Tillförlitlighet i aktieanalytikers prognoser
The reliability of stock analysts’ forecasts
Författare: Nils Björelind och Henrik Liljestrand Kandidatuppsats 15 hp Kandidatprogram i Företagsekonomi Företagsekonomiska institutionen Uppsala universitet VT 2018 Handledare: Adri de Ridder
Tillförlitlighet i
aktieanalytikers prognoser -
The reliability of stock analysts’
forecasts
Kandidatuppsats 15 hp
Kandidatprogram i Företagsekonomi Företagsekonomiska institutionen Uppsala universitet
VT 2018
Datum för inlämning: 2018-05-29
Nils Björelind
Henrik Liljestrand
Handledare: Adri De Ridder Kandidatuppsats 15 hp
Kandidatprogram i Företagsekonomi Företagsekonomiska institutionen Uppsala universitet
VT 2018
Datum för inlämning: 2018-05-29
Tillförlitlighet i aktieanalytikers prognoser
The reliability of stock analysts’ forecasts
Nils Björelind
Henrik Liljestrand
Sammanfattning
Prognoser publicerade av aktieanalytiker har en betydande påverkan på kapitalmarknaden och investeringsbeslut. Genom att förmedla information inom kapitalmarknaden spelar aktieanalytiker en vital roll. Därför syftar denna studie till att undersöka aktieanalytikers förmåga att prognostisera finansiella nyckeltal från företags resultaträkning. Studien syftar även till att undersöka under vilka förhållanden aktieanalytikers träffsäkerhet påverkas.
Vi undersöker aktieanalytikers träffsäkerhet genom att mäta prognosfel i konsensusestimat över perioden 2000 – 2017 för 93 företag listade på Nasdaq OMX Stockholm Large Cap. Vi finner ett positivt samband mellan marknadsvärde och ökad träffsäkerhet i aktieanalytikers prognoser för mindre företag. Vi finner även att ett högt antal analytiker som ingår i konsensus positivt påverkar prognosens träffsäkerhet. Resultaten visar även att träffsäkerheten i aktieanalytikers prognoser varierar beroende på antal analytiker i konsensus inom olika sektorer.
Nyckelord:
Konsensusestimat, OMX Stockholm Large Cap, prognosfel, aktieanalytiker
Abstract
In this study, we investigate the accuracy of stock analyst estimates. We measure forecasting accuracy by forecasting error for key financial figures from the firm’s income statements.
This study also measures firm specific factors effect on analyst forecasting accuracy. Our study includes 93 companies listed on Nasdaq OMX Stockholm Large Cap between the years 2000 – 2017.
Our findings conclude that a positive correlation exists between market value and forecasting accuracy for smaller firms. We also find that analyst coverage is positively related to
forecasting accuracy. Our findings also show that forecasting accuracy varies with analyst coverage within different sectors.
Keywords:
Consensus estimates, OMX Stockholm Large Cap, forecast error, stock analyst
Innehållsförteckning
1 Introduktion ... 1
1.1 Syfte ... 2
2 Tidigare studier ... 3
2.1 Sammanfattning ... 4
3 Hypoteser ... 5
4 Data och metod... 6
4.1 Data ... 6
4.2 Sektorindelning ... 6
4.3 Relativt prognosfel ... 6
4.4 Absolut prognosfel ... 6
4.5 Univariat analys ... 7
4.6 Multivariat analys ... 7
5 Resultat ... 8
5.1 Beskrivning av undersökning ... 8
5.2 Relativt prognosfel ... 8
5.2.1 Relativt prognosfel 2000 - 2017 ... 8
5.2.2 Sektorsindelning ... 10
5.3 Univariat analys ... 10
5.3.1 Den finansiella krisen ... 12
5.4 Korrelationsmatris ... 13
5.5 Multivariat analys ... 14
6 Slutsats ... 16
6.1 Förslag till vidare studier ... 16
Referenser ... 17
Appendix ... 19
1 Introduktion
På kapitalmarknaden fyller aktieanalytiker idag en viktig funktion. Klettke (2014) visar att aktieanalytiker agerar som informationsförmedlare genom att lämna prognoser.
Aktieanalytiker bidrar därför till att minska informationsasymmetrin genom att samla in, bearbeta och förmedla information till marknaden. Kim och Verrecchia (1994) visar på hur informationsasymmetrin påverkas av offentliggörandet av ny information på kapitalmarknaden. Ny information för både institutionella och privata investerare ökar informationsasymmetrin på marknaden. Detta på grund av möjligheten för institutionella investerare att mer effektivt tillgodogöra sig den information som offentliggjorts gentemot privata investerare och därmed anpassa investeringar efter denna. Sådan information som endast är ny för privata investerare minskar informationsasymmetrin eftersom informationsgapet mellan de två investerargrupperna minskar.
Brown et al., (1987) visar dels att akademiker kräver pålitliga mätningar av marknadsförväntningar och framtida kassaflöden för att bedriva studier inom ämnet, och dels att aktörer på kapitalmarknaden använder framtida prognoser för att värdera företag och som underlag för investeringsbeslut. Att företagsinformation håller hög kvalité och relevans är väsentligt för att aktieanalytiker ska kunna producera träffsäkra prognoser. Barker (1998) visar att det därför är viktigt med fungerande informationsflöden till och inom kapitalmarknaden. Historiskt har analytiker använt finansiella nyckeltal och annan ekonomisk information för att värdera företag och marknader. Däremot innebär teknisk utveckling och globalisering att informationsvärdet i dessa informationsflöden minskat. Barker menar att analytiker nu tvingas förlita sig på icke-finansiell information för att skapa pålitliga och träffsäkra prognoser.
Brown et al., menar att aktieanalytiker är överlägsna i sina prognoser jämfört med olika tidsserieanalyser, exempelvis Box-Jenkins tidsseriemodell. Tidigare studier har inte behandlat aspekter som analytikers förmåga att ta till sig information som inte finns tillgänglig för tidsserieanalyser, samt information som blir tillgänglig efter det att arbetet med en tidsserieanalys har påbörjats. Det finns däremot studier som visar på att aktieanalytiker inte är överlägsna gentemot tidsserieanalyser. Cragg och Malkiel (1968), Elton och Gruber (1972) och Imhof och Paré (1982) menar att tidsserieanalyser ger en lika hög grad av träffsäkerhet i framtidsprognoser som aktieanalytikers prognoser, särskilt gällande längre tidshorisonter då analytiker tenderar att ha en lägre träffsäkerhet ju längre tidsperiod som prognostiseras.
Författarna menar således att aktieanalytikers överlägsenhet kan förklaras som en konsekvens av forskningsmetoden i tidigare studier, då analytikers träffsäkerhet endast mätts under kortare perioder.
Analytiker hjälper både privata och institutionella investerare att bilda förväntningar om företagens framtida utveckling. Därför har aktieanalytiker enligt Klettke (2014) en stor påverkan på investeringsbeslut. Tidigare studier har även undersökt huruvida de prognoser analytiker förser kapitalmarknaden med har en påverkan på de transaktioner som sker, och till vilken grad dessa prognoser påverkar kapitalmarknaden. Brav och Lehavy (2003) fann att marknaden reagerar till analytikers prognoser, och därmed påverkas även investeringsbeslut på marknaden av prognoser.
Eftersom aktieanalytikers prognoser har en betydande påverkan på kapitalmarknaden och dess transaktioner är det viktigt att de håller en hög grad av tillförlitlighet. På kapitalmarknaden prognostiserar aktieanalytiker även riktkurser på företagens aktier. Asquith et al., (2005) visar att aktieanalytikers riktkursprognoser på tolv månaders sikt är träffsäkra till 54,28%. Enligt Bradshaw et al., (2013) kan den låga träffsäkerheten i riktkursprognoserna förklaras av en lägre kompetensnivå och ett delat fokus hos analytikerna i olika tider av marknadsformer. Till exempel kan träffsäkerheten variera mellan en marknad som anses vara stadig och starkt uppåtgående, så kallad ”bull-marknad”, och en marknad som anses vara svag och starkt nedåtgående, så kallad ”bear-marknad”. Vidare menar Bradshaw att det inte går relatera överlägsen riktkursprognostisering med framgång i prognostisering av finansiella nyckeltal.
Farooq (2008) visar på analytikers påverkan på aktiepriser under oroliga tider. Under normala tider utan oro värderas information från analytiker som tämligen träffsäker av marknaden.
Däremot blir information från analytiker under oroliga tider såsom finansiella kriser än viktigare eftersom alternativa informationskällor blir allt mer opålitliga.
Jáki och Neulinger (2014) visar att analytiker tenderar att vara överoptimistiska genom att överreagera i sin reaktion till positiv information och underreagerar till negativ information.
Därför finns det anledning att undersöka hur träffsäkerheten i analytikernas prognoser under den finansiella krisen i slutet av 2010-talet skiljer sig mot perioden före och efter krisen. Detta på grund av att den finansiella krisen innebar turbulenta och osäkra omständigheter, vilket resulterade i underreaktioner på negativa nyheter och överreaktioner på de få positiva nyheter som publicerades under krisen. Jáki och Neulinger (2014) menar i en sådan situation att prognostisering bör bli mer komplicerad för analytiker.
1.1 Syfte
Aktieanalytiker spelar idag en viktig roll för att sprida information och minska informationsasymmetrin på kapitalmarknaden. Vidare anses aktieanalytikers prognoser vara pålitliga och träffsäkra, och har därmed en betydelsefull påverkan på marknaden. Huvuddelen av tidigare studier inom ämnet fokuserar på träffsäkerheten hos analytiker på utländska marknader, och endast ett fåtal tidigare studier har undersökt svenska aktieanalytikers förmåga att prognostisera svenska företag. Därför syftar denna studie till att undersöka aktieanalytikers förmåga att prognostisera svenska företags resultat, och under vilka förhållanden träffsäkerheten påverkas.
Avsnitt 2 behandlar tidigare studier inom området. Avsnitt 3 fortsätter med undersökningens hypoteser. I avsnitt 4, 5 och 6 presenteras data och metod, resultat samt slutsats.
2 Tidigare studier
Patz (1989) visar att företag med större marknadsvärde dels är föremål för fler prognoser men även för fler träffsäkra prognoser. Patz förklarar att det högre antalet analytiker som följer företaget innebär en större täckning och ett större informationsflöde från företaget, vilket underlättar prognostiseringsarbetet. Även Brown (1997) finner att företag med högre marknadsvärde prognostiseras med högre träffsäkerhet av aktieanalytiker. Brown finner även att företag med ett stort antal följande analytiker även prognostiseras med högre träffsäkerhet.
Alford och Berger (1999) hävdar att varje ny analytiker som analyserar ett företag genererar ett större informationsflöde, vilket förbättrar konsensusestimat. Konsensusestimat innebär medelvärdet av samtliga enskilda analytikers prognoser, för ett specifikt finansiellt nyckeltal för ett företag. Även Mikhail et al., (1997) visar att den bolagsspecifika kunskapen hos analytikerna är positivt korrelerad med tiden analytikerna följt bolaget, vilket resulterar i en större träffsäkerhet i prognoserna.
Patz har studerat sambandet mellan träffsäkerheten hos aktieanalytiker och företagens sektorstillhörighet och funnit att träffsäkerheten hos analytikers prognoser varierar mellan olika sektorer. Det finns flera skäl till detta, vilka kan vara till exempel att sektorer är olika stabila. Marknadssituationen inom energisektorn beror exempelvis på efterfrågesituationen, och IT-, och telekomsektorn styrs av konkurrens och teknologisk utveckling. Även Brown visar att det förekommer en stor variation i aktieanalytikers träffsäkerhet mellan olika sektorer. Gemensamt för samtliga sektorer i Browns undersökning är att det föreligger en optimism hos aktieanalytiker då samtliga prognoser värderats över det faktiska utfallet.
Att använda resultatprognoser vid undersökning av analytikers träffsäkerhet är det mest användbara måttet enligt Elton och Gruber (1972) eftersom vinstmått, till exempel vinst per aktie tjänar som underlag vid företagsvärdering. Givoly (1985) förespråkar även tillämpningen av resultatprognoser i jämförelsen mellan aktieanalytiker och tidsseriemodellernas träffsäkerhet. Vidare menar Givoly att då marknadens vinstförväntningar inte är observerbara fyller analytikers resultatprognoser en viktig funktion eftersom de fungerar som en representation av marknadens förväntningar.
Att kombinera prognosvariabler, exempelvis årets resultat och omsättning, har visat sig vara förenat med flera fördelar. Bradshaw et al., (2013) anser att informationsutnyttjandet ökar när flera prognosvariabler kombineras. Detta resulterar i mer tillförlitliga prognoser. Främst så har omsättningsprognoser använts i större utsträckning de senaste åren, dessutom visar tidigare forskning av Bradshaw et al., att omsättningsprognostisering är förenat med mer tillförlitliga resultatprognoser. Detta på grund av ett ökat informationsutnyttjande bidrar till högre träffsäkerhet för prognosvariabeln årets resultat.
Enligt Beckers et al., (2004) är flockbeteende hos analytiker definierat som en mindre än förväntad spridning i prognoserna, ett kollektivt beteende att inte publicera prognoser som avviker från konsensus. Flockbeteende är tillsammans med optimism det vanligaste bias som förekommer bland analytiker. Vidare hävdar Beckers et al., att flockbeteendet ökar ju fler prognoser som bidrar till konsensus. Med ökande komplexitet i prognoserna ökar flockbeteendet, och antalet avvikelser minskar. Vidare menar Lim (2001) att analytiker som publicerar negativa prognoser riskerar att förlora tillgång till information i framtiden till följd av en försämrad relation till företaget som analytikern prognostiserar. De Bondt och Forbes
(1999) hävdar att eftersom analytiker ofta är anställda av investmentbanker eller liknande organisationer har de ett incitament från sina överordnade att producera positiva prognoser för att stimulera handeln. Även detta bidrar till ett större flockbeteende inom analytikerkåren.
Att använda konsensusestimat vid empirisk är förknippat med flera fördelar. Till exempel visar Conroy och Harris (1987) att konsensusestimat minimerar individuella prognosfel hos analytiker, och därmed gör resultaten mer jämförbara. Genom att använda konsensusestimat tas även hänsyn till hela analytikerkårens prognoser, vilket ger en rättvis bild över analytikerkårens marknadssyn.
2.1 Sammanfattning
Faktorer som tidigare studier visat påverka träffsäkerheten i analytikers prognoser är företagets storlek samt sektorstillhörighet. Vidare visar tidigare studier att antalet analytiker som följer och prognostiserar ett företag är förknippat med företagets storlek. Att använda konsensusestimat är ett effektivt sätt att eliminera bias hos individuella analytiker, och ger en god överblick över analytikerkårens syn på framtidsutsikter för respektive prognosobjekt.
Tidigare studier finner även att träffsäkerheten i aktieanalytikers prognoser är känslig för skiftande marknadsförhållanden. Under marknadsförhållanden under diverse finansiella kriser har marknaden visats vara svårare för analytiker att prognostisera, vilket förknippas med över- och underreaktioner hos analytiker till positiva och negativa marknadsnyheter.
Aktieanalytiker har även incitament att inte producera negativa prognoser för företaget analytikern följer, eftersom denne då riskerar att förlora värdefulla informationskällor för framtida prognoser.
3 Hypoteser
Hypotes 1
Den första hypotesen undersöker om analytikerkårens förmåga att prognostisera påverkas under turbulenta marknadsförhållanden. Den finansiella krisen i slutet av 2010-talet innebar fluktuerande och opålitliga informationsflöden för analytiker. Under dessa oroliga omständigheter menar De Bondt och Forbes (1999) att analytiker över-, och underreagerar till positiv respektive negativ information, vilket bidrar till lägre träffsäkerhet i prognoserna.
Även Jáki och Neulinger (2014) poängterar att den finansiella krisen innebar särskilda svårigheter för analytiker att producera träffsäkra prognoser. Vi formar därför vår första hypotes enligt:
H1 – Under den finansiella krisen 2007 - 2008 visar analytikerkåren en lägre träffsäkerhet jämfört med övriga år.
Hypotes 2
Den andra hypotesen undersöker om företagets marknadsvärde har en påverkan på träffsäkerheten i konsensusestimaten. Brown (1997) hävdar att träffsäkerheten i enskilda prognoser är företagets storlek mätt i marknadsvärde. Brown menar att större marknadsvärde innebär ett mer omfattande och pålitligt informationsflöde vilket underlättar prognostiseringsarbetet. Mot denna bakgrund formulerar vi vår andra hypotes enligt:
H2 – Analytikerkårens förmåga att prognostisera olika finansiella nyckeltal är positivt korrelerat med företagsstorlek.
Hypotes 3
Den tredje hypotesen undersöker om antalet analytiker som ingår i konsensusestimaten påverkar träffsäkerheten inom olika sektorer. Enligt Alford och Berger (1999) bidrar ett högre antal analytiker till förbättrat konsensusestimat. Patz (1989) visar att det förekommer en variation mellan sektorstillhörighet och aktieanalytikers träffsäkerhet. Därför formulerar vi vår tredje hypotes enligt:
H3 – Analytikerkårens träffsäkerhet inom olika sektorer är positivt korrelerad med antalet analytiker som ingår i konsensusestimatet.
,
4 Data och metod
4.1 Data
All data är hämtat från Thomson Reuters Eikon och Thomson Reuters Datastream. I den här studien används endast de senast publicerade prognoserna inför varje företags bokslutskommuniké. Konsensusestimaten tillhandahålls av Institutional Broker’s Estimate System (I/B/E/S), vilket enligt Call et al., (2017) är för studier en vanligt förekommande källa för prognosdata. De variabler som undersöks är omsättning, rörelseresultat före av-, och nedskrivning, rörelseresultat samt årets resultat. Det insamlade materialet omfattar perioden 2000 – 2017, för dem företag som ingår i Large Cap på Nasdaq OMX Stockholm.
4.2 Sektorindelning
Urvalet delas in efter sektorstillhörighet och antal analytiker eftersom studien avser att undersöka om träffsäkerheten skiljer sig inom de olika sektorerna med avseende på antalet analytiker som ingår i konsensus. Indelningen utgår ifrån GIC’s (Global Industrial Classification) sektortillhörighetssystem vilket tillhandahålls av Morgan Stanley Capital International (MSCI) och Standard & Poor’s (S&P). För denna undersökning är företagen indelade i tio sektorer. Sektorsindelning för samtliga företag är framställda i Appendix.
4.3 Relativt prognosfel
Relativt prognosfel (RPF) beräknar prognosfelet för konsensusestimat och det faktiska utfallet i procentuella tal. Detta mått visar skillnad mellan konsensusestimat och faktiskt utfall och tar hänsyn till om skillnaden är positiv eller negativ. Det relativa prognosfelet beräknas för varje prognosvariabel enligt uttrycket:
RPF =(Faktiskt utfalli,t− Konsensusestimati,t)
Faktiskt Utfalli,t ∗ 100 (1)
där i representerar det specifika bolaget vid året t.
När det relativa prognosfelet är noll innebär det att analytikerkåren är fullständigt träffsäker.
Ett positivt (negativt) relativt prognosfel innebär att konsensusestimaten underskattar (överskattar) det faktiska utfallet och därmed visar analytikerkåren en pessimism (optimism).
4.4 Absolut prognosfel
Ett absolut prognosfel närmre noll innebär mer träffsäkerhet. Enligt Patz (1989) är det fördelaktigt att nyttja absolut prognosfel. Detta tillåter oss att bortse från analytikers optimism eller pessimism vilket möjliggör en tydligare tolkning vid regressionsskattning. Därmed kommer denna studie definiera både absolut och relativt prognosfel som träffsäkerhet i aktieanalytikers prognoser beroende på vad som analyseras.
4.5 Univariat analys
Ett t-test tillämpas för att bedöma statistisk signifikans mellan aktieanalytikers träffsäkerhet och förklaringsvariablerna. Vidare kommer t-test användas för att undersöka hur urvalsgrupper skiljer sig från varandra. För att undersöka träffsäkerheten i aktieanalytikers prognoser med avseende på företagets marknadsvärde, antal analytiker samt sektorstillhörighet nyttjas en univariat analys.
4.6 Multivariat analys
För att kunna förklara samband mellan träffsäkerheten i analytikers prognoser tillämpas en multivariat analys. Den beroende variabeln i denna undersökning är absolut prognosfel (APF).
Förklaringsvariabler är antal analytiker, marknadsvärde, price-to-book (P/B), skuldsättningsgrad (D/E), totala tillgångar och avkastning på totala tillgångar.
Innan resultat från regressionsanalys redovisas genomförs en korrelationsanalys enligt Pearsons metod och redogörs under tabell 7. Genom denna analys kan vi undersöka eventuell förekomst av multikollinearitet mellan förklaringsvariablerna. I enlighet med Djurfeldt et al., (2003) rekommendationer tillåts inte förklaringsvariablerna att anta värden högre än 0,8 eller lägre än -0,8 för att förklaringsvariablerna skall vara skattningsbara vid en regressionsanalys.
5 Resultat
5.1 Beskrivning av undersökning
I tabell 1 visas en översikt av antalet konsensusestimat. Undersökningen består av 93 företag, och undersökningen omfattar totalt 4448 konsensusestimat och faktiska utfall, fördelat på fyra prognosvariabler. Av tabellen avläses att tillgänglig data kontinuerligt ökar med tiden.
Tabell 1: Antal konsensusestimat år 2000 - 2017
Årtal Omsättning Rörelseresultat före av-
och nedskrivningar Rörelseresultat Årets Resultat
2000 37 31 32 40
2001 40 30 36 45
2002 45 32 41 46
2003 49 40 45 45
2004 48 44 45 48
2005 56 46 54 54
2006 61 51 61 63
2007 61 53 60 61
2008 66 60 61 67
2009 69 65 67 69
2010 68 63 65 69
2011 70 70 67 70
2012 69 68 71 71
2013 73 64 83 71
2014 76 66 76 75
2015 83 77 83 83
2016 87 80 88 88
2017 91 80 90 89
Totalt 1149 1020 1125 1154 Tabellen visar antalet observationer för det insamlade materialet bestående av konsensusestimat fördelat över
åren 2000 – 2017. Observationerna innefattar alla fyra prognosvariabler: Omsättning; total prognostiserad försäljning. Rörelseresultat före av- och nedskrivning; rörelseresultat före räntor, skatter, nedskrivningar och amortering. Rörelseresultat; prognostiserad företagsvinst före räntor och skatter. Årets resultat; prognostiserad vinst eller förlust för räkenskapsåret.
5.2 Relativt prognosfel
av att det inte föreligger storleksfördelar såsom större informationsflöde. Detta står i kontrast med tidigare studier av Brown (1997). Tabellen visar även märkbara resultat i form av överoptimism för prognosvariablerna omsättning och rörelseresultat före av- och nedskrivning samt underpessimism för prognosvariablerna rörelseresultat och årets resultat för åren 2007 och 2008. Detta är i linje med tidigare studier av Farooq (2008) gällande marknadsförhållanden och marknadsstabilitets påverkan på analytikers träffsäkerhet.
Värdeviktade resultaten visar på en generellt högre träffsäkerhet för prognosvariablerna omsättning, rörelseresultat före av- och nedskrivning och rörelseresultat över hela tidshorisonten. Detta gäller inte för årets resultat där träffsäkerheten är lägre för de värdeviktade resultaten än för de likaviktade. Enligt resultaten av tabellen framgår högst träffsäkerhet föreligga för prognosvariabeln omsättning. Orsaken till detta är att omsättning är en finansiell post utan kostnader och avskrivningar, vilket gör komplexiteten i prognoserna en dimension mindre komplex gentemot övriga prognosvariabler. För år 2000 finner vi relativt högre prognosfel i jämförelse med övriga år. De höga prognosfelen kan förklaras av IT- kraschen som varade över denna period.
Tabell 2: Relativt prognosfel år 2000 - 2017
Årtal Antal observationer
Omsättning
Rörelseresultat före av- och nedskrivningar
Rörelseresultat Årets resultat
LV VV LV VV LV VV LV VV
2000 140 2,1 –0,0 27 11,8 –6,5 –27,9 40,5 14,2
2001 151 1,8 1,2 3,4 3,1 –5,2 –14,5 -17,9 -5,2
2002 164 –1,9 –8,5 –9,8 –0,9 7,3 9,4 18,6 17,9
2003 179 –1,2 –2,5 –4,0 –13,9 –14,4 –5,2 -4,3 -4,2
2004 185 3,0 1,7 5,8 3,7 4,1 3,9 9,1 6,4
2005 210 2,3 2,1 –0,1 1,8 7,9 4,0 -1,0 0,6
2006 236 –9,1 –0,9 –0,6 1,6 3,5 3,1 2,9 6,4
2007 235 –52,9 –92,3 –69,6 –110,1 –0,5 –0,2 48,5 93,4
2008 254 –23,1 –55,5 39,1 16,4 –11,8 –1,0 71,7 6,8
2009 270 2,3 1,2 –1,1 6,7 3,3 -0,6 9,6 8,5
2010 265 –4,8 –9,0 2,9 1,6 2.0 -1,0 -16 1,6
2011 277 1,7 1,1 7,8 8,2 3,4 1,3 39,9 12,4
2012 279 0,8 0,7 5,9 3,6 24,3 11,1 11,7 5,9
2013 291 1,0 1,2 –0,1 –3,4 –0,8 –1,1 -1,8 -0,1
2014 293 –1,2 –0,3 –0,1 2,4 –7,4 –1,1 -0,1 0,7
2015 326 –0,4 –0,9 –1,1 –0,3 -1,7 1,1 -2,6 -6,7
2016 343 –0,1 0,3 2,4 6,9 13,8 9,8 -73,8 -21,4
2017 350 0,2 0,9 1,0 5,0 3,5 13,3 -9,2 1,0
Totalt 4448 1,7 1,2 10,6 5,6 6,9 5,0 7,0 7,7
Tabellen visar medelvärdet av RPF beräknad enligt avsnitt 4.3 för samtliga företag, prognosvariabler och år för undersökningen. Likaviktat (LV) innebär att alla företag som ingår i undersökningen har lika stor vägning oavsett marknadsvärde. Värdeviktning (VV) innebär att alla företag viktas efter marknadsvärde vilket ger en mer rättvisande bild då till exempel träffsäkerheten kan variera mellan små och stora företag. Negativa (positiva) tal indikerar en överoptimism (underpessimism) i konsensusestimatet. Omsättning; total prognostiserad försäljning.
Rörelseresultat före av- och nedskrivning; rörelseresultat före räntor, skatter, nedskrivningar och amortering.
Rörelseresultat; prognostiserad företagsvinst före räntor och skatter. Årets resultat; prognostiserad vinst eller förlust för räkenskapsåret.
5.2.2 Sektorsindelning
Tabell 3 visar det relativa prognosfelet för hela tidsintervallet indelat i sektorer. För sektorerna Energi, Fastigheter och Finans framkommer det en optimism hos analytikerkåren.
Att träffsäkerheten i aktieanalytikers prognoser skiljer sig märkbart mellan olika sektorer är i linje med Patz (1989) studier. Märkbar hög träffsäkerhet framkommer i sektorerna Industri och Sällanköpsvaror med prognosfel om 0,2 respektive 0,9 procent. Att prognostisera fastighetsföretag kan vara förenat med flertalet svårigheter, vilket kan förklara optimism för fastighetssektorn. Dessa svårigheter kan till exempel vara förknippade med företagens belåningsgrad och andra makroekonomiska aspekter. Hälsovårdssektorn är styrd av upphandlingar av diverse slag, vilket påverkar företagens operativa verksamhet i hög grad.
Att prognostisera utfallet av dessa upphandlingar utgör ännu en utmaning för analytiker när de prognostiserar hälsovårdsföretag. Därför kan detta ligga till grund för det höga prognosfelet för hälsovårdssektorn. Intresseväckande är även det faktum att sällanköpsvaror visar ett lägre prognosfel än konsumentvaror, som kan anses mindre konjunkturkänsligt än sällanköpsvaror.
Tabell 3: Relativt prognosfel år 2000 – 2017 indelat i sektorer
Sektor Antal observationer Medelvärde Standardavvikelse
Energi 54 -8,9 0,7
Fastigheter 542 -14,2 2,8
Finans 417 -6,6 3,1
Hälsovård 253 22,5 2,1
Industri 1238 0,2 0,4
IT 211 3,8 0,3
Konsumentvaror 287 3,7 0,6
Material 452 7,3 1,1
Sällanköpsvaror 601 0,9 0,3
Telekom 201 4,3 0,5
Tabellen visar medelvärdet av relativt prognosfel över samtliga prognosvariabler och antal observationer för varje sektor för tidsperioden 2000 - 2017.
5.3 Univariat analys
Tabell 4 visar absolut prognosfel för samtliga prognosvariabler mellan de företagen med högst marknadsvärde (kvartil 4) mot dem företag med lägst marknadsvärde (kvartil 1).
Differensen mellan kvartil 4 och kvartil 1 visar signifikans på 5 %-nivån för prognosvariabeln Rörelseresultat. Även för prognosvariabeln årets resultat visar differensen signifikans på 1 %- nivån. Ett lägre prognosfel indikerar högre träffsäkerhet. Utifrån tabellen kan vi observera att företag med högre marknadsvärde har ett lägre prognosfel jämfört med företag med lägre marknadsvärde. Därav är medeldifferensen negativa för samtliga variabler. I linje med
Tabell 4: Absolut prognosfel fördelat efter marknadsvärde
Kvartil 4 Kvartil 1
Prognosvariabel Antal Medel Standardavvikelse Medel Standardavvikelse Medeldiff.
Omsättning 568 3,8 22,6 4,3 26,4 -0,5
Rörelseresultat före av- och nedskrivning
500 8,7 14,2 10,0 17,0 -1,3
Rörelseresultat 536 9,7 19,6 16,5 47,9 -6,8**
Årets Resultat 568 10,7 19,1 20,5 39,9 -9,8***
Tabellen visar absolut prognosfel beräknat för respektive prognosvariabel över samtliga år. I tabellen jämförs de företag med högst marknadsvärde (Kvartil 4) mot de med lägst marknadsvärde (Kvartil 1). *** = signifikans på 1 %-nivå. * = signifikans på 10 %-nivå. Omsättning; total prognostiserad försäljning. Rörelseresultat före av- och nedskrivning; rörelseresultat före räntor, skatter, nedskrivningar och amortering. Rörelseresultat;
prognostiserad företagsvinst före räntor och skatter. Årets resultat; prognostiserad vinst eller förlust för räkenskapsåret. APF; analytikers prognosfel i absoluta tal.
I tabell 5 visar panel A medelvärdet av det relativa prognosfelet fördelat efter antal analytiker som ingår i konsensusestimatet samt företagets sektorstillhörighet. Urvalet är fördelat i övre och undre medianen beroende på antalet analytiker som följer företaget och ingår i konsensusestimatet. I panel B visas genomsnittliga antalet analytiker för varje sektor i respektive block. Resultat från panel A visar att ett högre antal analytiker bidrar till högre träffsäkerhet, vilket är i linje med tidigare studier såsom Brown (1998); Alford och Berger (1999) och Patz (1989). Detta samband gäller inte för sektorn IT, där antalet analytiker visar en positiv medeldifferens vilket innebär att ett lägre antal analytiker visar högre träffsäkerhet.
Detta kan förklaras av det stora antalet analytiker som följer LM Ericsson, med lägre träffsäkerhet än för övriga företag. Signifikanta resultat för träffsäkerheten i jämförelse mellan högre antal analytiker och lägre antal analytiker finner vi inom sektorerna Material, Hälsovård, Finans och IT. För finanssektorn finner vi signifikans på 1 %-nivå i kopplingen mellan ett högre antal analytiker och träffsäkerhet. Detta kan förklaras av att företag i blocket med högre antal analytiker i genomsnitt har 15,8 analytiker jämfört mot företag i blocket med lägre antal analytiker som i genomsnitt endast följs av 1,6 analytiker. I och med det låga antalet analytiker ökar risken för bias hos enskilda analytiker för de företag som ingår i blocket med lägre antal analytiker.
Tabell 5: Absolut prognosfel, jämfört mellan antal analytiker i konsensus
Högre antal analytiker Lägre antal analytiker
Sektor Medel Medel Differens
Panel A: Absolut prognosfel fördelat efter antal analytiker
Energi 19,7 37,5 -17,8
Fastigheter 14,2 44 -29,8
Finans 8,9 101 -92,2***
Hälsovård 5,2 62 -56,9**
Industri 8,1 8,4 -0,3
IT 14,3 5,7 8,6**
Konsumentvaror 3,2 19,3 -16,1
Material 9,7 27 -17,5*
Sällanköpsvaror 7,6 9,7 -2,1
Telekom 11,6 21,3 -9,7
n=2107 n=2140
Panel B: Antal analytiker i konsensusestimat1
Energi 18,2 7 11,1
Fastigheter 10,1 3,8 6,3
Finans 15,8 1,6 14,2
Hälsovård 14,3 5,4 9
Industri 18,3 5,8 12,5
IT 24,9 5,7 19,2
Konsumentvaror 13,9 4,8 9,1
Material 15,8 6,7 9,1
Sällanköpsvaror 16,6 6,5 10,1
Telekom 24,9 11,9 13
n=2107 n=2140
Tabellen visar i panel A medelvärdet av absolut prognosfel för samtliga sektorer. Urvalet är fördelat vid medianen av antalet analytiker där högre antalet analytiker indikerar det block med flest antal analytiker, och lägre antal analytiker det block med lägst antal analytiker. Antal observationer visas under n. Tabellen avser tidshorisonten 2000 - 2017. Bolagen är indelade i sektorer enligt GICS sektorsindelning. Indelningen specificeras i appendix. I panel B visas det genomsnittliga antalet analytiker som ingår i konsensusestimaten.
5.3.1 Den finansiella krisen
I tabell 6 redogörs resultat för univariat analys av absolut prognosfel under övriga tider och finansiella krisen. Övriga tider utgör i denna undersökning år 2000 – 2006 och 2009 – 2017.
Tabell 6: Övriga tider relativt den finansiella krisen 2007–2008
Övriga tider Finansiella krisen
Medel Standardavvikelse Medel Standardavvikelse Medeldiff.
Omsättning 3,1 19,2 41 322 -38,3
Rörelseresultat före av-
och nedskrivning 11,2 32,2 45 353 -33,4
Rörelseresultat 17,2 56,7 15,8 52,3 1,44
Årets resultat 32 233 79 394 -46,7
n=3774 n=482
Tabellen visar medelvärde av absolut prognosfel och standardavvikelse för respektive prognosvariabel för både övriga tider och den finansiella krisen. Övriga tider; avser årtalen 2000–2006 och 2009–2017. Finansiella krisen;
åren 2007 och 2008. Differensen av medelvärdet presenteras för varje prognosvariabel. Omsättning; total prognostiserad försäljning. Rörelseresultat före av- och nedskrivning; rörelseresultat före räntor, skatter, nedskrivningar och amortering. Rörelseresultat; prognostiserad företagsvinst före räntor och skatter. Årets resultat; prognostiserad vinst eller förlust för räkenskapsåret.
5.4 Korrelationsmatris
I tabell 7 visas en korrelationsmatris över absolut prognosfel, antal analytiker, marknadsvärde, price-to-book, räntabilitet på tillgångar, totala tillgångar samt skuldsättningsgrad.
Korrelationerna visar ingen multikollinaritet, vilket är positivt inför regressionsanalys. Brown (1998) poängterar i sin studie att företag med större marknadsvärde är föremål för fler och mer träffsäkra prognoser. APF är negativt korrelerad med antal analytiker (-0,115), price-to- book (-0,063) och avkastning på totala tillgångar (-0,151). Samtliga på 1 %-nivån. APF är även negativt korrelerad med skuldsättningsgrad (-0,029) samt marknadsvärde på 10 respektive 5 %-nivån. Negativ korrelation med APF innebär att träffsäkerheten ökar i takt med övriga variabler. Starkast korrelation förekommer mellan antal analytiker och marknadsvärde (0,464), med signifikans på 1 %-nivån. Denna positiva korrelation innebär att antalet analytiker som följer företaget ökar med företagets storlek.
I tabellen visas korrelationen mellan beroende-, och förklarandevariabler. Signifikansnivå indikeras på 1-, 5-, och 10 % -nivå genom ***,** respektive *. Absolut prognosfel; analytikers träffsäkerhet i absoluta tal. Antal analytiker; antal enskilda prognoser som ingår i konsensus. Marknadsvärde; antalet utstående aktier multiplicerat med slutpriset för sista handelsdagen respektive år. Price-to-book (P/B); marknadspris dividerat med bokfört värde. Skuldsättningsgrad (D/E); andelen skulder dividerat med eget kapital. Totala tillgångar; bokfört värde på totala tillgångar. Räntabilitet på tillgångar; (rörelseresultat + finansiella intäkter) / totalt kapital.
5.5 Multivariat analys
I tabell 8 visas tre multivariata analyser vilka undersöker hur sambandet mellan det absoluta prognosfelet kan förklaras av analysens förklaringsvariabler. Den första regressionen visar resultatet över hela urvalet medan de andra två regressionerna visar resultatet av urvalet fördelat i 50% högre marknadsvärde och 50% lägre marknadsvärde. Av resultatet i regression (1) för hela urvalet utläses ett negativt samband mellan absolut prognosfel och antalet analytiker (-3,656), signifikant på 1 % - nivån. Det negativa sambandet indikerar att träffsäkerheten ökar med antalet analytiker. Detta stöds av tidigare studier (Patz (1989) och Brown (1998)), vilket stärker hypotes 2. Sambandet mellan aktieanalytikers träffsäkerhet och den naturliga logaritmen av marknadsvärde (19,19) visar signifikans på 1 % -nivån. Detta står i kontrast med resultat från Patz (1989). Anledningen till det motsatta sambandet i denna studie kan bero på att urvalet består av flertalet bolag med höga marknadsvärden under oroliga tider påverkar studiens resultat. I regression (2) och (3) redogör vi för denna effekt och delar urvalet efter marknadsvärdet. I regression (2) är koefficienten för marknadsvärdet (27,84) positiv signifikant på 1%-nivån. I regression (2) ingår observationer av högt värderade företag under årtal med oroliga marknadsförhållanden och därmed brister sambandet analytikers träffsäkerhet för företag med högt marknadsvärde. Däremot är träffsäkerheten det motsatta för företagen med lägre marknadsvärde. Resultatet i regression (3) visar att företag med lägre marknadsvärde visar ett negativt samband med det absoluta prognosfelet (-5,93), signifikant på 5%-nivån. Detta är i linje med Patz (1989), dock finner inte Patz att förhållandet enbart gäller företag med lägre marknadsvärde. Detta betyder att företag med
Tabell: 7 Korrelationsmatris
APF Antal
Analytiker Marknadsvärde Totala
tillgångar P/E D/E
Avkastning på totala tillgångar
APF 1
Antal Analytiker -0,115*** 1
Marknadsvärde -0,046** 0,464*** 1
Totala tillgångar -0,012 0,141*** 0,350*** 1
P/B -0,063*** -0,018 -0,038 -0,074*** 1
D/E -0,029* 0,065*** 0,050*** 0,399*** -0,126*** 1
Avkastning på
totala tillgångar -0,151*** -0,129*** 0,01 -0,140*** 0,242*** -0,184*** 1
Tabell 8: Multivariat analys
(1) (2) (3)
Hela urvalet Högre
marknadsvärde
Lägre
marknadsvärde
Konstant -85,5*** -187,3** 112,3***
(-2,56) (-2,13) (5,12)
Antal analytiker -3,656*** -4,598*** -0,975**
(-7,39) (-6,23) (-2,49)
Log (Marknadsvärde) 19,19*** 27,84*** -5,93**
(5,78) (3,52) (-2,29)
P/B -0,108 -0,088 0,958
(-0,40) (-0,25) (1,15)
Skuldsättningsgrad -0,227* -0,425** -0,0169
(-1,78) (-1,98) (-0,25)
Totala tillgångar -0,0000** -0,0000*** 0,0000***
(-2,11) (-1,63) (3,11)
Avkastning på totala
tillgångar -1,661*** -1,650*** -1,581***
(-4,56) (-3,02) (-5,71)
Tidseffektjusterat Ja Ja Ja
Observationer 3643 1980 1663
F-värde 4,44*** 3,25*** 4,61***
R2-justerat 0,0212 0,0255 0,0475
Tabellen visar resultat för multivariat analys. Beroende variabeln är absolut prognosfel; aktieanalytikers prognosfel i absoluta tal. Förklaringsvariabler; Antal analytiker; antal enskilda prognoser som ingår i konsensus och Log(Marknadsvärde); naturliga logaritmer för antalet utstående aktier multiplicerat med slutpriset för sista handelsdagen respektive år. För analysen används kontrollvariablerna: P/B; marknadspris dividerat med bokfört värde. Skuldsättningsgrad; andelen skulder dividerat med eget kapital. Totala tillgångar; bokfört värde på totala tillgångar. Räntabilitet på tillgångar; (rörelseresultat + finansiella intäkter) / totalt kapital. Signifikansnivå indikeras med ***, ** och * för signifikansnivåerna 1 %, 5 % samt 10 %. T-värde presenteras inom parantes.
6 Slutsats
Syftet med denna uppsats var att undersöka aktieanalytikers förmåga att prognostisera finansiella nyckeltal från resultaträkningen. Syftet var även att undersöka under vilka förhållanden som analytikers träffsäkerhet påverkas. Vår studie visar att det finns ett positivt samband mellan aktieanalytikers träffsäkerhet och antalet analytiker som ingår i konsensusestimaten, signifikant på 1 %-nivån. Detta är i linje med tidigare studier av Brown (1997) och Patz (1989). Vi finner även ett positivt samband för aktieanalytikers träffsäkerhet och företag med lägre marknadsvärde, signifikant på 5 %-nivån. Studien visar att det finns skillnader i prognosverksamheten i mindre och större företag på Nasdaq OMX Stockholm Large Cap. Studien visar även att det finns signifikanta skillnader i träffsäkerhet mellan högre antal analytiker och lägre antal analytiker i konsensusestimaten för sektorerna Finans, Hälsovård, IT och Material. Under den finansiella krisen visar däremot vår studie ingen signifikant skillnad i aktieanalytikers träffsäkerhet jämfört med övriga år.
6.1 Förslag till vidare studier
Tidigare studier har likt denna undersökt analytikers träffsäkerhet med kvantitativ metod. För vidare studier skulle en mer kvalitativ metod där analytikers prognosarbete studeras i mer detalj vara intressant. En studie där analytikers metoder testas mot varandra, och hur analytiker arbetar på en daglig basis vore även av intresse för framtida studier.
Då denna studie endast finner negativt samband mellan marknadsvärde och träffsäkerhet för företag med lägre marknadsvärde, skulle det vara intressant att titta vidare på detta med ett större urval genom att även analysera Mid- och Small Cap-listade företag.
Referenser
Alford, A., och Berger, P. (1999). A Simultaneous Equations Analysis of Forecast Accuracy, Analyst Following, and Trading Volume. Journal of Accounting, Auditing and Finance, vol, 14.
Asquith, P., Mikhail, M.B., och Au, A.S., (2005). Information content of equity analyst reports, Journal of Financial Economics, vol, 75, 245-282.
Barker, R. (1998). The market for information: Evidence from finance directors, analysts and fund managers. Accounting and Business Research, vol, 29, 3-20.
Beckers, S., Steliaros, M., och Thompson, A. (2004). Bias in European Analysts’ Forecasts.
Financial Analysts Journal, vol, 60, 74-85.
Brav, A. och Lehavy, R. (2003). An Empirical Analysis of Analysts' Target Prices: Short- Term Informativeness and Long-Term Dynamics, The Journal of Finance, vol, 58, 1933-1967.
Bradshaw, M.T., Brown, L.D., och Huang, K. (2013), Do sell-side analysts exhibit differential target price forecasting ability? Review of Accounting Studies, vol, 18, 930-955.
Brown, L.D. (1997). Analyst Foreasting Errors: Additional Evidence. Financial Analysts Journal, vol, 53, 81-88.
Brown, L. D., Hagerman, R. L., Griffin, P.A., och Zmijewski, M. E. (1987). Security Analyst Superiority Relative to Univariate Time-Series Models in Forecasting Quarterly
Earnings. Journal of Accounting and Economics, vol, 9, 61-87.
Call, A. C., Hewitt, M., Watkins, J., and Yohn, T.L. (2017) Changes in the I/B/E/S Database and Implications for Academic Research Using Analysts’ EPS Forecasts. Kelley School of Business Research Paper, vol, 1, 16-46.
Conroy, R. och Harris, R. (1987). Consensus Forecasts of Corporate Earnings: Analysts Forecasts and Time Series Methods. Management science, vol, 33, 725-737.
Cragg, J.G., och Malkiel, B.G. (1968). The consensus and Accuracy of some Predicitons of the Growth of Corporate Earnings. Journal of Finance, vol, 23, 67-84.
De Bondt, W.F,M., Forbes, R.H. (1999). Herding in analyst earnings forecasts: Evidence from the United Kingdom. European Financial Management, vol, 5, 143-163.
Djurfeldt, G., Larsson, R., och Stjärnhagen, O. (2003). Statistisk verktygslåda –
samhällsvetenskaplig orsaksanalys med kvantitativa metoder. Lund: Studentlitteratur.
Elton, E. J. och Gruber, M. J. (1972). Earnings Estimates and the Accuracy of Expectational Data. Management Science, vol, 18, 409-424.
Farooq, O. (2008). Financial Crisis and Performance of Analysts’ Recommendations:
Evidence from Asian Emerging Markets. Publications of the Swedish School of Economics and Business Administration.
Givoly, D. (1985). The Formation of Earnings Expectations, The accounting review, vol, 60, 372-386.
Imhof, E. A., och Paré, P.V. (1982) Analysis and Comparison of Earnings Forecast Agents.
Journal of Accounting Research, vol, 20, 429-439.
Jáki, E., och Neulinger, À. (2014). Financial Crisis To Enhance Optimism? The Impact of the Financial Crisis on the Earnings Per Share Forecast Error. Hungarian Statistical
Review, vol 18.
Kim, O., och Verrecchia, R.E. (1994). Market Liquidity and Volume Around Earnings Announcements. Journal of Accounting and Economics. Vol, 17 41-67.
Klettke, T. (2014). New Determinants of Analysts’ Earnings Forecast Accuracy. Springer Science & Business, vol, 1.
Lim, T. (2001). Rationality and Analysts’ Forecast Bias. The Journal of Finance, vol, 56, 369-385.
Mikhail, M. B., Walther, B. R. and Willis, R. H. (1997) Do security analysts improve their performance with experiences? Journal of Accounting Research. Vol, 35, 131–157.
Patz, D. H. (1989). UK Analysts´ Earnings Forecasts. Accounting and Business Research, vol, 19, 267-27
Appendix
Sektorsindelning Dagligvaror AAK AB Axfood AB Essity AB
ICA Gruppen AB Oriflame Holding AG Energi
Lundin Petroleum AB Fastighet
Atrium Ljungberg AB Castellum AB
Fabege AB
Fastighets AB Balder Hemfosa Fastigheter AB Hufvudstaden AB Klövern AB Kungsleden AB Sagax AB Wallenstam AB
Whilborgs Fastigheter AB Finans
Avanza Bank Holding AB Collector AB
Industrivärden AB Investment AB Latour Investor AB
Kinnevik AB
L E Lundbergföretagen AB Nordea Bank AB
Ratos AB
Resurs Holding AB Skandinaviska Enskilda Banken AB
Swedbank AB
Svenska Handelsbanken AB
Hälsovård Arjo AB Astra Zeneca Attendo AB Elekta AB Getinge AB Lifco AB
Swedish Ophan Biovitrum AB
Industri ABB AF AB Ahlsell AB Alfa Laval AB Assa Aboy AB Atlas Copco AB Bravida Holding AB Indutrade AB
Intrum Justitia AB Loomis AB
Munters Group AB NCC AB
Nibe Industrier AB PEAB AB
Saab AB Sandvik AB Securitas AB Skanska AB SKF AB Sweco AB Trelleborg AB Volvo AB
Informationsteknologi Fingerprint Cards AB Hexagon AB
LM Ericsson NetEnt AB Tieto Oyj
Material
Ahlström-Munksjö AB Billerudkorsnäs AB Boliden AB
Hexpol AB Holmen AB
Lundin Mining Corp SSAB AB
Stora Enso Oyj
Svensk Cellulosa SCA AB Sällanköpsvaror
Autoliv AB Betsson AB Bonava AB
Dometic Group AB Electrolux AB
Evolution Gaming Group AB
Hennes & Mauritz AB Husqvarna AB
JM AB
Kindred Group AB LeoVegas AB
Modern Times Group AB Nobia AB
Pandox AB Thule Group AB Telekommunikation Com Hem Holding AB Millicom International Cellular
Tele2 AB
Telia Company AB
