Penningpolitikens effekt på aktiekursen – En studie på svensk paneldata

NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet

Examensarbete D

Författare: Johnny Sener Handledare: Annika Alexius VT 2007

Penningpolitikens effekt på aktiekursen

– En studie på svensk paneldata

Sammanfattning

Reporäntan är en central ekonomisk variabel inom penningpolitiken. Förändringen i räntan påverkar investeringar, produktionsnivå och inflation, däribland aktiepriser.

Effekten av en förväntad ändring av räntan kommer att avgöra räntekänsligheten på olika aktiepriser. Syftet med den här uppsatsen är att undersöka och avgöra om det förekommer skillnader i räntekänslighet mellan olika aktieindex genom att tillämpa instrumentvariabelmetoden, i form av den generaliserade momentmetoden (GMM).

Resultatet i uppsatsen tyder på att vissa aktieindex tenderar vara mer känsliga för en höjning- respektive sänkning av räntan. Branscherna fastighet- & finans samt IT har benägenhet att drabbas av en högre ränterisk gentemot läkemedel, telekom- och verkstadsindex. Marknaden för olika aktieindex ser olika ut i form av antal aktörer, konkurrens och riskbenägenhet. Detta är orsaker till att det råder större känslighet för en del branscher vid en ränteförändring.

Nyckelord: Aktieindex, Förväntningar, GMM, Konsistent, Reporänta, Sargantest

Innehållsförteckning

Sid

1. Inledning ...4

2. Teori ...6

2.1 Räntan som ekonomisk variabel ...6

2.2 Korrelationen mellan aktiekurs och ränta ...8

2.3 Att testa effekten av en ränteförändring...9

3. Tidigare studier...10

4. Ekonometrisk metod...12

4.1 Väntevärdesriktighet ...12

4.2 Instrumentens egenskaper ...14

5. Data ...16

6. Resultat ...17

6.1 Regressionsskattning...18

6.2 Test av instrumentens validitet ...19

6.3 Grafisk översikt...21

7. Slutsats ...22

Referenser...24

Appendix I ...26

1. Inledning

Marknaden för investeringar av olika slag har vuxit kraftig under de senaste åren. För att investera i en tillgång kräver marknaden en avkastning utöver den riskfria räntan, som står i förhållande till den ränterisk som investeringen utsätts för. Det leder till att ränteförändringar påverkar avkastningen på alla finansiella tillgångar, möjligen i olika grad.

Reporäntan som är Riksbankens viktigaste instrument att styra penningpolitiken i Sverige har egenskapen att direkt påverka inflationen, produktionsnivån och därtill aktiepriserna.

Förändringar av den förväntade banan för Riksbankens reporänta får effekt och förändrar priserna omedelbart. Att framtida ränteändringar påverkar aktiekursen är allmänt känt. En höjning av reporäntan indikerar att aktiekurserna faller, eftersom det ökar incitamenten och efterfrågan att omfördela och placera i andra instrument som räntebärande papper.

En sänkning av räntan ger en motsatt effekt.

Att hantera den ränterisk som aktiepriset utsätts för är av stor vikt, inte minst vid till exempel förvaltning av kapital för att minska volatiliteten i avkastningen. Effekterna av en förändring av räntan tyder på att vissa branschindex tenderar att vara känsligare än andra, till exempel för att de förväntade vinsterna i vissa branscher ligger längre framåt i tiden och därför diskonteras mera. Uppsatsen syftar till att få en klarare bild av de kvantitativa effekterna av en oförväntad ränteförändring på olika branschindex. Då en händelse i tidpunkten t påverkar både räntan och aktiepriserna måste sambandet mellan variablerna estimeras med hjälp av instrument som är valida och relevanta, de vill säga som inte är korrelerade med utbudschocker i period t . Samtidigt som instrumenten är korrelerade med ränteförändringarna under samma tidsperiod.

Syftet med den här uppsatsen är att undersöka och analysera hur stor inverkan oförväntade förändringar av reporäntan får på olika aktiekurser indelade i ett antal svenska branschindex. Uppdelningen görs mellan olika typer av branscher för att studera om det föreligger skillnader mellan dessa och för att avgöra vilka index som är mest räntekänsliga.

Branscherna är utvalda utifrån kriterierna att varje index ska bestå av minst tio aktier samt utgöra minst fem procent av den totala viktningen på Stockholmsbörsen.

Då den korta tre månaders räntan mäter förväntad framtida reporänta över ränteperioden, det vill säga hur stor ränteförändringen skall bli, finns inget behov att framställa förväntningarna på en ränteförändring. Detta då förväntningarna redan inkluderas i räntenoteringen samtidigt som marknadens aktörer är rationella och känner till all tillgänglig information. Det gör att förändringen av tre månaders ränta avspeglar ändringar i den förväntade framtida reporäntan.

Uppsatsen avgränsar sig därmed till att enbart lösa problemet med att undersöka oförväntade förändringar av reporäntan, eftersom om förändringen är helt förväntad av marknaden blir den effekten obetydlig.

Resultatet av studien tyder på alla de skattade aktieindex erhåller förväntningsriktiga estimat och är känsliga för både en höjning respektive en sänkning av reporäntan. Det gav ett signifikant resultat på alla branschindex. Resultatet påvisar även att det existerar skillnader mellan de olika aktieindexen. Branscherna fastighet- & finans och IT uppvisar större negativt signifikant resultat än de övriga tre. Detta kan möjligen förklaras av att aktiekurser i dessa index verkar nästan uteslutande med verksamheter där det råder fri konkurrens och kraven är hårda för att lyckas, vilket ökar risknivån.

Uppsatsen är strukturerad på följande sätt. Nästkommande avsnitt behandlar den teori som jag utgår ifrån för att testa förändring i fem olika aktieindex vid ränteförändringar.

Efter det följer en genomgång av vad tidigare författare kommit fram till genom att använda samma metod, men på olika likvida marknader. I avsnittet därefter behandlas de modeller och ekonometriska instrument som jag har använt mig av för att kunna mäta räntekänsligheten. I avsnitt fem beskrivs datamaterialet. Därefter presenteras

undersökningens resultat. Slutligen dras en slutsats, därefter presenteras svårare härledningar i appendix.

2. Teori

I detta avsnitt ämnar jag att presentera den teori som ligger bakom ränte- och

aktiestrukturen. Det följs därefter av teorin bakom test av effekten av en ränteförändring.

Avsnittet inleds med en beskrivning av den ekonomiska variabeln ränta. Det följs därefter av kausalitet mellan den storheten och aktiepriset. Jag avslutar med ett övergripande del av hur man testar räntans effekt.

2.1 Räntan som ekonomisk variabel

Räntan är en central och genomgående variabel inom ekonomisk teori. Den är en av de viktigaste makroekonomiska variablerna vid investerings och värderingsbeslut. Den är även av avgörande betydelse vid prissättning av olika finansiella tillgångar. Den ses som

relativkostnaden för tid mellan långivare i period ett som avstår från sin konsumtion till låntagare i period två. Då räntan avspeglar priset på tid mellan två perioder är det en mängd olika faktorer som bestämmer storleken på räntan. För att åskådliggöra dynamiken mellan ränta och löptid måste den så kallade avkastningskurvan användas. Avkastningskurvan visar räntan för olika placeringar som en funktion av löptiden. Kurvans utseende kan se olika ut beroende på räntans egenskaper.¹ Det finns tre välkända hypoteser om räntans struktur och dess betydelse som ekonomisk variabel. Dessa är förväntningshypotesen,

likviditetspreferenshypotesen och marknadssegmenteringshypotesen.

Förväntningshypotesen baseras på att den långa räntan bestäms genom förväntningar om den korta räntans framtida utveckling. De långa räntorna som kännetecknas av att de innehar en löptid längre än ett år, värderas som det förväntade värdet av sammansatta korta räntor. Det gör korta och långa räntor till perfekta substitut. Givet detta kan man belysa det med forwardränta enligt följande,

(

t T

)

f

y= ,τ,

( )

1

1 Luenberger, (1998), pp. 73-76

där f är forwardräntan som är en funktion av t , vilket är den tidpunkt som är

överenskommen ränta för omfördelning av kapital vid τ, som står för framtida tidpunkt som förfaller på tidpunkt T .

Om vi manipulerar funktion

( )

1 och skriver om den till en ekvation får vi ett fullständigt uttryck enligt följande,

(

1+s_n

) (

ⁿ = 1+s_t

) (

1+ f_t+n

)

( )

2

där s_n är den långa spoträntan, s_t nuvarande spoträntan och f_t+n den förväntade framtida forwardräntan.

Av ekvation

( )

2 framgår det att det inte ska finnas systematiska skillnader mellan

spoträntan och forwardräntan, vilket implicerar att riskpremien mellan kort och lång ränta är konstant och lika med noll. ²

Likviditetspreferenshypotesen lägger i stället vikt på att den långa räntan är mer riskfylld, vilket beror på att prognoser för en längre period framåt i tiden måste göras. Detta kan därmed leda till större risk för felestimationer. För att investera i denna ränta kräver investeraren en riskpremie som är signifikant skild från noll. Den långa räntan består alltså inte bara av marknadens förväntningar för framtida korta räntors utveckling, utan även av en riskpremie. För att investera i forwardräntan kräver placeraren att denna ränta skall vara högre än spoträntan för att kompensera sig för ränterisken. Detta är även orsaken till att avkastningskurvan har en konvex utveckling.

Den sista hypotesen som avgör räntans struktur är marknadssegmenteringshypotesen.

Denna hypotes innebär att den korta och den längre räntan inte är perfekta substitut.

2 Luenberger, (1998), pp. 80-81

Det betyder att investerarna på marknaden har olika riskprofil och preferenser beroende på vilken marknad de verkar på. Av denna anledning påverkas inte utbud och efterfrågan av ränta med en viss löptid av en annan ränta med annan löptid. I stället avgörs

spoträntan av jämviktsräntan just på den marknaden.³

Alla dessa tre hypoteser förklarar att förändringar av den korta tre månaders räntan kan sägas avspegla förändringar i den förväntade framtida styrräntan. Detta eftersom den redan alltid inkorporerar all känd information i den aktuella räntenoteringen, vill säga att den förväntade förändringen äger rum innan den faktiska ändringen av reporäntan. Det gör det betydelsefullt att studera de oförväntade ändringar av reporäntan.

2.2 Korrelationen mellan aktiekurs och ränta

Ett aktiepris är en funktion av flera olika variabler av vilka en är räntan. Räntan är exogent given variabel i korrelationen mellan aktiekurs och ränta och påverkar inte bara aktiekurser direkt utan även indirekt via sambandet med andra ekonomiska variabler.

Dessa faktorer uppvisar både linjära och ickelinjära förhållande med räntan och förändras vid en ränterörelse, som i sin tur kommer att påverkar aktiepriset. Detta gör det

komplicerat att avgöra aktiekursens korrelation med räntan i jämförelse med andra finansiella tillgångar. Utöver ränteförändringar finns det många andra element som påverkar aktiepriset, vilket gör att det kan vara svårt att avgöra vilka prisrörelser som är resultatet av just en ränteförändring. För att avgöra hur stark den korrelationen är mellan aktiekurs och ränta måste andra beroende faktorer hållas konstanta i

modellspecifikationen.⁴

Vid exempelvis en räntehöjning kommer effekten av den höjda ränta räntan under ceteris paribus antagandet att ge lägre aktiepriser. Detta beror på att de framtida förväntade kapitalflöderna diskonteras med en högre ränta, vilket leder till ett lägre nuvärde. Det

3 Luenberger, (1998), pp. 82-83

4 Ibid, pp. 137-38 & 141

negativa kausala sambandet vid en höjning av reporäntan mellan aktiekurs och reporänta blir starkare ju längre fram de förväntande kapitalflöderna diskonteras.⁵

2.3 Att testa effekten av en ränteförändring

För att kunna avgöra effekten av en ränteförändring på aktiekursen måste vi ställa upp en regression, där variablerna är möjliga att skatta. Från den skattade modellen erhålls sedan förväntningriktiga och konsistenta estimatorer för att kunna dra godtyckliga slutsatser.

Genom att vi är intresserade att få fram förändringen i reporäntan mellan tidpunkt t och +1

t (förändringen på tangenten i avkastningskurvan), sätter vi förändringen i

aktiekursen som beroende variabel och ränteförändringen som den oberoende variabel i den modellen som skall estimeras, som vi får enligt följande,

t t

t i

s = β +β Δ +ε

Δ _{0 1} ⁶

( )

3

där β₀ är en positiv konstant,β₁ är förändringen i aktiepriset, Δ är den procentuella i_t förändringen i räntan uttryckt i punkter mellan tidpunkt t och t+1samt ε_t står för residualen som representerar andra faktorer än penningpolitik som påverkar aktiekurser.

För att urskilja effekten mellan en räntehöjning respektive en sänkning lägger vi till dummy en variabel för ekvation

( )

3 , vilket vi då kan skriva om modellen enligt följande,

t t

t iDh

s = β +β Δ +ε

Δ _{0 1} ,

( )

4.1

t t

t iDs

s = β +β Δ +ε

Δ _{0 1}

( )

4.2

där Dh är dummyvariabeln som står för en höjning och antar värdet ett

( )

1 och Ds för en sänkning som också får värdet ett

( )

1 .

5 Honda & Kuroki (2005)

6 För att modellen ska kunna skattas måste man anta att

( )

E ε_t =0

Ekvation

( )

3 används ofta för att skatta och analysera räntekänsligheten för olika aktiepriser. Om modellen är förväntningsriktig och estimatorn konsistent, skall testets nollhypotes hålla. Detta skulle innebära att modellens giltighet skall hålla simultant.

3. Tidigare studier

I avsnittet kommer jag att gå igenom vad tidigare författare har kommit fram till vid sina empiriska undersökningar. Då effekten av penningpolitiska åtgärder är allmänt känt på vilken effekt den får på aktiekursen, kommer jag endast att fokusera på ett par studier som har tillämpat samma ekonometriska instrument.

Tidigare studier som har studerat eventuella branschspecifika skillnader i räntekänslighet har genomförts framförallt på de amerikanska och japanska aktiekurserna. En del studier har även studerat den europeiska marknaden, då framförallt den brittiska och tyska, men inte i lika stor uträckning som de föregående. Dessa undersökningar har utgått från den så kallade federal target rate⁷ samt från inhemska korta räntesserier på statsskuldsväxlar. En del författare har valt att studera månatlig data, merparten använder dock dagsdata.

Tidigare undersökningarna har även genomförts under varierande antal år med

ränteförändringar, men de flesta håller sig inom en tidsperiod mellan 10-15 år. Bernanke

& Kuttner (2004) och Chen et al. (1999) testade om det förekommer någon skillnad mellan olika aktieindex vid en ränteförändring. I studierna valde de fyra respektive sex branscher i olika tillgångslag. De förkastade nollhypotesen och fick ett negativt och signifikant resultat i alla branscher, vilket gav stöd åt att det existerar skillnader. De drog slutsatsen att ränteändringar leder till minskade aktiekurser, där avvikelserna i

räntekänsligheten mellan olika aktieindex är marginell. Samtidigt kom de även fram till att det förekommer markant skillnader mellan branscherna, där finansindex är mer känslig än industriindex.⁸ För att avgöra den faktiska effekten gör de en skillnad mellan förväntad och oförväntad förändring av reporäntan, genom att differensera för tillgänglig information som redan finns på marknaden. De vill säga de eliminerar effekterna som

7 Federal target rate är den amerikanska motsvarigheten till reporäntan

8 Bernanke & Kuttner (2004) Chen et al. (1999)

anses vara förväntade. Därmed kan ge det möjlighet att avgöra hur stor den verkliga effekten är på aktiepriset.

Bomfirm (2003) uppmärksammade även att priserna i aktieindex för sällanköpsvaror är relativt mer känsliga för en ränteändring än andra.⁹

Flannery & James (1984), Giliberto (1985) samt Stevenson (2002) som enbart testade ett fåtal branscher förstärkte tidigare slutsatser. De påvisade med tyska aktieindex som består av aktiekurser på finansiella intermediärer och kreditinstitut att effekten av en

ränteändring slår ut mer på dessa, vilket påverkar avkastningen och investeringsbesluten i högre grad. Båda dessa studier använde korta tidsperspektiv med fåtal observationer, i form av två respektive tre år. I den studien gör de ingen skillnad mellan förväntad och oförväntad förändring, vilket skiljer undersökningen från de övriga.¹⁰

Lee & Nieha (2001) förstärkte resonemanget genom att testa för utvalda branscher i sju utvalda industrialiserade stater. Även i den studien förkastade de nollhypotesen att räntekänsligheten skiljer sig mellan alla branschindex. Olikheterna bland branscherna tolkades som att de var större för de mognare och mer likvida marknaderna där volatiliteten är hög. Detta konstaterades främst i USA, Frankrike och Storbritannien, vilket tolkades som att skillnaderna blir betydligt mindre om man undersöker mindre marknader. Även i den studien undersöks

endast de oförväntade effekterna.¹¹

Seiler (1998) som testade skillnader i räntekänsligheten emellan olika branschindex från den amerikanska marknaden och kunde inte förkasta hypotesen, att det förekommer skillnad mellan aktieindexen. Undersökningen tyder på att det inte existerar en signifikant skillnad mellan alla branschindex, som under vissa omständligheter kan råda och påverka resultatet. Detta tolkades som att effekten av ränteförändringar inte borde påverka alla aktiekurser i olika grad. Orsaken skulle kunna finns i att alla ränteförändringar är

9 Bomfirm (2003)

10 Flannery & James (1984) Giliberto (1985)

Stevenson (2002)

11 Lee & Nieha (2001)

förväntade, eftersom marknaden förväntas vara effektiv. Då diskonteras effekten i aktiepriserna redan innan en ränteförändring äger rum.¹² Det vill säga att kurserna skall ha korrigeras för effekten, före en ändring av reporäntan är bestämd och slår igenom i priset. Enligt den studien kan orsaken även vara att i de möten där beslut tas om reporäntan är förutbestämda. Därmed kan investerarna anpassa och ändra sina förväntningar innan det har bestämts om ändring av reporäntan.

4. Ekonometrisk metod

I följande avsnitt kommer jag att redogöra för den metod jag använder för att estimera hur aktiekursen påverkas när reporäntan ändras. Eftersom variablerna aktiekurs och ränta bestäms simultant kommer punktestimaten att förknippas med vissa problem. Problemet är att både dessa variabler påverkas av chocker mellan tidpunkt t och t+1. I detta avsnitt diskuteras varför GMM (Generalized Method of Moments) är en väntevärdesriktig

estimator, det vill en estimator som inte är förknippad med bias. Avsnittet kommer jag att avsluta med att beskriva instrumentens egenskaper i form av relevans och validitet.

4.1 Väntevärdesriktighet

Enligt ovan måste man använda en instrumentvariabelmetod för att skatta modellen i ekvation

( )

3 , eftersom chocker som inträffar mellan tidpunkt t och t+1 påverkar både marknadsräntan och aktiepriset simultant. I uppsatsen har jag enligt tidigare undersökningar använt den generaliserade momentmetoden (GMM), som är en skattningsmetod utvecklad av Arellano och Bond (1991) för att estimera och analysera observerade linjära system.¹³

En instrumentvariabel

( )

IV betecknas med värdet Z och kommer att användas för att _t undvika problem med korrelation mellan den oberoende variabeln och feltermerna i modellen. Vi vill då estimera följande modell:

12 Seiler (1998)

13 Arellano & Bond (1991) & Wooldrige (2001)

t t

t Z

i =β +β +ν

Δˆ _{0 1 1}

( )

5 där Δ är den del av räntan som är korrelerad med instrumentet men inte med feltermerna i iˆ_t ekvation (3),Z är instrumentet och _t ν_t är residualen. I nästa steg används den rensade variabeln Δ i ekvation iˆ_t

( )

3 :

t t

t i

s =β +β Δ +ε

Δ ˆ

1

0

( )

6

där β₁ är en väntevärdesriktig skattning.¹⁴

När vi skattar ekvation

( )

6 med GMM kommer vi att erhålla estimatens standardfel, som ska uppfylla de vanliga egenskaperna i form av förväntningsriktighet och minsta varians.

Att OLS är biased och instriument måste användas kan illustreras av följande ekvationer:

[

_OLS

]

_OLS COV

(

Y_{t t}

)

COV

(

Y_t X_t

)

E β₁ =β_1, + ,ε / ,

, ( )

7

där den andra termen är skiljd från noll eftersom räntan är korrelerad med feltermerna. På motsvarande sätt kan väntevärdet av ren IV-estimator skrivas som:

[

GMM

]

COV

⁽

Zt t

⁾

COV

⁽

Zt Xt

⁾

Eβ_1, =β_1,+ ,ε / ,

( )

8

där den andra termen nu är noll eftersom instrumentet örär okrorrelerat med feltermerna.

Detta innebär att OLS inte är någon valid regressionsmetod, om den oberoende variabeln som är räntan påverkas av residualen. Då egenskaperna av estimatorn som OLS skattar leder till att estimatorn med OLS skattningen blir icke förväntningsriktiga, (bias) och inkonsistenta i form av den andra termen i ekvation

( )

7 .¹⁵

14 Wooldrige (2002) p. 83 & 199

15 Wooldrige (2003) p. 468

Fördelen med GMM skattning blir här i motsats till 2SLS¹⁶ att det enbart krävs fördelningsspecifikationer för ett fåtal moment istället för hela fördelningen, som med OLS som kräver fler antagande för att erhålla en god estimering. Det löser problemet som till exempel endogenitet som alltså är förknippad med OLS-skattning. Som i detta fall är räntans effekt som ska förklara att ett visst utfall förklaras. ¹⁷

Detta leder till att metoden resulterar på så sätt i en relativt enkel lösning som ger

förväntingsriktiga och konsistenta skattade estimat. Samtidigt som det följer en Gaussian fördelning (asymptotiskt normalfördelad),¹⁸ vilket kommer att möjliggöra för inferens.

OLS-metoden ger bias i skattningarna när residualen är korrelerad med den oberoende variabeln.¹⁹

4.2 Instrumentens egenskaper

När vi skattar med instrumentvariabel tekniken vill vi ha ett giltigt instrument, vilket förutsätter att instrumentet måste vara okorrelerad med residualen eller de chocker som inträffar mellan tidpunkt

t och t+1. Ett lämpligt val av instrument är den laggade räntan mellan tidpunkt t−1 och t , eftersom den inte rimligen kan vara relaterad till chockerna mellan t och t+1. Dessutom ska instrumentet vara högt korrelerat med den endogena variabeln. Detta kallas för instrumentets relevans och kan mätas på olika sätt. I den här undersökningen rapporteras endast korrelationen mellan instrument och den beroende variabeln, de vill säga mellan förändringen i tre månaders räntan idag och förändringen i tre månaders räntan laggad en dag, löpande under hela dataperioden.

Korrelationen mellan instrumentet och residualen respektive mellan instrumentet och den oberoende variabeln ges enligt ekvationen nedan,

[

Zt t

]

cor ,ε = 0

( )

9.1

[

Z_t,Δi_t

]

≥ 0

cor

( )

9.2

16 2SLS är en alternativ modell till OLS med samma antaganden, men som inte ger biased estimat

17 Campbell et el. (1997) pp. A.2 - A.4

18 Är en av förutsättningarna för att modellen ska kunna estimeras

19 Pindyck & Rubinfeld (1998) p. 183

I modellspecifikationen som skattas med instrumentvariabel metoden som till exempel GMM måste instrumentens relevans och validitet undersökas. Validitet undersöks med hjälp av det så kallade J-testet. Det betecknas även Sargan eller Hansens test²⁰. I testet undersöker man om momenten i metoden är tillfredställda, de vill säga att metoden är korrekt specificerad där instrumentet skall vara okorrelerad med feltermen i ekvation

( )

3 . Under nollhypotesen att modellen är giltigt och rätt specificerad är nR asymptotisk ² χ²- fördelad med

(

n− frihetsgrader.k

)

²¹

För att vidare undersöka modellen genomför vi Hausmans test, vilket innebär att vi testar om det finns en signifikant skillnad mellan OLS-estimatorn och GMM-estimatorn. Om skattningarna från de båda metoderna inte skiljer sig signifikant drar man slutsatsen att OLS är giltigt. Under nollnollhypotesen är OLS-estimaten konsistenta (och effektiva) medan estimaten skattade från GMM är konsistenta under både noll- och alternativhypotesen. Detta möjliggör för att modellen är rätt specificerad.²²

Ett annat problem med finansiella tidsserier som kan uppstå, förutom med

autokorrelation²³ som GMM metoden korrigerar gäller antagandet om heteroskedasticitet, de vill säga variansen av residualerna är inte konstant.

[ ]

^z

Eε ≠VAR

( )

ε

( )

10

där ekvation

( )

11 innebär att modellskattningens residualer beror på en del av värdet på den beroende variabeln (som här inkluderar instrumentet laggad ränta). För att korrigera standardfelen så att de blir giltiga även vid heteroskedasticitet och autokorrelation används Newey West´s variansskattning.

20 Namnet Sargan kommer framöver att användas som beckning på testet

21 Campbell et el. (1997) pp. A.2 - A.4

22 Pindyck & Rubinfeld (1998) pp. 353-54

23 Innebär att det förekommer korrelation mellan residualserierna i regressionsskattningen

t

t α α Xt υ

εˆ² = ₀ + ₁ +

( )

11

där εˆ^2t är kvadraten på de skattade residualerna från ekvation

( )

6

Detta innebär att skattningarna konvergerar till de sanna värdena när antalet

observationer ökar, de vill säga variansskattningen minskar. Om nollhypotesen ínte förkastas tyder det på att vi inte har någon heteroskedasticitet.²⁴

För att undersöka instrumentens relevans de vill säga hur starkt Z variabeln korrelerar _t med X parametern (räntan) definierar vi korrelationen enligt följande, _t

(

Zt Xt

)

COV

(

Zt Xt

)

σz σt

ρ , = _, /

( )

12

där σ_z och σ_t är instrumentets respektive den regressorn standardavvikelse

Det är ett mått på den linjära anpassningens styrka och möjliggör jämförelse mellan instrumentvariabeln och den oberoende variabeln.

5. Data

De data som jag använder för skattning av modellen är dagsdata i form av sex olika finansiella tidsserier på fem olika aggregerade branschindex samt räntan på

statsskuldsväxlar med en löptid på 90 dagar. Orsaken till att undersökningen bygger på dagsdata är att längre data som veckodata och månatligdata inte är adekvat för att täcka påverkan på kortsiktiga ränteeffekter på dessa branscher. Räntan är baserad på årsbasis men jag använder mig av dagsnoteringen genom att välja ut för aktuella dagar under den utvalda tidsperioden. Då Riksbanken kontrollerar och har möjlighet att styra räntan på dagslånemarknaden blev 90-dagars ränta på statsskuldsväxlar ett naturligt val av en ränteserie, som en oberoende variabel. Varje gång denna ränta ändras kommer

24 Pindyck & Rubinfeld (1998) pp. 146-47

förväntningarna på reporäntans bana redan justeras för förändring, vilket är ett sätt att mäta oförväntade förändringar i reporäntan, som innefattas i den dagsaktuella

räntenoteringen. Därmed inräknas den ändring av reporäntan som Riksbanken förväntas genomföra. De fem branschindex är i form av industriindex, telekomindex, ITindex, läkemedelsindex samt finans- & fastighetsindex. Dessa är slutkurser baserade på AFGX och är från Ecowins databas från tidsperioden 2002-01-02 till 2006-12-29. Branscherna är utvalda utifrån kriterierna att varje index ska bestå av minst tio aktier samt utgöra minst fem procent av den totala viktningen på Stockholmsbörsen. Även om en del branschindex som exempelvis telekom har en relativt större viktning på det totala börsvärde gentemot ITindex, så består det förstnämnda index av förre aktier till antalet.

Antalet dagsobservationer för att skatta modellen är summerade till 1252, vilket

motsvarar fyra år där varje år innehåller 249 noteringsdagar i genomsnitt. Detta möjliggör för att även avgöra hur räntekänsliga dessa aktieindex är vid både en höjning respektive sänkning av reporäntan. Även räntan är från Ecowins databas och täcker samma

tidsperiod med lika många observationer. I de fall som det inte har funnits någon notering på räntan på grund av att marknaden inte har varit öppen till skillnad från aktiemarknaden har dessa dagar exkluderats. Dessa var fyra dagar och minskade antalet observationer i datamaterialet med lika mycket.

6. Resultat

I detta avsnitt redovisas de resultat som jag har kommit fram till i studien. Först presenteras och tolkas resultatet av regressionsskattningen av modellen som återfinns i avsnitt 4.1 respektive 4.3. Därefter går jag igenom resultatet på de uppställda testerna, i form storlek och tecken, samt redogör varför dessa resultat förväntas. För att få en bättre översikt framställs slutligen resultatet grafisk.

6.1 Regressionsskattning

Av tabell 6.1 framgår estimaten som skattades enligt ekvation

( )

6 .

Tabell 6.1

Estimaten från modellskattningen med standardfel och DW-statistiska samt t-värden inom parentes

Index Estimat

( )

βˆ1 Standardfel DW-statistiska Fastighets- och finansindex - 0,0677^* - 0,0003

0,0033 (- 14,4697)^***

Industriindex - 0,0119^* - 0,0042

0,0019 (- 22,1188)^***

ITindex - 0,0492^* - 0,0063

0,0027 (- 29,6861)^***

Läkemedelsindex - 0,0067^* 0,0108 0,0330 (- 7,9856)^***

Telekomindex - 0,0135^* - 0,0020

0,0021 (- 19,3834)^***

* Indikerar att parameterskattningen är statistiskt signifikant på 5 % signifikantnivå

** Standardfelen är justerade för heteroskedasticitet enligt Whites test

*** Inom parantes anges t-statistikan med n-k-1 frihetsgrader

Testresultaten visar att de fem estimerade parametrarna påvisar ett negativt signifikant resultat, de vill säga att oförväntade förändringar i räntan har signifikant effekt på aktiekursen. Det innebär att alla aktieindex är räntekänsliga vid en förändring i reporäntan, vilket i sin tur innebär att ränterisken i aktiepriset kommer att öka vid en räntehöjning. Detta leder till att indexen skiljer sig åt med avseende på deras

räntekänslighet. Resultatet tyder på att branschindexen fastighet- & finans samt IT är mer räntekänsliga än de övriga. Industrindex förväntas minska med 0,0119 procentenheter när räntan förväntas ökar med en procentenhet, samtidigt som övriga påverkande variabler hålls konstanta. Med marginella skillnader förväntas minskningen bli ungefär lika stor för telekomindex. Det stora undantaget i räntekänslighet mellan branschindexen är att

resultatet tyder på läkemedelsindex är minst räntekänsligt. Branschen förväntas minska med 0,0067 procentenheter när räntan ökar med en procentenhet.

Anledningen till att alla de undersökta indexen påvisar ett signifikant resultat är att förväntade framtida ränteförändringar redan inkorporeras i aktiepriset innan den faktiska ändringen äger rum, vilket kan förklara att det inte blir någon ytterliggare effekt på aktiepriset efter ändringen. Eftersom Riksbankens direktionsmöten om en ändring i reporäntan redan är planerade sedan tidigare, så kommer räntan att öka eller minska det antalet punkter som marknadens aktörer förvänta sig innan den ändringen.

Skillnaden mellan räntekänsligheten för främst fastighet- & finans och andra sidan verkstadsindex kan förklaras av att bankernas verksamhet i form av in- och utlåning av räntan sker på korta löptider, vilket gör att ränterisken ökar för marknaden. Då

riskbenägenheten ökar att låna ut eller investera ytterliggare, som implicerar till högre kostnader för verksamhetens finansiering. Läkemedelsindex påverkas inte i lika stor utsträckning av en ränteförändring. Det kan förklara av att marknaden är likvid och mogen där flera företag kan etablera sig. Det innebär att den fria konkurrensen kommer att påverka aktiekursen och som sedan anpassas till en jämviktsnivå. Vid en ändring av räntan tenderar aktiekursen att justera för denna förändring, men inte lika stort som övriga branscher. På så sätt är denna index mindre räntekänslig. Samtidigt tenderar högre ränta att ha större effekt på aktiekurser än förändringar som innebär en lägre ränta än förväntat, vilket ökar incitamentet att läkemedelsindex kännetecknas av en lägre ränterisk.

6.2 Test av instrumentens validitet

I denna del redovisas resultatet från testerna som avgör instrumentets validitet samt om modellen är korrekt specificerad, de vill säga modellens relevans. Dessa tester är betydelsefulla för den ekonometriska modellen i avsnitt fyra, vilket är avgörande för att kunna dra korrekta slutsatser.

Tabell 6.2

Test utfallet för Sargan respektive Hausman-testet samt korrelationen mellan instrumentet och regressorn

Test Testvärde

Sargan 0,3261^* Hausman 0,4260^* Korrelation 0,7452^**

* Antyder att Sargan- och Hausman-statistikan ej påvisar ett signifikant resultat på 5 % signifikantnivå

** Visar att ett starkt linjärt samband mellan laggad ränta och förändringen i räntan, i tidpunkt t

Tabell 6.2 tyder på att de både resultaten från Sargan respektive Hausman test är mindre än det kritiska värdet

(

0,3261≤3,84

)

och

(

0,4260≤3,84

)

, vilket betyder att vi inte förkastar nollhypotesen. Detta innebär att instrumentet är giltigt och användbart att applicera på modellen. Därmed är modellen valid och rätt specificerad för att kunna estimeras. Problemen som vidare kan uppkomma är att styrkan på instrumentet är inte tillräckligt starkt för att kunna ersätta den utelämnade variabeln. Den kommer då att leda till att realiteten i modellen blir lägre, eftersom korrelationen mellan instrumentet och den endogena variabeln inte blir tillräckligt starkt, vilket har upptäckts av testet.

Samtidigt är korrelationen med förändringen i räntan under tidpunkt t och laggad ränta tillräckligt hög, vilket tyder på att instrumentet är relevant för modellen.

OLS estimatorn har egenskaperna i form av effektiv och konsistent estimatorn, medan parameterskattningar med instrumentvariabel metoden (GMM) är konsistent både under noll- och alternativhypotesen. Det innebär då att det inte finns någon signifikant skillnad mellan de både estimeringsmetoderna. Då estimatorn från OLS skattningen är effektiv till skillnad mot att skatta metoden med en instrumentvariabel, föredras OLS som metod att skatta estimatorn. Men andra å sidan är en förväntningsriktig estimator önskevärd, eftersom variationen då minskar och vi erhåller konsistens mellan skattningen och den sanna parametern.

6.3 Grafisk översikt

Figur 6.1

Grafisk framställning av de skattade parametrarna

-0,08 -0,07 -0,06 -0,05 -0,04 -0,03 -0,02 -0,01 0

fast fins indu IT läke tele

procentenhet

Figur 6.1 visar hur den observerade räntekänsligheten skiljer sig år mellan de olika branscherna. Därifrån kan vi bestämma effekten av de fem studerade aktieindexen, när räntan förväntas ökar med en procentenhet. Det ger en tydlig bild på att det förekommer skillnader i räntekänslig mellan svenska branschindex. Det ger även en avgörande syn på att fastighet- & finans samt ITindex påverkas mer av räntans rörelse än de övriga

studerade branscherna. Vi kan även observera att endast förekommer marginella skillnader i räntekänsligheten mellan industri- och telekomindex, vilket tyder på att ränterisken är nästan identisk för dessa branscher. De ger möjlighet för olika intressenter att ta hänsyn till denna risk genom att omfördela sina tillgångar till andra instrument.

Figuren ger indikerar också bevis på att läkemedelsbranschen tenderar att vara minst känslig när räntan stiger med en procentenhet, samtidigt som effekten från andra påverkande variabler hålls konstanta.

Fast & fin Indu IT Läk Tele

7. Slutsats

Tidigare undersökningar kring reporäntans oförväntade effekt på aktiekurser har visat att utfallet inte är helt givet. Studier på de mer likvida och volatila marknaderna tyder på att aktiekurser är känsliga för en ränteförändring. Det betyder att ränterisken i priset kommer att öka vid en höjning av reporäntan. Vid en sänkning tenderar effekten att bli den

motsatta. Hur skiljer sig då räntekänsligheten mellan svenska aktieindex? Finns det belägg att det förekommer skillnader i ränterisken mellan svenska aktieindex och andra index från de större marknaderna? Då slutsatser av undersökningar på de större

marknaderna tyder på ett negativt signifikant resultat ger resultaten i denna uppsats belägg att följa och förstärka resonemanget ytterliggare. Resultatet följer tidigare studier eftersom det förekommer skillnader i räntekänsligheten även mellan svenska aktieindex.

Under förutsättningen att aktiekurser tenderar att korrelera starkt med andra partiella oberoende variabler, har denna studie i likhet med andra undersökningar tillämpat instrumentvariabel metoden (GMM). Den modellen har anpassats och modifieras för att kunna estimera betakoefficienterna för finansiella tidsserier på ett tillförlitligt sätt. Även om tidsserier förknippas med en del problem som autokorrelation och heteroskedasticitet, anpassas kovariansmatrisen för att ge korrekta standardfel och därigenom korrekt

inferens. Det eftersom stickprovsegenskaperna visar tillräckligt små standardfel.

Egenskaperna i form förväntningsriktighet och konsistent på de skattade estimaten ger stöd på att instrumentet för modellanpassningen är giltigt samtidigt som de följer en asymptotisk normalfördelning. Resultatet tyder på ett negativt signifikant resultat för alla de undersökta branschindexen, vilket tyder på att svenska aktieindex påverkas i större utsträckning av förändring i reporäntan. De innebär i sin tur att det förekommer skillnader i räntekänslighet. Fastighet- & finans samt ITindex är till skillnad mot övriga index de branscher som påverkas och drabbas mer av räntans effekt. Behoven av att förklara orsaker för dessa skillnader är stora för alla intressenter. Då graden av riskbenägenhet och investeringsmöjligheter är olika stor mellan branscherna tyder det på att risken i räntan kommer att öka när till exempel reporäntan förväntas stiga. Den relativa skillnaden mellan räntekänsligheten mellan indexen kan förklaras av den ökade fria konkurrensen på marknaden. Det betyder att antalet aktörer som har slagit sig in på marknaden och

därmed utraderat antalet arbitrage tillfällen. Det innebär att aktiekursen kommer att ändras och stabilisera sig på en viss jämviktsnivå. Eftersom läkemedelsindex tenderar att vara minst känslig för oförväntad förändring av reporäntan är orsaken att påverkan av räntans effekt inte är lika starkt för denna index, utan andra variabler har större betydelse i form av patent, incitamenten att forska och utveckla.

Då testresultaten visar på att förväntade förändringar i reporäntan inte är signifikant skild från noll, skiljer sig den här uppsatsen i viss grad från andra tidigare underökningar. De vill säga att jag skiljer ut de förväntade framtida ändringar på ett annorlunda sätt. Det sker genom att endast de oförväntade förändringarna av reporäntan har en effekt på

aktiepriset, eftersom marknadens rationella aktörer justerar sina förväntningar, vilket direkt avspeglar sig i den aktuella räntenoteringen.

Sammanfattningsvis har den här undersökningen påvisat att oförväntade förändringar av reporäntan påverkar starkt vissa svenska branschindex, där vissa är mer räntekänsliga än andra, vilket därmed ökar ränterisken för dessa index.

Referenser

Böcker

Campbell, J., Lo, C., och MacKinlay D. (1997), “The Econometrics of Financial Markets”, Princeton University Press, Monticello, 2:a ed.

Luenberger, D. G. (1998) “Investment Science”, Oxford University Press, New York.

Pindyck, R., och Rubinfeld, D. (1998), “Econometric models and economic forecasts”, McGraw-Hill, New York, 4:e ed.

Wooldridge, J. M. (2002), “Econometric Analysis of Cross Section and Panel Data”, MIT Press.

Wooldridge, J. M. (2003), “Introductory Econometrics”, Thomson, South-Western, 2:a ed.

Vetenskapliga artiklar

Arellano, M., och Bond S. (1991), ” Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations”, The Review of Economic Studies 2, 277-297.

Bernanke, B., och Kuttner, K. (2004), ”What Explains the Stock Market’s Reaction to Federal Reserve Policy?” , Board of Governors of the Federal Reserve System and

Princeton University and Oberlin College.

Bomfirm, A. N. (2003),”Pre-announcement effects, news effects and volatility: Monetary policy on the stock market”, Journal of Banking and Finance 27, 133-51.

Chen, C., Mohan, N., och Steiner, T. (1999), ”Discount rate changes, stock market returns, volatility, and trading volume: Evidence from intraday data and implications for market efficiency”, Journal of Banking & Finance 23, 897-924.

Flannery, M., James C. (1984), “The Effect of Interest Rate Changes on the Common Stock Returns of Financial Institutions”, Journal of Finance 39, 1141-53.

Giliberto, M. (1985), “Interest Rate Sensitivity in the Common Stocks of Financial Intermediaries: A Methodological Note”, The Journal of Financial and Quantitative Analysis 20, 123-26.

Hansen, L. P. (1992), “Large Sample Properties of Generalized Method of Moments Estimators”, Econometrica 50, 1029-1054.

Hansen, L.P., och Singleton K.J. (1988), ”Generalized Instrumental Variable Estimation of Nonlinear Rational Expectations Models”, Econometrica 56, 1269-1286.

Honda, Y., och Kuroki Y. (2005),” Financial and capital markets responses to changes in the central bank’s target interest rate: The case of Japan”, The Economic Journal 116, 812-42.

Lee, C.F., och Nieha, C.C. (2001), “Dynamic relationship between stock prices and exchange rates for G-7 countries”, The Quarterly Review of Economics and Finance 41, 477-90.

Seiler. M. J. (1998), “Do changes in the discount rate and fed funds rate affect financial market returns?”, The Journal of Managerial Finance 8, 16-25.

Stevenson, S. (2002), “The Sensitivity of Europeans Bank Stocks To German Interest Rate Change“, The Journal of Multinational Finance 6, 223-49.

Wooldridge, J. M. (2001), “Applications of Generalized Method of Moments Estimation”, The Journal of Economic Perspectives, 4 87-100.