faktum. Studien omfattar 2889 stycken företag som bytte från National Association of Security Dealers Automated Quotation system (NASDAQ) till antingen AMEX eller NYSE, alternativt från AMEX till NYSE. Dharan och Ikenberry beräknar utifrån marknadsmodellen den kumulativa onormala avkastningen (CAR, se nedan). Resultatet visar att CAR uppgår till – 4,81 % ett år och – 12,39 % tre år efter bytet. Författarna konstaterar dels att den negativa avkastningen är ännu större än vad som rapporterats i tidigare litteratur, samt att den också är ett faktum över tid. Vidare observerar de att många företag emitterar nya aktier i samband med platsbytet, men konstaterar samtidigt att det inte kan vara den enskilt enda förklaringen till resultatet. Eugene Fama & Keneth French argumenterar för vikten av att kontrollera företags storlek och ”book-to-market-ratio”4 _{vid utvärdering av onormala avkastningar.}

Exempelvis menar de att negativa avkastningar litteratur rapporterat om i samband med uppköp inte skulle observeras om metoden justerades för storlek och ”book-to-market-ratio”(se Fama & French, 1993). Således är det något som Dharan och Ikenberry tar hänsyn till, men efter kontroll

4_{”book-to-market-ratio”}

för både storlek och ”booktomarketratio” finner de fortfarande en CAR på 2,04% ett år och -7,02% tre år efter noteringsplatsbytet.

Fama analyserar i sin artikel “Market efficiency, long-term returns, and behavioral finance”(1997) Dharan & Ikenberrys studie från 1995 och anser att studier som mäter långsiktiga avkastningar generellt är svaga. Fama understryker även att fenomenet är begränsat till mindre företag. Vidare ifrågasätter han resultatens statistiska trovärdighet och anser även att Dharan och Ikenberrys opportunismhypotes är vag. Chengs studie ”Post-listing Underperformance: Is it really bad to move trading locations” (2004) undersöker 2103 företag som under perioden 1973-1999 bytt noteringslista på den amerikanska aktiemarknaden. Det tillvägagångssätt Cheng angriper ämnet på skiljer sig ifrån många av de tidigare studierna och därav studiens ifrågasättande namn. Vid applicering av en 4-faktor modell ser Cheng att tidigare funnen negativ CAR efter ett listbyte endast är signifikant på en kort period i urvalet. Således stöder Chengs resultat Fama & French tidigare ifrågasättande av 1-faktor modeller.

3. Metod

3.1 Marknadsmodellen

Nobelpristagaren Harry M. Markowitz ses som förgrundsgestalt till den moderna portföljteorin. I artikeln Portfolio Selction (1952) beskrivs ett nytt förfarande att analysera enskilda tillgångar eller portföljer bestående av flera värdepapper. Denna artikel har sedan dess legat till grund för de prissättningsmodeller som än idag brukas frekvent i ekonomisk forskning, däribland CAPM, APT samt marknadsmodellen. Samtliga av dessa används för att teoretisk prissätta en tillgång eller en portfölj. Därmed är dessa modeller ett väl fungerande sätt att bestämma en tillgång eller en portföljs avkastningskrav då sambandet mellan tillgångens risk och avkastning tagits i beaktning. Marknadsmodellen är enligt Sharpe (1963) en förenkling av Markowitz metod, då antalet parametrar som måste skattas i den senare är väldigt många. Marknadsmodellen är en statistisk metod som beskriver det linjära sambandet mellan risk och avkastning. Modellen baseras på det berörda värdepapprets alphavärde, betakoefficient, marknadsportföljens avkastning samt en statistisk slumpterm (Bodie et.al, 2008) och definieras nedan

10

Characteristics Line och erhålls via regressionsanalys. Vidare representerar (Betakoefficienten) i marknadsmodellen samvariationen mellan tillgången :s historiska avkastning med (Marknadsportföljens) historiska avkastning. utgör lutningen på Security Characteristics Line, även denna skattad genom regressionsanalys. Mer generellt beskrivs som måttet på systematisk risk med andra ord den risk som inte går att reducera via diversifiering. definieras som en portfölj bestående av alla tillgångar i ekonomin. Då denna portfölj i praktiken är omöjlig att rekonstruera använder investerare istället ett brett aktieindex. (Epsilion) förevisar den residuala avkastningen, den del av ett värdepappers avkastning som är resultatet av företagsspecifika händelser.(Bodie et.al, 2008)

3.2 Fama & French tre-faktors CAPM

Då kritik riktats mot studier där marknadsmodellen legat till grund för beräkning av onormala avkastningar, exempelvis Fama & French (1993, 1996, 2009), väljer vi att även använda deras multifaktormodell vilken adderar ytterligare två riskfaktorer, samt . Då dessa författare har mycket stor inflytande inom ekonomisk forskning anser vi att detta delvis ökar validiteten samt minskar den eventuella bias som kan uppstå vid brukandet av marknadsmodellen. Tre-faktors modellen är en multipel regressionsmodell och definieras enlig nedanstående

där är skärningspunkten med y-axeln, lutningskoefficienten, avkastningen på marknadsportföljen, lutningskoefficienten, ”small minus big” vilket är skillnaden i avkastning hos en portfölj bestående av aktier med lågt marknadsvärde (small) samt en bestående av aktier med högt marknadsvärde (big). Denna faktor tar alltså i beaktning att mindre företag tenderar att avkasta mer än större företag då dessa kännetecknas av högre tillväxt. Vidare är lutningskoefficienten, ”high minus low” vilket är skillnaden i avkastning hos en portfölj bestående av aktier med hög market ratio samt en bestående av aktier med låg book-to-market ratio. Denna faktor tar alltså i beaktning faktumet att aktier med en hög book-to-book-to-market tenderar att avkasta mer än de med låg book-to-market.

Datastream) med det genomsnittliga marknadsvärdet året innan. Därefter rankas företagen efter book-to-market ratio. De 30 % företag med högst book-to-market ratio bildar high portföljen medans 30 % av de företag med lägst book-to-market ratio utgör low portföljen. Skillnaden emellan dessa utgör HML faktorn. Detta förfarande görs sedan rullande årsvis, totalt 15 gånger för att få så rättvisande faktorer som möjligt.

Datasetet består utav prisdata, börsvärde samt bokvärde för de företag som under 1993-01-01 till och med 2010-12-31 varit listade på någon utav de svenska handelsplatserna. Detta innebär att nya företag tillkommer med tidens gång, men också att bolag som under tiden avnoterats exkluderas. Detta resulterar i att det föreligger en så kallad ”surviviorship bias”, alltså en snedvridning beroende på att enbart de företag som överlevt under tidsperioden inkluderas (se Kothari, Shanken & Sloan (1995) eller Brown et. al (1992)). Då avnoterade företag delvis gått i konkurs samt att de överlevande företagen troligen avkastat mer, tror vi att aktieavkastningarna i detta dataset är högre än om avnoterade bolag skulle inkluderats, vilket i slutändan innebär en eventuell bias i SMB samt HML faktorerna. Efter att i likhet med Fama & French (1992) rensat för finansiella företag (Financials i Datastream) samt att vi endast använder en tillgång i respektive tillgångslag (Major Security i Datastream) slutar vårt urval på totalt 327 bolag.

3.3 Eventstudie

12

Eftersom eventstudier är tillämpningsbara på flertalet företagsspecifika händelser, vilka kan vara upphov till kurspåverkan såsom uppköpserbjudanden vid företagsförvärv, aktiesplit, insiderhandel och återköp av aktier anser vi att denna metod är bäst att använda i denna studie. Detta är även är i analogi med Ikenberry & Dharan (1995) då dessa brukar Brown & Warners (1980,1985) metod.

t -284 t -30 t -10 t 0 Estimeringsperiod Estimeringsperiod Eventfönster 1 Eventfönster 2 t +254 t +254 t -284 t -30 Figur I Eventstudie

Figuren förevisar hur denna eventstudie utförts. Under estimeringsperioden t -284 dagar till och med t -30

dagar estimeras parametrarna i marknadsmodellen det vill säga respektive företags normala avkastning skattas. Estimeringsfönstret slutar vid t -30 för att eventuella rykten inte skall kunna påverka. På denna dag

mäts även marknadsvärdet för respektive bolag ingående i studien för att senare kunna dela in dessa efter storlek. Dag t0 är den dag då eventet sker, det vill säga då noteringsbytet genomförs. I eventfönster 1 mäts

alltså CAR månad för månad till och med 12 månader med start på tidpunkt t0. Förfarandet är lika för

eventfönster 2 med den skillnaden att mätningen här startar vid tidpunkten t-10, alltså 10 dagar innan.

Detta görs för att fånga upp eventuella rykten.

Det innebär att de noteringsbyten som inkluderas i studien måste ha minst 284 dagar av aktiedata innan den dag då bytet av noteringsplats sker. Vidare krävs att handeln i de berörda bolagen pågått minst 254 dagar efter genomfört byte. Vi väljer även att exkludera de företag som under ett och samma år genomfört flera byten av noteringsplats, detta för att erhålla ett så rättvisande resultat som möjligt.

I eventstudiens estimeringsperiod t-284 till t-30 skattas parametrarna och från

14

Figur II

Regressionsdiagram för Custos 1998 (Security Characteristics Line)

Figuren förevisar tillvägagångsättet då parametrarna i marknadsmodellen skattas via minsta kvadratmetoden (enkel linjär regression). Regressionskoefficienterna anger α (alpha) samt β (beta), utifrån detta kan vi utläsa att α=-0,00015 det vill säga interceptet med y-axeln samt att β=0,82205 alltså linjens lutning.

Under estimeringsperioden skattas även , , samt ur tre-faktormodellen med multipel regression, en metod för att skapa en ekvation som beskriver sambandet mellan en beroende och flera oberoende variabler . Även här är minsta kvadrat metoden det tillvägagångsätt som brukas.

3.4 Utvärderingsmått

För att i studien utvärdera huruvida noteringsbytena genererar någon negativ kumulativ onormal avkastning (CAR) brukas nedan angivna utvärderingsmått. Detta förfarande att analysera data är välkänt samt förekommande i liknande studier av exempelvis Ikenberry & Dharan (1995) vilket underlättar vid jämförande med dessa samt framtida forskning inom området.

3.5 Onormal avkastning (AR)

Den avkastning som uppkommer i samband med en företagsspecifik händelse representeras som ovan nämnts av . För att bestämma den onormala avkastningen med marknadsmodellen flyttas

till vänsterled och vi erhåller följande. (Bodie et.al, 2008) ( )

där = det vill säga tillgångens onormala avkastning vid tidpunkt , är värdepapprets

avkastning på tidpunkt , är interceptet med y-axeln skattat under estimeringsperioden, tillgångens betakoefficient skattad under estimeringsperioden samt vilket förevisar

marknadsportföljens (AFGX) avkastning vid tidpunkt . Samma förfarande som ovan, används vid beräkning av den onormala avkastningen i de fall vi brukar tre-faktors modellen. Slumptermen flyttas till vänsterled och nedanstående formel erhålls

( )

där är tillgången :s onormala avkastning vid , tillgångens avkastning på tidpunkt ,

är interceptet med y-axeln skattat under estimeringsperioden, tillgångens lutningskoefficient skattad under estimeringsperioden, vilket förevisar marknadsportföljens (AFGX) avkastning

vid tidpunkt , tillgångens lutningskoefficient skattad under estimeringsperioden, avkastningen för denna portfölj på dag , tillgångens tredje lutningskoefficient även denna skattad under estimeringsperioden samt vilket är denna portföljs avkastning på dag .

3.6 Kumulativ onormal avkastning (CAR)

Då vi i denna studie använder två eventfönster, vilka innefattar flera perioder, (dag t₀ – t₂₅₄ samt t10 – t254 och även månad för månad) är det nödvändigt att slå ihop alla onormala avkastningar.

16

( ) ∑

där är värdepappret :s kumulativa onormala avkastning under tidshorisonten till ,

och ∑ är summan av de onormala avkastningarna. För att kunna använda statistiska tester beräknas även de kumulativa genomsnittliga onormala avkastningarna ̅̅̅̅̅̅ _{, för olika} tidpunkter i studien. Detta görs genom följande formel.(Bodie et.al, 2008)

̅̅̅̅̅̅ _{∑ ( )}

där N är populationsstorleken och ∑ ( ) förevisar summan av de kumulativa onormala avkastningarna under tidsperioden till och med .

3.7 Urval och aktiedata

Under tidsperioden 1995-01-01 till och med 2009-12-31 har vi funnit 198 börsbolag som under detta tidsspann bytt noteringsplats. Dessa har identifierats ur börsguiden, tidigare utgiven av Delphi Economics & Öhman, men i dagsläget utav Avanza. Bytena av noteringsplats har därefter kontrollerats på Nasdaq OMXs hemsida under corporate actions samt motsvarande på NGMs hemsida. Slutligen har vi även fört mailkontakt med Aktietorget för att erhålla förändringar på denna handelsplats. Efter att kontrollerat de ovan givna förutsättningarna erhåller vi en slutgiltig population om 162 genomförda byten, enligt följande

Tabell II

Slutgiltig population av genomförda byten av noteringsplats under 1995 - 2009

20 observationer tas från urvalet då fullständig data inte existerar under estimeringsperioden, 284 dagar innan eventet. Vidare tas 14 stycken bort då dessa genomfört fler byten emellan listor under samma år, samt 2 noteringsbyten då data inte existerar i Thomson Reuters Datastream 4.0.

För att i undersökningen urskilja om skillnader i CAR föreligger under olika tidsperioder eller beroende på vilken typ av byte det rör sig om, det vill säga om det berörda företaget bytt från en

Antal genomförda noteringsbyten 1995 - 2009 198 198

Ej tillräckligt med data under estimeringsperioden -20 178

Byte mellan listor samma år -14 164

Ej existerande data i Datastream -2 162

lista med högre-, lägre eller lika noteringskrav, delas dessa in i undergrupper vilka är fördelade enligt nedanstående

Tabell III

Listbyten indelade i tidsperioder samt typ av byte

Merparten av noteringsbytena har skett till listor där kraven är högre än på den ursprungliga handelslistan (63,0%). Vi ser även att huvuddelen av bytena skett under tidsperioden 1995 – 1999 (43,2%), nästan dubbelt så många byten jämfört med 2000 – 2004 (24,1%) och 2005 – 2009 (32,7%).

Datasetet består av dagliga stängningskurser för samtliga värdepapper och index ingående i undersökningen. Dessa är justerade för utdelning och aktiesplit, för att studien skall vara så rättvisande som möjligt. För att estimera parametrarna i marknadsmodellen beräknas den logaritmerade avkastningen för aktierna ingående i undersökningen enligt följande

(

) ( ) ( )

där är avkastningen, är priset på aktuellt värdepapper vid tidpunkt , är aktiepriset vid

tidpunkten samt vilket betecknar den naturliga logaritmen. Dessutom kalkylerar vi avkastningen på valt index (AFGX) under samma tidsperiod som de berörda tillgångarna. Förfarandet är likt ovanstående och går till enligt

(

) ( ) ( )

där är avkastningen, är indexvärde för AFGX vid tidpunkt , är indexvärde på

handelsdag samt vilket är den naturliga logaritmen. I undersökningen brukar vi logaritmerade dagliga aktieavkastningar, då det finns flera fördelar med detta enligt Strong (1992). Dessutom är det troligare att logaritmerade aktieavkastningar är normalfördelade vilket gör att dessa lämpar sig för standardiserade statistiska tester. (Strong, 1992) Då studien baseras på företag noterade på den svenska aktiemarknaden har vi valt att använda Affärsvärldens Generalindex som underliggande marknadsindex. Detta är ett brett marknadsvärdeviktat index och kan därmed ses som en bra indikator för den svenska aktiemarknaden i stort. Detta val

18

uppfyller egentligen inte de grundläggande teorierna bakom marknadsmodellen, då detta index inte innehåller samtliga tillgångar i ekonomin, och därmed inte fullgör kriterierna för marknadsportföljen.(Sharpe, 1963) I praktiken är dock denna marknadsportfölj omöjlig att återskapa varför det i studier som denna är allmänt vedertaget att använda ett brett aktieindex. Detta är även i likhet med studier genomförda av exempelvis Ikenberry & Dharan (1995) samt Fama et. al (1969). I studien använder vi endast detta index för att motverka missvingar som kan uppstå då flertalet olika index används i samma studie. Vid användandet av dagliga aktieavkastningar som i denna studie finns risk för autokorrelation. (Brown & Warner, 1995)

3.8 Student t – test

För att i studien testa utifall negativ kumulativ onormal avkastning (CAR) genereras i samband med bytet av noteringsplats använder vi students t-test för att granska om våra resultat är statistiskt signifikanta. Vi antar därmed student t-distribution och testar huruvida CAR är signifikant mindre än noll, enligt här nedan nämnd testfunktion (Newbold et.al, 2006)

̅ √

där ̅ är medelvärdet i detta fall ̅̅̅̅̅̅̅, är värdet för nollhypotesen i detta fall 0, är variabeln standardavvikelse i det här fallet för ̅̅̅̅̅̅̅ samt vilket betecknar antalet observationer i populationen.

I de fall då vi delat in noteringsbytena i undergrupper, testar vi om det med statistisk säkerhet föreligger skillnader grupperna emellan. Detta görs genom att testa huruvida medelvärdena i de olika grupperna är skilda från varandra. Då stickproven är olika stora samt antas ha olika varians beräknas detta test enligt följande. (Newbold et.al, 2006).

där ̅ är de olika populationernas medelvärde, är stickprovens standardavvikelse samt vilket förevisar antalet observationer. Vid användandet av denna statistiska funktion beräknas antalet frihetsgrader enligt nedanstående matematiska uttryck. (Newbold et.al, 2006)

( ⁄ ⁄ )

( ⁄ ) ⁄( ) ( ⁄ ) ⁄( )

där är antalet frihetsgrader, är variabelns standardavvikelse samt vilket är antalet observationer i respektive population. Då dessa statistiska tester används antas de kumulativa onormala avkastningarna (CAR) vara oberoende och normalfördelade. Enligt Brown & Warner (1985) samt Strong (1992) anses aktieavkastningar vara just slumpmässiga, varför dessa tester passar denna undersökning. I de fall vi prövar om de kumulativa onormala avkastningarna (CAR) är mindre än noll, använder vi enkelsidiga t-test, med nedanstående noll- respektive alternativhypotes

̅̅̅̅̅̅ ̅̅̅̅̅̅

För att urskilja ifall skillnader föreligger emellan två olika populationers medelvärden nyttjar vi dubbelsidiga t-test, enligt följande noll- respektive mothypotes

̅ ̅

̅ ̅

20

4. Resultat och analys Tabell IV

CAR, marknadsmodellen dag t 0,254 efter genomfört byte av noteringsplats: 1995 till 2009

Kursivt visas medelvärde för dag t, inom parantes förevisas t-värdet. I vänster kolumn ses CAR(kursivt) månad för månad och i höger den sammanlagda kumulativa onormala avkastningen, inom parentes visas t-värde. I nedanstående tabell förevisas alltså CAR från dag t0, alltså dagen då bytet av noteringsplats sker.

Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

I Tabell IV kan vi utläsa att den genomsnittliga kumulativa onormala avkastningen (CAR) för samtliga företag ingående i studien efter en månad uppgår till – 4,57 % med ett t-värde (-3,96) signifikant på 1 % - nivån. Vidare kan vi också se att denna negativa drift fortsätter och efter 12 månader uppgår till – 20,20 %, även detta statistiskt säkerställt på 1 % - nivån. Studerar vi resultatet efter att ha delat in listbytena i tidsperioder, ser vi att under samtliga tidsperioder så genereras negativ CAR efter 1 månad, - 3,19 % (95-99), - 3,85 % (00-04) samt – 6,94 % (05-09). Dessa är statistiskt säkerställda på 5 % - nivån för de två första tidsperioderna och på 1 % - nivån under den sista. Denna tendens fortsätter och efter 12 månader uppgår CAR för perioden 95-99 till – 7, 14 % (ej statistiskt säkerställt), - 42,40 % för 00-04 (signifikant på 5 % - nivån) samt – 21,10 % (signifikant på 10 % - nivån) under perioden 05-09.

Månad n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR

Tabell V

CAR, marknadsmodellen dag t -10,254 efter genomfört byte av noteringsplats: 1995 till 2009

Kursivt visas medelvärde för dag t, inom parantes förevisas t-värdet. I vänster kolumn ses CAR(kursivt) månad för månad och i höger den sammanlagda kumulativa onormala avkastningen, inom parentes visas t-kvoten. I nedanstående tabell förevisas alltså CAR från dag t-10 alltså 10 dagar innan bytet av

noteringsplats sker. Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

Vi ser i denna tabell tydliga likheter med resultatet visat i Tabell IV på föregående sida. Med undantag för perioden 2000-2004, har negativ CAR efter 12 månader minskat i jämförelse med t 0-254. Att mätningen börjar t -10 dagar innan tros vara anledning till detta då sådan tendens är i analogi med tidigare studier, där liknande CAR rörelser observerats innan eventdagen. I Figur III kan vi tydligt se sambandet. Vi ser en stark positiv utveckling av CAR dagarna innan bytet av noteringsplats sker. I figuren framgår vidare tydligt den negativa utveckling som börjar dag t 0.

Månad n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR

22

Figur III

CAR, marknadsmodellen dag t -10,254 under för hela tidsperioden 1995-2009

Figuren förevisar kumulativ genomsnittlig onormal avkastning för samtliga bolag ingående i denna studie, dag för dag från tidpunkt t-10 till och med t+254. Den vertikala axeln visar CAR och horisontella antalet

Tabell VI

CAR, Fama & French tre-faktormodell, dag t 0,254 efter genomfört byte av noteringsplats: 1995 till 2009

Tabellen visar CAR, då tre-faktormodellen använts vid beräkning. I vänster kolumn ses CAR(kursivt) månad för månad och i höger den sammanlagda kumulativa onormala avkastningen, inom parentes förevisas t-värdet. I nedanstående tabell förevisas alltså CAR från dag t0, alltså dagen då bytet av

noteringsplats sker. Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

I tabell VI visas att CAR uppgår till -16,99 % (t-värde -2,36, signifikant på 1 % nivån) ett år efter noteringsbytet dag t 0. Således genereras en negativ CAR även med Fama & French tre-faktor modell. Vid jämförelse med resultatet mätt genom marknadsmodellen ser vi dock att CAR har ökat ca 3 procentenheter och således inte är lika negativ. Detta är i linje med tidigare studier som brukat båda metoderna. Tabell VII visar motsvarande resultat fast med mätning gjord från dag t- 10. CAR efter 1 år uppgår till – 14,31 % (t-värde 2,00, signifikant på 5 % nivån). Även här har CAR ökat med ca 3 procentenheter vid jämförelse med t -10 mätt med marknadsmodellen. Detta visar att företag genererar negativ CAR mätt med båda modellerna.

Månad n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR n Månatlig _CAR CAR

24

Tabell VII

CAR, Fama & French tre-faktormodell, dag t -10,254 efter genomfört byte av noteringsplats: 1995 till 2009

Tabellen visar CAR, då tre-faktormodellen använts vid beräkning. I vänster kolumn ses CAR(kursivt) månad för månad och i höger den sammanlagda kumulativa onormala avkastningen, inom parentes förevisas t-värdet. I nedanstående tabell förevisas alltså CAR från dag t-10 alltså 10 dagar innan bytet av

noteringsplats sker. Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

Figur IV

CAR, Fama & French tre-faktormodell dag t -10,254 under för hela tidsperioden 1995-2009

Figuren förevisar kumulativ genomsnittlig onormal avkastning för samtliga bolag ingående i denna studie, dag för dag från tidpunkt t-10 till och med t+254. Den vertikala axeln visar CAR och horisontella antalet

dagar.

Figuren visar att den kumulativa onormala avkastningen haft snarlik utveckling jämförelse med motsvarande diagram genererad från marknadsmodellen. Observera dock att CAR inte är lika negativ vid användning av tre-faktor modellen. Tabell VIII tolkar vi som att den negativa utvecklingen av CAR inte är beroende på någon specifik industri. Generellt ser vi en nedgång inom flera industrier, dock är det bara vissa vi kan säkerställa med statistisk signifikans. Anledningen till det kan dock ses som det att varje industrispecifikt urval är litet. Fenomenet kan alltså antas vara kopplat till händelsen listbyte och inte bero på en snedvridning inom en specifik industri. Detta understryks genom att observera kategorin ”Resterande företag” som genererar en avkastning på -7,92 1 månad efter bytet (signifikant på 1 % nivån).

26

Tabell VIII

CAR, marknadsmodellen efter 1 månad samt 12 månader indelat efter industri

Tabellen visar CAR för den första månaden samt efter 12 månader för samtliga företag ingående i studien efter att de delats in efter industri. Indelningen per industri är gjord utifrån Thomson Reuters Datastream Advance 4.0. Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

1 Månad 12 Månader 1 Månad 12 Månader

Software & Computer Services 23 -6,41 -31,10 23 -1,47 -26,20

(-1,82)** (-1,09) (-0,29) (-0,92)

Financial Services & Equity Investment Instruments 16 -0,53 -7,68 16 -0,92 -8,06

(-0,32) (-1,08) (-0,39) (-1,18)

Electronic & Electrical Equipment 12 -8,65 -4,40 12 -8,70 -4,40

(-1,79)** (-0,22) (-1,28) (-0,23)

Pharmaceuticals, Biotechnology & Health Care Equipment 12 3,09 -1,90 12 8,15 3,10

(0,55) (-0,08) (1,19) (0,13)

Real Estate Investment & Services 11 -3,57 10,20 11 -1,69 12,10

(-1,08) (0,60) (-0,61) (0,77)

Support Services 10 -0,22 -37,30 10 3,75 -33,30

(-0,08) (-1,15) (1,12) (-1,00)

Technology Hardware & Equipment 8 -17,36 -94,90 8 -5,20 -82,80

(-3,07)*** (-2,74)** (-0,77) (-2,69)**

Industrial Engineering 7 -8,75 -26,60 7 -10,19 -28,00

(-1,37) (-1,36) (-2,00)** (-1,54)*

Media 7 -0,65 5,70 7 -2,45 3,90

(-0,20) (0,20) (-0,87) (0,14)

Travel & Leisure 7 -9,50 -58,80 7 -6,55 -55,80

(-0,91) (-0,70) (-0,67) (-0,69)

General Retailers 7 -7,51 -32,50 7 -7,26 -32,30

(-2,26)** (-0,71) (-1,45)* (-0,66)

Industrial Transportation 6 -2,50 -31,00 6 -3,49 -32,00

(-0,73) (-1,78)* (-0,86) (-1,82)*

Construction & Materials 5 5,13 -5,30 5 7,73 -2,70

(1,53) (-0,33) (2,86) (-0,16)

Oil & Gas Producers 5 9,06 -10,30 5 6,93 -12,50

(1,49) (-0,44) (1,24) (0,54)

Industrials Metal & Mining 4 -12,28 5,40 4 -5,64 12,00

Tabell IX & X

CAR, marknadsmodellen dag t 0,254 samt t -10,254 indelat efter vilken typ av byte av noteringsplats

Tabellerna visar CAR efter 1 månad till och med 12 månader då bytena av noteringslista har delats in efter typ. I första kolumnen (I)förevisas byten till listor där noteringskraven varit högre än ursprungligt, i kolumn (II) visas noteringsbyten där listningskraven varit lägre än ursprungligt samt kolumn (III) vilket visar byten emellan noteringsplatser med lika krav. Signifikant : * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

28

Tabell IX: Tabellen visar CAR efter att bolagen ingående i studien indelats efter typ av noteringsbyte, från dag t 0,254.

(I) - (II) (I) -(III) (II) -(III) Månad

n

Månatlig CAR CAR

n

Månatlig CAR CAR

n

Månatlig CAR CAR

d.f

Test om μ ≠ varandra

d.f

Test om μ ≠ varandra

d.f

Test om μ ≠ varandra 1 102 -4,75 -4,75 35 -0,36 -0,36 25 -9,73 -9,73 107 -4,39 30 4,98 29 9,37 (-3,26)*** (-3,26)*** (-0,26) (-0,26) (-2,48)** (-2,48)** (-2,19)** (1,19) (2,25)** 2 102 -3,82 -8,57 35 0,24 -0,12 25 0,87 -8,86 125 8,44 30 0,30 27 8,74 (-3,28)*** (-3,78)*** (0,22) (-0,07) (0,22) (-1,39)* (-2,96)*** (0,04) (1,32) 3 102 -0,38 -8,95 35 -0,45 -0,57 25 -0,28 -9,14 102 8,38 29 0,19 29 8,57 (-0,24) (-3,26)*** (-0,23) (-0,21) (-0,07) (-1,13) (-2,17)** (0,02) (1,00) 4 102 -3,54 -12,49 35 -0,82 -1,39 25 -4,01 -13,16 86 11,10 30 0,67 32 11,80 (-2,87)*** (-3,69)*** (-0,50) (-0,35) (-1,13) (-1,42)* (-2,13)** (0,07) (1,17) 5 102 -2,01 -14,50 35 2,22 0,83 25 2,10 -11,10 81 -15,32 30 -3,40 32 11,90 (-1,11) (-3,49)*** (1,18) (0,16) (0,53) (-0,93) (-2,33)** (-0,27) (0,92) 6 102 0,27 -14,23 35 -1,64 -0,82 25 -1,27 -12,30 94 -13,41 32 -1,90 33 11,50 (0,13) (-2,82)*** (-1,37)* (-0,15) (-0,40) (-0,99) (-1,81)* (-0,14) (0,85) 7 102 -3,09 -17,32 35 1,89 1,07 25 0,84 -11,50 90 -18,39 31 -5,80 33 12,60 (-1,86)** (-2,94)*** (1,11) (0,16) (0,22) (-0,77) (-2,08)** (-0,36) (0,77) 8 102 -0,90 -18,22 35 -0,05 1,03 25 0,60 -10,90 92 -19,25 33 -7,30 34 11,90 (-0,56) (-2,81)*** (-0,03) (0,14) (0,28) (-0,71) (-2,00)** (-0,44) (0,71) 9 102 1,44 -16,78 35 -1,84 -0,81 25 2,95 -7,90 96 -16,00 33 -8,90 34 7,10 (0,54) (-2,17)** (-0,96) (-0,10) (0,69) (-0,45) (-1,42) (-0,46) (0,37) 10 102 -4,44 -21,22 35 -0,50 -1,31 25 0,73 -7,20 95 19,90 34 -14,00 34 5,90 (-3,36)*** (-2,60)*** (-0,32) (-0,15) (0,23) (-0,39) (-1,67)* (-0,70) (0,29) 11 102 -4,38 -25,60 35 -0,67 -1,98 25 -5,11 -12,30 97 23,60 32 -13,30 32 10,30 (-2,45)*** (-2,88)*** (-0,52) (-0,21) (-1,04) (-0,56) (-1,84)* (-0,56) (0,43) 12 102 -0,87 -26,47 35 0,62 -1,36 25 -8,70 -21,00 99 25,10 31 -5,50 31 19,60 (-0,48) (-2,85)*** (0,41) (-0,14) (-1,88)** (-0,86) (-1,89)* (-0,21) (0,75)

Tabell X: Tabellen visar CAR efter att bolagen ingående i studien indelats efter typ av noteringsbyte, från dag t -10,254.

(I) - (II) (I) -(III) (II) -(III) Månad

n

Månatlig CAR CAR

n

Månatlig CAR CAR

n

Månatlig CAR CAR

d.f

Test om μ ≠ varandra

d.f

Test om μ ≠ varandra

d.f

Test om μ ≠ varandra 1 102 -0,25 -0,25 35 -2,37 -2,37 25 -9,30 -9,30 81 2,12 31 9,05 34 6,93 (-0,15) (-0,15) (-1,13) (-1,13) (-2,12)** (-2,12)** (0,79) (1,93)* (1,43) 2 102 -3,82 -4,06 35 0,24 -2,13 25 0,87 -8,44 105 -1,93 30 4,37 30 6,30 (-3,28)*** (-1,66)** (0,22) (-0,90) (0,22) (-1,27) (-0,57) (0,62) (0,89) 3 102 -0,38 -4,45 35 -0,45 -2,58 25 -0,28 -8,71 81 -1,86 29 4,27 31 6,13 (-0,24) (-1,63)* (-0,23) (-0,77) (-0,07) (-1,02) (-0,43) (0,47) (0,67) 4 102 -3,54 -7,99 35 -0,82 -3,40 25 -4,01 -12,73 73 -4,58 29 4,70 34 9,30 (-2,87)*** (-2,39)*** (-0,50) (-0,75) (-1,13) (-1,30) (-0,82) (2,88)*** (0,86) 5 102 -2,01 -9,99 35 2,22 -1,18 25 2,10 -10,60 73 -8,81 29 0,60 34 9,40 (-1,11) (-2,41)*** (1,18) (-0,21) (0,53) (-0,88) (-1,26) (0,05) (0,71) 6 102 0,27 -9,72 35 -1,64 -2,83 25 -1,27 -11,90 85 -6,89 32 2,20 34 9,10 (0,13) (-1,93)** (-1,37)* (-0,47) (-0,40) (-0,95) (-0,88) (0,16) (0,65) 7 102 -3,09 -12,81 35 1,89 -0,94 25 0,84 -11,10 82 -11,88 31 -1,80 34 10,10 (-1,86)** (-2,21)** (1,11) (-0,13) (0,22) (-0,73) (-1,29) (-0,11) (0,61) 8 102 -0,90 -13,71 35 -0,05 -0,98 25 0,60 -10,40 85 -12,73 32 -3,30 35 9,50 (-0,56) (-2,14)** (-0,03) (-0,13) (0,28) (-0,68) (-1,29) (-0,20) (0,55) 9 102 1,44 -12,28 35 -1,84 -2,82 25 2,95 -7,50 90 9,50 33 -4,80 35 4,70 (0,54) (-1,61)* (-0,96) (-0,33) (0,69) (-0,43) (-0,82) (-0,25) (0,24) 10 102 -4,44 -16,71 35 -0,50 -3,32 25 0,73 -6,80 89 -13,40 33 -9,90 35 3,40 (-3,36)*** (-2,07)** (-0,32) (-0,36) (0,23) (-0,37) (-1,10) (-0,50) (0,17) 11 102 -4,38 -21,10 35 -0,67 -3,39 25 -5,11 -11,90 92 -17,10 32 -9,20 33 7,90 (-2,45)*** (-2,41)*** (-0,52) (-0,41) (-1,04) (-0,55) (-1,31) (-0,39) (0,33) 12 102 -0,87 -21,97 35 0,62 -3,37 25 -8,70 -20,60 94 -18,60 31 1,40 31 17,20 (-0,48) (-2,40)*** (0,41) (-0,34) (-1,88)** (-0,84) (-1,38) (-0,05) (0,65)

30

Tabell XI

Tabellen förevisar kumulativ onormal avkastning från dag t 0,254 efter att företagen storleksindelats. Indelningen är gjord genom att mäta bolagens marknadsvärde 30 dagar innan genomfört byte av noteringslista. Kursivt visas CAR och i parentes ses t-värdet. Signifikant: * :10% - nivån, ** :5% - nivån, *** :1% - nivån.

I tabellen ser vi tydligt att de företag som presterar sämst efter att ha genomfört ett byte av noteringslista är de ingående i den mellersta gruppen, med en genomsnittlig kumulativ onormal avkastning på -6,00 % efter första månaden, samt en fortsatt negativ tendens vilket resulterar i – 62,00 % CAR efter 12 månader. Samtliga resultat i denna grupp är signifikanta på 1 % - nivån. Vidare kan vi se att de till storleken största bolagen också uppvisar en negativ kumulativ onormal avkastning samtliga månader efter eventdagen. Från och med månad 10 till och med 12 uppvisas värden som är statistiskt säkerställda på 1 % - nivån. Det resultat som är intressantast i denna tabell dock är att de i vårt urval minsta företagen sett till marknadsvärde, presterar positiv CAR efter 6 månader och framåt, med t-värden signifikant positiva på 5 % -nivån efter 9 och 10 månader. Detta resultat går emot tidigare studier som visat att de mindre bolagen tenderar att

Största(I) Mellan(II) Minsta(III) (I) - (II) (I) -(III) (II) -(III) Månad _n CAR _n CAR _n CAR _d.f Test om μ ≠

uppvisa en lägre kumulativ onormal avkastning än de större företagen som fullbordat ett byte av noteringslista.

5. Slutsats

I studiens inledning formulerades frågan om svenska företag genererar onormal avkastning i samband med listbyten? Vi har med två olika modeller visat att det föreligger negativt CAR efter genomfört listbyte. Således kan vi slå fast att fenomenet ”the post-listing puzzle” existerar på den svenska aktiemarknaden. Potentiella och befintliga aktieägare i företag som överväger eller annonserar ett listbyte bör således omvärdera förväntningarna och ta hänsyn till de resultat vår studie visar. Utifrån våra resultat kan vi utvärdera skillnaden i CAR mellan de två olika faktormodeller vi använt. Resultatet visar en jämförelsevis mindre negativ CAR vid applicering av Fama & French tre-faktor modell. I och med att 1-faktor modeller ständigt är återkommande i ekonomisk litteratur, understryker vår studie att fler-faktors modeller bör övervägas att användas oftare. Flertalet eventstudier som mäter onormala avkastningar i samband med företagshändelser som exempelvis uppköp, emissioner eller aktiesplitar skulle öka reliabiliteten i studien vid användning av en fler-faktor modell.

I vår studie uppgår CAR mätt med marknadsmodellen till - 20,20 %, och med tre-faktor modellen till -16,99 % (båda signifikanta på 1 % - nivån). Med det kan vi konstatera att relationen mellan resultaten är snarlika de tidigare studiers resultat som också beräknat CAR med de två modellerna. Vidare kan vi fastställa att fenomenet endast är signifikant för det företag som byter lista till en noteringsplats med högre krav. I och med att fenomenet inte kan ses som industrispecifikt kan vi slå fast att det är av just händelsen noteringsbyte som den negativa CAR uppkommer. Vid jämförelse mellan de olika tidsperioderna ser vi att samtliga genererar negativ CAR. Med det i beaktande slår vi fast att fenomenet existerar över hela vår undersökningsperiod och inte är bunden till specifika årtal, händelser eller makroekonomiska fluktuationer.

5.1 Förslag till fortsatt forskning

32

Källförteckning

Baker, Kent H, Powell, Gary E, & Weaver, Daniel G, 1999,” Does NYSE Listing Affect Firm Visibility?”, Financial Management, 28, 2, pp. 46-54

Ball, Ray, & Brown, Philip, 1968,” An Empirical Evaluation of Accounting Numbers”, Journal of Accounting Research, pp. 159-178

Bodie, Zvi, Kane, Alex, Marcus, Alan J, Perrakis Stylianos, & Ryan Peter J, 2008,” Investments”, Sixth Canadian Edition, McGraw-Hill Ryerson

Brown, Stephen J, & Warner, Jerold B, 1980,” Measuring Security Price Performance”, Journal of Financial Economics, 8, pp. 205-258

Brown, Stephen J, & Warner, Jerold B, 1985,” Using Daily Stock Returns. The Case of Event Studies”, Journal of Financial Economics, 14, pp. 3-31

Brown, Stephen J., William N. Goetzmann, Roger G. Ibbotson, and Stephen A. Ross, 1992, "Survivorship Bias in Performance Studies", Review of Financial Studies, Vol. 5, No. 4, pp. 553-580. Cheng, Yingmei, 2003,” Post-listing underperformance: Is It Really Bad to Move Trading Locations?”, Assistant professor, Florida State University, Revised August 25 2005.

Dharan, Bala G, & Ikenberry, David L, 1995,” The Long-Run Negative Drift of Post-Listing Stock Return”, Journal of Finance, 50, 5, pp. 1547-1574

Dolley, James C, 1933,” Characteristics and Procedure of Common-Stock Split-Ups”, Harvard Business Review, pp. 316-326

Fama, Eugene F, Fisher, Lawrence, Jensen, Michael C, & Roll, Richard, 1969,” The Adjustment of Stock Prices to New Information”, International Economic Review, 10, 1

Fama, Eugene F, 1970,”Efficient Capital Markets: A Review of Theory and Empirical Work”, Journal of Finance, 25, 2, pp. 383-417

Fama, Eugene & Kenneth R. French, 1992, “The Cross-Section of Expected Stock Returns”, The Journal of Finance ,47, pp. 427-465

Fama, Eugene & Kenneth R. French, 1993, “Common risk factors in the returns on stocks and bonds” , Journal of Financial Economics ,33, pp 3-56.

Fama, Eugene F, 1998,” Market efficiency, long-term returns, and behavioral finance”, Journal of Financial Economics, 49, pp. 283-306

Fama, Eugene F, & French, Kenneth R, 1996,” Multifactor Explanations of Asset Pricing Anomalies”, Journal of Finance, 51, 1, pp. 55-84

34

Hwang, C-Y, & N. Jayaraman, 1993,” The Post-listing Puzzle: Evidence from Tokyo Stock Exchange Listings, Pacific-Basin Finance Journal, 1, pp. 111-126

Kothari, S. P, Shanken, Jay, & Sloan, Richard G, 1995, “Another Look at the Cross-Section of Expected Stock Returns”, Journal of Finance, 50, 1, pp. 185-224

MacKinlay, Craig A, 1997,”Eventstudies in Economics and Finance”, Journal of Economic Literature, 35, 1, pp. 13-39

Markowitz, Harry M, 1952,”Portfolio Selection”, Journal of Finance, 7, 1, pp. 77-99

McConnel, John J, & Sanger, Gary C, 1987,” The Puzzle in Post-Listing Common Stock Returns”, Journal of Finance, 42, 1, pp. 119-140

McConnell, John J, & Sanger, Gary C, 1984,”A trading Strategy for New Listings on the NYSE”, Financial Analysts Journal, 40, 1, pp. 34-38

Newbold, Paul, Carlsson, William L, & Thorne Betty M, 2006, “Statistics for Business and Economics”, Sixth Edition, Pearson Prentice Hall

Potter, Gordon, 1992, “Accounting earnings, announcements, institutional investor concentration, and common stock returns” Journal of Accounting Research 30, pp. 146-155.

Strong, Norman, 1992,” Modeling Abnormal Returns: A Review Article”, Journal of Business Finance, 9, 4, pp. 533-553

Sharpe, William F, 1963,”A Simplified Model for Portfolio Analysis”, Management Science, 9, 2, pp. 277-293

Ule, Maxwell G, 1937,” Price Movements of Newly Listed Common Stock”, The Journal of Business of the University of Chicago, 10, 4, pp. 346-369

Börsguide: Avanza Vikingen (Placera.nu), Delphi Economics, Öhman: Vol. 1995-2009, Stockholm

Aktietorget: aktietorget.se

Nasdaq Omx Stockholm: Nasdaqomxnordic.com: Corporate Actions