Rädsla eller rationalitet: En studie om sökintensitets effekt på läkemedelsbranschen i Sverige

(1)

Rädsla eller rationalitet -

En studie om sökintensitets effekt på läkemedelsbranschen i Sverige

Examensarbete C

Nationalekonomiska institutionen Uppsala universitet

HT 2020

Datum för inlämning: 2021-01-15

Adam Arnö Gustaf Eriksson

Handledare: Johan Lyhagen

(2)

Abstract

Coronapandemin har varit en faktor som påverkat i princip alla delar av samhället under senaste året med utspridda sociala och ekonomiska konsekvenser. Men är effekterna på aktiemarknaden verkligen drivna av rationella värdeförändringar i bolagen? Tidigare studier har, genom att mäta sökintensitet på internet och kurser på världsindex, dragit slutsatsen att det under 2020 funnits en stark koppling mellan rädsla för coronaviruset och utvecklingen på världens börser. Syftet med denna studie är att följa tidigare forskning men att specifikt analysera en bransch som enligt tidigare studier varit relativt motståndskraftig mot effekterna av coronaviruset. Denna studie undersöker kopplingen mellan rädsla för coronaviruset på börsen och aktiekurser inom läkemedelsbolag som handlas på Stockholmsbörsen. Studien utförs genom att titta på korrelationen mellan Google Search Volume Index (SVI) och aktiekurser på 28 läkemedelsbolag som handlas på Stockholmsbörsen.

Utgångshypotesen är att det finns en koppling mellan rädsla för coronaviruset mätt genom SVI och aktiekurser inom läkemedelsbranschen. För att bedöma hypotesen görs en rad regressioner med aktiepriser inom läkemedelsbranschen som beroende variabel och SVI samt OMXS30 som oberoende variabler. Resultaten visar att det inte finns en stark koppling mellan SVI och aktiepriser i läkemedelsbranschen vilket leder till att huvudhypotesen förkastas.

Slutligen diskuteras hur resultaten tyder på att en semistark form av den effektiva marknadshypotesen lyder på läkemedelsmarknaden men att flera inslag av beteendeekonomi påverkar prissättningen.

Nyckelord: Beteendeekonomi, EMH, SVI, Sverige, aktier, läkemedelsbranschen.

(3)

Innehållsförteckning

1. Inledning ... 1

1.1 Problematisering... 1

1.2 Disposition ... 3

2. Teoretiskt ramverk ... 4

2.1 Den effektiva marknadshypotesen ... 4

2.2 Beteendeekonomi ... 5

2.3 Tidigare forskning och formulering av hypoteser ... 6

3. Metod ... 9

3.1 Datainsamling... 9

3.2 Urval ... 9

3.3 Huvudmetod och hypotesprövning ... 13

3.4 Metodkritik ... 16

4. Resultat & Analys... 17

4.1 Regressionsanalys ... 17

5. Slutsats ... 25

5.1 Slutsats ... 25

5.2 Förslag till framtida forskning... 25

Referenser... 27

Appendix ... 29

(4)

1. Inledning

1.1 Problematisering

OMXS30 öppnade 2020 på 1775,29 och steg snabbt under de första månaderna upp till en högsta notering på 1905,61 vilket historiskt sett är den högsta kurs OMXS30 har haft (Avanza, 2020). I och med coronaviruspandemins intåg har dock världen, inte varit sig lik. Pandemin har påverkat människor i alla aspekter av deras liv; de sociala, de affärsmässiga och inte minst de ekonomiska.

Börser runt om i världen har erfarit historiska fall där OMXS30 mellan 20 februari och 16 Mars 2020 gick ner med 33.8 procent, från 1905,61 till 1261,17.En liknande förändring har inte kunnat observeras sedan den svarta måndagen 1987 (ibid). Efter detta var den ekonomiska krisen ett faktum, men börsen kom senare att slå om. Efter det ursprungliga fallet har OMXS30 återhämtat sig och nått en ny högsta notering den 25 november 2020 på 1950,81, vilket är en ökning på cirka 61 procent från den lägsta noteringen under året (ibid).

Figur 1.1 - OMXS30

Figur 1.1 visar en graf över utvecklingen på OMX mellan 2020-01-20 och 2020-12-20.

Källa: Avanza, 2020.

Trots att coronavirusets effekter varit vidspridda finns det flera branscher som har varit mer

motståndskraftiga mot dess direkta effekter. Ayati et. al. (2020) konstaterar i sin studie “Short

(5)

and long term impacts of COVID-19 on the pharmaceutical sector” att Covid-19 inte endast har medfört negativa effekter inom läkemedelsbranschen, utan att viruset har haft flera positiva följder, som exempelvis en stor ökning i den generella efterfrågan på läkemedel (Ayati et. al., 2020).

Om man visualiserar aktiekurserna för 2020 inom läkemedelsindustrin är trenden dock att läkemedelsbolag har blivit påverkade lika mycket av coronaviruset som bolag inom andra industrier. Det finns således en anledning att ifrågasätta marknadens effektivitet. Enligt den effektiva marknadshypotesen ska marknadspriset på en aktie reflektera all tillgänglig information på marknaden (Fama, 1970). Det här tycks dock vid första anblick inte ha varit fallet inom läkemedelsindustrin, möjligen till följd av en rädsla inför att coronaviruset haft en oproportionerligt stor inverkan på aktiekursen.

Det finns ett stort antal studier som analyserar huruvida utvecklingen på internationella börser under coronapandemin har varit primärt styrd av rädsla eller om kurser svängt på grund av faktiska förändringar i prestation hos bolagen på börsen (Lyocsa et. al., 2020). Däremot saknas det studier om den svenska börsen, och mer specifikt om specifika branscher. Även om tidigare forskning generellt sett har kommit fram till att det finns ett starkt samband mellan rädsla för coronaviruset och indexutvecklingen så kan det finnas många andra förklaringsfaktorer till de aktuella utvecklingstrenderna. Ett problem med den tidigare forskningen är att den inte skiljer mellan olika branscher inom varje individuellt index. Trots att tidigare studier kan ge en relativt god bild av vad som driver indexutvecklingen under coronapandemin ges således ingen skiljaktighet i fråga om till vilken utsträckning index har rört sig rationellt och vad som endast drivits av rädsla. Med detta som bakgrund är syftet med denna studie att undersöka om det kan konstateras ett samband mellan rädsla inför coronaviruset och förändringar i aktiekurser inom läkemedelsbolag som handlas på Stockholmsbörsen.

Studien mäter rädsla inför coronaviruset genom att använda Google Search Volume Index (SVI). Bento et. al. (2020) visar i sin studie “Evidence from internet search data shows information-seeking responses to news of local COVID-19 cases” att den naturliga reaktionen befolkningen har på nyheter inom coronafall och coronaspridning är att fortsätta söka information på internet (Bento et. al., 2020).

Preis et. al. (2013) adderar idén om att det är naturligt för investerare att söka efter information

innan de genomför en investering på börsen. Författarnas studier föreslår även att Googles

(6)

sökvolymer på ord som kan anses kopplade till finansmarknaden med en negativ konnotation påverkar aktiemarknaden negativt (Preis et. al., 2013).

I denna studie genomförs inledningsvis en undersökning av varje enskilt bolags aktiekurs och dess korrelation till SVI. Sedan genomförs en sammanställning av förändring i avkastning för de undersökta bolagen i förhållande till SVI för att få en helhetsbild av hur läkemedelsindustrin har påverkats av sökintensiteten. Dessa regressioner redovisas i appendix.

Ett problem i studien är att SVI inte ger uttryck för om sökningar är av positiv eller negativ natur. Tidigare forskning utgår till stor utsträckning från att SVI kopplat till coronapandemin framförallt kan anses som ett mått på rädsla i startfasen av corona men att denna korrelation sedan avtar (Lyocsa et. al., 2020). För att undersöka den här problematiken genomförs även regressionsanalyser där datamaterialet delats upp i olika tidsperioder för att skapa en tydligare bild om när korrelationen mellan SVI och aktiekurser har varit som starkast.

1.2 Disposition

Den återstående delen av denna studie är strukturerad i fyra kapitel. Kapitel 2 utgör studiens

teoretiska ramverk samt tidigare forskning inom ämnet. Kapitel 3 innehåller studiens metodik,

kapitel 4 innehåller resultat & analys och slutligen innehåller kapitel 5 slutsatser från studien

och förslag till vidare forskning.

(7)

2. Teoretiskt ramverk

2.1 Den effektiva marknadshypotesen

I artikeln “Efficient capital markets: A review of theory and empirical work” introducerade Eugene Fama 1970 den effektiva marknadshypotesen (nedan även ”EMH”). Fama formulerade nollhypotesen: att en tillgångs pris är baserat på all publik information. Famas hypotes innebär att den kollektiva uppfattningen och analysen av en aktie, samt all information om aktien på marknaden återspeglas i priset, vilket gör arbitrage omöjligt. Alla aktier antas vara korrekt prissatta utifrån all tillgänglig information. Famas (1970) hypotes grundar sig i empiriska studier om hur investerare försöker göra arbitrage på aktiemarknaden.

De empiriska studier som Fama (1970) presenterar om den effektiva marknadshypotesen är kategoriserade i tre olika grundförhållanden: en svag, en semistark och en stark form av effektivitet i marknaden. Det som skiljer de olika formerna åt är vilken typ av information som reflekteras i tillgångspriset. I den svaga formen av EMH reflekteras all den historiska informationen om en tillgång i dagens tillgångspris vilket innebär att analys av historiskt datamaterial skapar en möjlighet till arbitrage. I den semistarka formen av EMH reflekteras all den historiska och den nuvarande publika informationen om en tillgång i tillgångspriset vilket innebär att varken analys av historiskt datamaterial eller offentlig information ger möjligheten till arbitragestrategier. Den starka formen av EMH reflekterar all den historiska, privata och publika informationen om en tillgång i tillgångspriset vilket innebär att inte ens en analys av historiskt datamaterial, insiderinformation eller offentlig information kan generera arbitrage.

Efter Famas ursprungliga studie har flera undersökningar genomförts om hur marknaden reagerar vid publicering av ny information. Resultaten antyder att det finns en tidsfördröjning mellan att ny information når marknaden och att den reflekteras i priset (Amir & Lev, 1996;

Fama, 1970). När en ökad sökintensitet på coronarelaterad information sker i samband med att

ny information ges ut skapas en reaktion på marknaden i enlighet med EMH. Den nya

coronarelaterade informationen bör sedan återspeglas i läkemedelsbranschens aktiepriser.

(8)

2.2 Beteendeekonomi

Till skillnad från den effektiva marknadshypotesen, som beskriver en rationell bild av hur marknadens prissättning speglar all tillgänglig information så beskriver beteendeekonomin att människan inte alltid agerar rationellt utifrån den information som finns.

Beteendeekonomin försöker kartlägga de psykologiska avvikelserna i det rationella beteendet.

Edward Cartwright (2011) delar i sin bok ”Behavioural economics” upp avvikelserna i flera olika kategorier:bland andra: sökheuristik, riskbedömning- och värdering, flockbeteende och tillfredsställande (Cartwright, 2011). Cartwright (2011) konstaterar att heuristik kan förklaras som en tumregel; i stället för att agera utifrån all tillgänglig information tar människan beslut utifrån egenutformade tumregler för att göra det lättare för sig. När man ställs inför ett komplext val kan det öka den direkta nyttan att ta ett beslut utifrån en tumregel snarare än att gå igenom all tillgänglig information då kostnaden för detta kan anses stor (Cartwright, 2011). En typ av tumregel som Cartwright (2011) tar upp är flockbeteende. En vanlig avvikelse från rationalitet är att en person gör som andra gör, snarare än att fatta beslut själv. Enligt beteendeekonomin höjer det här nyttonivån på flera sätt. Dels minskar det kostnaden av att behöva tillskansa sig information själv och dels höjer det den sociala nyttan i samband med att man känner sig som en del av en grupp. Vidare innebär satisficing (tillfredsställande) i beteendeekonomin att människan generellt nöjer sig med grundläggande information när de ska fatta ett beslut, framförallt om man har stöd av gruppen (ibid).

En annan avvikelse som Cartwright (2011) beskriver är värdering av risk. I EMH utgår bedömning av risk från en maximering av förväntad nytta. I beteendeekonomi bedömer man till viss mån även risk utifrån värdering av andra variabler. En sådan är förlustaversion, att människan generellt värderar undvikande av förluster högre än genererandet av vinster. Detta kan till exempel göra att man avstår från en investering som har risk för förlust trots att den förväntade nyttan är större än 0 (ibid).

Inom finans är beteendeekonomi en viktig aspekt för att avgöra prissättning. Jay R Ritter (2003)

skriver i Pacific-Basin Finance Journal att de klassiska beslutsteorierna inom

beteendeekonomi, som till exempel heuristik, även är applicerbara på finansmarknaden. Enligt

Ritter (2003) är vidare några av de vanligaste aspekterna inom beteendeekonomi på

finansmarknaden representativitet, dispositionseffekten och överförtroende (Ritter, 2003).

(9)

Representativitet innebär att man undervärderar långsiktig information och trender. Människan lägger generellt sett för stor vikt vid den senaste tillgängliga informationen när de prissätter marknaden. Detta kan leda till avvikelser från den rationella prissättningen (ibid). Människan tenderar också att ha ett överförtroende på sin egen bedömningsförmåga vilket förstärker effekten.

En ytterligare avvikelse är dispositionseffekten. Enligt Ritter (2003) innebär dispositionseffekten att det finns ett mönster i att människor undviker att realisera pappersförluster medan de söker efter att realisera pappersvinster. I en uppåtgående marknad tenderar handelsvolymen att öka i samband med att folk snabbt vill realisera och i en nedåtgående marknad så tenderar folk att hålla i sina tillgångar och vänta på en uppgång (ibid).

2.3 Tidigare forskning och formulering av hypoteser

Engelhardt, Krause, Neukirchen & Posch (2020) utförde under 2020 en studie om vad som drivit priserna på aktiemarknaden mellan 30 januari och 9 april 2020. Studien mäter vad som ska anses som rationella investerarförväntningar angående corona genom att studera epidemiologiska modeller om hur och i vilken utsträckning sjukdomen förväntas spridas.

Författarna skapar sedan ett mått på irrationella förväntningar kring coronas påverkan genom att mäta negativ nyhetsuppmärksamhet utifrån Google SVI. Dessa två mått ställs sedan i relation till utvecklingen på aktiemarknadsindex från 64 olika länder för att bedöma i vilken utsträckning aktiepriserna under coronapandemin drivs av irrationella kontra rationella förväntningar. Studiens resultat visar att irrationella förväntningar, mätt genom nyhetsuppmärksamhet haft en större korrelation med aktiepriser under pandemin än rationella förväntningar. Resultatet visar att när nyhetsuppmärksamheten ökar med en standardavvikelse så minskar indexutvecklingen med 0,279 standardavvikelser. En ökning av en standardavvikelse för måttet rationella förväntningar minskar indexutvecklingen med 0,131 standardavvikelser. Slutsatsen i studien är att prisutveckling på aktiemarknaden under corona drivits av irrationella förväntningar i större utsträckning än rationella förväntningar (Engelhardt, Krause, Neukirchen & Posch, 2020).

Lyócsa, Baumöhl, Výrost & Molnár (2020) genomför en liknande studie över tidsperioden

december-april på de tio största aktiemarknaderna i världen. Författarna undersöker hur rädsla

för coronaviruset, mätt genom abnorm sökintensitet (Google SVI) på coronarelaterade nyheter

(10)

sökintensiteten är positivt korrelerad med prisvarians på aktiemarknaden. Med undantag för Sydkorea visade samtliga 10 marknader i studien signifikanta positiva korrelationer mellan den lokala abnorma sökintensiteten på coronarelaterad information och variansen i aktiepriserna.

Författarna undersöker även korrelationen globalt och drar samma slutsats, att det finns en stark korrelation mellan prisvarians och coronarelaterad nyhetsuppmärksamhet. (Lyócsa et. al., 2020).

I linje med resultatet från tidigare studier av de största aktiemarknaderna i världen förväntas sökintensiteten på coronarelaterad information ha en negativ korrelation med aktiepriser på den svenska marknaden (ibid).

Enligt EMH bör aktiepriserna hos de undersökta läkemedelsföretagen i denna studie reflektera all tillgänglig information för att antagandet om den effektiva marknadshypotesen ska vara uppfyllt (Fama, 1970). Det innebär att en prisförändring i ett läkemedelsföretags aktie bör ske när ny information publiceras. En ökad sökintensitet på coronarelevant information följer naturligt av att ny information publiceras. Med detta som grund görs antagandet att en ökning av sökintensiteten bör reflekteras i aktiepriset.

Med understöd av tidigare forskning formuleras studiens första hypotes:

Hypotes 1: Det finns en negativ korrelation mellan coronarelaterad SVI och de genomsnittliga aktiekurserna inom läkemedelsindustrin under 2020.

Utöver vad som ovan anförts visar en studie av Ashraf (2020) att den negativa effekt som rädslan inför coronaviruset haft på aktiemarknaden varit olika stark i olika perioder. Ashraf (2020) visar att effekten är starkare under de tidiga stadierna av pandemin (ibid). Bento et. al.

(2020) tillägger att det fanns ett större intresse för coronaviruset under de första veckorna av pandemin. Detta kan vara en förklaring till varför det fanns en tydligare korrelation mellan aktiepriser och coronarelaterad sökintensitet i de tidigare stadierna av pandemin (ibid).

Lyócsa et. al. undersöker också skillnader i korrelation mellan sökintensitet och aktiepriser

under olika perioder av pandemin. Studien konkluderar att det fortfarande fanns en positiv

korrelation mellan prisvariansen på världens aktiemarknader och sökintensiteten i perioden

mellan april och juli men att den var försvagad i jämförelse med perioden mellan januari och

mars. Författarna drar slutsatsen att skillnaden beror på att det under perioden mellan april och

juli redan fanns en medvetenhet kring Covid-19pandemin. Lyócsa et. al anser utifrån sina

(11)

resultat att den starka korrelationen mellan prisvariationen för aktier och sökintensitet för coronarelaterad information under den första perioden av coronapandemin, januari - mars, berodde främst på rädsla i samhället och inte endast på nyfikenhet eller uppmärksamhet (Lyócsa et. al., 2020). Det innebär att sökintensiteten av coronarelaterad information bör ses som mindre av en marknadspåverkande faktor desto längre från pandemins början som undersöks.

Med detta som grund antas att korrelationen mellan sökintensiteten för coronarelaterad information och variansen i aktiepriserna för läkemedelsföretag även bör försvagas över tid på den svenska marknaden.

Med stöd av tidigare forskning formuleras studiens andra hypotes:

Hypotes 2: Det fanns en starkare korrelation mellan sökintensitet och genomsnittliga aktiekurser inom läkemedelsindustrin under pandemins början.

Det har även gjorts tidigare studier över hur aktiekurser för företag inom olika industrier har påverkats under coronapandemin. (Baek, Mohanty & Glambosky, 2020; He, Sun, Zhang & Li, 2020). Baek et. al. (2020) visar att företag inom industrierna mat, dryck & logi och transport påverkats i hög grad av pandemin och haft mycket volatila aktiekurser vid coronarelaterade nyheter, medan företag inom läkemedelsindustrin påverkats i låg grad. Enligt He et. al. (2020) är anledningen till detta att företag inom industrierna mat, dryck & logi och transport har lidit stora konsekvenser av de restriktioner och rekommendationer som implementeras av olika stater såsom utegångsförbud och distansundervisning. Författarna diskuterar även hur restriktionerna varit positiva i andra industrier. I läkemedelsindustrin har exempelvis restriktioner och rekommendationer i flera fall lett till ett högre förtroende hos investerare (ibid).

Med stöd av tidigare forskning formuleras studiens tredje hypotes:

Hypotes 3: Det finns en svagare korrelation mellan aktiekurser inom läkemedelsföretag

jämfört med OMXS30 och sökintensiteten för coronarelaterad information.

(12)

3. Metod

3.1 Datainsamling

Datamaterialet i den här studien har hämtats från Avanza Bank AB och består av historisk data för aktiepriser på samtliga 8 läkemedelsbolag som handlas på Stockholm Large Cap, på 10 bolag som handlas på Stockholm Mid Cap och på 10 bolag som handlas på Stockholm Small Cap samt aktiekurser för OMXS30. Datamaterialet för Googlesökningar på ämnet coronavirus har exporterats från Google trends.

3.2 Urval

Syftet i den här studien är att studera effekten coronapandemin har på bolag inom läkemedelsindustrin där det tidigare har genomförts ett flertal studier på hur rädslan och förväntningar om corona påverkar aktiemarknaden (Lyócsa et. al., 2020; Engelhardt et. al., 2020). Lyócsa et. al. (2020) gjorde i sin studie “Fear of the coronavirus and stock markets”

analysen att det finns ett negativt samband mellan sökintensitet på corona och indexkurser på S&P 500 (US), FTSE 100 (UK), NIKKEI 225 (JP), CAC 40 (FR), NIFTY 50 (IN), S&P/TSX Composite (CA), DAX (DE), SMI (CH) och KOSPI (KR). Syftet med urvalet i den här studien är att komplettera undersökningen om hur negativa förväntningar om corona, mätt genom sökintensitet, påverkar aktiekurser genom att studera den svenska marknaden (OMX).

I samband med att det delvis finns kartlagt att coronapandemin i sig har haft en inverkan på aktiekurserna och inte endast sökintensiteten så genomförs den här studien på en marknad som är mer motståndskraftig för de direkta effekterna av Covid-19 (Lyócsa et. al., 2020). Det finns mycket tidigare forskning som visar på att läkemedelsbranschen är en av de branscher som haft en kombination av negativa och positiva effekter av coronaviruset och därför klarat sig bättre än andra branscher (Ayati et. al., 2020; He et. al., 2020).

För att klassificera vilka bolag som kan anses tillhöra läkemedelsindustrin på

Stockholmsbörsen används ”The Global Industry Classifications Standard” (GICS). GICS är

en branschklassificeringsmodell där bolag kategoriseras utefter den verksamhet som genererar

bolagets huvudsakliga vinster och förluster.

(13)

GICS delar upp varje industri inom subkategorier som sektor --> industrigrupp --> industri --

> subindustri.

I den här studien studeras inte bolag inom en specifik subindustri utan bolag verksamma inom industrigruppen som tillhandahåller läkemedel, bioteknik och biovetenskap.

Figur 3.1 - GICS-klassificering

Figur 3.1 visar industri och subindustriklassificiering enligt GICS.

Anledningen till att rikta studien mot en industrigrupp i stället för en subindustri är att även kunna inkludera bolag som handlas på Stockholm Large Cap och är verksamma inom flera olika subindustrier. Vidare delar studien även upp urvalet efter företags börsvärde för att få en representativ bild av läkemedelsbranschen i sin helhet i Sverige.

Studien inkluderar samtliga 8 läkemedelsbolag som handlas på Stockholm Large Cap, 10 bolag som handlas på Stockholm Mid Cap samt 10 bolag som handlas på Stockholm Small Cap.

Stockholm Mid Cap och Stockholm Small Cap består av 26 respektive 25 bolag men eftersom studien ämnar ge en jämviktad bild av de tre marknaderna ansågs det lämpligt att välja ut 8 bolag var från även dessa marknadsplatser. Urvalet utgick dock från 10 bolag för att ta dispens för eventuella bortfall.

Urvalet av specifika bolag har baserats på aktieomsättningen under 2020. De bolag som valts

från Mid Cap och Small Cap är de bolag som det skett mest handel i. Anledningen till detta

urval är att aktier där lite eller ingen handel har förekommit kan ha missvisande eller felaktig

prissättning (Rajesh et. al., 2006).

(14)

Tabell 3.1 - Slutgilitgt urval

Tabell 3.1 visar urvalet av bolag i studien uppdelat på Small Cap, Mid Cap och Large Cap.

Small Cap Mid Cap Large Cap

Cantargia Oasmia Pharmaceuticals Arjo B

Xspray Pharma Cellink B AstraZeneca

Episurf B Oncopeptides Attendo

Bonesupport Holding Immunovia Elekta B

Vicore Pharma Holding Recipharm B Getinge B

Abliva Calliditas Therapeutics Medicover B

Xbrane Biopharma Addlife B Swedish Orphan Biovitrum

Bactiguard Holding B Orexo Vitrolife

Saniona Hansa Biopharma

Karolinska Development B Camurus

(15)

Idén bakom valet att använda SVI som ett sätt att mäta rädslan på marknaden är att investerare generellt sett söker information innan de väljer att handla en aktie. Preis et. al. (2013) presenterar att sökintensitet är en bra grund för att förutspå framtida trender på marknaden där nedgångar i en aktie eller tillgång föregås oftast av en ökad sökintensitet.

Google trends ger inte bara möjligheten att söka på specifika ord utan även på grupptermer som inkluderar samtliga ord inom en kategori. I denna studie har ämnet ”Coronavirus” som sökterm använts eftersom det finns flera olika benämningar för coronaviruset som exempelvis SARS-COV-2 och Covid-19. Användandet av en sökterm skapar ett mått på det generella intresset för corona och allt som det innefattar vilket ansågs mer lämpligt än användandet av specifika ord.

Ett problem med SVI som noteras är att det endast mäter uppmärksamhet och att uppmärksamhet kan ha flera olika bakomliggande orsaker (Da et. al., 2020). En ökad sökintensitet på corona kan till exempel bero på nyfikenhet eller rädsla och det kan bero på såväl positiva som negativa nyheter.

Den tolkning som görs i denna studie är att den brist på förutsebarhet som rådde i början av pandemin, samt de vidspridda och ödesdigra konsekvenser som viruset har haft på samhället gör att man kan utgå från att sökningar i pandemins tidiga skede till stor grad orsakats av rädsla och osäkerhet för viruset. Detta är samma underliggande antagande som Lyócsa et. al. (2020) använt i sin studie angående rädslan om coronaviruset kopplat till rörelser på världsindex.

Det kan dock vara ett problem att använda sökintensitet som ett mått på rädsla för coronapandemin under de senaste månaderna. Detta eftersom det under denna period har varit många positiva nyheter som skulle kunna passa in i ämnet Coronavirus, exempelvis rörande vaccin.

Tidsperioden för datamaterialet har baserats på 2020. Det första bekräftade fallet av Covid-19 i Sverige uppkom 31 januari 2020 och det anses därför lämpligt att använda data för hela 2020 (Folkhälsomyndigheten, 2020). Studien har inkluderat januari, månaden innan det första coronafallet i Sverige, då det kan ha funnits intresse eller rädsla kring corona även under tiden kort innan att det första bekräftade fallet i Sverige inföll.

Aktiedatamaterialet som har hämtats visar på dagskurser för de 28 bolagen i studien mellan

2020-01-01 och 2020-11-20 exklusive helgdagar då börsen har varit stängd och det inte funnits

(16)

nya aktiekurser att tillgå. Man hade kunnat inkludera den stängda stillastående kursen under helger men detta skulle kunna bli missvisande i förhållande till sökintensitet då aktiekursen inte kan fluktuera under helgen.

Data från SVI har även det hämtats för 2020. Datamaterialet i SVI presenteras på veckobasis för hela året och för dagsbasis om man mäter sökindex veckovis. Det här har lösts genom att använda programmet R för att räkna om det årliga indexet som ger resultat på veckobasis till ett resultat på dagsbasis och därefter exkluderat data för helger.

3.3 Huvudmetod och hypotesprövning

Benchmarkmodellen vid användning av Google SVI som ett mått på sökintresse är att studera Google ASVI (Abnormal search volume index). ASVI definieras som:

𝐴𝑆𝑉𝐼𝑡=log(𝑆𝑉𝐼𝑡)−log[𝑀𝑒𝑑(𝑆𝑉𝐼𝑡−1,…,𝑆𝑉𝐼𝑡−8)] (Da et. al., 2020).

ASVI ska fånga abnorm sökintensitet genom att jämföra nuvarande sökintensitet med medianen under 8 föregående veckor vilket antas representera den normala sökintensiteten.

Fluktueringar i ASVI tyder på abnorma plötsliga ökningar i sökintensitet.

Enligt Da et. al. (2020) är ASVI ett bra mått för att mäta sökintensiteten på exempelvis specifika aktier. Om man använder en enskild sökterm, som ett aktienamn, där sökintensiteten normalt är relativt jämn så kan ASVI ge en indikation på när kursrörelser uppkommer. Det finns dock problem med användningen av ASVI vid undersökning av en långsiktig trend och fluktuation av sökintensitet snarare än abnorma avvikelser från medianen i varje enskild tidsperiod.

Med det här som grund använder studien det direkta måttet SVI för att mäta sökintensitet i stället för att använda ASVI. Den direkta termen SVI visar indexerad sökintensitet per dag i förhållande till samtliga andra dagar under undersökningsperioden (2020). Detta ger möjligheten att studera hela perioden på ett effektivt sätt.

Tidigare studier som använt SVI som variabel har framförallt försökt att förutspå

aktieutveckling och därav använt SVI som endast en av flera variabler i den testade

regressionen. Eftersom den här studien syftar till att mäta endast SVI:s påverkan på aktiekurser

snarare än att förutspå aktiekursen i sin helhet anpassas benchmarkmodellen och endast SVI

isoleras som oberoende variabel.

(17)

Regressionerna i studien utgår från det linjära sambandet.

Y= β0+β1X1+e (1)

Med definitionen:

Aktiekurs(bolag n) = β 0 + β 1 SVI(coronavirus)+ e

I den första regressionen analyseras varje enskilt bolag och utveckling kopplat till SVI.

Aktiekurs (bolag n) definieras här som stängningskursen hos ett specifikt bolag i regressionen.

Det här genomförs framförallt för att skapa en ursprunglig bild av hur varje företag påverkas av SVI och för att se om det finns några stora avvikelser hos specifika företag.

Efter att det etablerats en ursprunglig bild beräknas med hjälp av R den genomsnittliga avkastningen per dag i helhet för samtliga bolag i studien för att undersöka den generella korrelationen mellan procentuell avkastning per dag inom läkemedelsindustrin kopplat till SVI per dag.

Procentuell avkastning/dag = β 0+ β 1 SVI(coronavirus)+ e (2)

Eftersom grunden till en av studiens hypoteser bygger på ett antagande att korrelationen mellan

SVI och aktiekurser inom läkemedelsindustrin är olika starka beroende på vilket skede

pandemin är i byggs sedan regressionen på med variabeln tid. Här delas datamaterialet upp in

i tre tidsperioder. Periodvalet är baserat på Folkhälsomyndighetens (2020) statistik gällande

antal avlidna från corona per dag under 2020.

(18)

Figur 3.3 - Coronadödsfall i Sverige 2020

Figur 3.3 visar en graf över antal coronadödsfall per dag under 2020.

Källa: Folkhälsomyndigheten, 2020.

Period 1 omfattar perioden kort innan coronapandemins start i Sverige och den initiala spridningsperioden; 2020-02-01 - 2020-04-30 där januari månad har exkluderats i samband med att både sökintensitet och antal coronafall varit obefintlig (ibid). Period två omfattar perioden efter den initiala chocken då antalet coronafall per dag minskade kraftigt; 2020-05- 01 - 2020-07-31. Period tre inkluderar den stagnant låga nivån av coronafall per dag under sommaren samt den nya ökningen av dödsfall efter sommaren 2020-08-01 - 2020-10-31.

Procentuell avkastning/dag period n = β 0+ β 1 SVI(coronavirus) period n+ e (3)

Eftersom studien även ämnar undersöka skillnaden i SVI:s påverkan på läkemedelsbranschen och på den svenska aktiemarknaden i sin helhet genomförs även en regression med OMXS30 som beroende variabel och SVI som oberoende variabel.

Förändring/dag OMXS30 = β 0+ β 1 SVI(coronavirus)+ e (4)

Slutligen genomförs en multipel regression med aktiepriser inom läkemedelsbranschen som

beroende variabel och SVI samt OMX indexkurser som oberoende variabler för att se SVI:s

påverkan på aktiekurser inom läkemedelsbranschen korrigerat med hänsyn till generella

fluktuationer på Stockholmsbörsen.

(19)

Procentuell avkastning/dag läkemedel = β 0+ β 1 SVI+ B2 Förändring OMXS30/dag + e (5)

3.4 Metodkritik

Likt tidigare forskning antar denna studie att SVI kan anses utgöra ett bra mått på rädsla i samhället (Lyócsa et. al., 2020). Ett problem är dock att det inte säkert kan sägas om en ökad sökintensitet beror på ett positivt eller ett negativt intresse. Detta motverkas till en viss grad av att dela upp studietiden i flera tidsperioder och göra individuella antaganden om vad sökintensitet betyder i varje specifik period utifrån tidigare studier. Det är dock ändå inte ett fullständigt säkert mått.

En lösning skulle vara att bygga en skanner som läser av artikelflöden på ett urval av nyhetssajter och sedan skapa en lassomodell för värdering av specifika ords betydelse för om nyheterna som publicerats är positiva eller negativa.

Vidare problem ligger i att majoriteten av studier som tidigare har genomförts med SVI som oberoende variabel har syftat till att förutse rörelser på aktiekurser. Man har då använt SVI som en av flera variabler för att förutspå kursrörelser i en specifik aktie. I denna studie används istället SVI som enskild förklaringsvariabel till kursrörelser på aktiemarknaden (nedan även OMX). Detta kan göra att resultaten i studien visar ett falskt samband. Även om studien finner korrelation mellan SVI och aktiekurser inom läkemedelsbranschen kan slutsatsen att det beror av SVI inte dras med fullständig säkerhet.

Metoden i sin helhet ger en bra grund till kopplingen mellan SVI och aktiekursrörelser. Detta

skulle dock kunna vidareutvecklas genom att definiera fler variabler. Om SVI antas vara ett

mått på rädsla på marknaden skulle det vara intressant att även inkludera ett mått av

kalkylerande rationalitet. Studien tar endast hänsyn till den generella uppfattningen att

läkemedelsbranschen klarat sig bättre än andra branscher under coronapandemin och inte hur

varje enskilt bolag i studien har presterat. En förbättring av metoden hade varit att istället

analysera varje företags faktiska prestation och ställa den i relation till hur aktiekursen har rört

sig. Om studien inkluderat både SVI som mått på rädsla och faktisk prestation som mått på vad

en rationell kursutveckling ska vara hade man nått tydligare svar kring hur rädsla påverkat

bolag inom läkemedelsindustrin.

(20)

4. Resultat & Analys

4.1 Regressionsanalys

Tabell 4.1 – Procentuell avkastning/dag - SVI

Tabell 4.1 redovisar resultat från regressionsmodell 1 i ekvation (2) som studerar sambandet mellan Google sökindex för coronarelaterad information och genomsnittlig prisförändring för läkemedelsföretag under perioden januari - november 2020.

VARIABLES AVG PRCD (%)

SVI -0,0178

(0,0220)

Constant 0,373**

(0,179)

Observations 232

R-squared 0,020

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

Studien finner utifrån regressionen inget starkt samband mellan sökindex för coronarelaterad information i Sverige och kursrörelser för läkemedelsföretag på börsen under 2020.

Korrelationskoefficienten för variabeln SVI visar en effekt på -0,0178 vilket tolkas som att när SVI ökar med en enhet minskar den genomsnittliga prisförändringen med 0,0178 enheter.

variabeln SVI har en låg korrelation med den genomsnittliga prisförändringen på aktiemarknaden för läkemedelsföretag. Ökad sökintensitet leder inte till några större förändringar i företagens aktiekurser.

Vidare finner studien utifrån regressionen ovan att variabeln SVI visar på en låg

förklaringsgrad till den genomsnittliga prisförändringen sett till R-kvadrat. Regressionen visar

en 2 % förklaringsgrad vilket innebär att variabeln SVI endast kan förklara den genomsnittliga

prisförändringen på aktiemarknaden under pandemin med upp till 2 %.

(21)

Sammanfattningsvis går det utifrån resultatet i tabell 4.1 inte att säkerhetsställa att den oberoende variabeln SVI, till skillnad från resultat i tidigare forskning (Lyócsa, Baumöhl, Výrost & Molnár, 2020), har en inverkan på den genomsnittliga prisförändringen på OMX som har skett under coronapandemin. Resultatet tyder på att sökintensiteten i Sverige på coronarelaterad information har haft ett svagt samband med de prisförändringar som har skett på aktiemarknaden för läkemedelsföretag. En förklaring till resultatet skulle kunna vara att den svenska aktiemarknaden skiljer sig från de marknader som studerats i tidigare forskning och att investerare i Sverige agerat mer rationellt vid sitt beslutfattande. En annan faktor som påverkar resultatet är den studerade tidsperioden, januari – november 2020, då tidigare forskning konstaterat att det finns skillnader i sökintensitetens påverkan mellan olika tidsperioder. Till följd av ovanstående förkastas hypotes 1.

Tabell 4.2 – Period 1 (Feb-Apr)

Tabell 4.2 redovisar resultat från regressionsmodell 2 i ekvation (3) som studerar sambandet mellan SVI för coronarelaterad information och genomsnittlig prisförändring för läkemedelsföretag över perioden februari - april 2020.

VARIABLES AVG PRCD (%)

SVI -0,0239

(0,0281)

Constant 0,680

(0,545)

Observations 63

R-squared 0,036

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

Tabell 4.3 – Period 2 (Maj-Juli)

(22)

Tabell 4.3 redovisar resultat från regressionsmodell 3 i ekvation (3) som studerar sambandet mellan Google sökindex för coronarelaterad information och genomsnittlig prisförändring för läkemedelsföretag över perioden maj - juli 2020.

VARIABLES AVG PRCD (%)

SVI 0,0795

(0,149)

Constant -0,0165

(0,691)

Observations 65

R-squared 0,005

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

Regression 4.2 och 4.3 undersöker sambandet mellan sökindex för coronarelaterad information i Sverige och aktiekursrörelser för läkemedelsföretag på börsen under perioden februari - april samt under perioden maj - juli 2020. Variabeln SVI visar en effekt på -0,0239 i period 1 och 0,0795 i period 2. Resultatet visar att SVI har en låg korrelation med den genomsnittliga prisförändringen för svenska läkemedelsföretag i både period 1 och 2. Enligt resultatet leder ökad sökintensitet inte till några större förändringar i företagens aktiekurser.

Korrelationskoefficienten sett till sökintensiteten för coronarelaterad information under pandemins början och mitt har ett linjärt samband med den genomsnittliga aktiekursförändringen på -0,0239 respektive 0,0795, dock utan statistisk signifikans.

Regression 4.2 och 4.3 visar också att variabeln SVI har en låg förklaringsgrad, 3,6% respektive 0,5%, sett till den genomsnittliga aktiekursförändringen under dessa tidsperioder.

Förklaringsgraden för analysen av perioden mellan januari – april är högre i jämförelse med

perioden mellan maj – juli vilket antyder att variabeln SVI under pandemins början förklarar

prisförändringar i läkemedelsföretag till en högre grad än vad är fallet för senare perioder.

(23)

Utifrån resultatet i ovanstående tabeller går det inte att säkerställa att den oberoende variabeln SVI har påverkat den genomsnittliga prisförändringen för läkemedelsbolagen i studien under studiens första 2 perioder.

Tabell 4.4 – Period 3 (Aug-Okt)

Tabell 4.4 redovisar resultat från regressionsmodell 4 i ekvation (3) som studerar sambandet mellan Google sökindex för coronarelaterad information och genomsnittlig prisförändring för läkemedelsföretag över perioden augusti - oktober 2020.

VARIABLES AVG PRCD (%)

SVI -0,318**

(0,143)

Constant 1,277**

(0,517)

Observations 64

R-squared 0,169

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

Regression 4.4 visar att det har funnits ett starkare samband mellan sökindex för coronarelaterad information i Sverige och kursrörelser för läkemedelsföretag på börsen under period 3 i jämförelse med tidigare perioder i studien. Variabeln SVI visar en statistiskt signifikant effekt på 5 % nivå om -0,318. Regressionen visar även att variabeln SVI har en relativt hög förklaringsgrad sett till de prisförändringar som skett inom svenska läkemedelsföretag. Den oberoende variabeln förklarar prisförändringarna upp till 16,9% vilket ger en antydan på att sökintensiteten i Sverige har haft en stor inverkan.

Vi kan på en 5% nivå säkerhetsställa att den oberoende variabeln SVI har en effekt på den

genomsnittliga prisförändringen i bolagen i studien som har skett under tidsperioden mellan

augusti – oktober 2020. Att resultatet i tabell 4.4 skiljer sig från analyser i tabell 4.2 och 4.3

kan bero på flera olika faktorer. I tidiga stadier av coronapandemin fanns exempelvis en viss

(24)

osäkerhet kring vilka effekter pandemin skulle komma att innebära för samhället. I samband med pandemins spridning har dessa effekter blivit tydligare. Om investerare under period 3 varit mer medvetna om pandemins konsekvenser för företag och för samhället bör det reflekteras i deras investeringsbeslut och således i aktiekurserna. Detta kan förklara att det finns en starkare korrelation mellan SVI och aktiekurser i period 3.

Resultaten i 4.2, 4.3 och 4.4 återspeglar den semistarka formen av den effektiva marknadshypotesen (Fama, 1970). Informationsspridning som har skett i samband med coronapandemin har lett till en ökad sökintensitet inom ämnet verkar inte ha gett någon direkt inverkan på aktiekurserna hos läkemedelsföretag, utan istället gett en inverkan i den senare tidsperioden. Det här ger en indikation på att investerare inte litar helt på den coronarelaterade information som blev offentlig i början av pandemin, vilket stämmer överens med Amir &

Levs (1996) studie om att ny information reflekteras i priset en tid efter att den når marknaden.

Vidare kan flera beteendeekonomiska teorier appliceras på detta resultat. Att det finns en svag korrelation mellan aktiepriser och sökintensitet i period 1 kan förklaras ur flera beteendeekonomiska aspekter. Teorin om representativitet, att folk tänker primärt på de kortsiktiga effekterna av corona och inte tar hänsyn till långsiktiga konsekvenser för samhället och mer specifikt för individuella företag. Den ökade korrelationen i period tre kan även kopplas till förlustaversion i samband med att folk noterat aktiemarknadens fall i period ett och två och använder dessa perioder som exempel på vad som kommer att hända på aktiemarknaden i period tre. Detta skulle kunna antas leda till att folk säljer tillgångar för att undvika förluster.

Ett stort försäljningstryck leder i sin tur till ytterligare fall av aktiekurser. Ritter (2003)

motsäger dock detta med teorin om dispositionseffekten. Med grund i ovanstående resultat och

analys förkastas hypotes 2.

(25)

Tabell 4.5 - OMXS30 – SVI

Tabell 4.5 redovisar resultat från regressionsmodell 5 i ekvation (4) som studerar sambandet mellan Google sökindex för coronarelaterad information och prisförändring för OMXS30 över perioden januari - november 2020.

VARIABLES OMXS30PRC

SVI -6,931***

(0,621)

Constant 1,776***

(7,590)

Observations 227

R-squared 0,538

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

Utifrån regressionsanalysen ovan finner studien ett starkt samband mellan sökindex för coronarelaterad information i Sverige och OMXS30 index som mäter kursutvecklingen på de 30 mest omsatta aktierna på Nasdaq Stockholm. Variabeln SVI visar en effekt på -6,931 vilket innebär när SVI ökar med en enhet minskar den genomsnittliga prisförändringen med 6,931 enheter, vilket är en relativt stor förändring. Det här innebär att SVI har en stark korrelation med prisförändringar på Nasdaq Stockholm, där en ökad sökintensitet på coronarelaterad information under den undersökta tidsperioden leder till att aktiekurserna sjunker.

Korrelationskoefficienten sett till sökintensiteten för coronarelaterad information har ett linjärt samband med aktiekursförändringar om -6,931 som är signifikant på 1 % nivå.

Vidare visar variabeln SVI en hög förklaringsgrad till prisförändringarna på OMXS30 sett till R-kvadrat utifrån regressionsanalysen. Resultatet påvisar en 53,8% förklaringsgrad vilket innebär att SVI utifrån regressionen förklarar förändringen i aktiekurserna för företagen på OMXS30 under den undersökta tidsperioden med 53,8%.

Sammanfattningsvis kan man utifrån resultatet i tabell 4.5 se att sökintensiteten på

(26)

Baumöhl, Výrost & Molnár (2020), har haft en stor inverkan på förändringarna i aktiekurserna för företagen på OMXS30. Resultatet skiljer sig markant från resultatet i tabell 4.1 vilket tyder på att aktiekurser inom läkemedelsbranschen har varit mer resistenta mot sökintensiteten på coronarelaterad information i jämförelse med andra branscher. Detta resultat ligger i linje med tidigare studier (Baek, Mohanty & Glambosky, 2020; He, Sun, Zhang & Li, 2020). På grund av ovan accepteras hypotes 3.

Vidare kan skillnaden ha sin grund i ett flertal orsaker som exempelvis att staten har implementerat restriktioner i samhället för att minska smittspridningen, vilket innebär att investerare har behållit sitt förtroende för läkemedelsbranschen som på det sättet inte kom att påverkas i samma grad som företag inom andra branscher. Skillnaden i resultat kan även bero på att de företag som ingår i OMXS30 till större del består av företag som har påverkats mycket av pandemin, som exempelvis industrierna finans och industrivaror & -tjänster som utgör 13 av de 30 företag OMXS30 består av (GICS). Dessa industrier påverkades avsevärt i det tidiga skedet av pandemin då befolkningen blev av med arbetstillfällen och rekommenderades att undvika kollektivtrafik.

Tabell 4.6 - Multipel regression (SVI & OMXS30)

Tabell 4.6 redovisar resultat från regressionsmodell 6 i ekvation (5) över sambandet mellan aktiepris i läkemedelsbolag, SVI och utvecklingen på OMXS30.

VARIABLES Genomsnittligt

SVI -0,0356

(0,0300)

OMXS30 -0,00258

(0,00182)

Constant 4,948

(3,343)

Observations 226

R-squared 0,038

* Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå, * Indikerar signifikans på 10 % nivå

(27)

Utifrån den multipla regressionsanalysen från tabell 4.6 finner studien att variabeln SVI har en större inverkan på aktiepriset för läkemedelsföretag under 2020 i jämförelse med OMXS30.

Variabeln SVI visar en effekt på -0,0356 och variabeln OMXS30 visar en effekt på -0,00258 vilket innebär att när SVI respektive OMXS30 ökar med en enhet minskar den genomsnittliga prisförändringen med 0,0356 respektive 0,00258 enheter. Det här resultatet tyder på att båda variablerna har en relativt låg korrelation till prisförändringarna för läkemedelsföretag under 2020.

Vidare visar resultatet utifrån tabell 4.6 en förklaringsgrad på 3,8 % vilket innebär att de testade variablerna SVI och OMXS30 endast förklarar 3,8% av variationen i läkemedelsföretags prisvariation sett till R-kvadrat utifrån regressionsanalysen. Resultatet ger en tydlig indikation att varken SVI eller OMXS30 har haft en särskilt stor inverkan på läkemedelsföretags kursrörelser under 2020 där resultatet även inte är signifikant.

Detta resultat kan tolkas på flera sätt med hänsyn till EMH och beteendeekonomi beroende på

om det anses rationellt att ta hänsyn till kursförändringar på OMXS30 och sökintensitet vid

prissättningen av aktier inom läkemedelsbranschen. Att aktiepriser inom läkemedelsbranschen

har en låg korrelation till både OMXS30 och SVI tyder på att investerare gör en individuell

bedömning av läkemedelsbranschen vilket tolkas som en rationell aktion. Om man däremot tar

hänsyn till att en rationell investerare ska utgå från all tillgänglig information på marknaden

som kan tänkas påverka kurser så bör även OMXS30 och SVI vara inkluderade i

prisbedömningen. Här uppstår dock problemet att den enskilde investeraren i regel inte har

tillgång till information exakt hur OMX och SVI påverkar aktiepriserna vilket innebär att man

också kan argumentera för att det är rationellt att frångå dessa variablers påverkan vid

bedömning av aktiepriset.

(28)

5. Slutsats

5.1 Slutsats

Syftet med den här studien är att studera huruvida sökintensiteten på coronarelaterad information har en korrelation med kursrörelser för läkemedelsföretag på Nasdaq Stockholm under 2020, med ändamålet att påvisa en avvikelseavkastning. Den huvudsakliga teorin som ligger till grund för denna studie och förklarar varför investerare reagerar på pandemin är den effektiva marknadshypotesen. Teorin innebär att all tillgänglig information bör reflekteras i tillgångspriset, i det här fallet aktiekurserna för läkemedelsföretag. Studiens slutsats är att en korrelation mellan sökintensiteten och förändringar i läkemedelsföretags kurser under coronapandemin inte kan påvisas. I studien har detta även undersökts genom tillägg av variabeln OMXS30, som är ett index på kursförändringarna för de 30 mest omsatta företagen på Nasdaq Stockholm. Även med detta tillägg erhålls dock ett liknande resultat som inte kan påvisa att en korrelation finns.

Vidare visar resultaten i studien på att sökintensiteten för coronarelaterad information under perioden augusti till oktober har en effekt på -0,318, signifikant på 5 procents nivå, på de genomsnittliga aktiekurserna för läkemedelsföretag. Resultatet visar även på att det finns en stark korrelation mellan sökintensiteten på coronarelaterad information och kursrörelser sett till OMXS30, där sökintensiteten har en effekt på -6,931, signifikant på 1 procents nivå. Detta tyder på att läkemedelsbranschen har varit mer motståndskraftig mot coronapandemin i jämförelse med andra industrier och att det finns en fördröjningseffekt mellan när coronarelaterad information når marknaden och när den reflekteras i priset för företag inom läkemedelsbranschen.

5.2 Förslag till framtida forskning

Då studien undersöker hur SVI har påverkat läkemedelsindustrin i sin helhet och söker

minimera inverkan på resultatet av individuella svängningar i bolagen orsakade av andra

faktorer så hade ett förslag på vidare forskning kunnat vara att bygga en marknadsportfölj som

korrigerar för enskild bolagsrisk. Detta hade gett en tydligare bild av hur SVI påverkar

aktiekursen. Vidare skulle man också kunna göra individuella undersökningar av varje

respektive bolagsfaktiska prestation i förhållande till SVI och aktiekurs för att bedöma

rationaliteten i prissättningen.

(29)

Ytterligare vidare forskning hade varit att skapa en nyhetsscanner som bedömer om

sökintensiteten uppstått från negativa eller positiva nyheter. Detta hade hjälpt att skapa en klar

bild om huruvida aktiekursen förändras i linje med positiv respektive negativ information eller

om ett generellt nyhetsintresse alltid påverkar kursrörelserna i samma riktning.

(30)

Referenser

Amir, E. & Lev, B. 1996, "Value-relevance of nonfinancial information: The wireless communications industry", Journal of Accounting and Economics, vol. 22, no. 1, pp. 3-30.

Avanza Bank AB, rådata, hämtad 2020-11-25.

Ayati, N., Saiyarsarai, P. & Nikfar, S. Short and long term impacts of COVID-19 on the pharmaceutical sector. DARU J Pharm Sci 28, 799–805 (2020).

Badar Nadeem Ashraf, Stock markets’ reaction to COVID-19: Cases or fatalities?, Research in International Business and Finance, Volume 54, 2020, 101249, ISSN 0275-5319, https://doi.org/10.1016/j.ribaf.2020.101249.

Baek, S., Mohanty, S.K. & Glambosky, M. 2020, "COVID-19 and stock market volatility: An industry level analysis", Finance research letters, vol. 37, pp. 101748-101748.

Bento, A.I., Nguyen, T., Wing, C., Lozano-Rojas, F., Ahn, Y. & Simon, K. 2020, "Evidence from internet search data shows information-seeking responses to news of local COVID-19 cases", Proceedings of the National Academy of Sciences - PNAS, vol. 117, no. 21, pp. 11220-11222.

CARTWRIGHT, E. (2011). Behavioral economics. London, Routledge.

http://www.123library.org/book_details/?id=83375

Cepoi, Cosmin-Octavian. “Asymmetric dependence between stock market returns and news during COVID-19 financial turmoil.” Finance research letters vol. 36 (2020): 101658.

doi:10.1016/j.frl.2020.101658

DA, Z., ENGELBERG, J. and GAO, P. (2011), In Search of Attention. The Journal of Finance, 66: 1461-1499.

Engelhardt, N.; Krause, M.; Neukirchen, D.; Posch, P. What Drives Stocks during the Corona- Crash? News Attention vs. Rational Expectation. Sustainability 2020, 12, 5014.

Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The

journal of Finance, 25(2), 383-417.GICS, The Global Industry Classification Standard

(GICS®), https://www.msci.com/gics, 2020.

(31)

Folkhälsomyndigheten, Bekräftade fall i Sverige – daglig uppdatering, https://www.folkhalsomyndigheten.se/smittskydd-beredskap/utbrott/aktuella-utbrott/covid- 19/statistik-och-analyser/bekraftade-fall-i-sverige/, 2020

He, P., Sun, Y., Zhang, Y. & Li, T. 2020, "COVID-19's Impact on Stock Prices Across Different Sectors-An Event Study Based on the Chinese Stock Market", Emerging markets finance &

trade, vol. 56, no. 10, pp. 2198-2212.

Jay Ritter, (2003), Behavioral finance, Pacific-Basin Finance Journal, 11, (4), 429-437

Lyócsa, Štefan & Baumohl, Eduard & Výrost, Tomáš & Molnár, Peter. (2020). Fear of the coronavirus and the stock markets. Finance Research Letters. 36. 101735.

10.1016/j.frl.2020.101735.

Preis, T., Moat, H. & Stanley, H. Quantifying Trading Behavior in Financial Markets Using Google Trends. Sci Rep 3, 1684 (2013). https://doi.org/10.1038/srep01684

Rajesh Aggarwal and Guojun Wu, (2006), Stock Market Manipulations, The Journal of

Business, 79, (4), 1915-1954a

(32)

Appendix

Tabell A1-A28 – Regressioner för varje enskilt läkemdelsföretag under perioden 1 januari – 20 november på Nasdaq Stockholm

Tabell A1-A28 visar resultatet av de regressioner utförda på de 28 stycken undersökta läkemedelsföretagen som är med i studien, där * Indikerar signifikans på 1 % nivå, Indikerar signifikans på 5 % nivå & * Indikerar signifikans på 10 % nivå.