1
Författare: Arvid Särkiniemi och Pietari Panhelainen Ämne: Kandidatuppsats i företagsekonomi 15 hp Program: Kandidatprogram i företagsekonomi Företagsekonomiska institutionen
Uppsala universitet Vårterminen: 2020
Handledare: Anna-Carin Nordvall
Institutionellt ägande och volatilitet
Institutional ownership and Volatility
Sammanfattning:
Vi undersöker sambandet mellan volatilitet och institutionell breadth of ownership på
Stockholmsbörsen mellan 2010 och 2018. Denna undersökning är unik eftersom vi använder breadth of ownership som mått på institutionellt ägande. Den från litteraturen formade
hypotesen att institutionellt ägande bör ha en dämpande effekt på volatiliteten motbevisades. Vi fann istället att större breadth of ownership förknippas med högre volatilitet i medelstora och stora företag, medan sambandet inte var signifikant i små företag. Vidare såg vi att småbolag som lämnat utdelning förknippades med en högre volatilitet. Vi menar att dessa observationer till stor del kan förklaras av att institutioner skapar volatilitet i aktier de äger som följd av ökade handelsvolymer.
Nyckelord: Volatilitet, Institutionellt ägande, Utdelning, Breadth of ownership
Abstract:
This paper investigates the relationship between stock return volatility and institutional breadth of ownership on the Swedish stock market during the period from 2010 to 2018. Our paper is unique in its form since we are using institutional breadth of ownership as a proxy for
institutional ownership. The hypothesis is based on prior literature that suggests institutional ownership and volatility should be negatively correlated. Instead we found the relationship to be positive in medium and large firms, and not significant in small firms. Furthermore, we found that small firms that pay dividends have had a significant positive relation to volatility. We suggest that these observations largely can be explained by institutional investors increasing trading volumes, and as an extension increasing volatility.
Keywords: Volatility, Institutional Ownership, Dividends, Breadth of Ownership
Innehållsförteckning
1. Introduktion ... 1
2. Litteraturöversikt ... 3
2.1 Breadth of ownership, likviditet och volatilitet ... 3
2.2 Institutionellt ägande och volatilitet ... 3
2.3 Andra volatilitetsteorier ... 5
2.4 Hypotes ... 6
3. Metod ... 6
3.1 Urval och datainsamling ... 6
3.1.2 Gruppering av data och kriterier för datainsamling ... 7
3.1.3 Brister i studien ... 7
3.1.4 Survivorship Bias ... 8
3.2 Statistisk modell ... 8
3.3 Variabler ... 9
3.3.1 Volatilitet ... 9
3.3.2 Breadth of ownership ... 9
3.3.3. Osäkerhet i vinstestimat ... 10
3.3.4 Asymmetrisk information ... 10
4. Resultat och analys ... 11
4.1 Deskriptiv Statistik ... 11
4.2 Regressionsanalys ... 16
4.2.1. Volatilitet och BOO ... 16
4.2.2 Volatilitet och utdelning ... 17
5. Slutsatser ... 18
Källförteckning ... 20
Appendix. ... 22
1
1. Introduktion
Forskning om volatilitet är ett centralt ämne inom finansiering. Volatiliteten i aktiers avkastning (hädanefter; Volatilitet) är intressant ur ett riskhanterings- och
prissättningsperspektiv. Volatilitet är variationen i ett värdepappers pris, dvs hur mycket priset svänger upp och ned under en viss tidsperiod. Att förstå volatilitet och dess orsaker har en praktisk funktion för investerare som vill förstå vilken risk ett visst värdepapper har.
Volatilitet är exempelvis en central variabel i Black-Scholes modellen för prissättning av optioner. Men också avgörande för hur stor del av en investeringsportfölj som kan bestå av ett visst värdepapper.
Tabell 5 i appendix illustrerar tydligt fenomenenet att aktiepriser svänger upp och ner. Dessa svängningar syns i aktieprisets såväl som aktieavkastningens utveckling. Figurerna visar i detta fall stora svängningar upp och ner, vilket indikerar att det finns mycket volatilitet på marknaden. Panel C i tabell 5 visar genom den skiftande storleken på taggarna att vissa dagar är mer volatila än andra. Forskning om volatilitet syftar till att förstå hur dessa svängningar uppstår och vilka konsekvenser de har för ett värdepappers risk och prissättning.
År 2018 bestod enligt Statistiska Centralbyrån (SCB) ägandet på Stockholmsbörsen till 88 % av svenska och utländska institutioner, jämfört med 71% år 1984. Vilket ger oss anledning att anta att institutioners påverkan och inflytande på aktiemarknaden är större än någonsin. Vi undersöker i denna artikel sambandet mellan volatilitet och institutionell breadth of
ownership (hädanefter; BOO). BOO definieras och mäts på olika sätt i tidigare litteratur beroende på vilken ägargrupp man undersökt. Abrahamson och De Ridder (2015) definierar BOO som den andel av totala antalet investerare på marknaden som äger en specifik aktie. Då vi intresserarar oss av det institutionella ägandet beräknas BOO som den andel av svenska marknadens svenska institutioner som äger delar av ett givet företag i urvalet.
I vår undersökning syftar BOO till att mäta det institutionella ägandet, vi beräknar därför BOO som andelen svenska institutioner som äger en aktie i förhållande till totala antalet svenska institutioner på Stockholmsbörsen. Ägarstrukturen är relevant att undersöka eftersom dess sammansättning har stor påverkan på ett företags bolagsstyrning och prissättningen av värdepappret.
2 I dagsläget finns stora mängder forskning om volatilitet och institutionellt ägande som
enskilda ämnen, samt relativt mycket forskning om relationen mellan dessa. Däremot finns inga artiklar som behandlar denna relation där BOO använts som mått på institutionellt ägande. Dessutom finns ingen konsensus gällande institutionellt ägande och dess påverkan på volatilitet, utan resultateten har pekat både mot negativa och positiva samband. Denna artikel syftar till att undersöka hur BOO påverkar aktiers prisvolatilitet och därmed minska de luckor som finns i tidigare litteratur.
Det negativa sambandet i tidigare forskning förklaras primärt av Rubin och Smith (2009) som argumenterade att institutioner prissätter aktier bättre eftersom de, jämfört med
individer, är mer finansiellt sofistikerade. Vilket också förklarar varför West (1988) fann att volatiliteten minskade när mängden och kvaliteten på tillgänglig information ökade. Grullon, Kanatas och Weston (2004) fann också att likviditeten i aktier förbättrades när den ägdes av fler institutioner, vilket enligt Będowska-Sójka och Kliber (2019) har en dämpande effekt på volatiliteten.
Å andra sidan förklaras det positiva sambandet av att institutioner med hög frekvens omsätter värdepappren i sin portfölj (Karpoff, 1987), demonstrerar ett flockbeteende (herding) (Sias, 2004) och därmed bidrar till stora handelsvolymer och som följd ökad volatilitet (Zhang, 2010).
Resultatet av undersökningen misslyckades med att stödja den formulerade hypotesen att större BOO skulle minska volatilitet. Istället såg vi att medelstora och stora företag tenderade att vara mer volatila när BOO var större (signifikant på 1% och 10% nivå). Resultatet var i linje med Jankensgård och Vilhelmsson (2018) med svenska data, samt Campbell, Lettau, Malkiel och Xu (2001), Xu och Malkiel (2003) och Dennis och Strickland (2004) med
amerikanska data. Precis som Jankensgård och Vilhelmsson (2018) förklarar vi resultatet som en följd av handelskanalen föreslagen av Zhang (2010).
Vi fann också ett positivt samband mellan utdelning och volatilitet bland små företag, vilket också möjligen kan förklaras av handelskanalen som Zhang (2010) föreslog. När ett litet företag betalar utdelning lockar det till sig investerare, vilket ökar handelsvolymer som i sin tur skapar större volatilitet.
3
2. Litteraturöversikt
I detta kapitel presenterar vi först litteraturen som länkar samman BOO och volatilitet. Detta åskådliggörs sedan med tidigare studier om institutioners påverkan på volatilitet, samt ett avsnitt om andra faktorer som förväntas påverka volatilitet. I de sista delarna sker utveckling av hypotes och en formulering av denna.
2.1 Breadth of ownership, likviditet och volatilitet
Grullon, Kanatas och Weston (2004) fann att effektiv marknadsföring skapade en ökning i företagets breadth of ownership, både sett till totala antalet ägare men också institutionell BOO. Grullon et al. (2004) såg även som följd en signifikant ökning i aktiens likviditet.
Chordia, Roll och Subrahmanyam (2000) definierade likviditet som förmågan att köpa och sälja ett värdepapper till ett lågt pris utan att ha någon större påverkan på priset. Enligt Będowska-Sójka och Kliber (2019) tenderar högre likviditet att minska den framtida volatiliteten. Vi anser därmed att institutionell breadth of ownership bör ses som ett
likviditetsmått som med hänsyn till litteraturen förväntas ha en negativ relation till volatilitet.
Litteraturen visar att man frekvent undersökt BOO, likviditet och volatilitet var för sig men det finns inga studier som gör en koppling direkt mellan BOO och volatilitet, därför ser vi att det är intressant att undersöka den här kopplingen.
2.2 Institutionellt ägande och volatilitet
Vid tidpunkten för denna artikel pekar bevisen åt olika håll gällande institutionellt ägande och volatilitet. Det finns en stor mängd litteratur som tycks visa en negativ relation, men också en mängd litteratur som pekar mot en positiv relation mellan institutionellt ägande och volatilitet.
4 Enligt Merton (1987) finns ett samband mellan storleken på investerarbasen och förväntad avkastning. Investerares portfölj består av aktier som denna är informerad om. Aktiens efterfrågan baseras därmed på vilken andel av marknaden som är informerade om aktien.
Merton (1987) argumenterar att aktier med en liten investerarbas bör ha lägre pris och högre förväntad avkastning. Avkastningspremien förklaras av företagsspecifika risken och storleken på investerarbasen. Wang (2007) förklarar att en större investerarbas bör minska volatilitet då priset bättre speglar fundamenta. Den litteratur som pekar på ett negativt samband mellan institutioner och volatilitet grundar sig i att institutionella investerare har bättre information jämfört med övriga individuella investerare. Enligt West (1988) minskar variansen i aktiers avkastning, det vill säga volatiliteten, när mängden och kvaliteten på tillgänglig information förbättras. Rubin och Smith (2009) skriver att institutionella investerare är bättre informerade och bättre tolkar prissignaler och som följd minskar volatiliteten. Rubin och Smith (2009) lyfte även fram att institutioner ofta investerar åt andra människor och därmed ställs inför agentproblemet. För att undvika att institutioner spekulerar med andras kapital investerar de under andra lagar och regler än individuella investerare. Rubin och Smith (2009) förklarar att institutioner på grund av detta tenderar att investera i företag med låg volatilitet. Chichernea, Ferguson och Kassa (2015a) och Chichernea, Petkevich och Zykaj (2015b) förklarade att institutioner har en dämpande effekt på volatilitet om de investerar med en långsiktig tidshorisont, eftersom de då inte har någon större påverkan på handelsvolymer. Även Jankensgård och Vilhelmsson (2018) fann att institutionellt ägande, förutsatt lång tidshorisont, hade en dämpande effekt på volatiliteten.
Det finns stöd för att institutionellt ägande och volatilitet korrelerar positivt. Karpoff (1987) förklarade att institutioner har en större omsättning av värdepapper i sin portfölj till följd av att de viktar om sin portfölj mer frekvent än individuella investerare. Större omsättning av värdepapper skapar mer handel och följaktligen en ökad volatilitet. Zhang (2010) förklarade att högre handelsvolymer associeras med högre volatilitet som följd av att priser tenderar att röra sig i samband med handel. Detta samband benämnde Zhang (2010) som en handelskanal (The trading channel). Enligt Chichernea et al. (2015 a,b) skapar institutionellt ägande med kortsiktig investeringshorisont ökad volatilitet eftersom dessa investeringar är mer frekventa, och skapar mer handelsvolym även om de tenderar att vara mindre i storlek. Sias (1996) observerade svaga bevis för att institutionellt ägande orsakade volatilitet snarare än att volatiliteten i sig lockade till sig institutioner. Enligt Jankensgård och Vilhelmsson (2018) är det viktigt att påpeka att institutioner i sig inte påverkar volatiliteten. I själva verket är det är
5 de olika handelsbeteenden hos olika kategorier av investerare som påverkar. Enligt Sias (2004) visar institutioner upp ett sorts flockbeteende (herding) där de ofta investerar baserat på vad en annan institution gjort snarare än sin egen analys. Dennis och Strickland (2002) visade att flockbeteendet och reaktionerna hos institutioner, under en dag när
värdeförändringen på börsen är stor, är starkare än för individuella investerare. Dennis och Strickland (2002) fann att aktier med större andel institutionella ägare tenderade att omsättas betydligt mer än andra aktier under dagar med mycket volatilitet.
2.3 Andra volatilitetsteorier
Zhang (2010) behandlar fundamenta (fundamentals), faktorer som påverkar osäkerheten kring framtida intäkter, som en viktig teori gällande förklaring av volatilitet. Jankensgård och Vilhelmsson (2018) refererar till detta som osäkerhet i vinstestimat (earnings uncertainty).
Pástor och Veronesi (2003) samt Wei och Zhang (2006) tittade på osäkerhet i vinstestimat genom variationen i tvärsnittet av intäkter. Medan Cao, Simin och Zhao (2008) undersökte tillväxt alternativ (positiva NPV-projekt) som proxy för osäkerhet i vinstestimat. Argumentet för Cao et al. (2008) tillvägagångssätt är att osäkerheten kring framtida intäkter är högre ju större andel av företagets värde baseras på potentiella positiva NPV-projekt (snarare än intäkter från redan tillgängliga tillgångar). Jankensgård och Vilhelmsson (2018) menar att dessa studier sammantaget påvisar ett positivt samband mellan osäkerhet i fundamenta och volatilitet. Jankensgård och Vilhelmsson (2018) hävdar också att osäkerheten som beskrivits ovan kan förstärkas av informationsasymmetri. Enligt Jankensgård och Vilhelmsson (2018) får investerare svårare att göra en korrekt bedömning av framtida finansiella situationen, vilket leder till fler och större revideringar av bedömningarna och som följd större volatilitet.
Att företagets utdelningspolitik bör tas i beaktning vid granskning av relationen mellan institutionellt ägande och volatilitet bekräftades av Rubin och Smith (2009). Rubin och Smith (2009) fann ett positivt samband bland företag som lämnar utdelning, och ett negativt
samband bland företag som inte lämnar utdelning. Rubin och Smith (2009) hänvisade till Karpoff (1987) hypotes om att institutioner mer frekvent, relativt till individuella investerare, omsätter sina innehav i värdepapper som förklaring. Vo (2016) förklarar att det positiva sambandet eventuellt kan drivas på av att institutioner föredrar att investera i företag som
6 lämnar utdelning och dessutom följer andra institutioners investeringar (herding). En möjlig förklaring till det negativa sambandet som observerats bland företag som inte betalat
utdelning ligger i att dessa tenderar att vara mindre företag. Avkastningen i mindre företag är enligt Pástor och Pietro (2003) och West (1988) mer volatil som följd av att osäkerheten kring framtida finansiella situationen är större. Singhvi och Desai (1971) argumenterade att företag som redovisar bristfällig information tenderar att vara små och är mindre lönsamma sett till avkastning. Singhvi och Desai (1971) argumenterade att kvaliteten på den information som företag redovisar i stor utsträckning påverkar kvaliteten på investerares
investeringsbeslut.
2.4 Hypotes
Vi förväntar oss att volatilitet och BOO har ett negativt samband. Denna misstanke bottnar dels i Jankensgård och Vilhelmsson (2018) resultat, där ett negativt samband mellan antalet institutioner och volatilitet observerades när de ännu inte kontrollerat för investeringens storlek och tidshorisont. Men också i relationen mellan BOO, likviditet och volatilitet som beskrevs i del 2.1.
H1: Det finns ett negativt samband mellan volatilitet och BOO
3. Metod
3.1 Urval och datainsamling
Vårt urval består av kombinationen av två databaser. Thomson Reuters Datastream för samtliga finansiella data och VIRSO - databasen (Visby Research in Stock Ownership) för ägardata. Tidsintervallet för undersökningen är 2010–2018 och baserar sig på samtliga företag noterade på Stockholmsbörsen. 180 av de 368 aktier från de två dataseten uppnådde våra kriterier och valdes därför ut till vår studie. Skäl för uteslutning var att företaget börsnoterades under perioden, lämnade börsen under perioden, eller att nödvändiga data saknades i Datastream alternativt VIRSO. För företag med flera aktier uteslöts de minst omsatta aktierna (Eikon kod: VO). Urvalet delas i den statistiska analysen upp i 10 portföljer
7 (deciler) baserat på naturliga logaritmen av företagets börsvärde (Eikon kod: MV) där portfölj 1 (decil 1) är de minsta företagen.
En konsekvens av att urvalet innehåller företag av varierande storlek är att vårt datamaterial har en stor spridning. För att hantera denna spridning transformerades datamaterialet genom två separata winzorisingar. Först genomfördes en winzorising av de 2,5 respektive 97,5 percentilerna, vilket omfattade 80 observationer. I ett senare skede observerades en
signifikant spridning av materialet inom de 10 portföljerna. Detta problem hanterades genom ytterligare en winzorising vid samma percentiler av de individuella portföljerna, vilket omfattade 8 observationer per portfölj.
3.1.2 Gruppering av data och kriterier för datainsamling
Huvudsakliga anledningarna till att vi uteslöt nya börsnoteringar samt aktier som lämnat börsen är att dessa troligtvis tenderar att vara mer volatila. De stora rörelserna i aktiepriset hos nyligen börsnoterade företag och företag som lämnat börsen beror inte på de faktorer vi ville undersöka i uppsatsen, dvs institutionellt ägande.
Aktierna delades upp i 10 portföljer för att minska spridningen i datamaterialet och därmed kunna göra en bättre regressionsanalys. Aktierna delades upp baserat på företagets börsvärde, vilket beräknades genom att ta naturliga logaritmen av företagets börsvärde (Eikon kod:
MV). Portföljerna är sorterades i storleksordning där portfölj 1 består av de minsta företagen och portfölj 10 består av de största företagen. Vi valde att basera portföljerna på företagets storlek eftersom syftet var att lösa problemet med stor spridning i volatilitetsdata mellan stora och små företag.
3.1.3 Brister i studien
Efter omfattande databearbetning och statistiska analyser genomförts och analys gjorts av resultaten blev vi medvetna om vissa brister i studien där dessa skulle kunnat avhjälpas med omgruppering i datat. I denna del redogör vi för dessa brister samt presenterar en lösning som skulle avhjälpt denna brist. I vår studie inkluderas 180 aktier som efter gruppindelning i 10
8 portföljer blev 18 observationer i varje grupp. Våra resultat visar på väldigt höga
koefficientvärden i regressionsanalysen vilken grundar sig i det låga antalet observationerna i varje portfölj. Antalet observationer i varje grupp skulle kunnat ökas genom att istället dela upp aktierna i 3 grupper istället för 10. Spridningen i datamaterialet hade också kunnat minskas genom att kalkylera volatilitetsdata med någon annorlunda metod, till exempel genom att ta volatiliteten i procent istället för kronor. Ett problem i datainsamlingen var den stora skillnaden i företagens storlek, vilket skapade stor spridning i volatilitetsdata.
Ovanstående förändringar skulle minska spridningen i datamaterialet och därför skulle vi inte behövt genomföra två winsorizingar. Detta hade gett oss fler observationer att använda i regressionen. Vidare hade vi också kunnat inkludera aktier som nyligen börsnoterats och aktier som lämnat börsen i urvalet och istället kontrollera om dessa grupper var mer volatila i vår regressionsanalys. Dessa förändringar skulle troligen inte ändra våra resultat, däremot skapa större tillförlitlighet i resultaten.
3.1.4 Survivorship Bias
En naturlig följd av att vi uteslutit företag som lämnat börsen eller börsnoterats under perioden 2010 till 2018 är att vårt urval kan påverkas av survivorship bias. Det är inte orimligt att argumentera att företag som lämnat börsen på grund av konkurs, eller som nyligen börsnoterats skulle vara mer volatila. Vi väljer att inte göra några robusthetstest eftersom Jankensgård och Vilhelmsson (2018) gjorde detta med liknande urval och fann att survivorship bias inte hade någon påverkan.
3.2 Statistisk modell
Likt Jankensgård och Vilhelmsson (2018) använder vi multivariat analys i vår undersökning av sambandet mellan Volatilitet och BOO.
Vår modell är som följer (ekvation 1):
9 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡!,# = 𝛽$𝑂𝑠ä𝑘𝑒𝑟ℎ𝑒𝑡 𝑖 𝑣𝑖𝑛𝑠𝑡𝑒𝑠𝑡𝑖𝑚𝑎𝑡!,#+ 𝛽%𝐴𝑠𝑦𝑚𝑚𝑒𝑡𝑟𝑖𝑠𝑘 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛!,# +
𝛽&𝐵𝑟𝑒𝑎𝑑𝑡ℎ 𝑜𝑓 𝑜𝑤𝑛𝑒𝑟𝑠ℎ𝑖𝑝!,#+ 𝜀!,#
(1)
där 𝜀!,# är feltermen. 𝑂𝑠ä𝑘𝑒𝑟ℎ𝑒𝑡 𝑖 𝑣𝑖𝑛𝑠𝑡𝑒𝑠𝑡𝑖𝑚𝑎𝑡!,#, 𝐴𝑠𝑦𝑚𝑚𝑒𝑡𝑟𝑖𝑠𝑘 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛!,#,
𝐵𝑟𝑒𝑎𝑑𝑡ℎ 𝑜𝑓 𝑂𝑤𝑛𝑒𝑟𝑠ℎ𝑖𝑝!,# är de teoretiska koncept som enligt litteraturöversikten förväntas förklara 𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡!,#. Variablerna som används som proxy för teoretiska koncepten ovan presenteras i kapitel 3.3.
3.3 Variabler
3.3.1 Volatilitet
Vi följer Andersen och Bollerslev (1998) och Jankensgård och Vilhelmsson (2018) och konstruerar historisk volatilitet genom kvadrering av daglig aktieavkastning följt av summering av kvadraterna för samtliga handelsdagar under ett givet år. Vidare beräknas kvadratroten av denna summa för att generera den totala årliga volatiliteten (Volatilitet). Vi genomför inga beräkningar av den företagsspecifika risken med hänvisning till Jankensgård och Vilhelmsson (2018). De beräknade detta och fann att de korrelerade starkt (0,98), därmed håller vi oss till den totala volatiliteten.
Formel volatilitet (ekvation 2):
𝑇𝑜𝑡𝑎𝑙 å𝑟𝑙𝑖𝑔 𝑣𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑒𝑡!,# å) =
@∑--.$(𝑆𝑡ä𝑛𝑔𝑛𝑖𝑛𝑔𝑠𝑝𝑟𝑖𝑠!,# *+,− Ö𝑝𝑝𝑛𝑖𝑛𝑔𝑠𝑝𝑟𝑖𝑠!,# *+,)!,# *+,% (2)
där 𝑆𝑡ä𝑛𝑔𝑛𝑖𝑛𝑔𝑠𝑝𝑟𝑖𝑠!,# *+, är stängningspris för aktie i vid tidpunkt t dag, Ö𝑝𝑝𝑛𝑖𝑛𝑔𝑠𝑝𝑟𝑖𝑠!,# *+, är öppningspris för aktie i vid tidpunkt t dag.
3.3.2 Breadth of ownership
10 Vi intresserar oss endast för en variabel kopplad till ägarstrukturen. Denna är institutionell breadth of ownership (BOO) och beräknas som antalet svenska institutionella ägare i företaget dividerat med antalet svenska institutioner på svenska marknaden.
3.3.3. Osäkerhet i vinstestimat
I likhet med Jankensgård och Vilhelmsson (2018) använder vi fem variabler som förväntas fånga upp osäkerhet i vinstestimat (earnings uncertainty). Vi följer Jankensgård och
Vilhelmsson (2018) samt Wei och Zhang (2006) som beräknade variabeln intäkter
(Earnings) som intäkter dividerat genom totala tillgångar (WC01706/WC02999). Book-to- market är bokfört justerat eget kapital dividerat genom marknadsvärdet av företagets aktier (WC03501/WC08001). Book-to-market förväntas fånga upp Cao et al. (2008) hypotes att större andel tillväxt alternativ (growth options) i företaget ökar volatilitet. Jankensgård och Vilhelmsson (2018) förklarar att immateriella tillgångar associeras med större osäkerhet.
Immateriella tillgångar (Intangibles) definieras som immateriella tillgångar dividerat med totala tillgångar (WC02649/WC02999). Geografisk (Geographical) definieras i linje med Jankensgård och Vilhelmsson (2018) som antalet geografiska segment företaget rapporterar inkomster från (WC19600). Vi gör även som Jankensgård och Vilhelmsson (2018) och definierar diversifiering (diversification) som antalet produktsegment som företaget rapporterar inkomster från (WC19500).
3.3.4 Asymmetrisk information
Vi följer Jankensgård och Vilhelmsson (2018) för samtliga variabler som syftar till att fånga upp asymmetrisk information. Skuldsättningsgrad (Leverage) definieras som bokförda skulder dividerat med totala tillgångar (WC03255/WC02999). Storlek (Size) är naturliga logaritmen av företagets börsvärde (Eikon kod: MV). Avkastning (Returns) är den
genomsnittliga procentuella avkastningen för en aktie under ett givet år. Utdelning (Dividend) är en dummy variabel som antar siffran 1 om företaget betalat utdelning under ett givet år (WC04551).
11
4. Resultat och analys
4.1 Deskriptiv Statistik
Tabell 1 visar deskriptiva statistiken för de variabler som presenterats i kapitel 3.3.
Skillnaden i storlek mellan största och minsta företag inom portföljerna är tämligen liten;
exempelvis 0,9 i portfölj 1 och 1,27 i portfölj 10. Samtidigt finns det en meningsfull skillnad i den genomsnittliga storleken mellan portföljerna. Vilket var förväntat då portföljerna är sorterade på företagens storlek. En intressant observation gällande utdelningspolitiken är att de minsta företagen (portfölj 1) i genomsnitt delat ut 33% av undersökta år. Medan de medelstora (portfölj 5) och stora (portfölj 10) delade ut i genomsnitt 68% respektive 98% av åren. Vi ser även en stor standardavvikelse i utdelningen i portfölj 1 och 5 (47%) jämfört med portfölj 10 (13%), vilket indikerar att de stora företagen i urvalet tenderar att ha en mer stabil utdelning år efter år. I genomsnitt var book-to-market för portfölj 1: 0,99 medan book-to- market för portfölj 5 och 10 var: 0,54 respektive 0,48. Genomsnittlig avkastning för portfölj 5 var 134%, vilket sticker ut i jämförelse med avkastningen på 40% respektive 45% i portfölj 1 och 10.
Tabell 2 beskriver den deskriptiva statistiken för årliga volatiliteten under perioden 2010 till 2018. Resultatet visar att volatilitet varierar kraftigt över tid, med en tydligt ökande trend i volatilitetens medelvärde.
Tabell 1. Deskriptiv Statistik, 2010–2018
Tabell 1 åskådliggör deskriptiv statistik för portföljerna 1, 5 och 10 för åren 2010 till 2018. BOO är antal svenska institutionella ägare i företaget dividerat genom antal svenska institutioner på
marknaden. Book-to-market är bokfört justerat eget kapital dividerat genom marknadsvärdet av företagets aktier. Immateriella tillgångar är immateriella tillgångar dividerat genom totala
tillgångar. Intäkter är intäkter dividerat genom totala tillgångar. Geografisk är antalet geografiska segment företaget rapporterar inkomster från. Diversifiering är antalet produktsegment som företaget rapporterar inkomster från. Skuldsättningsgrad är räntebärande skulder dividerat genom totala tillgångar. Utdelning är en binär dummy variabel som antar värdet 1 om företaget betalat
12 utdelning under ett givet år. Storlek är naturliga logaritmen (Ln) av börsvärdet. Avkastning är den genomsnittliga procentuella avkastningen för en aktie under ett givet år. Samtliga variabler görs till föremål för winsorizing vid 2,5 och 97,5 percentilerna. N är antal observationer.
Variabel Medelvärde Median Standardavvikelse Min Max
N = 162
Panel A: Portfölj 1
Volatilitet (Kr) 444,92 29,91 763,98 2,31 3000,95
BOO 0,01 0,00 0,02 0,00 0,10
Book to Market 0,99 0,89 0,55 0,09 2,02
Imm. Tillgångar 0,34 0,37 0,20 0,00 0,72
Intäkter – 0,08 – 0,02 0,17 – 0,40 0,20
Geografisk 1,88 0,00 2,54 0,00 8,00
Diversifiering 1,71 1,00 1,79 0,00 6,00
Skuldsättningsgrad 0,19 0,15 0,18 0,00 0,58
Utdelning 0,33 0,00 0,47 0,00 1,00
Storlek 11,76 11,73 0,28 11,29 12,19
Avkastning 0,45 0,00 2,04 – 0,88 8,67
N = 162
Panel B: Portfölj 5
Volatilitet (Kr) 605,68 78,51 913,05 3,95 3000,95
BOO 0,02 0,01 0,03 0,00 0,11
Book to Market 0,54 0,44 0,40 0,08 1,65
Imm. Tillgångar 0,26 0,25 0,22 0,00 0,72
Intäkter 0,05 0,06 0,11 – 0,32 0,24
Geografisk 4,48 4,00 2,97 0,00 10,00
Diversifiering 3,15 3,00 2,10 0,00 8,00
Skuldsättningsgrad 0,16 0,10 0,17 0,00 0,55
Utdelning 0,68 1,00 0,47 0,00 1,00
Storlek 14,30 14,30 0,18 14,02 14,60
Avkastning 1,34 0,00 3,80 – 0,88 13,10
13 N = 162
Panel C:
Portfölj10
Volatilitet (Kr) 551,72 95,27 827,89 10,08 3000,95
BOO 0,03 0,01 0,04 0,00 0,12
Book to Market 0,48 0,38 0,32 0,09 1,24
Imm. Tillgångar 0,22 0,15 0,22 0,00 0,73
Intäkter 0,08 0,06 0,07 -0,04 0,26
Geografisk 6,81 8,00 3,26 1,00 10,00
Diversifiering 5,29 6,00 2,30 0,00 9,00
Skuldsättningsgrad 0,25 0,25 0,14 0,00 0,58
Utdelning 0,98 1,00 0,13 0,00 1,00
Storlek 18,42 18,42 0,44 17,77 19,04
Avkastning 0,40 0,00 1,42 -0,88 6,28
Tabell 3 innehåller de genomsnittliga årliga korrelationskoefficienterna mellan variablerna i undersökningen. Matrisen visar en svag samvariation mellan volatilitet och övriga variabler, och tecken för variabler visade omvänt resultat mot vad vi förväntade oss från litteraturen.
Ett undantag är avkastning som samvarierade starkt (+) med volatilitet, vilket står i
motsättning till resultaten i Singhvi och Desai (1971). Flera av de oberoende variablerna visar på en korrelation, men då inga av dessa överstiger 0,5 har vi ingen vi ingen multikollinearitet i urvalet.
14
Tabell 2. Deskriptiv Statistik för Volatilitet, 2010 - 2018
Tabell 2 åskådliggör deskriptiv statistik för årlig historisk volatilitet (volatilitet) för åren 2010–2018. Tabellen innehåller medelvärde, median, kvartil 1och kvartil 3. Samt standardavvikelse (SD) och antalet företag i urvalet under givet år (N).
År Medelvärde Median Standardavvikelse Kvartil 1 Kvartil 3 Min Max N = 162
2010 421,96 58,41 707,56 10,88 466,45 2,31 3000,95
2011 398,90 48,70 650,39 13,18 451,08 2,45 3000,95
2012 380,44 54,79 608,12 10,42 503,31 2,36 2901,75
2013 439,10 62,23 676,63 13,16 633,22 2,45 3444,98
2014 581,77 86,10 823,73 20,38 866,5 2,86 3000,95
2015 586,28 81,10 843,73 18,41 942,28 2,03 3591,46
2016 471,57 59,15 709,16 12,93 712,47 2,45 3059,45
2017 695,46 113,45 934,74 20,46 1121,59 2,86 3000,95
2018 725,03 111,56 954,79 24,6 1260,95 2,4 3000,95
15
Ta b el l 3 . K or re la tio n sm at ris f ör u n d er sö k n in ge n s v ar ia b le r
Tabell 3 åskådliggör genomsnittliga Pearsons korrelationskoefficienten mellan variablerna i undersökningen. Beräkningarna baseras på det gemensamma urvalets observationer mellan 2010 och 2018. Se tabell 2 för definition av variabler. 11 1,000∗∗∗ ***Signifikant på 0,01 nivå. **Signifikant på 0,05 nivå. *Signifikant på 0,10 nivå.10 1,000∗∗∗ – 0,096∗∗∗
9 1,000∗∗∗ 0,431∗∗∗ – 0,014
8 1,000∗∗∗ 0,088∗∗∗ 0,185∗∗∗ – 0,055∗∗
7 1,000∗∗∗ 0,082∗∗∗ 0,208∗∗∗ 0,434∗∗∗ – 0,052∗∗
6 1,000∗∗∗ 0,335∗∗ 0,057∗∗ 0,211∗∗∗ 0,366∗∗∗ – 0,366∗∗∗
5 1,000∗∗∗ 0,122∗∗∗ 0,114∗∗∗ – 0,079∗∗∗ 0,443∗∗∗ 0,355∗∗∗ – 0,023
4 1,000∗∗∗ – 0,117∗∗∗ 0,025 0,023 – 0,073∗∗∗ – 0,143∗∗∗ – 0,144∗∗∗ – 0,105∗∗∗
3 1,000∗∗∗ – 0,089∗∗∗ – 0,197∗∗∗ – 0,058∗∗ – 0,075∗∗∗ 0,202∗∗∗ – 0,131∗∗∗ – 0,290∗∗∗ 0,014
2 1,000∗∗∗ 0,021 – 0,002 0,046∗ 0,161∗∗∗ 0,091∗∗∗ 0,081∗∗∗ 0,042∗ 0,141∗∗∗ 0,055∗∗
1 1,000∗∗∗ 0,100∗∗∗ 0,005 – 0,105∗∗∗ 0,030 – 0,029 0,026 – 0,015 0,078∗∗∗ 0,043∗ 0,456∗∗∗
Variabel 1.Volatilitet 2.BOO 3.Book To Market 4.Imm. Tillgångar 5.Intäkter 6.Geografisk 7.Diversifiering 8.Skuldsättningsgrad 9.Utdelning 10. Storlek 11. Avkastning
16
4.2 Regressionsanalys
Tabell 4 visar resultatet av regressionen av portfölj 1, 5 och 10 baserad på ekvationen presenterad i 2.B. Vi har också genomfört en separat regression för de 10 olika portföljerna sorterade på företagens storlek (se appendix).
4.2.1. Volatilitet och BOO
Relationen mellan volatilitet och BOO var positiv i samtliga portföljer förutom portfölj 2.
Enligt tabell 7 och 6 i appendix är sambandet mellan volatilitet och BOO signifikant på 1%
nivå i portfölj 6, 8 och 9, och på 10% nivå i portfölj 4. Regressionerna visar på en tendens i medelstora och stora företag att större BOO associeras med högre volatilitet. Detta stämmer inte överens med det förväntade resultatet att större BOO skulle ha en dämpande effekt på volatilitet. En möjlig förklaring till att BOO enligt resultatet tycks ha en positiv relation till volatilitet i stora företag finns i litteraraturen. Vo (2016) förklarar att institutioner tenderar att välja att investera i företag som betalar utdelning. Företag som betalar utdelning tenderar att vara stora företag, vilket synliggjorts i tabell 1. En trolig förklaring till sambandet är därmed att institutioner i enlighet med Sias (2004) följer varandras handel (herding) i dessa företag och därmed skapar större handelsvolymer och som följd ökad volatilitet (Zhang, 2010).
Tabell 4. Relationen mellan Volatilitet och BOO – Regressionsanalys
Tabell 4 åskådliggör resultatet av multipel linjär regression av volatilitet på olika
förklaringsvariabler. Denna regressionstabell innehåller portfölj 1, 5 och 10. Regressioner för samtliga portföljer, 1–10, hittas i appendix. Den beroende variabeln är volatilitet. T- värde för koefficienterna uttrycks inom parantes. Se tabell 1 för definition av variabler.
Variabel Portfölj 1 Portfölj 5 Portfölj 10
Konstant 885,52
[0,36]
– 6300,74 [-1,35]
7651,61∗∗
[2,00]
BOO 33,99
[0,01]
2 697,82 [1,26]
1 697,53 [0,66]
17
Book to Market 28,30
[0,26]
307,01∗∗
[1,95]
– 100,69 [-0,45]
Imm.Tillgångar 661,29∗∗
[2,34]
−740,98∗∗∗
[-2,47]
−998,86∗∗∗
[-3,42]
Intäkter – 422,07
[-1,22]
– 251,83 [-0,43]
5087,17∗∗∗
[4,89]
Geografisk −50,49∗∗
[-2,18]
– 21,75 [-1,02]
2,83 [0,14]
Diversifiering – 27,02
[-0,82]
– 10,17 [-0,35]
0,53 [0,02]
Skuldsättningsgrad 776,30∗∗∗
[2,55]
– 430,83 [-1,16]
619,39 [1,32]
Utdelning 470,84∗∗∗
[3,65]
7,92 [0,06]
– 416,30 [-0,96]
Storlek – 77,16
[-0,36]
485,22 [1,48]
−386,92∗ [-1,84]
Avkastning 53,63∗
[1,88]
115,94∗∗∗
[7,14]
230,63∗∗∗
[5,57]
N 162 162 162
𝑅% 0,23 0,41 0,33
***Signifikant på 0,01 nivå.
**Signifikant på 0,05 nivå.
*Signifikant på 0,10 nivå.
4.2.2 Volatilitet och utdelning
Tabell 6 synliggör ett positivt samband mellan volatilitet och utdelning i portfölj 1 och 2 (signifikanta på 1% respektive 10% nivå). Det positiva sambandet tycks visa att volatiliteten blir högre i små bolag när de väljer att dela ut oftare. Även detta samband har en möjlig
18 förklaring i att investerare, institutioner såväl som individuella, föredrar företag som betalar utdelning (Vo, 2016). Och därmed skapar större handel och som följd större volatilitet i linje med Sias (2004) flockbeteende (herding) där investerare tenderar att följa varandras
investeringar.
5. Slutsatser
En viktig slutsats i vår undersökning är att BOO kan vara en viktig variabel för att förstå volatilitet i mellanstora och stora bolag. Våra regressioner motbevisade vår hypotes om att större BOO bör ha en dämpande effekt på volatiliteten som följd av att institutioner har överlägsen information om företaget och förbättrar likviditeten i aktien. Precis som Jankensgård och Vilhelmsson (2018) fann tycks den huvudsakliga förklaringsfaktorn i relationen mellan institutionellt ägande och volatilitet vara om investeringen bidrar till stora ökningar i handelsvolym. Vilket är i linje med Zhang (2010) handelskanal (trading channel hypothesis). Institutioner bidrar till stora handelsvolymer och därmed volatilitet i samband med att de tenderar att följa varandra i investeringar (herding) (Sias, 2004).
En annan intressant observation från vår undersökning är att utdelning och volatilitet
korrelerar positivt i små bolag. Vilket möjligen kan förklaras av att institutioner, precis som i stora bolag, väljer att flockas även i små bolag när de väljer att betala utdelning. Detta antagande skulle dock behöva undersökas närmare i framtida forskning för att kunna dra några definitiva slutsatser.
Vi har i denna artikel visat att institutionellt ägande tenderar att ha en positiv relation till volatilitet, vilket motbevisade vår nollhypotes att institutioner genom ett informationsövertag skulle minska volatilitet. Detta är speciellt intressant eftersom institutioner allmänt anses vara mer rationella och bättre informerade än privata investerare. Våra resultat förklarar vi till stor del som ett resultat av institutioners flockbeteende. Vi ser ett behov av framtida forskning som undersöker kopplingen mellan institutioners flockbeteende och volatilitet. Forskare kan undersöka kopplingen ur ett beteende perspektiv för att förstå bättre vilka skillnader som finns mellan beslutsfattare inom institutioner och privata investerare. Förståelse för hur institutionellt ägande påverkar aktiers pris är kunskap som kan hjälpa investerare att bättre förstå vilken risknivå som medföljer en viss investering. Hantering av risk är ett centralt
19 koncept hos både professionella och icke-professionella investerare och därför har våra resultat potentialen att kunna användas av en stor mängd investerare. Utvecklad kunskap om volatilitet och institutionellt ägande kan hjälpa investerare att fatta bättre informerade
investeringsbeslut. Även affärsledare och finansierings specialister som har ett intresse av att veta hur olika beslut, exempelvis utdelning, påverkar företagets aktiepris kan dra nytta av resultatet av denna artikel.
20
Källförteckning
Abrahamson, M. & De Ridder, A. (2015). Allocation of shares to foreign and domestic investors: Firm and ownership characteristics in Swedish IPOs. Research in International Business and Finance, 34, s. 52-65.
Andersen, G, T. & Bollerslev, T. (1998). Answering the Sceptics: Yes, Standard Volatility Models do Provide Accurate Forecasts. International Economic review, 39, 4, s. 885- 905.
Będowska-Sójka, B. & Kliber, A. (2019). The causality between liquidity and volatility in the Polish stock market. Finance Research Letters, 30, s. 110-115.
Campbell, J, Y., Lettau, M., Malkiel, B. & Xu, Y. (2001). Have Individual Stocks Become More Volatile? An Empirical Exploration of Idiosyncratic Risk. Journal of Finance, 56, 1, s.1-43.
Cao, C., Simin, T. & Zhao, J. (2008). Can Growth Options Explain the Trend in Idiosyncratic Risk? The Review of Financial Studies, 21, 6, s. 2599-2633.
Chichernea, D, C., Ferguson, M. & Kassa, H. (2015a). Idiosyncratic Risk, Investor Base, and Returns. Financial Management, 44, 2, s. 267-293.
Chichernea, D, C., Petkevich, A. & Zykaj, B, B. (2015b). Idiosyncratic Volatility,
Institutional Ownership, and Investment Horizon. European Financial Management, 21, 4, s. 613-645.
Chordia, T., Roll, R. & Subrahmanyam, A. (2000). Commonality in liquidity. Journal of Financial Economics, 56, 1, s. 3-28.
Dennis, J, P. & Strickland, D. (2002). Who Blinks in Volatile Markets, Individuals or Institutions? The Journal of Finance, 57, 5, s. 1923-1949.
Dennis, J, P. & Strickland, D. (2004). The Determinants of Idiosyncratic Volatility.
21 Unpublished Manuscript. Hämtad 2020-05-31 på
http://media.terry.uga.edu/documents/finance/strickland.pdf
Grullon, G., Kanatas, G. & Weston, P, J. (2004). Advertising, Breadth of Ownership and Liquidity. The Review of Financial Studies, 17, 2, s. 439-361.
Jankensgård, H. & Vilhelmsson, A. (2018). The Shareholder Base Hypothesis of Stock Return Volatility: Empirical Evidence. Financial Management, 47, 1, s. 55-79.
Karpoff, M, J. (1987). The Relation between Price Changes and Trading Volume: A Survey.
Journal of Financial and Quantitative Analysis, 22, 1, s. 109-126.
Merton, C, R. (1987). A Simple Model of Capital Market Equilibrium with Incomplete Information. Journal of Finance, 42, 3, s. 483-510.
Pastor, L. & Pietro, V. (2003) Stock Valuation and Learning about Profitability. The Journal of Finance, 58, 5, s. 1749-1790.
Rubin, A. & Smith, R, D. (2009). Institutional ownership, volatility and dividends. Journal of Banking and Finance, 33, 4, s. 627-639.
Sias, W, R. (2004). Institutional Herding. The Review of Financial Studies, 17, 1, s. 165-206.
Sias, W, R. (1996). Volatility and the Institutional Investor. Financial Analysts Journal, 52, 2, s. 13-20.
Singhvi, S, S. & Desai, B, H. (1971). An Empirical Analysis of the Quality of Corporate Financial Disclosure. The Accounting Review, 46, 1, s. 129-138.
Vo, V, X. (2016). Does institutional ownership increase stock return volatility? Evidence from Vietnam. International Review of Financial Analysis, 45, s. 54-61.
Wang, J. (2007). Foreign Equity Trading and Emerging Market Volatility: Evidence from
22 Indonesia and Thailand. Journal of Development Economics, 84, 2, s. 798-811.
Wei, X, S. & Zhang, C. (2006). Why Did Individual Stocks Become More Volatile? The Journal of Business, 79, 1, s. 259-292.
West, D, K. (1988). Dividend Innovations and Stock Price Volatility. Econometrica, 56, 1, s. 37-61.
Xu, Y. & Malkiel, G, B. (2003). Investigating the Behaviour of Idiosyncratic Volatility. The Journal of Business, 76, 4, s. 613-645.
Zhang, C. (2010). A Reexamination of the Causes of Time-Varying Stock Return Volatilities. Journal of Financial and Quantitative Analysis, 45, 3, s. 663-684.
Appendix.
Tabell 5. Prisutveckling och avkastning 2010 och 2018
Tabell 5 visar daglig prisutveckling (A), avkastning (B) och avkastning kvadrerad (C) för Telia, Swedish Match och Xano Industri under åren 2010 och 2018.
Panel A: Prisutveckling 2010 och 2018
70,00 kr 72,00 kr 74,00 kr 76,00 kr 78,00 kr 80,00 kr 82,00 kr 84,00 kr 86,00 kr 88,00 kr 90,00 kr
Prisutveckling 2010
140,00 kr 150,00 kr 160,00 kr 170,00 kr 180,00 kr 190,00 kr 200,00 kr 210,00 kr 220,00 kr 230,00 kr
Prisutveckling 2018
23 Panel B: Avkastning 2010 och 2018
Panel C: Avkastning kvadrerad 2010 och 2018
Tabell 6. Relationen mellan Volatilitet och BOO - Regressionsanalys
-4%
-3%
-2%
-1%
0%
1%
2%
3%
4%
5%
Avkastning 2010
-100%
-80%
-60%
-40%
-20%
0%
20%
Avkastning 2018
0,00%
0,05%
0,10%
0,15%
0,20%
0,25%
0,30%
0,35%
0,40%
0,45%
Avkastning kvadrerad 2010
0%
25%
50%
75%
100%
125%
150%
175%
200%
225%
250%
Avkastning kvadrerad 2018
24 Tabell 6 åskådliggör resultatet av multipel linjär regression av volatilitet på olika
förklaringsvariabler. Denna regressionstabell innehåller portföljerna 1 – 5. Den beroende variabeln är volatilitet. T-värde för koefficienterna uttrycks inom parantes. Se tabell 1 för definition av variabler.
Variabel Portfölj 1 Portfölj 2 Portfölj 3 Portfölj 4 Portfölj 5
Konstant 885,52
[0,36]
−15151,37∗∗∗
[-3,75]
7610,83∗∗
[2,11]
– 5065,36 [-1,40]
– 6300,74 [-1,35]
BOO 33,99
[0,01]
– 1091,37 [-0,49]
112,79 [0,06]
3095,69∗ [1,83]
2 697,82 [1,26]
Book to Market 28,30 [0,26]
47,34 [0,35]
– 44,38 [-0,46]
237,47∗∗
[2,41]
307,01∗∗
[1,95]
Imm.Tillgångar 661,29∗∗
[2,34]
305,14 [1,00]
7,65 [0,03]
417,14∗∗
[2,22]
−740,98∗∗∗
[-2,47]
Intäkter – 422,07
[-1,22]
– 891,62∗∗
[-2,01]
– 64,19 [-0,16]
– 212,30 [-0,54]
– 251,83 [-0,43]
Geografisk −50,49∗∗
[-2,18]
– 8,71 [-0,36]
23,12 [1,41]
– 3,98 [-0,28]
– 21,75 [-1,02]
Diversifiering – 27,02 [-0,82]
– 9,20 [-0,31]
47,67∗∗
[2,14]
15,82 [0,85]
– 10,17 [-0,35]
Skuldsättningsgrad 776,30∗∗∗
[2,55]
431,62 [1,14]
– 381,61 [-1,37]
– 790,05∗∗∗
[-3,09]
– 430,83 [-1,16]
Utdelning 470,84∗∗∗
[3,65]
251,55∗ [1,83]
0,90 [0,13]
– 9,78 [-0,11]
7,92 [0,06]
Storlek – 77,16
[-0,36]
1219,16∗∗∗
[3,80]
−563,29∗∗
[-2,06]
374,60 [1,42]
485,22 [1,48]
Avkastning 53,63∗
[1,88]
145,19∗∗∗
[9,74]
120,74∗∗∗
[9,21]
174,07∗∗∗
[10,53]
115,94∗∗∗
[7,14]
N 162 162 162 162 162
𝑅% 0,23 0,45 0,42 0,49 0,41
25
***Signifikant på 0,01 nivå.
**Signifikant på 0,05 nivå.
*Signifikant på 0,10 nivå.
Tabell 7. Relationen mellan Volatilitet och BOO - Regressionsanalys
Tabell 7 åskådliggör resultatet av multipel linjär regression av volatilitet på olika
förklaringsvariabler. Denna regressionstabell innehåller portföljerna 6 – 10. Den beroende variabeln är volatilitet. T-värde för koefficienterna uttrycks inom parantes. Se tabell 1 för definition av variabler.
Variabel Portfölj 6 Portfölj 7 Portfölj 8 Portfölj 9 Portfölj 10
Konstant – 574,61
[-0,17]
– 5909,37 [-1,60]
7656,93∗∗
[2,07]
– 3518,84 [-0,74]
7651,61∗∗
[2,00]
BOO 10854,89∗∗∗
[3,69]
800,96 [0,27]
6749,83∗∗∗
[3,27]
7687,28∗∗∗
[3,02]
1 697,53 [0,66]
Book to Market 101,98 [0,70]
– 457,99∗∗
[-2,72]
86,12 [0,42]
176,73 [0,77]
– 100,69 [-0,45]
Imm.Tillgångar – 49,57 [-0,25]
– 331,97 [-1,46]
– 299,95 [-1,00]
– 557,92 [-1,55]
−998,86∗∗∗
[-3,42]
Intäkter – 527,42
[-1,08]
1678,81∗ [1,86]
1775,97 [1,59]
1270,75 [0,89]
5087,17∗∗∗
[4,89]
Geografisk 21,16
[1,50]
16,42 [1,09]
– 18,50 [-0,99]
– 11,85 [-0,51]
2,83 [0,14]
Diversifiering – 18,04 [-0,88]
19,98 [1,02]
20,69 [0,84]
49,70 [1,51]
0,53 [0,02]
Skuldsättningsgrad – 339,62 [-1,30]
402,13 [1,21]
190,79 [0,52]
– 466,37 [-0,99]
619,39 [1,32]
Utdelning 32,14
[0,31]
155,23 [1,12]
319,21 [1,49]
363,24 [1,53]
– 416,30 [-0,96]
Storlek 54,50 390,32∗
[1,64]
– 471,00∗∗
[-2,07]
209,41 −386,92∗ [-1,84]
26
[0,25] [0,76]
Avkastning 151,98∗∗∗
[7,96]
111,47 [1,60]
96,59 [1,29]
168,20∗∗∗
[4,53]
230,63∗∗∗
[5,57]
N 162 162 162 162 162
𝑅% 0,38 0,16 0,14 0,24 0,33
***Signifikant på 0,01 nivå.
**Signifikant på 0,05 nivå.
*Signifikant på 0,10 nivå.
