Oljepris och Makroekonomi- en VAR analys av oljeprisets inverkan på aktiemarknaden

(1)

NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet

Examensarbete D

Författare: Robert Fredriksson Handledare: Bengt Assarsson HT 2007

Oljepris och Makroekonomi-

en VAR analys av oljeprisets inverkan på aktiemarknaden

(2)

Sammanfattning

Oljeprisets påverkan på svensk ekonomi är högaktuell och skapar rubriker i massmedia dagligen. Inte minst på aktiemarknaden iakttas oljepriset noggrant. Denna uppsats undersöker det dynamiska sambandet mellan oljepriset och aktiemarknaden i Sverige, vilket görs genom en VAR analys som baseras på månadsdata för åren 1990-2006. Vidare används impuls responser för att se hur de olika variablerna påverkas av en chock i oljepriset. De data som används i undersökningen är oljeprisindex, aktieprisindex, industriproduktionsindex och ränta.

Resultaten som fås är i paritet med tidigare studier och visar att det inte går att finna några starkt signifikanta samband mellan oljeprisutvecklingen och aktiemarknaden i Sverige. Detta kan tyda på att priset generellt är överskattat av både investerare och massmedia.

Nyckelord: Oljepris, Aktiemarknad, VAR modell, Impuls responser

(3)

Innehållsförteckning

SAMMANFATTNING --- - 2 -

INNEHÅLLSFÖRTECKNING --- - 3 -

1. INLEDNING --- - 4 -

2. TEORI OCH TIDIGARE STUDIER--- - 6 -

3. METOD --- - 8 -

3.1STATIONÄRITET OCH ENHETSROT --- -8-

3.2VAR --- -9-

3.3IMPULSRESPONS FUNKTIONER--- -10-

4. DATAMATERIAL--- - 11 -

4.1AKTIEINDEX (AI) --- -11-

4.2OLJEPRISINDEX (OI)--- -12-

4.3INDUSTRIPRODUKTIONSINDEX (IP) --- -12-

4.4RÄNTA (R) --- -13-

5. EMPIRI --- - 13 -

5.1STATIONÄRITET OCH ENHETSROT --- -13-

5.2VAR --- -14-

5.3IMPULSRESPONS FUNKTIONER--- -16-

6. SAMMANFATTANDE SLUTSATS --- - 17 -

REFERENSER --- - 19 -

APPENDIX --- - 20 -

APPENDIX A --- -20-

APPENDIX B --- -22-

APPENDIX C --- -24-

(4)

1. Inledning

Prisfluktuationer på olika produkter är något som i allmänhet påverkar världsekonomin och dess konsumenter. Ett av de historiskt sett viktigaste priserna är det på olja vilket även idag är av central betydelse. Bland annat hävdar Hamilton (1983) att råoljepriskriserna haft en stark inverkan på de flesta av de amerikanska lågkonjunkturerna efter andra världskriget fram till 70-talets oljekris. Vidare hävdar Gisser (1986) att den turbulens som uppstod efter 70-talets oljeprischocker har gjort att respekten för och hänsynstagandet till oljepriset ökat markant. På daglig basis går det att läsa om hur oljepriset inverkar på makroekonomin i samhället, däribland aktiemarknaden. Några exempel:

Oljepriset över 85 dollar

”Råoljepriset passerade 85 dollar fatet och steg till nya rekordhöjder under måndagsförmiddagens handel.

Fortfarande är det oro för bristande utbud under vintern och den försvagade dollarn som pressar upp oljepriset.

Hedgefonder rapporteras vara mycket aktiva som köpare på råoljemarknaden för närvarande”.

Dagens Industri 2007-10-15

Asienbörser: Råvarubolag vinnare

”En rejäl återhämtning för oljepriset gjorde att oljebolagen och andra råvarurelaterade bolag såg till att dra upp indexen på de asiatiska börserna på fredagen”.

USA-börser: Oljepriset gav stöd

”Börserna i New York steg på torsdagen, med stöd av ett högre oljepris och starka försäljningssiffror från detaljhandeln. "Försäljningssiffrorna vi sett idag, tillsammans med en allmänt stark ställning för råvarupriser och råvarurelaterade bolag är det som dominerar handeln idag", säger en New York- baserad mäklare till Nyhetsbyrån Direkt”.

Wall Street: Kreditoro och oljepris tynger

”Kurserna på New York-börserna faller i en svag tendens i den inledande handeln på torsdagen. Enligt bedömare är det en fortsatt oro på kreditmarknaden som tynger sentimentet. Ett stigande oljepris utpekas också som ett orosmoment. Utvecklingen var även svag för de ledande Europabörserna”.

Affärsvärlden 2007-07-26

Som synes har oljepriset en central plats i massmedia och borde därför även ha betydelse för makroekonomin vilket gör det till ett intressant ämne att studera. Antagandet att priset på olja har en inverkan på aktiemarknaden verkar vara vedertaget och är därmed ett hett material för analytiker och investerare att försöka förutspå. Vad man kan förvänta sig för reaktion på

(5)

aktiemarknaden när oljepriset ändras är inte alldeles klart utan påverkan kan ske på flera olika sätt:

• En utbudseffekt som kommer från att om priset på olja går upp medför det ökade kostnader för företagen vilket resulterar i ett minskat utbud. De ökade kostnaderna slår negativt på aktiemarknaden.

• En efterfrågeeffekt genom konsumtion och investering då den totala konsumtionen i samhället troligen minskar då våra driftkostnader, i form av exempelvis uppvärmning av villor och bensin, ökar. Effekten av detta på aktiemarknaden är också negativ.

• En penningpolitisk effekt då, i Sveriges fall, Riksbanken kan tänkas höja räntan för att få bukt med den ökade inflation som en oljeprisökning troligen medför. Den höjda räntenivån leder till negativ påverkan på aktiemarknaden. Dock skall sägas att denna effekt troligen bara uppstår då oljeprisförändringen påverkar landets inflationsförväntningar.

• I alla dessa fall finns en moteffekt då ett ökat oljepriset skulle leda till positiva reaktioner på aktiemarknaden i de aktiebolag som säljer olja, som till exempel Lundin Petroleum AB. Detta torde inte vara ett problem på den svenska marknaden eftersom vi i stort är importörer av olja. Grundligare genomgång av de olika påverkningssätten sker under teoriavsnittet nedan.

Trots oljans betydelse har det skrivits påfallande få akademiska artiklar som belyser hur dess pris påverkar på den svenska ekonomin och dess aktiemarknad, vilket gör det än mer intressant att undersöka. Syftet med denna magisteruppsats är således att undersöka huruvida det finns något dynamiskt samband mellan priset på olja och aktiemarknaden i Sverige.

Datamaterialet som används för denna undersökning är på månadsbasis för åren 1990-2006.

Sambandet som undersöks är förändringen i aktiemarknaden gentemot förändringen i oljepris, industriproduktion och ränta från föregående tidsperiod till dagens.

Med hjälp av tidigare akademiska artiklar presenteras i kapitel två grundligare hur oljepriset kan tänkas påverka aktiemarknaden, det vill säga vilka resultat som kan väntas av

(6)

undersökningen. Kapitel tre visar den statistiska metod som kommer tillämpas i denna uppsats och i kapitel fyra presenterar det datamaterial som används. Slutligen så påvisar kapitel fem och sex de empiriska resultaten samt de sammanfattande slutsatserna.

2. Teori och tidigare studier

Nedan presenteras den teori som ligger bakom antagandet att oljepriset skulle kunna påverka aktiemarknaden i Sverige. Vidare presenteras även studier som med olika angreppssätt försökt ge sig an teorin.

Enligt den ekonomiska teorin skulle oljeprisförändringar influera på den ekonomiska aktiviteten genom både utbud och efterfrågekanaler. Utbudssidans effekt kan bli förklarad på de fakta att olja är en viktig faktor i företagens produktion. Därav skulle en oljeprisökning få en direkt påverkan på produktionen i form av ökade produktionskostnader som leder till minskad produktivitet och därmed minskad produktion. Denna effekt är såklart störst på företag som är beroende av olja, så som industrier och transport. Ökade kostnader och minskad produktivitet för företagen kommer visa sig negativt på aktiemarknaden då företagen inte är lika attraktiva längre. Vidare skulle oljeprisförändringar ha en efterfrågeeffekt genom konsumtion och investering då den totala efterfrågan i samhället skulle minska då våra driftkostnader ökar. När kostnaderna för exempelvis uppvärmning av hus och bensin till bilen ökar leder det till att mindre pengar blir över till att spendera på andra varor, det vill säga att konsumtionen i oljeimporterande länder skulle minska på grund av den ökade prisbilden.

Effekten av detta på aktiemarknaden kommer således också vara negativ.

Den moteffekt som finns mot dessa två påverkningssätt är att det existerar företag som tjänar pengar när priset på olja stiger. Som exempel i Sverige kan vi ta Lundin Petroleum AB som högst troligt påverkas positivt av en prisökning. Denna effekt anser jag dock inte vara så stor eftersom vi är importörer av i stort sett all vår olja.

Summan av dessa effekter gör att länders inflation och växelkurs påverkas. I ett land som Sverige där inflation och ränta är stark sammankopplade via Riksbankens räntestyrning kommer en prisökning troligtvis att påverka räntan uppåt vilket i sin tur får en negativ effekt på aktiemarknaden. Dock skall förtydligas att denna påverkan bara sker om oljeprisförändringen ändrar inflationsförväntningarna i Sverige.

(7)

Det finns många studier som pekar på att oljepriset påverkar konjunkturen negativt vilket gjort att det borde finnas en indirekt påverkan på aktiemarknaden, dock är resultaten som de olika studierna uppvisar tvetydiga. De flesta av studierna har gjorts med inriktning mot utomeuropeiska länder, däribland Kling som i sin studie från 1985 visar att det finns en relation mellan stora oljeprisförändringar och aktiviteten på aktiemarknaden i Amerika under perioden 1973-1982. Inte överraskande påvisas att en förändring i oljepriset har störst effekt på aktier där företaget har olja som en produktionsfaktor, framförallt industrier. Kaneko och Lee (1995) undersöker oljeprischockers effekter på den amerikanska aktiemarknaden men finner dock ingen signifikans förbindelse mellan dessa, de finner däremot en koppling på den japanska marknaden. Jones och Kaul (1996) finner, tillskillnad från Kaneko och Lee, att under tidsperioden 1947 till 1991 så har oljeprischocker en effekt på aktiers avkastning, detta i länder som Kanada, Japan och USA.

De olika undersökningarna bygger på varierade statistiska metoder, dock finns ett fåtal arbeten som använder sig av en VAR- analys för att utreda sambandet mellan oljepriset och aktiemarknaden. Sadorsky (1999) finner med hjälp av VAR och impulsresponser att oljepriset spelar en viktig roll i påverkan av ekonomisk aktivitet i USA. Impulsresponserna påvisar även att prisförändringar i olja är en viktig förklaring till aktiemarknadens utveckling. I motsats till Sadorsky finner Huang et al. (1996) att det ej fanns något signifikant samband mellan oljepris och generalindex, så som S&P 500, i USA. Dock påträffades att det fanns en inverkan när man såg till avkastningen för aktier i oljebolag. Slutligen har Gjerde och Sattem (1999) med hjälp av en VAR analys och impulsresponser undersökt om det föreligger ett kausalt samband mellan aktiemarknaden och makrovariabler i Norge. De finner att aktiemarknaden svarar signifikant på förändringar i oljepris och att ränta påverkar både aktiemarknaden och inflationen.

Som man ser är resultaten inte entydiga och det är därmed svårt att veta vad man kan förvänta sig för resultat av sin analys. Men enligt den teori som presenteras så borde aktiemarknaden svara negativt på ett ökat oljepris.

(8)

3. Metod

I nedanstående avsnitt presenteras de metoder och modeller som används för att testa teorin. I likhet med bland andra Sadorsky (1999), Huang et al (1996) och Gjerde och Sattem (1999) har jag valt att använda mig av en VAR modell och senare impuls responser. Det första som måste göras är att se till stationäritet och enhetsrötter vilket presenteras i 3.1. Vidare presenteras ingående hur en VAR modell fungerar i 3.2 och i avslutande 3.3 beskrivs vad impuls responser är för någonting.

3.1 Stationäritet och enhetsrot

En tidsserie som har konstant medelvärde och varians sägs vara stationär, och om den har varierande medelvärde och varians sägs den vara icke stationär. Två icke stationära tidsserier kan med tiden driva ifrån varandra och där av mista sitt gemensamma samband. En OLS regression med ickestationära variabler kommer ej att ge effektiva och väntevärdersiktiga estimat. Ett förfaringssätt att lösa detta problem är att differentiera variablerna och där av få dem stationära, se ekvation (1).

t t t

t

t y y

y = ₋₁+ε ⇒Δ =ε (1)

Om tidsserien vid första differentiering blir stationär säger man att den är integrerad av grad ett och att den har en Unit Root. Ett av de vanligaste sätten att testa detta är att använda sig av Augmented Dickey-Fuller test. Det bygger på att testa om nollhypotesen att restriktionerna

=1

ρ ochβ =0håller för ekvation (2).

∑

= −

− + Δ +

+ +

= ^p

j

t j t j t

t t y y

y

1

1 λ ε

ρ β

α (2)

Antalet laggar (värdet på p) bestäms med hjälp av exempelvis Akaike information criterion eller Schwartz criterion. När vi ej kan förkasta nollhypotesen ger det oss att det existerar en Unit Root.¹

1 Pindyck & Rubinfeld (1998)

(9)

3.2 VAR

Ett problem man ofta stöter på är att den ekonomiska teorin ej är tillfredsställd för att bestämma den rätta specifikationen av modellen. Teorin kan vara allt för svårhanterlig för att man skall kunna göra en precis framtagning av modellen, så approximationer eller så kallade ad hoc´s måste göras. I sådana situationer kan det vara bättre att låta datamaterialet bestämma och specificera dynamiken i modellen. En metod som tar hänsyn till detta är den så kallade VAR modellen.² Den består av endogent och exogent givna variabler där man antar att de endogena variablerna samvarierar och påverkar varandra. Användaren av en VAR modell måste specificera två saker själv. Först måste man bestämma vilka endogena och exogena variabler som skall ingå, det vill säga vilka man tror är endogent givna respektive exogent givna. För det andra måste antal laggar som behövs för att kapsla in de olika variablernas effekter bestämmas.

VAR används ofta vid prognostisering av system bestående av variabler som samverkar och för att analysera den dynamiska effekten av chocker i de endogena variablerna. Den ges av följande set av n linjära ekvationer, låt vara de endogena variablerna,

vara de exogena variablerna, p är antal laggar för de endogena variablerna och r är antal laggar för de exogena variablerna. De förutsättningar som gäller är att feltermen

xn

x x₁, ₂,...,

zm

z z₁, ₂,...,

εnt är normalfördelad och okorrelerad med respektive högerledsvariabel i ekvationen, det är dock sannolikt att det förekommer korrelation mellan ekvationerna.

∑ ∑ ∑ ∑ ∑

= = = − = −

= −

−

− + + + + + + +

+

= ^p

j

p

j

r

j

r

j

t j t m mj t

j p

j

j t n nj j

t j j

t j

t a a x a x a x b z b z

x

1 1 0 0

1 , 1 1

, 1 11 1

, 1 ,

2 12 ,

1 11 10

,

1 _L _L ε (3)

. . .

∑ ∑ ∑ ∑ ∑

= = = − = −

= −

−

− + + + + + + +

+

= ^p

j

p

j

r

j

r

j

nt j t m nmj t

j n p

j

j t n nnj j

t j n j

t j n n

t

n a a x a x a x b z b z

x

1 1 0 0

, 1

, 1 1 1

, ,

2 2 ,

1 1 0

, _L _L ε

Då det endast finns laggade värden av de endogena variablerna i högerledet av ekvationerna och det existerar inga olaggade endogena variabler har vi har inget problem med

2VAR modellen introducerades av C. A.Sims i hans arbete Macroeconomics and Reality från 1980 som en alternativ infallsvinkel till multi-equation modeling.

(10)

simultaneitet, där av kommer en estimation med OLS ge både effektiva och väntevärdesriktiga estimat.³

För att tydligare illustrera en VAR modell kan ett exempel underlätta. Man kan tänka sig en enkel VAR modell bestående av tre endogena variabler, aktieprisindex (Ai), oljeprisindex (Oi) samt industriproduktionsindex (Ip). Dessa tre valda endogena variabler antar man har en samverkan, och det är den man vill kapsla med modellen. Vidare så kan man använda sig av ett antal exogent givna variabler, men för att underlätta exemplet antar vi att det endast finns en exogent given variabel, som vi kallar för c. Vid endast två laggar får VAR modellen följande utseende:

(4)

t t

t

t a Ai a Oi a Ip b Ai b Oi b Ip c

Ai = ₁₁ ₋₁+ ₁₂ ₋₁ + ₁₃ ₋₁ + ₁₁ ₋₂ + ₁₂ ₋₂ + ₁₃ ₋₂ + ₁+ε₁

t t

t

t a Oi a Ip a Ai b Oi b Ip b Ai c

Oi = ₂₁ ₋₁+ ₂₂ ₋₁+ ₂₃ ₋₁+ ₂₁ ₋₂ + ₂₂ ₋₂ + ₂₃ ₋₂ + ₂ +ε₂ (5) (6)

t t

t

t a Ip a Ai a Oi b Ip b Ai b Oi c

Ip = ₃₁ ₋₁+ ₃₂ ₋₁+ ₃₃ ₋₁ + ₃₁ ₋₂ + ₃₂ ₋₂ + ₃₃ ₋₂ + ₃ +ε₃

Vi får en enkel matris där a ,_ij b_ij och c_i är de parametrar som skall estimeras.⁴

3.3 Impulsrespons funktioner

Som nämnts ovan är VAR modellen väl lämpad för att simulera chocker i de endogena variablerna där samvariation och påverkan studeras. Detta testas med hjälp av att utsätta systemet för så kallade impulsrespons chocker. En chock i en av de endogena variablerna påverkar inte endast ”sig själv” utan har även inverkan på de andra variablerna vilket gör att dess effekter var för sig enkelt kan urskiljas. Påverkan sinsemellan sker på grund av att VAR modellerna består av laggade värden av de olika endogena variablerna. Genom en impulsrespons kan man alltså studera hur en chock i en av variablerna påverkar de andra och hur länge dess inverkan ligger kvar.⁵

Som exempel kan vi använda regressionerna (4), (5) och (6) och utsätta dessa tre för impulsrespons chocker i de endogent givna variablerna och kan därmed studera samvariation

3 Patterson (2000)

4 Patterson (2000)

5 EViews 5 Help, Sökord: Impulse response

(11)

och påverkan dem emellan. Till exempel ser man hur aktieprisindex och industriproduktionsindex reagerar om man chockar oljeprisindex.

4. Datamaterial

Det datamaterialet som används i uppsatsen är på månadsbasis för åren 1990-2006.

Variablerna som bearbetas är aktieindex, oljeprisindex, industriproduktionsindex och ränta, vilka är samma som används av bland annat Jones och Kaul (1996) och Sadorsky (1999). För att få en ökad förståelse och insyn i de olika variablerna så presenteras de mer ingående nedan.

4.1 Aktieindex (Ai)

Det aktieindex som används är affärldsvärldensgeneralindex (AFGX) vilket är Sveriges äldsta index och visar den genomsnittliga utvecklingen för aktier noterade på Stockholmsbörsen.

Det anses därför vara ett bra mått på svenska aktieportföljers kursutveckling. Indexet är förmögenhetsviktat vilket innebär att aktiernas vikt är i proportion till dess börsvärde. I undersökningen används realt aktieindex vilket innebär att inflationen är avräknad. Inflationen i detta fall är förändringen i konsumentprisindex från föregående period till dagens. Som synes i figur 1 nedan har utvecklingen av indexet under perioden varit med om en stark uppgång fram till slutet av 1990-talet och början av 2000-talet följt av en treårsperiod av nedåtgående trend, allt för att sedan återhämta sig fram till slutet av år 2006. Datamaterial för AFGX är inhämtat från databasen Ecowin.

Figur 1

0 100 200 300 400 500 600

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Utveckling AFGX, År1990mån01=index 100

År/Mån

(12)

4.2 Oljeprisindex (Oi)

Oljepriset är hämtat från Energy Information Administration (EIA) och är i amerikanska dollar per fat olja för OPEC länder. För att kunna applicera detta mått på Sverige används växelkursen SEK/USD vilket ger oljepriset i svenska kronor per fat. Prisnivån låg ganska stabil under tidsperioden 1990-1999 för att sedan öka ganska kraftigt fram till år 2006, vilket framgår av figur 2.

Figur 2

0 100 200 300 400 500

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Utveckling oljepris, År1990mån01=index100

År/Mån

4.3 Industriproduktionsindex (Ip)

För att kapsla in utvecklingen av Sveriges produktion och konsumtion i analysen används för detta en proxy, nämligen industriproduktionsindex. Om vi ser till figur 3 så framgår det att denna variabel har en tydlig säsongsvariation vilket kan tänkas bero på industrisemestern som infinner sig i juli varje år. Vid senare analyser kommer justering av detta genomföras.

Utvecklingen av industriproduktionen har haft en svag positiv trend genom hela tidsperioden.

Datamaterialet är hämtat från databasen Ecowin.

Figur 3

40 80 120 160 200

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Utveckling industriproduktion, År1990mån01=index100

År/Mån

(13)

4.4 Ränta (r)

Den ränta som används i analyserna är den korta tremånadersräntan eftersom denna undersökning ämnar finna den kortsiktiga effekten av en ränteförändring. I figur 4 ser vi utvecklingen av räntan som under hela tidsperioden haft en nedåtgående trend, med undantag för den chockräntehöjning som vi hade i Sverige hösten 1992. Observera att räntan anges i absoluta procenttal. Materialet är inhämtat från databasen Ecowin.

Figur 4

0 5 10 15 20 25

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Utveckling ränta

%

År/Mån

5. Empiri

I detta avsnitt kommer det till en början att testas för stationäritet i de fyra variablerna med hjälp av ADF testet, enligt ekvation (2). Uppvisar variablerna stationäritet kommer sedan den optimala VAR modellen att bearbetas fram för att slutligen användas för att utföra impuls responser.

5.1 Stationäritet och enhetsrot

Tabell 1 nedan presenterar resultatet av ADF testet för de fyra variablerna både när dessa är i nivå och som första differenser. Resultatet är i likhet med vad andra arbeten som gjorts inom området får, det vill säga att ADF testet påvisar att variablerna är ickestationära då de är i nivå medens de uppvisar stationäritet när de är i första differenser. Laglängden i testet har valts utifrån Schwarz informationskriterium.⁶

6 Fullständiga resultat presenteras i appendix A

(14)

Tabell 1.

Augumented Dickey-Fuller test för enhetsrötter på respektive variabel,

både i nivå och i första differansen.

T-stat Prob Lag

Nivå

Ai -0.524287 0.8825 0

Oi -1.620303 0.4703 1

r -2.320338 0.1666 0

Ip -1.083021 0.7223 14

Första diff.

dAi -12.36676 0.0000 0

dOi -9.287781 0.0000 0

Dr -15.20857 0.0000 0

Dlp -3.536365 0.0080 12

Nollhypotesen är att det existerar en enhetsrot.

Vid en vidare VAR modell är det av stor vikt att variablerna som används är stationära, vilket gör att de kommer användas som första differenser i detta fall, vilket leder till att de resultat som en VAR analys ger kommer att vara både effektiva och väntevärdesriktiga.

5.2 VAR

Nästa steg i uppsatsen blir att ta fram den optimala VAR modellen. Eftersom syftet är att se hur de fyra variablerna påverkar och samvarierar med varandra och då framförallt hur oljepriset påverkar aktiemarknaden så används i denna VAR modell alla variabler som endogent givna. Detta trots att man intuitivt känner att oljepriset torde vara exogent givet. För att vidare avgöra antalet laggar specificeras först en VAR modell som sedan Akaikes informationskriterium (AIC) används på för att testa antalet laggar.⁷ Testet påvisar att optimalt antal laggar är fem vilket gör att jag således specificerar om modellen med fem laggar. Vidare genomförs Q-test och LM-test för att se att det inte föreligger någon autokorrelation i residualerna. I tabell 2 nedan presenteras resultatet av den valda VAR modellen.⁸

7 Resultaten av AIC presenteras i appendix B.1

8 Fullständiga VAR resultat presenteras i appendix B.2

(15)

Tabell 2

Parameterestimat för VAR-modellen.Redovisade värden inom [ ] är t-värden.

Signifikant resultat på 10% då t-värde>1,658

dAi dOi dIp dr dAi(-1) 0.133167 0.095559 0.079396 -0.023886

[ 1.74381] [ 1.04558] [ 0.50426] [-2.53294]

dAi(-2) 0.035243 0.115788 0.034801 -0.004954 [ 0.45591] [ 1.25155] [ 0.21835] [-0.51900]

dAi(-3) 0.134611 0.137182 -0.087067 -0.002396 [ 1.78349] [ 1.51868] [-0.55949] [-0.25709]

dAi(-4) -0.031886 0.113757 -0.002218 0.014571 [-0.42010] [ 1.25230] [-0.01417] [ 1.55453]

dAi(-5) 0.007664 -0.144212 -0.114529 0.010444 [ 0.10263] [-1.61364] [-0.74386] [ 1.13256]

dOi(-1) -0.109626 0.401279 -0.041977 -0.009650

[-1.78085] [ 5.44680] [-0.33073] [-1.26951]

dOi(-2) 0.064602 -0.090204 0.080507 0.001820 [ 0.98801] [-1.15272] [ 0.59718] [ 0.22542]

dOi(-3) 0.008626 0.037375 -0.099253 0.003229 [ 0.13328] [ 0.48254] [-0.74382] [ 0.40399]

dOi(-4) -0.065529 -0.141565 -0.184340 -0.001024

[-1.02285] [-1.84635] [-1.39556] [-0.12942]

dOi(-5) 0.046252 0.008623 0.167849 0.008759 [ 0.77078] [ 0.12007] [ 1.35665] [ 1.18201]

dIp(-1) 0.082801 -0.030227 -0.671637 -0.003832 [ 2.50385] [-0.76374] [-9.85052] [-0.93831]

dIp(-2) 0.151415 -0.034547 -0.588388 -0.008702 [ 4.25956] [-0.81205] [-8.02809] [-1.98230]

dIp(-3) 0.083512 0.001734 -0.498043 -0.001997 [ 2.13646] [ 0.03707] [-6.17967] [-0.41374]

dIp(-4) 0.054717 0.053700 -0.638109 -0.003832 [ 1.47296] [ 1.20790] [-8.33143] [-0.83538]

dIp(-5) 0.062909 0.084267 -0.396039 -0.003252 [ 1.81926] [ 2.03619] [-5.55482] [-0.76157]

dr(-1) -1.124591 0.290687 1.958163 -0.178983 [-1.81108] [ 0.39116] [ 1.52948] [-2.33416]

dr(-2) 1.489942 1.156597 0.531909 -0.124437 [ 2.34253] [ 1.51943] [ 0.40561] [-1.58431]

dr(-3) 0.550637 0.063679 0.385896 -0.116868 [ 0.85783] [ 0.08289] [ 0.29158] [-1.47437]

dr(-4) -1.090797 -0.512578 0.198838 -0.023317

[-1.71277] [-0.67251] [ 0.15143] [-0.29649]

dr(-5) 0.919237 0.719343 0.425076 -0.028267 [ 1.46766] [ 0.95966] [ 0.32917] [-0.36547]

c 0.005709 0.003218 0.014464 -0.000669 [ 1.24608] [ 0.58690] [ 1.53112] [-1.18324]

Adj R 0.245372 0.323632 0.476045 0.131955

(16)

Eftersom syftet i denna analys är att se till oljeprisets påverkan på aktiemarknaden kommer stor del av fokus ägnas åt det. Som man kan se ovan så är det inte många resultat som är statistiskt signifikanta, dock finns det ett antal resultat som kan anses mer intressanta än de övriga. Först och främst ser vi att aktieindex påverkas signifikant negativt av en ökning i oljeprisindex. Resultat tyder alltså på att det skulle finnas ett statistiskt samband mellan oljepriset föregående månad och aktiepriset denna månad. Detta resultat är i paritet med den teori som uppsatsen har, men det skall dock sägas att påverkan inte är speciellt stor och att den endast visar signifikans på 10 % nivån. Om man vidare ser till oljeprisets inverkan på de övriga variablerna går det inte att finna några statistiskt signifikanta resultat, vilket kan tyckas något förvånade. Enligt teorin borde ett ökat oljepriset påverka både industriproduktionen negativt och även i viss mån räntan positivt. Om man ser till VAR modellen i stort så kan man säga att den inte visar några speciellt starka resultat överhuvudtaget, med visst undantag för industriproduktionens inverkan på aktiemarknaden. Enligt teorin är detta något överraskande men ser man till tidigare studier så är det inte lika oväntat. Som exempel kan tas Kaneko och Lee (1995), som undersökte oljeprischockers effekter på den amerikanska aktiemarknaden och kunde inte heller finna någon signifikant förbindelse. Även Huang et al. (1996) konstaterar att det ej fanns något signifikant samband mellan oljepris och generalindex, så som S&P 500, i USA.

5.3 Impulsrespons funktioner

Nedan presenteras de resultat som fås om man använder sig av impulsrespons funktioner på den valda VAR modellen. Det vill säga hur aktieindex, industriproduktionsindex och räntan svarar på en chock i oljepriset. Den valda chocken består av att utsätta oljepriset för en positiv standardavvikelse innovation. I figur 5 visas resultaten för respektive respons.⁹

Figur 5

-.020 -.015 -.010 -.005 .000 .005 .010 .015

1 2 3 4 5 6 7 8 9 10

Respons av aktieindex

-.04 -.03 -.02 -.01 .00 .01 .02 .03 .04

1 2 3 4 5 6 7 8 9 10

Respons av industriproduktionsindex

-.002 -.001 .000 .001 .002

1 2 3 4 5 6 7 8 9 10

Respons av ränta

9 Fullständiga impulsrespons resultat redovisas i appendix C

(17)

De resultat som fås när man chockar oljepriset är långt ifrån uppenbara. Om man lägger fokus på aktieindex respons så ser vi att den antyder till att sjunka då oljepriset chockas. Men återigen är denna påverkan svag och några säkra slutsatser kan ej dras. Detta resultat späder på det resonemang som fördes vid VAR analysen, det vill säga att oljepriset under denna tidsperiod i Sverige inte haft så stor betydelse som exempelvis massmedia gör sken av. Om man vidare ser till de övriga två responserna så ger ingen av dem något entydigt svar på hur reaktionen av en oljeprischock påverkar dem, vilket är liknande VAR analysens resultat.

6. Sammanfattande slutsats

Syftet med denna uppsats var att se om det fanns något dynamiskt samband mellan oljepriset och aktiemarknaden i Sverige. För detta användes ett datamaterial på månadsbasis för åren 1990-2006 innehållande oljeprisindex, aktieprisindex, industriproduktionsindex och räntan.

Undersökningen byggde på en enkel VAR modell som sedan utsattes för impuls responser.

Det första som gjordes i undersökningen var att se till att de olika variablerna uppvisade stationäritet, vilket gjordes med hjälp av ADF testet. Testet visade att alla fyra variabler var ickestationära när de var i nivå och att samtliga uppvisade stationäritet som första differenser.

Nästa steg var att med hjälp av de stationära variablerna ta fram den optimala VAR modellen.

Två saker behövde då bestämmas, det första vilka variabler som skulle vara endogena och vilka som skulle vara exogena. Eftersom det bara var fyra variabler i denna undersökning och det fanns intresse att se hur de påverkade varandra valdes alla fyra som endogena. Det andra som behövde fastställas var antalet laggar som modellen skulle innehålla. Detta skedde med hjälp av Akaikes informationskriterium (AIC) vilket resulterade i att fem stycken laggar användes. Resultaten som VAR modellen visade tydde på att det fanns ett svagt statistiskt samband mellan oljepriset föregående tidsperiod och aktiemarknaden idag. Dock var denna påverkan mindre än vad man kunde förvänta sig enligt teorin. Men ser man till tidigare studier så är resultatet inte lika oväntat då exempelvis både Kaneko och Lee (1995) och Huang et al (1996) konstaterar att det ej fanns något signifikant samband mellan oljepris och aktiemarknaden i sina studier.

(18)

Det sista steget var att utsätta den valda VAR modellen för så kallade impuls responser.

Eftersom syftet med uppsatsen var att se hur reaktionen blev på en chock i oljepris lades fokus på det. Resultatet visade att responsen på aktieindex när oljepriset fick en positiv chock antydde till att sjunka, men att det återigen var en svag påverkan varpå säkra slutsatser ej kunde dras.

Vid en summering av de resultat som erhållits antyder undersökningen att det finns en generell överskattning av oljeprisets påverkan på aktiemarknaden. Men ser man till andra studier som gjorts på ämnet så går resultaten isär beroende på bland annat vilken tidsperiod man använder, om det är data på dagsbasis eller månadsbasis, vilka länder som studeras och vilka statistiska metoder som används.

(19)

Referenser

Gisser, M. Goodwin, T.H. (1986) Crude oil and the macroeconomy: test of some popular nations, J. Money, Credit, Bank. 18_1

Gjerde, O. Sattem, F (1999) Causal Relations among Stock Returns and Macroeconomic Variables in a Small, Open Economy, Journal of International Financial Markets, Institution and Money 9 61-74.

Huang, J.D. Masulis, R.W. Still, H.R., (1996) Energy Shocks and financial markets.

J.Futures Mark. 16 .1, sid.1-27

Hamilton, J.D. (1983) Oil and the macroeconomy since World War II. Polit.Econ. 92.2 sid 228-248

Jones, C.M. Kaul, G., (1996) Oil and the stock markets. J. Finance 51 2, sid. 463–491.

Kaneko, T. Lee, B.S. (1995) Relative Importance of Economic Factors in the U.S and the Japanese Stock Markets. Journal of Japanese and International Economics 9 sid. 290-307

Patterson. Kerry, (2000), An Introduction to Applied Econometrics: a time series approach, Macmillian Press Ltd.

Pindyck. Robert S & Rubinfeld. Daniel L, (1998), Econometric Models and Economic Forecasts, Fourth Edition, Irwin McGraw-Hill.

Sadorsky, P. (1999). Oil prise shocks and Stock Market Activity. Energy Economics 21:449- 460

Övrigt

EViews 5 Help, Sökord: Impulse response

(20)

Appendix

Appendix A

Null Hypothesis: Ai has a unit root Exogenous: Constant

Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.524287 0.8825 Test critical values: 1% level -3.462901

5% level -2.875752

10% level -2.574423

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: Oi has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.875825

10% level -2.574462

Null Hypothesis: r has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.875752

10% level -2.574423

Null Hypothesis: Ip has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.876843

10% level -2.575006

(21)

Null Hypothesis: dAi has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.875752

10% level -2.574423

Null Hypothesis: dOi has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.875752

10% level -2.574423

Null Hypothesis: dr has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.875752

10% level -2.574423

Null Hypothesis: dIp has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.876677

10% level -2.574917

(22)

Appendix B

B.1

VAR Lag Order Selection Criteria Endogenous variables: DAI DOI DIP DR Exogenous variables: C

Date: 01/01/08 Time: 22:30 Sample: 1990M03 2006M12 Included observations: 196

Lag LogL LR FPE AIC SC HQ

0 1234.874 NA 4.12e-11 -12.55994 -12.49304* -12.53286 1 1275.746 79.65887 3.20e-11 -12.81374 -12.47924 -12.67832*

2 1300.382 47.00939 2.93e-11 -12.90186 -12.29976 -12.65810 3 1314.554 26.46356 2.99e-11 -12.88320 -12.01350 -12.53111 4 1341.481 49.18266 2.68e-11 -12.99470 -11.85740 -12.53427 5 1367.409 46.29981* 2.42e-11* -13.09601* -11.69110 -12.52723 6 1377.529 17.65932 2.58e-11 -13.03601 -11.36351 -12.35890

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error

AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

B.2

Vector Autoregression Estimates Date: 01/01/08 Time: 22:30

Sample (adjusted): 1990M08 2006M12 Included observations: 197 after adjustments Standard errors in ( ) & t-statistics in [ ]

DAI DOI DIP DR

DAI(-1) 0.133167 0.095559 0.079396 -0.023886 (0.07637) (0.09139) (0.15745) (0.00943) [ 1.74381] [ 1.04558] [ 0.50426] [-2.53294]

DAI(-2) 0.035243 0.115788 0.034801 -0.004954 (0.07730) (0.09252) (0.15938) (0.00955) [ 0.45591] [ 1.25155] [ 0.21835] [-0.51900]

DAI(-3) 0.134611 0.137182 -0.087067 -0.002396 (0.07548) (0.09033) (0.15562) (0.00932) [ 1.78349] [ 1.51868] [-0.55949] [-0.25709]

DAI(-4) -0.031886 0.113757 -0.002218 0.014571 (0.07590) (0.09084) (0.15649) (0.00937) [-0.42010] [ 1.25230] [-0.01417] [ 1.55453]

DAI(-5) 0.007664 -0.144212 -0.114529 0.010444 (0.07468) (0.08937) (0.15397) (0.00922) [ 0.10263] [-1.61364] [-0.74386] [ 1.13256]

DOI(-1) -0.109626 0.401279 -0.041977 -0.009650 (0.06156) (0.07367) (0.12692) (0.00760)

[-1.78085] [ 5.44680] [-0.33073] [-1.26951]

DOI(-2) 0.064602 -0.090204 0.080507 0.001820 (0.06539) (0.07825) (0.13481) (0.00807) [ 0.98801] [-1.15272] [ 0.59718] [ 0.22542]

(23)

DOI(-3) 0.008626 0.037375 -0.099253 0.003229 (0.06472) (0.07745) (0.13344) (0.00799) [ 0.13328] [ 0.48254] [-0.74382] [ 0.40399]

DOI(-4) -0.065529 -0.141565 -0.184340 -0.001024 (0.06407) (0.07667) (0.13209) (0.00791)

[-1.02285] [-1.84635] [-1.39556] [-0.12942]

DOI(-5) 0.046252 0.008623 0.167849 0.008759 (0.06001) (0.07182) (0.12372) (0.00741) [ 0.77078] [ 0.12007] [ 1.35665] [ 1.18201]

DIP(-1) 0.082801 -0.030227 -0.671637 -0.003832 (0.03307) (0.03958) (0.06818) (0.00408)

[ 2.50385] [-0.76374] [-9.85052] [-0.93831]

DIP(-2) 0.151415 -0.034547 -0.588388 -0.008702 (0.03555) (0.04254) (0.07329) (0.00439)

[ 4.25956] [-0.81205] [-8.02809] [-1.98230]

DIP(-3) 0.083512 0.001734 -0.498043 -0.001997 (0.03909) (0.04678) (0.08059) (0.00483) [ 2.13646] [ 0.03707] [-6.17967] [-0.41374]

DIP(-4) 0.054717 0.053700 -0.638109 -0.003832 (0.03715) (0.04446) (0.07659) (0.00459) [ 1.47296] [ 1.20790] [-8.33143] [-0.83538]

DIP(-5) 0.062909 0.084267 -0.396039 -0.003252 (0.03458) (0.04138) (0.07130) (0.00427) [ 1.81926] [ 2.03619] [-5.55482] [-0.76157]

DR(-1) -1.124591 0.290687 1.958163 -0.178983 (0.62095) (0.74315) (1.28028) (0.07668) [-1.81108] [ 0.39116] [ 1.52948] [-2.33416]

DR(-2) 1.489942 1.156597 0.531909 -0.124437 (0.63604) (0.76120) (1.31139) (0.07854) [ 2.34253] [ 1.51943] [ 0.40561] [-1.58431]

DR(-3) 0.550637 0.063679 0.385896 -0.116868 (0.64189) (0.76821) (1.32346) (0.07927) [ 0.85783] [ 0.08289] [ 0.29158] [-1.47437]

DR(-4) -1.090797 -0.512578 0.198838 -0.023317 (0.63686) (0.76219) (1.31308) (0.07864)

[-1.71277] [-0.67251] [ 0.15143] [-0.29649]

DR(-5) 0.919237 0.719343 0.425076 -0.028267 (0.62633) (0.74958) (1.29137) (0.07734) [ 1.46766] [ 0.95966] [ 0.32917] [-0.36547]

C 0.005709 0.003218 0.014464 -0.000669 (0.00458) (0.00548) (0.00945) (0.00057) [ 1.24608] [ 0.58690] [ 1.53112] [-1.18324]

R-squared 0.245372 0.323632 0.476045 0.131955 Adj. R-squared 0.159619 0.246772 0.416505 0.033314 Sum sq. resids 0.654205 0.937022 2.781060 0.009976 S.E. equation 0.060968 0.072966 0.125704 0.007529 F-statistic 2.861379 4.210665 7.995331 1.337729 Log likelihood 282.6616 247.2720 140.1157 694.7086 Akaike AIC -2.656463 -2.297177 -1.209297 -6.839681 Schwarz SC -2.306477 -1.947191 -0.859310 -6.489695 Mean dependent 0.008034 0.006356 0.005361 -0.000483 S.D. dependent 0.066506 0.084073 0.164562 0.007657

(24)

Appendix C

-.02 .00 .02 .04 .06

1 2 3 4 5 6 7 8 9 10

Response of DAI to DAI

-.02 .00 .02 .04 .06

1 2 3 4 5 6 7 8 9 10

Response of DAI to DOI

-.02 .00 .02 .04 .06

1 2 3 4 5 6 7 8 9 10

Response of DAI to DIP

-.02 .00 .02 .04 .06

1 2 3 4 5 6 7 8 9 10

Response of DAI to DR

-.04 -.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

Response of DOI to DAI

-.04 -.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

Response of DOI to DOI

-.04 -.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

Response of DOI to DIP

-.04 -.02 .00 .02 .04 .06 .08 .10

1 2 3 4 5 6 7 8 9 10

Response of DOI to DR

-.15 -.10 -.05 .00 .05 .10 .15

1 2 3 4 5 6 7 8 9 10

Response of DIP to DAI

-.15 -.10 -.05 .00 .05 .10 .15

1 2 3 4 5 6 7 8 9 10

Response of DIP to DOI

-.15 -.10 -.05 .00 .05 .10 .15

1 2 3 4 5 6 7 8 9 10

Response of DIP to DIP

-.15 -.10 -.05 .00 .05 .10 .15

1 2 3 4 5 6 7 8 9 10

Response of DIP to DR

-.004 -.002 .000 .002 .004 .006 .008 .010

1 2 3 4 5 6 7 8 9 10

Response of DR to DAI

-.004 -.002 .000 .002 .004 .006 .008 .010

1 2 3 4 5 6 7 8 9 10

Response of DR to DOI

-.004 -.002 .000 .002 .004 .006 .008 .010

1 2 3 4 5 6 7 8 9 10

Response of DR to DIP

-.004 -.002 .000 .002 .004 .006 .008 .010

1 2 3 4 5 6 7 8 9 10

Response of DR to DR Response to Nonfactorized One S.D. Innovations ± 2 S.E.