Analytikers Prognoser: Träffsäkra?

Uppsala

Universitet

2009-06-04

Företagsekonomiska Institutionen

Examensarbete D

Vt- 2009

Handledare: Katerina Hellström

Analytikers Prognoser: Träffsäkra?

Sammanfattning

Bakgrund och problemdiskussion: Det produceras idag mängder av vinstprognoser och

aktierekommendationer. Det finns även en stor mängd studier genomförda med avsikt att undersöka analytikers träffsäkerhet och prognosförmåga. Majoriteten av dem är eniga om att det råder brister i analytikernas träffsäkerhet. En genomgående förklaring till detta är enligt studier att analytiker tenderar att vara överoptimistiska, överreagera på positiv information samt underreagera på negativ information.

Aktieanalytikers vinstprognoser och rekommendationer kan i viss mening anses vara kvalificerade gissningar om framtiden. Det ökade missnöjet och det minskade förtroendet för analytikers prognoser har en längre tid varit ett flitigt diskuterat ämne. Trots detta finns det fortfarande få studier när det gäller förhållanden på den svenska och nordiska marknaden.

Syfte: Uppsatsens syfte är att undersöka och utvärdera analytikers vinstprognoser mellan åren

2001 och 2008. Huvudsakliga syftet är att studera träffsäkerheten gällande analytikers prognoser, begränsat till konsensusprognoser, i förhållande till faktiskt realiserade värden.

Metod: För att utläsa ett eventuellt samband mellan de två kvantitativa variablerna,

prognostiserat resultat och verkligt utfall, används i studien en linjär regressionsanalys. För att se om analytikerna är överoptimistiska i sina prognoser testar vi om konstanten α (alfa) är signifikant skilt från noll. Om α är negativ och signifikant skild från noll visar det på att analytikerna är systematiskt överoptimistiska. Den procentuella felmarginalen används för att erhålla den procentuella skillnaden mellan prognos och utfall, alltså i vilken grad analytiker missbedömer framtida vinster. Dessa redovisas i både relativa och absoluta tal.

Resultat och slutsatser: Resultatet för hela urvalet tyder på att analytikerna är generellt

Disposition 

Kapitel 1: I detta avsnitt ges läsaren en inledning samt bakgrund till studien. Här ges en

inblick i ämnet, vilket bidrar till ökad förståelse för ämnet. Vidare ges en problemdiskussion som sedan leder fram till studiens syfte.

Kapitel 2: Detta avsnitt inleds med att redogöra för hypotesen om den effektiva marknaden.

Vidare redovisas tidigare studier som behandlar analytikers egenskaper och träffsäkerhet. Slutligen presenteras teorier om de faktorer som kan vara orsaker till analytikers beteende och bristande träffsäkerhet.

Kapitel 3: I detta avsnitt redogörs för hur datamaterialet för studien samlats in. Vilka kriterier

som har satts upp för vidare urval. Vidare redogörs för det praktiska tillvägagångssättet i studien samt styrkor och svagheter med dessa.

Kapitel 4: I kapitel fem redovisas de hypotesformuleringar som ligger till grund för

undersökningen.

Kapitel 5: I kapitel 5 presenteras resultatet av de olika undersökningarna. Inledande

presenteras en sammanställning över residualernas fördelning. Vidare redovisas resultat från samtliga procentuella felmarginaler samt regressionsanalyser för hela urvalet, sektorsvis, storleksvis, kvartalsvis och marknadstrend.

Kapitel 6: Kapitlet består av en analys av utfallet för respektive undersökning. Resultaten

kopplas ihop med tidigare redovisade studier, samt egna reflektioner.

Kapitel 7: Avslutningsvis formuleras slutsatserna med studien samt svar på de hypoteser som

formulerats i kapitel 4. Vidare redogörs även för författarnas förslag på framtida forskning i ämnet.

1 INLEDNING 

 

I detta avsnitt ges läsaren en inledning samt bakgrund till studien. Här ges en inblick i ämnet, vilket bidrar till ökad förståelse för ämnet. Vidare ges en problemdiskussion som sedan leder fram till studiens syfte.

Det produceras idag mängder av vinstprognoser och aktierekommendationer. Det finns även en stor mängd studier med avsikt att undersöka analytikers träffsäkerhet och prognosförmåga. Majoriteten av dem är eniga om att det råder brister i analytikernas träffsäkerhet. Anledningen till det stora intresset är att analytikernas rekommendationer och vinstprognoser ligger till grund för investeringsbeslut och förmedlar köpråd åt investeraren. Enligt en artikel publicerad i Privata Affärer januari 2009, var antalet privata aktieaffärer 57800 i antalet per dag. Dessa siffror visar på en ökning med 6 procent i jämförelse med samma period föregående år (Privata Affärer, 2009).

Kraven på analytiker samt kvalitén och träffsäkerheten på de presenterade rekommendationerna och prognoserna är stor. Trovärdigheten gällande analytikers rekommendationer och framtida prognoser har därför på senare tid diskuterats flitigt. Missbedömningar, vilseledande och överoptimistiska prognoser kan medföra förödande konsekvenser för investerare som baserar sina köp- och säljbeslut på dessa prognoser. Aktieanalytikers vinstprognoser och rekommendationer kan i viss mening anses vara kvalificerade gissningar om framtiden. Urban Eklund, analyschef hos det fristående analysföretaget Redeye, drar en parallell mellan analytikernas prognoser, och trovärdigheten i dessa, med meteorologernas framtida väderprognoser (Aktiespararna, 2008). Han säger i en artikel, publicerad på Aktiespararna.se, gällande analytikers träffsäkerhet att

Det finns idag ett stort missnöje riktat mot analytiker och aktiemäklare, vars uppgift är att tillhandahålla träffsäkra och i bästa mån sanningsenliga prognoser och placeringsrekommendationer. En undersökning genomfördes av Aktiespararna i april 2008, med avsikt att ta reda på förtroendet för analytikers prognoser bland landets aktiesparare. Av dem som deltog i undersökningen, var det 65 procent som ansåg att de inte hade något förtroende för analytiker och dess prognoser. Endast 5 procent av de medverkande i undersökningen ansåg att de kunde lita på analytikerna, och hade förtroende för dess vinstprognoser. Resterande 30 procent av de tillfrågade ansåg att de till viss del kunde lita på analytikernas prognoser, men poängterade att analyserna endast utgjorde en viss vägledning i aktieaffärerna och att de kompletterade dessa med egna analyser och prognoser (Aktiespararna.se 2008).

En återkommande fråga är huruvida analytiker är helt objektiva i sin bedömning och analys. Analytiker står i många fall i en viss beroendeställning till de bevakade bolagens ledning. En förutsättning för att kunna presentera kvalificerade prognoser är till stor del tillgången på viktig information om företaget i fråga (www.e24.se). En rädsla för att mista denna information, samt egna ekonomiska incitament, har i undersökningar visat tydliga tecken på bidragande orsaker till att de positiva prognoserna är mer ofta förekommande än de negativa (De Bondt & Forbes 1999).

1.1 Problemdiskussion 

Hur väl kan investeraren förlita sig på de presenterade vinstprognoserna? Samt är förväntade prisförändringar och vinster i framtiden möjliga att förutspå?

vinstrekommendationer kunna generera någon överavkastning (Roberts, 2003). Det finns även teorier som delvis motsäger detta tankesätt. Att det finns en fördröjning i aktiepriset och dess anpassning, samt att det finns andra faktorer än enbart ny information som påverkar prisförändringar. Vissa marknadspsykologiska faktorer kan vara avgörande och har enligt studier visat sig ha en viss påverkan på aktieprisets utveckling (Shleifer, 2000).

Studier av vinstprognoser har visat på att det förekommer bland annat överoptimism och överreaktion. Enligt forskare finns det även tecken som tyder på att analytiker, på grund av en beroendeställning till företagen, tenderar att presentera överoptimistiska prognoser (E24, 2007). Med bakgrund av detta finns det ett tydligt intresse för ämnet gällande träffsäkerheten i analytikers prognoser, men det finns få studier i ämnet när det gäller förhållandet på den svenska och nordiska marknaden.

Vi har därför valt att göra en studie gällande förhållanden på den svenska marknaden. Studien undersöker även förhållandet mellan olika sektorer, storlek, kvartal samt marknadstrend för att se om dessa faktorer har någon betydande inverkan på träffsäkerheten. Till skillnad från många tidigare studier som utgår ifrån nettovinst per aktie, har vi valt att studera totala resultat före skatt. Detta bidrar enligt oss till en ny infallsvinkel i problemet.

1.2 Syfte 

Uppsatsens syfte är att undersöka och utvärdera analytikers vinstprognoser mellan åren 2001 och 2008. Huvudsakliga syftet är att studera träffsäkerheten gällande analytikers prognoser, begränsat till konsensusprognoser, i förhållande till faktiskt realiserade värden.

2 TEORETISK REFERENSRAM 

Detta avsnitt inleds med att redogöra hypotesen om den effektiva marknaden. Vidare redovisas tidigare studier som behandlar analytikers egenskaper och träffsäkerhet. Slutligen presenteras teorier om de faktorer som kan ligga bakom analytikers beteende. 

 

2.1 Effektiva marknadshypotesen 

 

Prisförändringar och kraftiga svängningar i finansiella tillgångars marknadsvärde och hur de uppstår har studerats flitigt. En av de väsentliga orsakerna till att dessa förändringar uppstår är tillgången på ny information som når marknaden och därmed påverkar tillgångarnas marknadsvärde (Elton et al., 2003).

En fråga som flitigt diskuterats är i vilken grad och hur snabbt marknaden anpassar sig efter den nya informationen. På en effektiv marknad finns det ingen betydande fördröjning i marknadsvärdets anpassning efter den nya informationen. Detta resulterar i att aktiers aktuella värde är det korrekta värdet. Det finns med andra ord inga tillgångar som är under- eller övervärderade och det är därmed inte möjligt att, genom att använda information som finns tillgänglig vid prognostillfället eller genom fundamental analys, generera någon överavkastning. En förutsättning för en effektiv marknad är konkurrens mellan investerare och att all information finns tillgänglig utan hinder. Tillgång och insamling av viktig information, kontinuerliga studier om marknaden och även investerares djupgående studier av specifika företag medverkar till att möjligheten att finna undervärderade aktier är minimal. Skulle det existera information som kan komma att påverka värdet skulle denna information redan vara känd för marknaden och avspeglas därmed redan i det existerande marknadsvärdet (Ross et al., 2003).

Graden av effektivitet och hastigheten i anpassningen av ny information kan variera och även påverkas av vilken typ av information som presenteras. Den effektiva marknadshypotesen har därmed delats in i tre olika kategorier, beroende på graden av effektivitet och i vilken hastighet marknadsvärdet anpassar sig efter den nya informationen (Ross et al., 2003).

några tillgångar vars pris är felvärderat, oavsett eventuell tillgång till insiderinformation. Den andra graden av effektivitet är den semistarkt effektiva marknaden. Denna typ av marknadseffektivitet kännetecknas av att all publik information som finns tillgänglig, i form av årsredovisningar, historisk prisutveckling och övrig marknadsinformation, redan återspeglas i priset. Det går därmed inte att genom publik information hitta över- eller undervärderade aktier som skulle kunna generera överavkastning. Den lägsta graden av effektivitet innehas i en svagt effektiv marknad. Denna kännetecknas av att det inte går att generera någon överavkastning genom att studera historisk prisutveckling eller synliga rörelsemönster. Det är därmed omöjligt att genom studier av aktiens historiska prisutveckling eller rörelsemönster spå framtida utveckling (Elton et el., 2003).

Den svagt effektiva marknaden bygger på att förändringar i priset inte följer något tydligt mönster utan utvecklingen och prisförändringarna anses röra sig enligt en random walk som kan liknas med en slumpvariabel. Detta resulterar i att indikatorer och modeller som bygger på historiska värden för att tyda framtida prisutveckling, genom teknisk analys, inte är användbara (Ross et al., 2003).

2.2 Flockbeteende 

 

Flockbeteende har påvisats ha en betydelse för beteendet på den finansiella marknaden och då även analytikers agerande. Oviljan att sticka ut från mängden har i empiriska studier visat sig vara en betydande faktor till förekomsten av optimism, pessimism samt missvisande vinstprognoser (De Bondt & Forbes 1999).

Den tredje aspekten behandlar olika beteende hos analytiker gällande varierande information. Det finns enligt studien tydliga bevis på att positiv information påverkar aktiepriset snabbare än negativ information. Analytiker är i många fall ovilliga att vara först ut när det handlar om att presentera negativ information. Detta beteende visar sig tydligare bland erfarna och ansedda analytiker, än vad det gör för unga och relativt oerfarna analytiker. Anledningen till detta är att de sistnämnda troligtvis inte har ryktesrelaterade motiv i samma utsträckning och därmed ofta fungerar som en slags opinionsledare. Det finns därmed karriärmässiga aspekter som förklarar detta beteende (De Bondt & Forbes 1999).

2.3 Träffsäkerhet 

 

Tidigare studier Conroy & Harris (1987), Brown et al. (1987) samt Brown & Rozeff (1978) visar på att analytiker är överlägsna tidsserie-modeller. Analytiker är därmed mer träffsäkra i sina prognoser. Tidsserie-modeller tar endast hänsyn till tidigare rapporterade resultat och är begränsade i tiden. Med det menas att de inte kan justeras för ny information mellan de olika rapporterna. Analytiker har ingen begränsning i tiden och prognoserna inkluderar, förutom rapporterade resultat, även branschutveckling, prisförändringar, företagsförvärv och övrig relevant information. Dessa tidigare studier visar på att analytiker inte bara producerar mer träffsäkra prognoser, utan även, som nämnts ovan, är bättre på att förutspå framtida extraordinära omständigheter.

Dhaliwal et al,. (2004) undersöker i sin studie huruvida företag justerar sina resultat för att möta förväntade resultat. De fokuserar på skatteeffekter och menar att dessa används som en sista möjlighet för företagen att korrigera sina resultat. De finner tydliga resultat på att företag använder sig av skattekostnader som en reservdepå för att justera resultaten då andra periodiserade kostnader inte räcker till (Dhaliwal et al,. 2004).

2.4 Överreaktion samt underreaktion  

 

En rad studier har genomförts med avsikt att undersöka träffsäkerheten i analytikers prognoser. Majoriteten av studierna visar på bristande träffsäkerhet. En genomgående förklaring till detta är enligt studier att analytiker tenderar att överreagera på positiv information samt underreagera på negativ information. Analytikers märkbara optimism är därmed en anledning till att dess prognoser systematiskt ligger över de verkliga utfallen. De Bondt & Forbes (1999) undersöker konsensusprognoser för en 10 års- period i Storbritannien och finner i sin studie starka bevis för både överoptimism, underreaktion samt överreaktion. Easterwood & Nutt (1999) har i sin studie kommit fram till samma resultat, att analytiker är systematiskt överoptimistiska.

Amir & Ganzach (1998) har i sin studie undersökt de möjliga orsakerna som bidar till över – och underreaktion. Resultatet visar på att det är tre beteendemönster hos analytiker som har en inverkan på dess prognoser. Dessa är representativitet, referenspunkter samt försiktighet. Med

representativitet menas att analytiker överskattar den information som tillkännages och

2.5 Konsensusprognoser 

 

Dessa beteendemönster kan resultera i individuella prognosfel hos analytiker. Ett sätt att eliminera de individuella prognosfelen är att använda sig utav konsensusprognoser. Conroy & Harris (1987) menar att konsensusprognoser har en viss ”portföljeffekt” där de individuella prognosfelen diversifieras bort. Det resulterar i att konsensusprognoser har en högre träffsäkerhet på grund av att de positiva samt negativa prognosfelen för de enskilda analytikerna tar ut varandra. Det finns även ekonomiska fördelar med att tillämpa konsensusprognoser.

2.6 Storlek samt sektortillhörighet 

 

Tidigare studier har genomförts med avsikt att undersöka huruvida det föreligger ett samband mellan analytikers träffsäkerhet och företagets storlek. Patz (1989) testade i sin studie hypotesen om att träffsäkerheten i analytikers prognoser och företagets storlek har ett positivt samband. Det vill säga att träffsäkerheten ökar i takt med att företagets storlek växer. Resultatet från studien visade på att det förelåg ett positivt samband. Anledningen till högre träffsäkerhet för stora företag har sin orsak i ett antal faktorer. Mer tid och uppmärksamhet tillägnas de större bolagen, mer detaljerad samt, i många fall, mer tillgänglig information, samt den stabilitet som associeras med större företag är de främsta anledningarna enligt studien (Patz 1989). Det finns för stora företag mer vinster att tjäna på den information som offentliggörs, vilket tenderar i ökad täckning från analytiker och ett större intresse för företaget (Bhushnan, 1989).

3 METOD 

I detta avsnitt redogörs för hur datamaterialet för studien samlats in. Vilka kriterier som satts upp för vidare urval. Vidare redogörs för de praktiska tillvägagångssätten i studien samt styrkor och svagheter med dessa.

 

För att operationalisera det insamlade datamaterialet för vidare tolkning använder vi oss av en linjär regressionsanalys. Detta kompletteras även med uträkning av de procentuella felmarginalerna i relativa samt absoluta tal.

3.1 Regressionsanalys   

Regressionsanalys är en metod för att skapa en ekvation som beskriver sambandet mellan två variabler, den oberoende och den beroende variabeln. Regressionsanalys innebär också att uppskatta värdet för den beroende variabeln genom att välja ett värde för den oberoende variabeln. Anledningen till att en regressionsanalys används är för att den eliminerar problemet som kan uppstå vid framräknandet av procentuell felmarginal när resultatet och prognosen ligger nära noll. Små avvikelser från resultatet bidrar då till omfattande procentuella fel (Newbold, 2003).

För att utläsa eventuellt samband mellan de två kvantitativa variablerna, prognostiserat resultat samt verkligt utfall, används därmed en linjär regressionsanalys. Då företagen i urvalet visar på stor variation i storleken på de två variablerna, måste dessa vägas. För att genomföra detta utgår vi från studien gjord av De Bondt & Forbes. För att väga de olika variablerna och göra dem mer jämförbara, divideras varje observation med standardavvikelsen för hela tidsintervallet för respektive bolag.

Förklaringsgraden r2 _{betecknar matchningen mellan observationerna och regressionslinjen.} Den beskriver den del av variationen i Y som kan förklaras av den oberoende variabeln X. En förklaringsgrad på 100 procent innebär att vi kan förklara 100 procent av variationen i den beroende variabeln med variationen i den oberoende (Newbold, 2003).

β (beta) kan tolkas som hur analytikerna reagerar på information. Om β är skilt från ett så överreagerar eller underreagerar analytiker på tillgänglig vinstinformation. Ett β mindre än ett tyder på att analytiker överreagerar på tillgänglig information (De Bondt & Forbes 1999).

Ett exempel på överreaktion:

Antag att ny information tillkännages som visar på att vinsten kommer att öka med 15 procent. I de fall analytiker överreagerar på denna information justeras prognosen med mer än 15 procent. β - värdet kommer i dessa fall att vara mindre än ett.

Formler som används:

it it P Uˆ =α+β +ε

∑

∑

= = − − − = _n i it n i it it P P U U P P 1 2 1 ) ( ) )( ( β P U β α = − it

U = Det verkliga värdet för utfallet av total vinst före skatt, dvs. beroende variabel Uˆ= Uppskattade värdet för det verkliga utfallet

U = Medelvärdet för U it it

P = Prognostiserad vinst före skatt för varje observation, dvs. oberoende variabel

P= Medelvärdet för P _it Uˆ

=

α när P=0, Uˆ där regressionslinjen skär y-axeln när P är noll it

β

= Lutningen på regressionslinjen eller den genomsnittliga förändringen för U när P ändras

en enhet

it

3.2 Procentuell felmarginal 

Den procentuella felmarginalen används för att erhålla den procentuella skillnaden mellan prognos och utfall, alltså i vilken grad analytiker missbedömer framtida vinster. Patz (1989) använder sig i sin studie av denna metod för att analysera analytikers träffsäkerhet. Vi har valt att utgå från felmarginalerna i relativa samt absoluta tal med utgångspunkt från denna studie.

Absolut felmarginal (APE) är felmarginalen i absoluta tal. Det tas därmed ingen hänsyn till huruvida differenserna är negativa eller positiva, utan resultaten visar på storleken på de sammanlagda felen. Median samt medelvärde har sedan räknats ut för de olika urvalen.

För att sedan kunna dra några slutsatser, samt för att testa de olika hypoteserna, krävs att dessa värden signifikanstestas. För de absoluta felmarginalerna testar vi om urvalen signifikant skiljer sig från varandra. T.ex. testas hypotesen om absoluta felmarginalerna skiljer sig åt mellan mindre och större företag. Utifrån detta kan vi dra slutsatser om signifikansnivån för de olika urvalen. Dessa signifikanstest genomförs för medianvärden med Wilcoxon Signed Rank test. För test av medelvärdet används ett enkelt t-test.

Relativ felmarginal (RPE) är den procentuella felmarginalen. Vi kan härmed dra slutsatser om huruvida analytiker systematiskt ligger över eller under det verkliga utfallen. Median samt medelvärde har räknats ut för de olika urvalen.

it it it it RPE Utfall Prognos Utfall − =

För att kunna dra några slutsatser och för att testa de olika hypoteserna krävs att även dessa värden signifikanstestas. För de relativa felmarginalerna testar vi om urvalen signifikant skiljer sig från noll. Utifrån detta kan vi dra slutsatser om signifikansnivån för de olika

urvalen. Dessa signifikanstest genomförs för medianvärden med Wilcoxon Signed Rank test. För test av medelvärdet används ett enkelt t-test.

3.3 Definition verkligt utfall 

 

Urvalet består av kvartalsprognoser av resultat före skatt. Skälet till varför vi valt att använda oss utav resultat före skatt, till skillnad från vissa tidigare genomförda studier, är för att på bästa sätt eliminera oväntade skatteeffekter som kan påverka det slutliga resultatet, vilket styrks av studien genomförd av Dahliwal et al, (2004). Varierande skatteeffekter och upplupna skatter kan ha en stor inverkan på de enskilda företagens resultat och därmed minska jämförbarheten och resultera i missvisande resultat för studien. Då vissa av bolagen har sin verksamhet i olika länder med varierande skatteregler finns det även incitament för bolagen att flytta inkomster och kostnader mellan länderför att påverka skattekostnaderna.

Tidigare studier har i många fall använt sig av vinst per aktie, men detta kan resultera i vissa problem vid mätningen. Första problemet är att vinsten inte återspeglas på bästa sätt, då den även är beroende av antalet aktier. Nyemissioner, återköp eller aktiesplittar har därmed en betydande inverkan. En ytterligare anledning till att inte använda sig av vinst per aktie de ofta mäts i små siffror, ibland endast ett par öre, vilket kan leda till mätproblem.

3.4 Datainsamling 

Datamaterialet för studien består utav konsensusprognoser över resultat samt data över verkligt utfall, sammanställda av SME Direkt. SME Direkt är en prognos- och analystjänst med konsensusprognoser för nordiska börsbolag.

Totalt består datamaterialet av 1484 observationer för prognos respektive utfall. Datamaterialet består därmed av sekundärdata. På grund av detta kan vi inte garantera att det inte förekommer felaktigheter vid sammanställningen av konsensusprognoserna. Men då SME direkts konsensusprognoser används dagligen av analytiker, investerare och i media, anser vi trots det att tillförlitligheten i vårt urval är tillfredsställande.

3.5 Urvalskriterier samt tillvägagångssätt 

 

3.5.1 Företag 

I studien används prognoser och utfall främst från de största bolagen listade på OMX börsen. Företag som AstraZeneca och Nokia har en sekundärnotering på stockholmsbörsen och finns representerade i urvalet. Nokia avnoterades från sekundärnoteringen från stockholmsbörsen 2007 men på grund av stort intresse från analytiker samt att det finns representerat i vår referensdatabas kommer studien även att behandla detta bolag. Vi anser inte att detta har en negativ inverkan på studiens resultat. Företag som har gått i konkurs eller har blivit uppköpta under perioden har inte behandlats i studien. Detta på grund av svårigheter i att kunna samla in data för dessa företag. Vi har däremot valt att inkludera de företag med kortare tidshorisont som finns representerade till dagens datum. Urvalet består utav 64 stycken bolag. Se appendix 1

3.5.2 Antal Analytiker 

3.5.3 Sektorer 

 

Då vi har för avsikt att undersöka om det finns något samband mellan träffsäkerheten i analytikers prognoser och företagens sektortillhörighet, delas urvalet in i efter sektortillhörighet. Indelning efter sektortillhörighet för urvalet bestäms genom att använda GICS´s klassificeringssystem för börsnoterade bolag (Global Industry Classification Standard) framtaget av Morgan Stanley Capital International och Standard & Poor’s. Detta system för indelning av bolag består av 10 huvudsektorer, vilka bygger på bolagens huvudsakliga affärsverksamhet (Nasdaq Omx).

1. Energi 2. Material 3. Industri 4. Sällanköp 5. Dagligvaror 6. Hälsovård

7. Finans och fastighet 8. Informationsteknik 9. Telekomoperatörer 10. Kraftförsörjning

Datamaterialet består av bolag från nio av de tio sektorerna. Sektorn Kraftförsörjning finns inte representerad då det saknas prognoser för denna. Vissa sektorer i urvalet har betydligt färre observationer än vad som kan anses som fullt tillfredsställande. Energisektorn har totalt 15 stycken observationer vilket kan anses vara för litet för att kunna dra vidare slutsatser om resultatet. Vi har trots detta valt att inkludera denna sektor.

3.5.4 Storlek 

 

Datamaterialet består endast utav prognoser för bolag som är noterade för Large Cap samt Mid Cap, därför behandlas inte konsensussiffror som avser bolag noterade på Small Cap i studien. Urvalet har delats in efter NasdaqOmx bolagslistor för Large – och Mid Cap. Indelningen har lett till 1117 stycken observationer som representerar Large Cap samt 318 stycken för Mid Cap. För att undersöka huruvida det finns ett orsakssamband mellan träffsäkerheten i analytikers prognoser och storleken på de bolagen prognoserna avser, görs utifrån det totala urvalet en indelning i två kategorier utifrån bolagens storlek.

3.5.5 Tidsintervall och kvartal 

 

Tidsintervallet för konsensusprognoserna är från Q1 2001 – Q4 2008. Vissa bolag i urvalet har en kortare tidshorisont och finns inte representerade under hela tidsintervallet, totalt 616 stycken observationer. Detta kan självklart ifrågasätta ifall urvalet är representativt då det resulterar i att observationerna är betydligt fler under senare år, men urvalet för de perioder där alla bolag inte finns representerade kan ändå anses som tillräckligt stort. Vi anser därmed att detta inte har någon betydande påverkan på studiens resultat.

3.5.6 Räkenskapsår 

 

En förutsättning för att kunna testa de presenterade hypoteserna är att samtliga företag i urvalet använder sig av samma räkenskapsår. Vissa företag använder sig av brutet räkenskapsår varför det blir svårt att ha med dessa bolag vid jämförelse för kvartal samt för undersökning av marknadstrend. På grund av detta så går observationer förlorade som kan ha varit betydelsefulla för resultatet. För de övriga undersökningarna, jämförelse sektorsvis samt för Large Cap samt Mid Cap har vi dock valt att inkludera dessa bolag då vi inte anser att det har någon betydande inverkan på studiens resultat under dessa förutsättningar.

4 HYPOTESFORMULERING 

Nedan redovisas de hypotesformuleringar som ligger till grund för undersökningen. Varför vi finner dessa intressanta att undersöka samt vad vi har för förväntningar på undersökningen. 

H1) Analytiker är generellt överoptimistiska och inte träffsäkra i sina prognoser

Som tidigare forskning visat på tenderar analytiker att vara systematiskt överoptimistiska. Det finns även studier som visar på beteenden som över- och underreaktion bland analytiker. Detta ligger till grund för vår huvudhypotes och vi förväntar oss liknande resultat.

H2) Träffsäkerheten i prognoserna varierar mellan olika sektorer

Patz (1989) konstaterar i sin studie att det förekommer skillnader mellan olika sektorer. Framför allt visar studien att det finns större prognossvårigheter för t.ex. Industrisektorn. Vi förväntar oss att utifrån vår studie kunna dra liknande slutsatser, att det förekommer skillnader mellan olika sektorer.

H3) Träffsäkerheten är bättre i prognoser gällande stora företag än för mindre företag

Patz (1989) och även Bhushnan (1989) studerade om storleken på företagen har betydelse för analytikers träffsäkerhet. Enligt de båda finns det bevis för att träffsäkerheten är bättre för prognoser gällande större företag. Med stöd av detta förväntar vi oss även att finna liknande resultat.

H4) Träffsäkerheten hos analytiker varierar inte mellan olika kvartal

Vi tror att träffsäkerheten varierar för de olika kvartalen. En anledning till detta är att det kan vara så att företagen av redovisningstekniska skäl tar upp engångskostnader vilket påverkar det slutliga resultatet. Vi förväntar oss att detta är mer vanligt förekommande under de senare kvartalen.

H5) Träffsäkerheten är större under perioder av uppåtgående marknadstrend än i nedåtgående

5 EMPIRI 

I kommande kapitel presenteras resultatet av de olika undersökningarna. Inledande presenteras en sammanställning över residualernas fördelning. Vidare redovisas resultat från samtliga regressionsanalyser samt procentuella felmarginaler för hela urvalet, sektorsvis, storleksvis, kvartalsvis och marknadstrend.  

5.1 Sammanställning av residualer för hela urvalet 

 

2 0 -2 -4 -6 99,99 99 90 50 10 1 0,01 Residual Pe rc en t 5 0 -5 2 0 -2 -4 -6 Fitted Value Re si du al 2 1 0 -1 -2 -3 -4 -5 480 360 240 120 0 Residual F re q ue nc y 1400 1300 1200 1100 1000 900 800 700 600 500 400 300 200 100 1 2 0 -2 -4 -6 Observation Order Re si du a l

Normal Probability Plot Versus Fits

Histogram Versus Order

Residual Plots for Utfall

     Figur 1 Residualanalys

Ovan redovisas genomförd sammanställning av residualer för samtliga observationer i urvalet. Som sannolikhetsdiagrammet ”Normal Probabilty Plot” för residualerna visar finns det fler

negativa extremvärden än positiva, men fördelningen kan ändå anses normal. Vid jämförelse mellan residualerna och det uppskattade verkliga utfallet ”Versus Fits” visar

resultatet inte på några tydliga mönster i fördelningen. Det förekommer därmed ingen heteroskedasticitet.

”Histogram” visar att residualerna följer en normalfördelning, med en del kurtosis. D.v.s. hög

5.2 Samtliga sektorer Q1 2001­ Q4 2008 

 

Urval Medelvärde Median

Hela Urvalet -8,3% 2,0%**

Tabell 5.2.1Procentuell felmarginal (RPE) för hela urvalet. Medelvärde samt median

it it it it RPE Utfall Prognos Utfall − =   * = Signifikant på 10 procent **= Signifikant på 5 procent

Utfallen för hela urvalet är i snitt 8,3 procent lägre än prognostiserat, men kan inte anses vara signifikant på den valda nivån 90 procent då konfidensnivån ligger på 87,9 procent. Medianavvikelsen ligger på 2 procent högre än prognostiserat, och även signifikant på en konfidensnivå på 99 procent. Medelvärdet för felmarginalen i absoluta tal ligger på 44 procent samt medianvärdet ligger på 10 procent.

 

Urval Antal obs α Pα β Pβ R2adj

Hela Urvalet 1484 -0,039 0,031** 1,020 0,000** 92,0%

Tabell 5.2.2 Regressionsanalys för samtliga sektorer samt år i urvalet it it P Uˆ=α+β +ε   * = Signifikant på 10 procent **= Signifikant på 5 procent

Vid test av samtliga prognoser för hela tidsperioden blir α -0,039. Ett negativt α-värde indikerar på att analytikerna är systematiskt överoptimistiska. Pα-värdet är på 0,031 och

nollhypotesen om att α är lika med noll kan därmed förkastas på en konfidensnivå på 96,9 procent. β -värdet för perioden är 1,020 och med ett p-värde på 0,000 är det signifikant skilt från noll, vilket indikerar en underreaktion från analytikerna i sina prognoser. R2adj -värdet

5.3 Sektorer Q1 2001­ Q4 2008 

 

Tabell 5.3.1 Procentuell felmarginal (RPE) för de olika sektorerna. Medelvärde samt median *= Signifikant på 10 procent

**= Signifikant på 5 procent

Den genomsnittliga felmarginalen ligger mellan ett intervall på -12,2 till 6,0 procent där sektorn Industri är lägst och Telecom är högst. Medianvärdet varierar från -13,0 procent för Energisektorn till 6,0 procent för Finanssektorn. Materialsektorn har ett medianvärde på 0,0 procent. För både medel – samt medianvärde är det endast sektorn Finans som visar på signifikanta värden.

Den genomsnittliga felmarginalen i absoluta tal är högst för sektorn Industri på 62,4 procent. I jämförelse med övriga sektorer är detta signifikant högre än samtliga, med undantag för sektorerna Hälsovård och Telecom. Lägst ligger Finanssektorn med 10,71 procent och detta är även signifikant lägre än samtliga sektorer på en konfidensnivå på 90 procent.

Medianvärdet för den absoluta felmarginalen är högst i Energisektorn med 18 procent och även signifikant högre än övriga sektorer med undantag för Materialsektorn. Lägst medianvärde har sektorn Hälsovård med 7,3 procent. Värdet är dock inte signifikant lägre i jämförelse med sektorerna Dagligvaror, Sällanköp samt Industri. Se appendix 4

Urval Medelvärde Median

Urval Antal obs α Pα β Pβ R2adj Energi 15 -0,119 0,219 0,99 0,000** 93,0% Material 206 -0,017 0,726 0,98 0,000** 87,1% Industri 510 -0,083 0,017** 1,01 0,000** 85,3% Sällanköp 252 0,052 0,125 0,96 0,000** 92,8% Dagligvaror 74 0,162 0,144 0,96 0,000** 93,2% Hälsovård 105 -0,110 0,076* 1,05 0,000** 95,6% Finans 120 -0,091 0,339 1,09 0,000** 92,1% IT 140 0,045 0,494 0,99 0,000** 93,2% Telecom 62 -0,019 0,804 1,01 0,000** 95,8%

Tabell 5.3.2 Regressionsanalys för samtliga år och företag i urvalet, uppdelade efter sektortillhörighet * = Signifikant på 10 procent

**= Signifikant på 5 procent

Vid test av olika sektorer visar α-värdena på en stor spridning. Lägsta α-värde på -0,119 är i Energisektorn, vilket tyder på överoptimism, men nollhypotesen kan endast förkastas på en konfidensnivå på 78,1 procent. Industrisektorn har ett α-värde på -0,083 samt ett p-värde på 0,017, vilket innebär att nollhypotesen till 98,3 procent kan förkastas. Det högsta α-värdet finns i Dagligvarusektorn. Det positiva α-värdet på 0,162 indikerar på att det prognostiserade resultatet ligger under det verkliga utfallet. P-värdet på 0,144 visar att det endast är signifikant på 85,6 procent och därmed kan inte nollhypotesen förkastas. Sektorn Hälsovård visar ett α-värde på -0,110 och ett p-värde på 0,076. Nollhypotesen kan därmed förkastas med en konfidensnivå på 92,4 procent. Analytikerna ligger systematiskt över det verkliga utfallet.

Samtliga β -värden är signifikanta med ett p-värde på 0,000. De sektorer som analytikerna

tenderar att systematiskt överreagera är Energi, Material, Sällanköp, Dagligvaror och IT.

Samtliga sektorer har ett högt R2adj – värde som ligger över 85 procent, vilket tyder på hög

5.4 Storleksindelning Q1 2001­ Q4 2008 

 

Urval Medelvärde Median

Mid Cap 12,5% -2,0%** Large Cap -5,2% -6,0%**

Tabell 5.4.1 Procentuell felmarginal (RPE) storleksvis. Medelvärde samt median *= Signifikant på 10 procent

**= Signifikant på 5 procent

Den genomsnittliga felmarginalen för Mid Cap ligger på 12,5 procent. Vilket kan jämföras mot -5,2 procent för Large Cap. Medianvärdet är negativt för både Mid Cap och Large Cap med värden på -2,0 respektive -6,0 procent samt båda signifikanta på en konfidensnivå på 95 procent.

I absoluta tal är medelvärdet 68,2 procent för Mid Cap samt 37,2 för Large Cap. Medianvärdet ligger på 15,0 procent respektive 9,2 procent. I jämförelse mellan de två har Mid Cap signifikant högre värden. Se appendix 6.

 

Urval Antal obs α Pα β Pβ R2adj

Mid Cap 328 -0,087 0,036** 0,97 0,000** 90,1%

Large Cap 1156 -0,028 0,163 1,03 0,000** 92,9%

Tabell 5.4.2 Regressionsanalys för samtliga prognoser i urvalet uppdelade efter storlek * = Signifikant på 10 procent

**= Signifikant på 5 procent

5.5 Kvartalsvis Q1 2001­Q4 2008 

 

Urval Medelvärde Median

Q1 13,1% 4,0%**

Q2 -8,8% -10,0%

Q3 5,4% 3,0%*

Q4 -34,4%** 2,0%

Tabell 5.5.1.Procentuell felmarginal (RPE)kvartalsvis, medelvärde samt median *= Signifikant på 10 procent

**= Signifikant på 5 procent

Högst genomsnittlig felmarginal är under kvartal fyra på -34,4 procent. Det är även det enda medelvärde som är signifikant skilt från noll. Kvartal ett ligger 47,5 procentenheter högre på 13,1 procent.

Medianvärdet varierar från -10,0 procent för kvartal två och 4,0 procent för kvartal ett. Signifikant skilt från noll är endast kvartal ett samt tre.

I absoluta tal varierar medelvärdet mellan 31,9 procent för kvartal tre och 73,4 procent för kvartal fyra. Kvartal fyra har signifikant större felmarginal i jämförelse med samtliga andra kvartal. Se appendix 6

Lägst medianvärde i absoluta tal finns för kvartal två på 9,8 procent och högst ligger kvartal tre samt kvartal fyra med en felmarginal på 11,0 procent. Medianvärdet för kvartal tre och fyra är signifikant större än för kvartal ett och två. Se appendix 5.

 

Urval Antal obs α Pα β Pβ R2adj

Q1 332 -0,007 0,806 1,03 0,000** 94,9%

Q2 350 0,016 0,640 1,00 0,000** 93,8%

Q3 340 -0,077 0,029** 1,04 0,000** 93,1%

Q4 340 -0,107 0,034** 1,00 0,000** 87,9%

Tabell 5.5.2 Regressionsanalys för varje enskilt kvartal * = Signifikant på 10 procent

Resultatet av testen för respektive kvartal visar på en stor spridning i α-värdena. Kvartal två visar på ett positivt α-värde på 0,016. Konfidensnivån ligger dock på låga 36 procent för kvartal två och ännu lägre för kvartal ett, 19,4 procent. Nollhypotesen kan därmed inte förkastas. Kvartal tre och fyra visar båda på negativa α-värden -0,077 respektive -0,107. Konfidensnivån för kvartal tre ligger på 97,1 procent och för kvartal fyra på 96,6 procent, vilket innebär att nollhypotesen kan förkastas för de båda.

Analytikerna tenderar att varken över – eller underreagera för kvartal två samt kvartal fyra, medan de underreagerar på vinstinformation i kvartal ett och tre.

Förklaringsgraden ligger över 85 procent för samtliga kvartal. Högst är kvartal ett med 94,9 procent.

5.6 Sektorindelning uppåtgående marknadstrend Q2 2003­ Q1 2007 

 

Urval Medelvärde Median

Samtliga -3,2% -5,0%**

Energi n.a n.a

Material -11,4% -13,8% Industri 0,8% 4,0%** Sällanköp 3,2% 3,0%** Dagligvaror 4,0%** -3,8%** Hälsovård 0,2% 2,0%** Finans 6,5%** 7,0%** IT -15,0% 3,5% Telecom -19,1%* -3,0%

Tabell 5.6.1 Procentuell felmarginal (RPE)Sektorsvis uppåtgående marknadstren, medelvärde samt median *= Signifikant på 10 procent

**= Signifikant på 5 procent

procent för Telecomsektorn och 6,5 procent för sektorn Finans. Medianvärdet för felmarginalen ligger mellan -13,8 procent för Materialsektorn och 7,0 procent för sektorn Finans.

I absoluta tal är den genomsnittliga felmarginalen för samtliga sektorer 31,2 procent och medianen är 10 procent.

Sektorsvis ligger medelvärdet i absoluta tal högst för Industri på 42,5 procent och lägst för sektorn Finans med 1,1 procent. Medianvärdet i absoluta tal är högst för sektorerna Sällanköp samt Finans med 10,5 procent och lägst för Materialsektorn med 4,0 procent. Se appendix 5

 

Urval Antal obs α Pα β Pβ R2adj

Uppgång 722 -0,010 0,686 1,020 0,000** 92,9%

Energi i.u i.u i.u i.u i.u i.u

Material 108 0,079 0,123 0,937 0,000** 90,6% Industri 270 -0,014 0,768 0,984 0,000** 85,0% Sällanköp 94 0,111 0,053* 0,944 0,000** 90,0% Dagligvaror 44 0,203 0,091* 0,977 0,000** 95,6% Hälsovård 39 -0,057 0,478 1,060 0,000** 97,8% Finans 62 -0,033 0,825 1,090 0,000** 91,5% IT 69 0,061 0,351 1,000 0,000** 95,2% Telecom 33 -0,061 0,481 1,040 0,000** 97,2%

Tabell 5.6.2 Regressionsanalys för hela urvalet samt varje sektor för tidsperioder med uppåtgående marknadstrend

* = Signifikant på 10 procent **= Signifikant på 5 procent

i.u= ingen uppgift. För få observationer

I en uppåtgående marknadstrend för samtliga bolag visar β- värdena på underreaktion från

analytikerna. Detta gäller dock inte för sektorerna Material, Industri, Sällanköp och Dagligvaror som visar på det motsatta.

R2

adj -värdet ligger samtliga över 85 procent. Den lägsta förklaringsgraden är för sektorn

Industri och den högsta är för Hälsovårdssektorn.

5.7 Sektorindelning nedåtgående marknadstrend Q1 2001­ Q2 2003, 

Q2 2007­ Q4 2008 

 

Urval Medelvärde Median

Samtliga -9,4% 1,1% Energi -9,4% -12,0% Material 7,6% -0,1% Industri -25,0% 2,0% Sällanköp 20,6% 2,0% Dagligvaror -10,8% -9,3% Hälsovård 15,6% 1,0% Finans 0,2% 2,5% IT -8,8% 1,0% Telecom 34,6% 1,0%

Tabell 5.7.1 Procentuell felmarginal (RPE) Sektorsvis nedåtgående marknadstrend, medelvärde samt median *= Signifikant på 10 procent

**= Signifikant på 5 procent

84,9 procent och lägst för sektorn Finans med 10,6 procent. Medianvärdet i absoluta tal är högst för Materialsektorn med 14 procent och lägst för sektorn Dagligvaror med 2,8 procent. Se Appendix 6

Vid en jämförelse mellan uppgång och nedgång visar nedåtgående marknadstrend på signifikant större absoluta tal, både median samt medelvärde. Se Appendix 5

 

Urval Antal obs α Pα β Pβ R2adj

Nedgång 670 -0,067 0,026** 1,010 0,000** 91,2%

Energi i.u i.u i.u i.u i.u i.u

Material 98 -0,106 0,198 1,010 0,000** 85,2% Industri 240 -0,148 0,004** 1,040 0,000** 85,6% Sällanköp 89 0,029 0,610 0,958 0,000** 91,4% Dagligvaror 30 0,151 0,467 0,924 0,000** 89,3% Hälsovård 43 -0,011 0,922 1,000 0,000** 94,6% Finans 58 -0,061 0,616 1,050 0,000** 92,2% IT 71 0,015 0,891 0,991 0,000** 92,2% Telecom 29 0,030 0,823 0,977 0,000** 94,2%

Tabell.5.7.2 Regressionsanalys för hela urvalet samt sektorsvis för tidsperioder med nedåtgående trend * = Signifikant på 10 procent

**= Signifikant på 5 procent

i.u= ingen uppgift. För få observationer

Vid test av samtliga sektorer i nedåtgående trend erhålls som i uppåtgående trend ett negativt α-värde på -0,067. Med en konfidensnivå på 97,4 procent kan nollhypotesen förkastas och analytiker är systematiskt överoptimistiska. Förklaringsgraden ligger på 91,2 procent.

För de olika sektorerna visar resultatet på stor spridning i α-värdena. Lägst ligger Industri på -0,148 och har en konfidensnivå på 99,6 procent. Konfidensnivån för övriga sektorer ligger samtliga under 90 procent och därmed är det endast för sektorn Industri som nollhypotesen kan förkastas. Högst α-värde, 0,151, har Dagligvaror med en låg konfidensnivå på 53,3 procent.

I en nedåtgående marknadstrend för samtliga bolag visar β-värdena på underreaktion från

analytikerna. Detta gäller dock inte för sektorerna Sällanköp, Dagligvaror, IT och Telecom som visar på överreaktion.

 

6  ANALYS 

Kapitlet består av en analys av utfallet för respektive undersökning. Resultaten kopplas ihop med tidigare redovisade studier, samt egna reflektioner.

   

6.1 Samtliga sektorer Q1 2001­ Q4 2008 

 

Resultatet för hela urvalet är signifikant på en konfidensnivå på 96,9 procent, vilket tyder på att analytikerna är överoptimistiska i sina prognoser.

Analytikerna ligger i snitt 8,3 procent över de verkliga utfallet men medianvärdet visar att analytikerna ligger i linje med det verkliga utfallet. Detta resultat indikerar att analytiker tenderar att vara överoptimistiska i sina prognoser, vilket bekräftar tidigare studie av konsensusprognoser gjord av De Bondt & Forbes (1999).

Det positiva β -värdet för perioden visar på en marginell men signifikant underreaktion från analytikerna i sina prognoser. Amir & Ganzach (1998) menar att beteendemönstret försiktighet är en bidragande orsak till underreaktion hos analytikerna. Detta kan även ligga bakom våra resultat, då de visar på att analytikerna underreagerar men samtidigt är överoptimistiska. Då analytiker visat sig vara mer villiga att lämna sina referenspunkter och justera upp prognoserna vid positiv information, bidrar den negativa informationen till försiktighet. Denna försiktighet bidrar till att analytiker inte justerar ned sina prognoser tillräckligt. Underreaktionen bidrar till att prognoserna i dessa fall överstiger de verkliga utfallen. Det kan även förklaras av resultaten från tidigare studier om flockbeteende. Analytiker undviker att vara först att presentera negativ information, av rädsla från att avvika från övriga.

R2adj -värdet ligger på 92,0 procent och visar på en hög förklaringsgrad. De höga

fram till att just oväntade skattejusteringar kan ha en stor inverkan på det slutgiltiga resultatet och då även sambandet mellan variablerna.

6.2 Sektorsvis Q1 2001­ Q4 2008 

 

Vid test av olika sektorer visar α-värdena på en stor spridning. De sektorer som enligt vår empiri visar indikationer på överoptimism är sektorerna Energi, Material, Finans, Industri, Hälsovård samt Telecom med negativa α-värden. Lägsta α-värde på -0,119 är i Energisektorn, vilket tyder på överoptimism i prognoserna. Däremot är det endast Industrisektorn och Hälsovård som visar på statistiskt signifikanta värden med en konfidensnivå på 98,3 procent respektive 92,4 procent. Industrisektorn har även det högsta absoluta medelfelet jämfört med de övriga. Industrisektorn kännetecknas då inte bara utav överoptimism, utan är även den sektor som analytikerna har störst fel och därmed lägst träffsäkerhet.

Samtliga β- värden är signifikanta med ett p-värde på 0,000. De sektorer som analytikerna

tenderar att systematiskt underreagera är Industri, Hälsovård, Finans och Telecom. Analytiker för Finanssektorn tenderar att underreagera med nio procent, vilket kan bero på att analytikerna är försiktiga med att justera ned eller upp sina prognoser. Det kan ha sin förklaring i att Finanssektorn är förhållandevis konjunkturkänslig. Bolagen tillhörande Finanssektorn har under den studerade tidsperioden påverkats av konjunktursvängningar i högre grad än vad analytiker förutspått.

Förklaringsgraden (85,3 procent) som är den lägsta av samtliga ger även indikationer på att felmarginalerna inte enbart kan förklaras av avvikelser när resultatet är nära noll. Patz (1989) fann i sin studie liknande resultat, att Industrisektorn var den mest svårprognostiserade i jämförelse med övriga sektorer. Anledningen till graden av överoptimism och låg träffsäkerhet i sektorn Industri tror vi kan förklaras av att sektorn innefattar företag som tillverkar varor och tjänster som är mer konjunkturkänsliga än övriga sektorer. Detta bidrar till att konjunkturella svängningar får en stor inverkan på dessa företags resultat, vilka kan vara svåra för analytiker att förutse.

sektor som visar sig vara mindre svår att prognostisera i jämförelse med Industrisektorn. De absoluta felmarginalerna är signifikant lägre än för Industrisektorn. Detta indikerar på högre träffsäkerhet, vilket även överrensstämmer med Patz (1999) resultat. Samtliga procentuella felmarginaler är låga för Dagligvaror i förhållande till övriga sektorer och även de absoluta felmarginalerna är förhållandevis låga. Dagligvarusektorn är till skillnad från Industrisektorn mindre känslig för konjunktursvängningar, vilket vi tror kan förklara den högre träffsäkerheten.

6.3 Storleksindelning Q1 2001 – Q4 2008  

 

Vid indelning av urvalet efter storlek kan en märkbar skillnad mellan bolag noterade på Mid Cap och Large Cap urskiljas. Analytiker för mindre bolag visar på sämre träffsäkerhet och är systematiskt positiva i sina prognoser. Nollhypotesen för Mid Cap förkastas på en konfidensnivå på 96,4 procent. Detta styrks även av de absoluta felmarginalerna för Mid Cap, som visar på signifikant större fel än för Large Cap.

Detta resultat bekräftar hypotesen om att träffsäkerheten varierar beroende på företagens storlek. Anledningen till detta tror vi kan vara att intresset för Mid Cap -bolag i allmänhet är mindre än för Large cap bolag. Färre, samt mindre erfarna analytiker, mindre genomsnittlig tid som läggs ned på bevakning av bolagen samt investerarkommunikation är troligen några faktorer som bidrar till den bristande kvalitén i prognoserna. Patz (1989) och Bhushnan (1989) förde liknande resonemang i sina studier om att bättre träffsäkerhet förelåg i analyser avseende större företag.

Analytikerna som bevakar Mid Cap bolag tenderar även att överreagera medan analytiker som täcker Large Cap bolag tenderar att underreagera på vinstinformation. Båda p-värden för β är

6.4 Kvartalsvis Q1 2001 – Q4 2008 

 

Vid analysen för de olika kvartalen visar resultatet på en anmärkningsvärd trend. Prognoserna för kvartal tre och fyra är mindre träffsäkra och mer överoptimistiska än för de två föregående kvartalen. Kvartal fyra är det som visar på störst överoptimism. Kvartal tre samt fyra är även det enda kvartalen som visar på signifikanta resultat på en konfidensnivå på 97,1 respektive 96,6 procent. Den procentuella felmarginalen styrker detta resultat då kvartal fyra innefattar störst negativa fel. Även felmarginalen i absoluta tal redovisar liknande resultat för kvartal fyra. β-värdena visar däremot inte några tecken på över – eller underreaktion för kvartal fyra.

Anledningen till den märkbara skillnaden i träffsäkerheten för kvartal fyra i förhållande till de övriga kvartalen kan bero betydande engångsposter. En anledning tror vi kan vara att företagen av redovisningstekniska skäl inför bokslut väljer att ta upp okommunicerade engångskostnader, omstruktureringskostnader och nedskrivningar i större omfattning än för de övriga kvartalen.

6.5 Sektorindelning marknadstrend Q1 2001­ Q4 2008 

 

För samtliga sektorer i urvalet under en uppåtgående marknadstrend visar resultatet på ett icke signifikant resultat, vilket innebär att det inte går att dra några slutsatser om analytiker är överoptimistiska eller överpessimistiska. Sektorsvis visar däremot Dagligvaror samt Sällanköp på signifikanta värden som visar på att analytikerna undervärderar dessa sektorers resultat under en uppåtgående marknadstrend.

För sektorerna däremot finns det tecken som tyder på att det finns skillnader. För sektorerna Material och Industri visar resultatet på att analytiker övergår från överreaktion i en uppåtgående marknadstrend till att bli mer försiktiga och underreagera i en nedåtgående marknadstrend. Motsatta förhållanden gäller för sektorerna It och Telecom.

En anledning till att prognoserna har stor avvikelse kan vara att analytikerna tenderar att undervärdera konjunktursvängningarna och inte justerar ner sina prognoser tillräckligt. Detta kan ävenkopplas till tidigare studie om flockbeteende (De Bondt & Forbes 1999). Analytiker vill enligt denna ogärna vara först ut med att presentera negativ information, vilket troligtvis är mer vanligen förekommande i nedåtgående marknadstrend, varför det finns tecken på att de undervärderar, eller kanske medvetet väljer att inte justera ned sina prognoser i samma omfattning som vid positiv information.

Vid en jämförelse av absoluta tal visar nedåtgående marknadstrend på signifikant större fel av analytikerna än för uppåtgående. Detta kan ha sin orsak i att högre volatilitet och större osäkerhet om framtiden råder i en nedåtgående marknadstrend.

Nedan redovisas en sammanställning över de regressioner i undersökningen som visar på signifikanta resultat. Urval Antal obs α Pα β Pβ R2adj Hela Urvalet 1484 -0,039 0,031** 1,020 0,000** 92,0% Industri 510 -0,083 0,017** 1,01 0,000** 85,3% Hälsovård 105 -0,110 0,076* 1,05 0,000** 95,6% Mid Cap 328 -0,087 0,036** 0,97 0,000** 90,1% Q3 340 -0,077 0,029** 1,04 0,000** 93,1% Q4 340 -0,107 0,034** 1,00 0,000** 87,9%

Sällanköp - uppåtgående markn. trend 94 0,111 0,053* 0,944 0,000** 90,0% Dagligvaror - uppåtgående markn. trend 44 0,203 0,091* 0,977 0,000** 95,6% Samtliga nedåtgående markn. trend 670 -0,067 0,026** 1,010 0,000** 91,2% Industri - nedåtgående markn. trend 240 -0,148 0,004** 1,040 0,000** 85,6% Tabell 6.5.1 Sammanställning över signifikanta värden från samtliga regressionsanalyser

*= Signifikant på 10 procent **= Signifikant på 5 procent

7 SLUTSATSER 

Avslutningsvis ges svar på de hypoteser som formulerats i kapitel 4. Vidare redogörs även för förslag på framtida forskning i ämnet.

H1) Analytiker är generellt överoptimistiska och inte träffsäkra i sina prognoser

Vi anser att hypotesen om att analytiker generellt visar på överoptimism samt bristande träffsäkerhet är sann. Det finns vissa undantag i resultatet från studien som visar på det motsatta. Men då de positiva prognoserna är övervägande samt att resultatet för undersökningen av samtliga observationer styrker denna hypotes, anser vi att det finns tecken på överoptimism.

H2) Träffsäkerheten i prognoserna varierar mellan olika sektorer

Studien visar på att det förekommer vissa skillnader i träffsäkerheten för de olika sektorerna. Vid jämförelse av de olika sektorerna visar resultatet på störst signifikanta skillnader för Industrisektorn mot Dagligvarusektorn samt Sällanköpssektorn. Då detta resultat styrker tidigare studie om störst brister i träffsäkerheten för just Industrisektorn, anser vi att hypotesen inte kan förkastas.

H3) Träffsäkerheten är bättre i prognoser gällande stora företag än för mindre företag

Resultatet visar på att företag noterade på Mid Cap är mer svårprognostiserade i jämförelse med de noterade på Large Cap. Som tidigare nämnts finns flera anledningar till utfallet av detta resultat. Då det visat sig förekomma ett större intresse för större bolag samt mer att tjäna på information avseende dessa bolag, styrker det våra resultat. Träffsäkerheten är därmed större för de företag noterade på Large Cap.

H4) Träffsäkerheten hos analytiker varierar inte mellan olika kvartal

Resultaten visar på tydliga prognossvårigheter för kvartal tre samt fyra i jämförelse med de övriga. Detta visar på att träffsäkerheten minskar ju närmre bokslut företagen befinner sig. Vi kan därmed förkasta hypotesen om att ingen skillnad föreligger.

H5) Träffsäkerheten är bättre under perioder av uppåtgående marknadstrend än i nedåtgående

konstatera att en nedåtgående marknadstrend har större prognosfel än uppåtgående. Av denna anledning kan vi inte förkasta hypotesen.

 

7.1 Förslag till framtida forskning 

 

Detta ämne är onekligen ett inte tillräckligt utforskat ämne gällande förhållanden på den svenska marknaden och det finns mycket som skulle vara av intresse att undersöka mer djupgående. Det skulle vara intressant att undersöka hur snabbt analytikerna justerar sina prognoser samt hur de reagerar på olika typer av information. En ytterligare intressant studie vore att mer djupgående undersöka om den bristande träffsäkerheten kan ha sin förklaring i företagens justering av deras resultat, snarare än enbart bristande förmåga hos analytiker?

8 Referenser 

Artiklar

De Bondt,W.F.M. Forbes, R.H, 1999. Herding in analyst earnings forecasts: Evidence from the United Kingdom, European Financial Management. Vol 5, s. 143-163

Abarbanell, J. Lehavy, R. 2003. Biased forecasts or biased earnings? The role of reported earnings in explaining apparent bias and over/ under reaction in analyst´s earnings forecasts,

Journal of Accounting and Economics, Vol 36 s.105-146

Amir, E. Ganzach, Y. 1998. Overreaction and Underreaction in Analyst´s Forecasts, Journal

of economic Behavior and Organization. Vol 37, s. 333-347

Brown,L.D, Richardson, G.D, Schwager,S.J, 1987, An Information Interpretation of

Financial Analyst Superiority in Forcasting Earnings, Journal of Accounting Research. Vol

25 s. 49-67

Brown, L.D, Rozeff, M. 1978. The superiority of analyst forecasts as measures of expectations: Evidence from Earnings, Journal of Finance s. 1-6

Conroy, R. Harris, R 1987, Consensus Forecasts of Corporate Earnings: Analysts Forecasts and Time Series Methods, Management science, Vol 33, s.725-737

Dhaliwal, D. Gleason, C. Mills, L. Last-Chance Earnings Management: Using the Tax

Expense to Meet Analysts’ Forecasts Contemporary Accounting Research Vol. 21 Nr. 2.

2004. pp. 431–59

Easterwood, J. Nutt, S. 1999, Inefficiency In Analyst´s Forecasts: Systematic Missreaction or Systematic Optmism?, The journal of finance Vol 54, nr 5 s. 1777-1797

Elton, E. Gruber, M, 1972, Earnings Estimates and The Accuracy Of Expectational Data,

Management science, Vol 18, nr 8, s.409-424

Givoly, D. 1985, The Formation of Earnings Expectations, The accounting review Vol. 60

Nr.3, s. 372-386.

Patz, H, 1989. UK Analyst´s Earnings Forecasts, Accounting and Business Research, Vol 19,

Litteratur

Elton, E. Gruber, M. Brown, S. Goetzmann, W, 2003, Modern Portfolio Theory and Investment Analysis, 6: e upplagan, John Wiley & sons inc, New York

Körner. S, Wahlgren. L, 2000,Statistisk dataanalys, Studentlitteratur, Lund

Newbold, P. Carlson, W.L. Thorne, B. 2003, Statistics for Business and Economics 5:e

upplagan, Pearson Education Inc. Upper Saddle River NJ USA

Ravi Bhushnan, 1989,Firm Characteristics and Analyst Following, Journal of accounting and

economics, July, s. 255-274 -I Gerald I. White, et al. 2d 1997, The analysis and use of financial statements, John Wiley & sons inc, New York

Ross, S. Westerfield, R. Jordan, B. Roberts G. 2007, Fundamentals of corporate finance, 6:e

kanadensiska upplagan, McGraw-Hill, USA

Shleifer, A. 2000, Inefficient Markets, An Introduction to Behavioral Finance, Oxford

university press inc., New York

Internet

Privata Affärer, Aktiessparare köper igen, 2009-04-11

http://www.privataaffarer.se/nyheter/Pressmeddelanden/pressmeddelande.xml?intPressReleas eID=133998

European Central Bank, Valutakurser, 2009-04-20

http://www.ecb.int/stats/exchange/eurofxref/html/index.en.html#dowloadsInledning

Aktiespararna, Hur träffsäkra är egentligen analytikernas prognoser? 2009-04-12

http://www.aktiespararna.se/artiklar/Opinion/Hur-traffsakra-ar-egentligen-analytikernas-prognoser/

NasdaqOMX, Sektorindelning (GICS) 2009-04-10

http://www.nasdaqomx.com/whatwedo/servicesforcompanies/nordicmarket/visibility/Sector_ Classification/

E24, De tjänar miljoner på ständiga köpråd, 2009-05-15

http://www.e24.se/branscher/bankfinans/artikel_79521.e24

9

Appendix

Appendix 1 Företag representerade i urvalet, samt sektortillhörighet

Företag Obs Sektor Företag Obs Sektor

ABB 32 Industrivaror och -tjänster MTG 31 Sällanköpsvaror och –tjänster

Alfa Laval 25 Industrivaror och -tjänster Munters 20 Industrivaror och -tjänster

Assa Abloy 31 Industrivaror och -tjänster NCC 30 Industrivaror och -tjänster

AstraZeneca 32 Hälsovård Nobia 11 Sällanköpsvaror och –tjänster

Atlas Copco 30 Industrivaror och -tjänster Nokia 32 IT

Autoliv 32 Sällanköpsvaror och -tjänster Nordea Bank 31 Finans och Fastighet

Axfood 25 Dagligvaror Orc Software 20 IT

Axis 5 IT Oriflame 19 Dagligvaror

Billerud 24 Meterial PA Resources 5 Energi

Boliden 17 Meterial Peab 4 Industrivaror och -tjänster

Clas Ohlson 27 Sällanköpsvaror och –tjänster Q-Med 10 Hälsovård

Electrolux 30 Sällanköpsvaror och –tjänster RnB 4 Sällanköpsvaror och –tjänster

Elekta 23 Hälsovård Sandvik 32 Industrivaror och -tjänster

Eniro 29 Sällanköpsvaror och –tjänster SAS 30 Industrivaror och -tjänster

Ericsson 30 IT SCA 32 Meterial

Getinge 30 Hälsovård Scania 31 Industrivaror och -tjänster

Gunnebo 27 Industrivaror och -tjänster SEB 31 Finans och Fastighet

H&M 32 Sällanköpsvaror och –tjänster Securitas 31 Industrivaror och -tjänster

Haldex 28 Industrivaror och -tjänster SHB 29 Finans och Fastighet

Hexagon 9 Industrivaror och -tjänster Skanska 31 Industrivaror och -tjänster

HiQ 16 IT SKF 30 Industrivaror och -tjänster

Holmen 31 Meterial SSAB 32 Meterial

Husqvarna 11 Sällanköpsvaror och –tjänster Stora Enso 32 Meterial

Höganäs 31 Meterial Swedbank 29 Finans och Fastighet

Intrum Justitia 20 Industrivaror och -tjänster Swedish Match 30 Dagligvaror

KappAhl 6 Sällanköpsvaror och –tjänster Tele2 30 Telecom

Lindab 5 Industrivaror och -tjänster TeliaSonera 22 Telecom

Lundin Mining 7 Meterial TietoEnator 31 IT

Lundin Petroleum 10 Energi TradeDoubler 6 IT

Appendix 2 Valutakursomräkning, kvartalsvis Q1 2001-Q4 2008

Kvartal EUR USD GBP

Appendix 3 Graf över OMXS30. Q1 2001-Q4 2008

 

Appendix 5 Absolut felmarginal, jämförelse storleksvis, kvartal samt marknadstrend

  APE(Median)    P  APE(medel)    p 

Mid Cap - Large Cap 14,7%  >  9,3%  0,0000**  68,2%  >  37,2%  0,000** 

Appendix 6 Absolut felmarginal Marknadstrend samt respektive sektor

Bransch  APE(MEDEL)  APE(MEDIAN) 

Upp  31,2%  4,0% 

Energi  n.a  n.a