De impact van terrorisme op financiële markten: de rol van afstand

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2011 – 2012

De impact van terrorisme op financiële markten: de rol van afstand

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur

Yasmin De Wolf onder leiding van Prof. Michael Frömmel

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2011 – 2012

De impact van terrorisme op financiële markten: de rol van afstand

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur

Yasmin De Wolf onder leiding van Prof. Michael Frömmel

i

Toelating tot bruikleen

Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.

Yasmin De Wolf, mei 2012

ii

Voorwoord Deze masterproef vormt het sluitstuk van mijn opleiding in de Toegepaste Economische Wetenschappen: Handelsingenieur aan de Universiteit Gent. Graag zou ik deze gelegenheid willen aangrijpen om iedereen te bedanken die heeft bijgedragen tot het welslagen van deze eindverhandeling. Bijzondere dank gaat uit naar: • Mijn promotor, professor Michael Frömmel voor het begeleiden en evalueren van deze scriptie. • Mijn zus en in het bijzonder mijn opa, voor het nalezen van deze scriptie en het aanbrengen van de nodige correcties. • Tot slot ook een woord van dank aan mijn ouders, die mij de kans hebben geboden om deze studie te volgen.

Yasmin De Wolf, mei 2012

iii

Inhoudsopgave Toelating tot bruikleen

i

Voorwoord

ii

Inhoudsopgave

iii

Gebruikte afkortingen

vi

Lijst van Figuren

vii

Lijst van tabellen

viii

1 Inleiding

1

1.1

Onderwerp en doelstelling . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

1.2

Structuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2

2 Literatuurbespreking

4

2.1

Algemeen kader . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4

2.2

De economische impact van terreur . . . . . . . . . . . . . . . . . . . . . .

7

2.2.1

8

2.3

Impact van terreur op financiële markten . . . . . . . . . . . . . .

Event study methodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3.1

Efficiënte markthypothese . . . . . . . . . . . . . . . . . . . . . . . 14

2.3.2

Implicaties van het gebruik van dagelijkse data bij een event studie 16

2.4

Drakos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.5

De rol van afstand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5.1

Financial contagion

. . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.5.2 2.6

De graviteitsbenadering . . . . . . . . . . . . . . . . . . . . . . . . 24

Besluit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3 Econometrische methodologie en hypothesen

29

3.1

Doelstelling en hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.2

Event study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3

3.4

3.2.1

Events en Event window . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2.2

Bepaling abnormale rendementen . . . . . . . . . . . . . . . . . . . 31

3.2.3

Significantietesten . . . . . . . . . . . . . . . . . . . . . . . . . . . 34


Verklaring bilaterale handel: De graviteitsbenadering . . . . . . . . 35

3.3.2

Verklaring aandelenmarktreacties . . . . . . . . . . . . . . . . . . . 37

De diffusiekanalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.1

Constructie van de proxy-variabelen . . . . . . . . . . . . . . . . . 38

3.4.2

Effect van de drie transmissiekanalen . . . . . . . . . . . . . . . . . 40

4 Data

42

4.1

Rendementen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.2

Proxy-variabelen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.3

Bilaterale handel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.4

Afstanden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.5

Bruto binnenlands product . . . . . . . . . . . . . . . . . . . . . . . . . . 44

5 Empirische evaluatie 5.1

5.2

45

Resultaten event study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.1.1

Madrid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

5.1.2

Londen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.1.3

Synthese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48


Verklaring van de bilaterale handel: De graviteitsbenadering . . . 49

5.2.2

Verklaring van de aandelenmarktreacties . . . . . . . . . . . . . . . 51

5.2.3

Robuustheidstesten . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

5.2.4 5.3

Samenvattend overzicht en interpretatie resultaten . . . . . . . . . 55

De drie transmissiekanalen

. . . . . . . . . . . . . . . . . . . . . . . . . . 58

5.3.1

Beschrijvende statistieken . . . . . . . . . . . . . . . . . . . . . . . 58

5.3.2

Madrid en Londen Pooled . . . . . . . . . . . . . . . . . . . . . . . 58

5.3.3

Madrid en Londen afzonderlijk beschouwd . . . . . . . . . . . . . . 61

5.3.4

Vergelijking met Drakos . . . . . . . . . . . . . . . . . . . . . . . . 62

6 Besluit

63

A Een overzicht van de aandelenindices

73

B Resultaten event study

75

B.1 Globaal effect van de Spaanse aanslag . . . . . . . . . . . . . . . . . . . . 75 B.2 Globaal effect van de Britse aanslag . . . . . . . . . . . . . . . . . . . . . 79 C Empirische resultaten diffusiekanalen

82

C.1 Aanslag Madrid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 C.2 Aanslag Londen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

vi

Gebruikte afkortingen 9/11 APT AR BBP CEPII CAPM CAR COMTRADE CPIS DBI ETA FTSE GARCH model GDP HML IFS IMF IMS NYSE OLS SMB SMI VIF

De aanslagen op 11 september 2001 in New York, aangeduid naar de Amerikaanse datumnotatie (maand/dag) Arbitrage Pricing Theorie Abnormaal Rendement Bruto Binnenlands Product Centre d’Etudes Prospectives et d’Informations Internationales Capital Asset Pricing Model Cumulatief Abnormaal Rendement Commodity Trade Statistics Coordinated Portfolio Investment Survey Directe Buitenlandse Investeringen Euskadi Ta Askatasuna (Nederlands: Baskenland en Vrijheid) Financial Times Stock Exchange Generalized Auto Regressive Conditional Heteroskedactic model Gross Domestic Product High Minus Low International Financial Statistics International Monetary Fund Index of Market Shocks New York Stock Exchange Ordinary Least Square Small Minus Big Swiss Market Index Variance Inflation Factor

vii

Lĳst van figuren 2.1

Internationale terreuraanslagen 1968-2003, aantal incidenten en aantal slachtoffers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6

2.2

De reactie van de Britse en Spaanse aandelenindices op de aanslagen . . . 13

2.3

Niet-normaliteit van aandelenrendementen . . . . . . . . . . . . . . . . . . 17

2.4

Het toegenomen afstandseffect . . . . . . . . . . . . . . . . . . . . . . . . 27

3.1

Estimation Window . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5.1

6-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid . . . . . . . . . . . . . . 46

5.2

6-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen . . . . . . . . . . . . . . . . . . . . 48

B.1 Event-day abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid . . . . . . . . . . . . . . . . . . . . . 78 B.2 11-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid . . . . . . . . . . . . . . 78 B.3 Event-day abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen . . . . . . . . . . . . . . . . . . . . . . . . . . 81 B.4 11-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen . . . . . . . . . . . . . . . . . . . . 81

viii

Lĳst van tabellen 4.1

Bronnen data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

5.1

OLS regressieresultaten: log(Bitradei,j ) = β0 + β1 log(Distancei,j ) + β2 log(GDPi ) + µi,j . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5.2

OLS regressieresultaten: î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j . . . 51

5.3

OLS regressieresultaten: log(Bitradei,j ) = β0 +β1 Distancei,j +β2 GDPi + µi,j . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5.4

OLS regressieresultaten: î,j = γ0 + γ1 Distancei,j + γ2 µ î,j + ui,j . . . . . . 53

5.5

OLS regressieresultaten: î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j

5.6

OLS regressieresultaten: î,j = γ0 + γ1 Distancei,j + γ2 µ î,j + ui,j . . . . . . 55

5.7

Samenvatting resultaten: De rol van afstand en bbp in de verklaring van de bilaterale handel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.8

Samenvatting resultaten: De rol van afstand en bilaterale handel in de verklaring van de aandelenmarktreacties . . . . . . . . . . . . . . . . . . . 57

5.9

Beschrijvende statistieken proxy-variabelen . . . . . . . . . . . . . . . . . 58

. . 54

5.10 Overzicht diffusiekanalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5.11 Correlatiematrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.12 Variance Inflation Factors . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.13 Hybride model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 C.1 Overzicht diffusiekanalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 C.2 Hybride model: Aanslag Madrid . . . . . . . . . . . . . . . . . . . . . . . 83 C.3 Overzicht diffusiekanalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 C.4 Hybride model: Aanslag Londen . . . . . . . . . . . . . . . . . . . . . . . 84

INLEIDING

1

Hoofdstuk 1

Inleiding 1.1

Onderwerp en doelstelling

Terreuraanslagen kunnen ernstige gevolgen hebben voor financiële markten. Aandelenprijzen reflecteren namelijk de verwachtingen van de belegger, hun hoop en hun angsten over de toekomst. Wanneer een terreuraanslag plaatsvindt, ontstaat er grote onzekerheid over de toekomst. Men vreest de gevolgen voor het consumentenvertrouwen, het nationaal inkomen, sparen en investeringen, toerisme, etcetera. Vele beleggers ontvluchten daarop de markt, op zoek naar veiligere financiële instrumenten. De reactie van globale kapitaalmarkten op terreuraanslagen is dan ook een veelbesproken onderwerp in de literatuur. Terreuraanslagen leiden tot negatieve reacties van financiële markten, niet alleen in het land van de aanslag, maar ook in omringende landen. Zo werd de 9/11 aanslag niet enkel gevoeld in de Verenigde staten, maar veroorzaakte deze een negatief effect in de hele wereld. Hetzelfde kan gezegd worden van de bomaanslagen in Madrid en Londen. Drakos (2010b) onderzocht reeds mogelijke verklaringen voor deze verspreiding en vond onder meer dat landen die intensiever handel drijven met het getroffen land, negatievere abnormale rendementen vertonen. Deze scriptie kan gezien worden als een uitbreiding van het werk van Drakos (2010b), met name door te gaan kijken naar de rol van geografische afstand. De idee hierachter is dat de belegger niet enkel bezorgd is om de potentiële economische kosten ten gevolge van aanslagen, maar dat men daarnaast

1.2 Structuur

2

ook vreest dat zo’n aanslag ook in eigen land zou kunnen plaatsvinden. De belegger zou met andere woorden geneigd kunnen zijn om te geloven dat een land dat dichter ligt bij het land waar de aanslag plaatsvond, kwetsbaarder is voor een potentieel toekomstige aanslag. De toegevoegde waarde van deze scriptie ligt dus mede in het feit dat er aandacht uitgaat naar gedragsdeterminanten van de reacties op terreur. Deze masterproef zal er in bestaan het artikel van Drakos (2010b) kritisch te onderzoeken, alsook uit te breiden waar dat wenselijk is. Drakos bespreekt immers wel het diffusiemechanisme van schokken doorheen derde landen, maar waar Drakos het heeft over handel, kan ook afstand een rol spelen. Het feit dat handel en afstand dusdanig verbonden zijn, maakt de probleemstelling er echter niet eenvoudiger op. In deze eindverhandeling zal worden onderzocht of de nieuwsverwerking van terreurschokken louter gestuurd wordt door economische determinanten, of dat ook de gedragsfactor afstand een rol speelt. De rol van afstand bij de impact van terreur op financiële markten vormt met andere woorden het kerngegeven van dit werkstuk.

1.2

Structuur

Deze eindverhandeling is opgebouwd uit twee delen. Het eerste gedeelte betreft de literatuurstudie en bestaat uit zes subhoofdstukken. Het opstellen van een theoretisch kader waarbinnen ons onderzoek kan plaatsvinden, is immers van groot belang. We starten met het schetsen van het algemeen kader van terrorisme en bespreken een aantal recente trends. Vervolgens wordt dieper ingegaan op de impact van terreur, in het bijzonder op financiële markten. Er wordt beschreven wat reeds geweten is omtrent die impact en waar ruimte is voor verder onderzoek. In de daaropvolgende paragraaf wordt de event study methodologie nader toegelicht, vanwege de prominente plaats die deze methode zal innemen binnen deze scriptie. Daarop aansluitend zal uitgebreid aandacht besteed worden aan de publicaties van Konstantinos Drakos, op wiens onderzoek deze scriptie zich zal baseren. In de voorlaatste subsectie komen we tot de kern van ons onderzoeksopzet, namelijk de rol van afstand. Concepten zoals financial contagion, het graviteitsmodel

1.2 Structuur

3

en de afstandspuzzel worden nader toegelicht. Synthetiseren doen we ten slotte met een besluit.

In het tweede gedeelte wenden we ons tot de praktijk. Dit gedeelte omvat vier hoofdstukken. De onderzoeksmethodologie, de gegevensverzameling, de bekomen resultaten en de algemene conclusie komen achtereenvolgens aan bod. Wat betreft de onderzoeksmethode, werd inspiratie gezocht bij Drakos en wordt diens onderzoek verder uitgebreid. Als basis voor ons onderzoek bestuderen we de aanslagen in Madrid en Londen. Op 11 maart 2004 ontplofte een reeks bommen in het treinsysteem in Madrid. De dodentol bedroeg 191 en 1876 mensen raakten gewond. De aanslag bleek het werk van een islamitische groepering - geïnspireerd door Al Qaida - en was bedoeld ter vergelding voor Spanjes steun aan de Verenigde Staten, tijdens de oorlog tegen Irak. Ook de bombardementen op het transportsysteem van Londen eisten 54 doden en 700 gewonden (U.S. Department of State, 2005). En opnieuw ging het hier om islamitische extremisten, gemotiveerd door de Engelse betrokkenheid in de oorlog in Irak. Het Verenigd Koninkrijk was op dat moment namelijk een van de voornaamste aanhangers van de Verenigde Staten in hun oorlog tegen Irak. In hoofdstuk vier vervolgens, wordt een verantwoording gegeven voor de keuze van de verzamelde gegevens. Daarop aansluitend worden onze bevindingen extensief toegelicht. Dit gebeurt in hoofdstuk vijf. In datzelfde hoofdstuk wordt nagegaan of de bekomen resultaten ook robuust zijn voor alternatieve werkwijzen. Om af te sluiten, worden in hoofdstuk zes een aantal algemene conclusies naar voren geschoven. Tevens worden er een aantal aanbevelingen voor verder onderzoek gedaan.

LITERATUURBESPREKING

4

Hoofdstuk 2

Literatuurbespreking

2.1

Algemeen kader

In vakgebieden zoals sociologie en geschiedenis wordt terrorisme al tientallen jaren intensief gedocumenteerd (Hudson, 1999; Bell, 1985; Friedland en Merari, 1985; Mickolus, Sandler en Murdock, 1988). Maar de internationale belangstelling in de invloed van terrorisme - binnen een economisch en financieel kader - is eerder een recent fenomeen. Het is pas sinds de gebeurtenissen van 9/11 dat de verschenen literatuur hieromtrent sterk is toegenomen. Tal van auteurs hebben sindsdien al bijgedragen in het onderzoek naar de complexe gevolgen van dergelijke aanvallen, in al haar facetten. Dat onderzoek was aanvankelijk eerder descriptief van aard en beperkte zich hoofdzakelijk tot het bestuderen van de impact van slechts één of twee aanvallen, vaak enkel die van 9/11 of die van Madrid en Londen. Men spreekt in dit geval van case studies. Het is pas later dat men het perspectief is gaan uitbreiden, over de tijd en andere landen heen. Event studies bestuderen een grotere sample van aanvallen.

Het U.S. Department of State - het Amerikaanse ministerie van Buitenlandse Zaken -

2.1 Algemeen kader

5

publiceerde jarenlang statistische gegevens met betrekking tot het aantal internationale terreuraanslagen in haar jaarlijks rapport Patterns of Global Terrorism. Internationaal terrorisme werd daarin gedefinieerd als terreur met betrekking tot burgers of tot het grondgebied van meerdere landen. Uit deze jaarlijkse rapportering kunnen een aantal trends opgemaakt worden: in tegenstelling tot wat algemeen wordt aangenomen, namelijk dat de terreurdreiging steeds toeneemt, blijkt het aantal aanslagen sinds eind de jaren tachtig te zijn gedaald. Verschillende redenen liggen mede aan de basis van deze daling: enerzijds zijn er de toegenomen inspanningen om terrorisme te bestrijden, maar ook het verdwijnen van vele linkse groeperingen, alsook een daling in de staatssponsoring van terreur na de Koude Oorlog hebben hun rol gespeeld (Enders en Sandler, 2000). Tegenover die daling van het aantal aanslagen staat echter het feit dat het aantal dodelijke slachtoffers deze trend niet heeft gevolgd. Terrorisme is met andere woorden steeds dodelijker geworden (Frey, Luechinger en Stutzer, 2007). Volgens Enders en Sandler (2000) zou de kans op een dodelijk slachtoffer bij een aanslag met bijna 17% zijn gestegen, in vergelijking met 1970. Aangezien de omvang van die gegevens na 9/11 echter exponentieel begon te groeien, en de methoden voor het analyseren ervan meer gerichter werden, konden de methoden uit het verleden voor het verwerken van de statistische data niet meer volstaan. Sedertdien staat het National Counterterrorism Center in voor de publicatie van een jaarlijks rapport, de Country Reports on Terrorism. De cijfers in dat rapport zijn niet direct vergelijkbaar met de statistieken uit de pre-2005 versies van de rapporten. Sinds 2005 worden de statistieken immers niet langer gekoppeld aan de term “internationaal terrorisme”, maar aan een bredere definitie van “terrorisme”. Behoedzaamheid in de interpretatie van de statistieken, louter op basis van het aantal incidenten en slachtoffers, is dan ook aangewezen.

2.1 Algemeen kader

6

Figuur 2.1 – Internationale terreuraanslagen 1968-2003, aantal incidenten en aantal slachtoffers

U.S. Department of State (verscheidene jaargangen); Frey, Luechinger en Stutzer (2007)

Men zou zich de vraag kunnen stellen waarom terreur zo hoog op de beleidsagenda staat, ondanks de statistische daling van het belang ervan. Niettemin bestaan er legitieme redenen voor de toenemende bezorgdheid om terrorisme (Wilcox, 1997). Eén daarvan is de opkomst van massavernietigingswapens, die de gevolgen van terroristisch geweld veel catastrofaler hebben gemaakt. Ook de enorme economische gevolgen van terrorisme voor onze regeringen en de privésectoren spelen mee. Terroristen beseffen meer dan ooit dat men via aanslagen, naast menselijk leed, ook economische schade kan veroorzaken. Voorts is er de opkomst van televisie en internet. De toenemende mediatisering boezemt bij de burger een zekere angst in. Die wereldwijde vrees verplicht de overheden om krachtiger op te treden. Een laatste reden ten slotte ligt in de toegenomen westerse betrokkenheid in het Midden-Oosten en Noord-Afrika, zowel op diplomatiek als op commercieel vlak. De conflicten die daar heersen, maken soms ook van het Westen het doelwit van terroristen.

2.2 De economische impact van terreur

7

Enders en Sandler (2000) slaagden erin een aantal cycli te identificeren. Ze stelden vast dat terrorisme zich voordoet in clusters en bieden daar de volgende verklaring voor: geslaagde aanslagen inspireren vaak copycats om hetzelfde te doen. Dit zet de publieke opinie ertoe aan om het toegenomen non-veiligheidsgevoel aan te klagen, wat de overheid op haar beurt aanspoort om antiterreurmaatregelen te nemen. Dit laatste resulteert in een - weliswaar tijdelijke - daling van terrorisme. Een andere mogelijke verklaring voor deze cycli ligt in het feit dat men het plannen van aanslagen kan gaan bundelen om zo schaalvoordelen te creëren. Tot slot kunnen ook politieke manifestaties hetzij de autoriteiten, hetzij de terroristen mobiliseren.

2.2

De economische impact van terreur

Terrorisme kan de economische werkzaamheden aantasten op verscheidene manieren (Frey, Luechinger en Stutzer, 2007). Niet alleen is de schade aan het fysiek en menselijk kapitaal vaak enorm, terreuraanslagen doen ook afbreuk aan het aandelenkapitaal van het getroffen land. Bovendien ontstaat er een tendens om buitenlandse middelen elders te bestemmen, weg van het getroffen land. We denken daarbij in de eerste plaats aan toerisme (Enders en Sandler, 1991; Fleischer en Buccola, 2002) en directe buitenlandse investeringen (Enders en Sandler, 1996). Een derde gevolg is dat de nood aan een transparantere financiële regelgeving, alsook aan strengere veiligheidsmaatregelen de transactiekosten aanzienlijk doet stijgen. Dit met een minder productieve aanwending van de beschikbare middelen tot gevolg. En tot slot creëren aanslagen ook onzekerheid, wat niet bevorderlijk is voor het investeringsklimaat, noch voor het consumentenvertrouwen. Meer zelfs, er onstaat een klimaat van angst dat indirect het welzijn van de bevolking aantast. Zo zou er een significant negatief causaal verband bestaan tussen het aantal terreurslachtoffers en het subjectieve welzijn van de bevolking (Frey, Luechinger en Stutzer, 2009).

Uit voorgaande beschrijving kan worden opgemaakt dat terreur zowel directe als indi-


8

recte effecten teweegbrengt. Men spreekt van directe economische efecten als ze voortvloeien uit de onmiddellijke nasleep van een aanslag. Het betreft onder meer de destructie van infrastructuur en mensenlevens, alsook de effecten die voortvloeien uit acties, bedoeld om de schade te beperken. Maar daarnaast kunnen verstorende effecten - binnen een interdependent economisch systeem - ook doorwerken naar economische entiteiten die oorspronkelijk niets met de aanslag te maken hadden. In dat geval spreekt men van indirecte effecten. Niettegenstaande het belang van al deze gevolgen, gaat de focus in deze scriptie uit naar de impact van terreur op financiële markten.1 .

2.2.1

Impact van terreur op financiële markten

Talloze auteurs hebben de weerslag van terreur op financiële markten reeds gedocumenteerd. De literatuur hieromtrent is overigens nog steeds in ontwikkeling. Karolyi en Martell (2010) stellen dat “there is no single theory behind our intuition for conducting this exercise but rather a synthesis of research conducted in different, albeit related, areas.”

De centrale vraag die in de meerderheid van de bestaande literatuur geadresseerd wordt, is of terreur al dan niet gepaard gaat met significant negatieve effecten. De gevestigde literatuur heeft systematisch aangetoond van wel. In wat volgt bespreken we een aantal belangrijke resultaten.

Brounrn en Derwall (2010) onderzochten de prijsdynamieken van globale kapitaalmarkten na 31 verschillende aanslagen en vonden dat beurzen over het algemeen negatief reageren op aanslagen, maar zich achteraf ook relatief snel herstellen. Enkel de 9/11 aanslag blijkt langetermijneffecten te hebben gehad, vooral in termen van het systematisch risico. Daarmee valideren ze de conclusies van onder meer Richman, Santos en Barkoulas (2005), die naast negatieve kortetermijnreacties van 28 internationale beurzen 1

Voor een uitvoerig overzicht van alle mogelijke gevolgen, zie Schneider, Brück en Meierrieks (2011).


9

in de nieuwsverwerking van 9/11, ook stijgingen in het systematisch risico van een aantal kapitaalmarkten rapporteren. Chesney, Reshetar en Karaman (2011) vervolgens, onderzochten naast de weerslag van terrorisme op de aandelenbeurzen, ook die op de obligatie -en grondstoffenmarkten. 77 terreuraanslagen in 25 landen, over een tijdspanne van 11 jaar, worden daarbij beschouwd. De analyse gebeurt op basis van verschillende methoden, waaronder een event study benadering, een parametrische methodologie en een non-parametrische methodologie. Empirisch werd vastgesteld dat de non-parametrische aanpak de meest geschikte van deze drie is om de impact van terreuraanslagen te analyseren. Voortgaande op die aanpak, vindt men een significant negatieve impact van in 56 van 75 gevallen. Een gelijkaardig resultaat wordt bekomen door Karolyi en Martell (2010). Deze auteurs vinden een significant negatieve koersreactie van -0,83% voor 75 verschillende aanslagen op beursgenoteerde ondernemingen, gevestigd in 11 verschillende landen. Tegelijkertijd analyseerden ze mogelijke determinanten voor die koersreacties van de getroffen bedrijven. Er wordt gevonden dat aanslagen met betrekking tot menselijke verliezen geassocieerd worden met sterkere negatieve koersen dan die met betrekking tot gebouwen of faciliteiten. Daarnaast wordt empirische ondersteuning gevonden voor het feit dat aanslagen op bedrijven in landen die welvarender en democratischer zijn, gepaard gaan met sterkere negatieve koersreacties. Ook Nikkinen en Vahamaa (2010) bevestigen de sterk negatieve impact van terreur op het marktsentiment. Wat deze paper onderscheidt van andere is de alternatieve aanpak die men hanteert om de effecten van terreur te analyseren. Dit doen de auteurs aan de hand van de verwachte kansdichtheden van de FTSE 100 index, in de periode rond bepaalde terreuraanslagen. Meer in het bijzonder, gebruiken ze optieprijzen om tijdreeksen van de verwachte kansdichtheden af te leiden en analyseren ze de bewegingen van deze kansdichtheden in de periode rond 11 september 2001 in New York, rond 11 maart 2004 in Madrid en rond 7 juli 2005 in Londen.

Omdat de precieze omvang van de 9/11 ramp zo moeilijk te bepalen bleek, ontwikkelde de wetenschap een universele maatstaf voor de graad van onrust op financiële markten.


10

De reeds bestaande maatstaven volstonden immers niet om in die behoefte te voorzien. Zo laten klassieke graadmeters van volatiliteit onder meer niet toe de probabiliteit te berekenen dat een gebeurtenis zich voordoet. Voorts bestond er tot dan toe ook nog geen algemeen aanvaarde toetssteen om gebeurtenissen te rangschikken in volgorde van belang en draagwijdte. Maillet en Michel (2005) ontwikkelden daarom een schaal om de omvang van financiële crisissen accuraat te kwantificeren. Die maatstaf kent sterke analogieën met de Richter schaal - afkomstig uit de geofysica -. In navolging van de werkwijze van Zumbach et al. (2000), introduceren Maillet en Michel (2005) de “index of market shocks” (IMS). Groot voordeel van deze maatstaf is onder meer dat hij in tegenstelling tot de traditionele graadmeters - de verschillende tijdshorizonten van de economische agenten wel in rekening brengt. Bovendien is deze index eenvoudig berekenbaar, compatibel met alle gestileerde feiten van financiële tijdsreeksen en incorporeert hij de bestaande, traditionele risicomaatstaven. De auteurs gaan deze schaal vervolgens empirisch valideren aan de hand van twee steekproeven met verschillende karakteristieken: De resultaten van een lange steekproefperiode en dagelijkse data voor de Amerikaanse aandelenmarkt worden vergeleken met die van een korte bemonsteringsperiode in combinatie met intra-dagelijkse gegevens van de Franse aandelenmarkt. De gelijkaardige conclusies met betrekking tot de 9/11 aanslag getuigen van de robuustheid van de maatstaf.

Karolyi (2006) brengt de veelheid aan de tot dan toe verschenen literatuur in kaart en gaat na wat wel en wat nog niet geweten is over de impact van terrorisme op financiële markten. Hij stelt vast dat vele auteurs vertrekken van een gelijkaardige econometrische methodologie om de abnormale rendementen te genereren in de periode rond de aanslag. Waarin ze onderling wel sterk verschillen, is welk type aanslagen ze bestuderen. Sommigen beperken zich namelijk tot 11 september 2001, anderen zien het ruimer. Karolyi (2006) haalt aan dat de grootte van de negatieve weerslag op aandelenkoersen afhankelijk is van de mate waarin een bedrijf of industrietak gerelateerd is aan de terreuraanslag. Zo werden niet alleen de aandelenprijzen van rechtstreeks getroffen bedrijven reeds onderzocht, maar ook die van bedrijven met indirecte belangen in de ramp, zoals


11

bijvoorbeeld verzekeringsondernemingen. Over het algemeen wordt gevonden dat deze industrietak significant negatieve effecten van terreur ervaart (Cummins en Lewis, 2003; Doherty, Lamm-Tennant en Starks, 2003). Ook de luchtvaartindustrie is doorgaans primair slachtoffer (Carter en Simkins, 1985; Drakos, 2004). Dit sluit aan bij de bevindingen van Chesney, Reshetar en Karaman (2011), die de impact op specifieke sectoren onderzochten. Uit hun analyse blijkt dat de verzekerings -en luchtvaartsectoren de hoogste gevoeligheid voor terreuraanslagen vertonen. De meerwaarde van deze paper ligt daarnaast ook in het feit dat er verscheidene diversificatiestrategieën worden aangehaald. We bespreken ze kort. Ten eerste is het aangewezen het beschikbare kapitaal op te splitsen tussen twee soorten waardepapieren. Enerzijds dient men te investeren in effecten die verwacht worden positief te reageren op terreuraanslagen. Overheidsobligaties of aandelen in de defensie-industrie komen daarvoor in aanmerking. Anderzijds kan men beleggen in effecten die weinig sensitief zijn voor het terreurrisico. Ten tweede kan men met betrekking tot de handel in grondstoffen en basisgoederen, beter investeren in een index, dan enkel in goud. Toch biedt ook deze strategie niet altijd een adequate dekking tegen het risico. Tot slot is het ook aan te raden niet te investeren in fondsen van de verzekerings -en luchtvaartindustrie. Die zijn immers erg gevoelig aan terreurschokken.

Naast de invloed van individuele exogene schokken, werd ook de impact van langdurige gebeurtenissen op financiële markten onderzocht. Een belangrijke aanzet daartoe wordt gegeven door Abadie en Gardeazabal (2003). Tot dan toe bestond er relatief weinig empirisch bewijs omtrent de economische gevolgen van langdurige politieke instabiliteit. De auteurs bieden daarop een antwoord aan de hand van een case study van Baskenland. Baskenland is sedert jaren een gebied van regelmatig conflict vanwege de activiteiten van de ETA, een terroristische organisatie, dat aanslagen pleegt in de hoop dat de Spaanse overheid een onafhankelijk Baskenland zal erkennen. De auteurs vinden een negatieve relatie tussen zowel terreur en bbp per capita, als tussen terreur en beurskoersen. Meer specifiek nam het bbp per capita ten tijde van het conflict af met 10 procentpunten, en dit in vergelijking met de controleregio Catalonië. Daarnaast kwam men ook tot de vast-


12

stelling dat de relatieve performantie van Baskische aandelen toenam ten aanzien van niet-Baskische aandelen op het moment dat er zich een wapenstilstand voordeed. Omgekeerd stelde men precies hetzelfde vast, namelijk dat er sprake was van een negatieve relatieve performantie bij het einde van die wapenstilstand. Deze bevinding strookt met die van Barros en Gil-Alana (2009), die eveneens de impact van terreuraanslagen op de Baskische beurs analyseerden. Zussman, Zussman en Nielsen (2008) komen tot eenzelfde conclusie, maar dan met betrekking tot het Israëlitisch-Palestijns conflict. Zij bestuderen het effect van dat conflict op de vermogensmarkten en vinden dat periodes van geweld gepaard gaan met een daling in de vermogensprijzen, terwijl vredesinitiatieven leiden tot een toename ervan. De bevinding van Abadie en Gardeazabal (2003) - dat beurzen niet alleen reageren op alleenstaande terreuraanslagen, maar ook op een onverwachte verandering in het risico op terrorisme - wordt voorts ook bevestigd door Eldor en Melnick (2004). Deze auteurs onderzochten naast de reactie van de aandelenmarkt, ook die van de valutamarkt op terreur in Israël, gedurende de periode 1990 tot 2003. De data werden gecatalogeerd volgens type, locatie, doel en aantal slachtoffers. Dit laat de auteurs toe een aantal conclusies te trekken omtrent de effecten van deze variabelen2 . Voorts blijkt het toegenomen Palestijns geweld na 27 september 2000 een permanent negatief effect te hebben gehad op de beurs, terwijl binnen de valutamarkt geen dergelijk effect kan worden gedocumenteerd. Belangrijkste conclusie is evenwel dat de markten efficiënt zijn in het incorporeren van nieuws over terreur en dat er geen bewijsgrond gevonden wordt voor het feit dat markten na verloop van tijd ongevoelig worden voor terreur. Johnston en Nedelescu (2006) onderzoeken deze efficiëntiekwestie vanuit een ander perspectief. Ze argumenteren hoe een effectieve reactie van de bevoegde autoriteiten, alsook gecoördineerde inspanningen onderling kunnen bijdragen tot een efficiëntere nieuwsverwerking van de financiële markten. Daartoe onderzoeken ze de reacties van de markten op de terreuraanslagen van 9/11 en die van Madrid in maart 2004 en gaan na welke uitdagingen deze stelden, inzake beleid en regelgeving. Hun onderzoek onderbouwt de stelling 2

Voor een volledig overzicht van de verschillende effecten, wordt verwezen naar het oorspronkelijk

artikel.


13

dat gediversifieerde, liquide financiële markten het meest efficiënt zijn in het herstellen van het vertrouwen. Daarnaast onderlijnen de auteurs ook het belang van een aantal preventieve maatregelen.

We ronden deze sectie af door specifiek te gaan kijken naar de impact van de twee aanslagen, die van groot belang zijn in ons onderzoek, namelijk die in Madrid en Londen. Aan de hand van de klassieke event study methodologie, bepalen Kollias, Papadamou en Stagiannis (2011) de (cumulatieve) abnormale rendementen voor de voornaamste Spaanse en Britse aandelenmarkten. In grote lijnen zou men kunnen stellen dat de Britse en Spaanse aandelenmarkten gelijkaardig gereageerd hebben, maar dat hun recuperatie achteraf enigszins verschillend is verlopen. In tegenstelling tot de Spaanse markten, hadden de Britse indices slechts één dag nodig om zich te herstellen naar hun oorspronkelijk niveau. Dit wordt visueel duidelijk aan de hand van figuur 2.2. Figuur 2.2 – De reactie van de Britse en Spaanse aandelenindices op de aanslagen

Kollias, Papadamou en Stagiannis (2011)

Een mogelijke verklaring voor die verschillende reactie zou kunnen liggen in het feit dat het in Londen om een zelfmoordaanslag ging, waardoor men ervan uit ging dat het gevaar achteraf geweken was. Dit was niet het geval in Madrid, waar er daarnaast ook nog eens verwarring was over wie de daders zouden kunnen geweest zijn. De aanzien-

2.3 Event study methodologie

14

lijk verschillende reactie van de Britse ten aanzien van de Spaanse markten zou ook kunnen gemotiveerd worden door de meer doeltreffende institutionele regelingen in het Verenigd Koninkrijk. Deze mogelijke verklaringen dienen evenwel als tentatief te worden beschouwd, in afwachting van meer gedetailleerd onderzoek. Tot slot kunnen we uit deze figuur concluderen dat de negatieve effecten - voor beide aanslagen - slechts van tijdelijke aard waren.

Naast de studie van de abnormale rendementen, leveren Kollias, Papadamou en Stagiannis (2011) ook nog een bijdrage omtrent de impact op de volatiliteit. Beide schokken hebben een significant effect op de volatiliteit van de algemene indices, maar slechts in veel mindere mate op de sectorale indices. Een gelijkaardig resultaat werd al eens eerder aangetoond - weliswaar voor andere markten - door Arin, Ciferri en Spagnolo (2008). Zij toonden eveneens aan dat terreur niet alleen een significante impact heeft op aandelenmarkten, maar ook op de volatiliteit ervan. Empirisch bleek het causaliteitseffect een grotere coëfficiënt te hebben voor landen als Spanje, Turkije en Indonesië. Meer ontwikkelde economieën zijn met andere woorden efficiënter in de nieuwsverwerking van terreur.

2.3 2.3.1

Event study methodologie Efficiënte markthypothese

In de vorige sectie kwamen begrippen als event studies en abnormale rendementen geregeld aan bod. Ook binnen het onderzoek in deze scriptie zullen ze een prominente plaats innemen. Het opzet van deze subsectie is deze concepten in dieper detail toe te lichten. De event study methodologie is een techniek met als doel de impact na te gaan van een bepaald type gebeurtenis op aandelenprijzen. Deze methodologie is gebaseerd op de zogenaamde efficiënte markthypothese (Fama et al., 1969; Fama, 1970). Deze hypothese stelt over het algemeen dat wanneer er nieuwe informatie vrijkomt (bijvoorbeeld


15

ten gevolge van een onverwachte schok), de investeerders deze volledig in rekening zullen brengen bij het beoordelen van haar impact. In een efficiënte kapitaalmarkt passen de prijzen zich zeer snel aan aan nieuwe informatie. Fama (1970) definieert het begrip van een efficiënte markt als zijnde: “A market in which prices always fully reflect all available information”. Een explicietere definitie wordt gegeven door Malkiel (1992): “A capital market is said to be efficient if it fully and correctly reflects all relevant information in determining security prices. Formally, the market is said to be efficient with respect to some information set if security prices would be unaffected by revealing that information to all participants. Moreover, efficiency with respect to an information set implies that it is impossible to make economic profits by trading on the basis of that information set”. Fama (1970) maakt een onderscheid tussen drie vormen van marktefficiëntie. In de zwakste vorm wordt enkel de informatie uit vroegere prijzen geïncorporeerd in de huidige aandelenprijzen. De informatieset bestaat dus enkel uit de geschiedenis van de prijzen. De semi-sterke vorm daarentegen, reflecteert niet enkel de informatie uit oude prijzen, maar ook alle publiek beschikbare informatie. De markt is ten slotte efficiënt in haar sterke vorm, wanneer geen enkele soort informatie - noch publieke, noch private - above-average returns kan genereren. Event studies kunnen worden gebruikt voor het testen van de semi-sterke vorm van marktefficiëntie. Terreuraanslagen zijn per definitie onverwachte en exogene schokken en zijn daarom erg geschikt voor gebruik in een event study. Toch dient melding gemaakt te worden van het feit dat de efficiënte markthypothese, waarop de event study methodiek gebaseerd is, tegelijkertijd ook voorwerp is van veel kritiek3 . Daarom zou toekomstig onderzoek zich kunnen richten op alternatieve methoden bij het evalueren van de impact van terrorisme op het financiële stelsel (Liargovas, 2010). 3

“Market efficiency is per se not testable” (Fama, 1991). Dit impliceert dat de event study niet in

staat is de efficiënte markthypothese te bewijzen, dan wel te weerleggen. Een event study test enkel of er een reactie is op de gebeurtenis. Ze zegt niets over het feit of die reactie al dan niet terecht is (Frömmel, 2011).


2.3.2

16

Implicaties van het gebruik van dagelijkse data bij een event studie

Sedert de eerste publicaties over het onderwerp in de jaren dertig, is de methodologie van een event study al sterk geëvolueerd. De procedure die men vandaag hanteert, is grotendeels gebaseerd op het werk van Ball en Brown (1968) en Fama et al. (1969), dat sindsdien steeds verder geraffineerd werd. Brown en Warner (1985) onderzoeken de praktische implicaties van het gebruik van dagelijkse data voor de event study methodologie. Conclusie van deze publicatie is evenwel dat - hoewel de expliciete erkenning van de karakteristieken van dagelijkse data soms bevorderlijk kan zijn - de kenmerken van dagelijkse data in het algemeen tot relatief weinig problemen leiden binnen het kader van een event study. Een volledig overzicht van potentiële problemen betreffende het gebruik van dit soort data, valt buiten het bestek van deze scriptie. Daarvoor wordt verwezen naar het oorspronkelijk artikel. In wat volgt, bespreken we enkel de twee meest kenmerkende eigenschappen van dagelijkse data.

2.3.2.1

Niet-normaliteit

Kenmerkend voor aandelenrendementen is dat ze significante afwijkingen van normaliteit vertonen. In onderstaande figuur wordt naast de standaarddeviatie, ook de scheefheid en de kurtosis weergegeven. De kurtosis meet de assymetrie van de verdeling. Voor een normale verdeling bedraagt de scheefheid nul. EViews 7 berekent nu de kans dat de reeks een normale verdeling heeft. Die kans wordt weergegeven door de p-waarde van de Jarque-Bera toets op normaliteit4 . Die p-waarde geeft aan dat de nulhypothese van normaliteit wordt verworpen. Men spreekt van een leptokurtische verdeling: in de staarten van de verdeling en rond het gemiddelde worden te veel waarden geteld. Dit wordt in figuur 2.3 geïllustreerd voor de Argentijnse Merval index. De hoge positieve kurtosis 4

5

wijst op de leptokurtische verdeling.

De Jarque-Beratoets toetst of een variabele normaal verdeeld is op basis van informatie over de

scheefheid en de kurtosis. 5 Bij een normale verdeling is de waarde van de kurtosis gelijk aan drie.


17

Figuur 2.3 – Niet-normaliteit van aandelenrendementen

2.3.2.2

Heteroscedastische en geclusterde volatiliteit

Financiële rendementen worden gekenmerkt door niet-constante volatiliteit, ook wel heteroscedasticiteit genoemd. Bovendien neemt ook de kans op seriële samenhang van de volatiliteit van de reeksen toe, bij toenemende datafrequentie. Dat fenomeen van geclusterde volatiliteit is een belangrijk gestileerd feit en werd voor het eerst vastgesteld door Mandelbrot (1963). Precies om die tijdvariërende variantie in rekening te brengen, werden de (G)ARCH modellen ontwikkeld (Engle, 1982; Bollerslev, 1986). Engle heeft voorgesteld om het geclusterde volatiliteitsfenomeen te incorporeren door het regressiemodel voor de gemiddelde ontwikkeling van een bepaalde reeks uit te breiden met een variantievergelijking van de storingstermen van dat regressiemodel.

Rt = a + bRm + t t ∼ N (0, σt2 )

(2.1)

σt2 = ω + β2t−1 Die volatiliteit σt2 is conditioneel en autoregressief. Vandaar de benaming voor het Autoregressieve Conditionele Heteroscedasticiteit (ARCH-)model. Bollerslev (1986) breidde

2.4 Drakos

18

dit model uit tot het Generalized ARCH model, waarbij de conditionele variantie nu ook mede afhangt van de vertraagde conditionele variantie.

2 σt2 = ω + a2t−1 + bσt−1

(2.2)

Dit GARCH(1,1) model is een robuuste en eenvoudige methode om tijdvariatie in financiële tijdsreeksen te modelleren.

2.4

Drakos

In wat volgt, zal bijzondere aandacht worden besteed aan de publicaties van Konstantinos Drakos. Er worden kort een aantal van diens relevante papers besproken, waarna uitgebreid zal worden ingegaan op “The determinants of terrorist shocks’ cross-market transmission” (Drakos, 2010b), op dewelke deze masterproef zich zal baseren.

De negatieve impact van terreur op financiële markten kwam reeds uitgebreid aan bod. Ook toonde de literatuur aan dat de impact van terreur overwaait naar derde landen (Richman, Santos en Barkoulas, 2005; Brounrn en Derwall, 2010; Amélie en Darné, 2006; Nikkinen et al., 2008). Drakos echter was de eerste die zich afvroeg hoe die diffusie nu eigenlijk precies in zijn werk ging. De aanzet daartoe wordt gegeven in diens artikel “Cross-Country stock market reactions to major terror events: The role of risk perception” (Drakos, 2009). Daarin wordt onderzocht of de perceptie van terreurrisico niet in staat zou zijn om een deel van het diffusiepatroon te verklaren. Drakos ontleent daarbij concepten uit de behavioral finance theorie en tracht een gedragsgebaseerde verklaring te bieden voor de diffusie van terreurschokken. Uit de bevindingen blijkt er effectief een verband te bestaan. Landen met een hogere risicoperceptie zouden een grotere waarschijnlijkheid hebben om sterker te reageren op de beurs. In “Terrorism activity, investor sentiment, and stock returns” (Drakos, 2010a) vervolgens, onderzoekt hij daarnaast of die abnormale rendementen al dan niet gelinkt zou kunnen zijn aan de psychosociale

2.4 Drakos

19

impact van terreur op de beleggers. Hij vertrekt daarbij van de assumptie dat het sentiment onder de beleggers een belangrijk kanaal zou kunnen zijn waarlangs terreur een invloed uitoefent op aandelenrendementen. Daarbij gebruikt hij de terreuractiviteit als een proxy-variabele voor de stemming in de markt. Terreuraanslagen kunnen dienst doen als stemmingsindicator, aangezien ze aan de drie criteria6 - vooropgesteld door Edmans, Garcia en Norli (2007) - voldoen. De schattingsresultaten bevestigen zijn initieel vermoeden en wijzen uit dat het negatieve effect van terreur aanzienlijk wordt versterkt wanneer de psychosociale impact van terreuraanslagen groter is. In “Behavioral channels in the cross-market diffusion of major terrorism shocks” bouwt Drakos (2011) hierop voort en onderzoekt hij de rol van nog een aantal andere andere gedragsfactoren. Met name wordt onderzocht of de variabelen “bezorgdheid om terrorisme” en “geschiedenis van terrorisme” enige kracht bezitten om de richting en grootte van de reacties te kunnen verklaren. De idee hierachter is dat die factoren wel degelijk enig verklarend potentieel zouden kunnen hebben, aangezien terreuraanslagen de sociale stemming ondermijnen en beleggers aanzetten tot het nemen van gedragsmatig gedreven beslissingen, wat zich kan vertalen in een verslechtering van het investeerderssentiment. Drakos’ vermoedens worden bevestigd in die zin dat een ernstiger terrorismeverleden effectief de kans op een negatievere reactie vergroot. Ook bezorgdheid om terreur blijkt de kans op negatieve effecten te vergroten, al is de invloed ervan op de grootte van de reactie vrij complex.

De rest van deze subsectie heeft tot doel de publicatie te bespreken, waarop deze scriptie zich zal baseren, namelijk “The determinants of terrorist shocks’ cross-market transmission” (Drakos, 2010b). Zoals de titel reeds doet vermoeden, heeft deze paper tot doel de determinanten van dit diffusiemechanisme te achterhalen. Inzicht in dit mechanisme zou een absolute toegevoegde waarde betekenen voor verschillende partijen. Daarbij kan gedacht worden aan financiële gezagsinstanties, overheden, portefeuillebeheerders, etcetera. Begrip van dit diffusiefenomeen zou een belegger in staat stellen om te bepalen 6

Voor een volledige bespreking van deze criteria, wordt verwezen naar het oorspronkelijke artikel van

Edmans, Garcia en Norli (2007).

2.4 Drakos

20

of diversificatie van terreurrisico al dan niet mogelijk is. Verscheidene verklaringen voor de verspreiding van schokken - “contagion7 ” -werden in de bestaande literatuur al naar voren geschoven. Drakos synthetiseert deze veelheid aan verklaringen tot drie mogelijke transmissiekanalen, respectievelijk een zogenaamd wereldintegratiekanaal, een bilateraal integratiekanaal en een liquiditeitskanaal. Bij het eerste kanaal is de schoktransmissie naar een derde land een functie van de mate van haar integratie met de wereldmarkten. Volgens het tweede kanaal wordt de verspreiding naar het derde land bepaald door haar integratie met het getroffen land, het zogenaamde “ground-zero” land. Dit kanaal legt met andere woorden de nadruk op economische banden met het land waar de aanslag plaatsvond. Het liquiditeitskanaal ten slotte stelt dat het besmettingsgevaar toeneemt in functie van de liquiditeit van de kapitaalmarkt. Hiermee tracht hij irrationele verschijnselen - beleggers die gedragsmatig gedreven beslissingen nemen - in het model te incorporeren.

Om het bestaan van deze kanalen te verifiëren, bestudeert Drakos de invloed van terreuraanslagen op 68 nationale aandelenmarkten. Hij beschouwt daartoe de aanslagen in Londen en Madrid. Voor ieder van de eerder vermelde kanalen construeert Drakos een aantal proxy-variabelen. Deze proxies zullen in het verdere verloop van deze masterproef in detail besproken worden.

Drakos’ eerste econometrische stap bestaat erin voor elke financiële markt de volgende regressie te genereren. ri,t = α0 + (

5 X j=0

+(

5 X

βwmp,j rwmp,t−j ) + (

5 X j=0

βsmb,j rsmb,t−j ) + (

5 X

βhml,j rhml,t−j )

j=0

φj ri,t−j ) + (year effects) + (month effects) + (day effects)

(2.3)

j=1

+µi + i,t 7

Het begrip “financial contagion” zal verder in deze scriptie uitgebreid worden toegelicht (cfr. sectie

2.5).

2.4 Drakos

21

Waarbij (ri,t ) symbool staat voor de return van aandelenindex (i) op tijdstip (t) en (rwmp ), (rsmb ), (rhml ) voor het wereldmarktportfolio, het small-minus-big marktportfolio en het high-minus-low value marktportfolio, respectievelijk. Op die manier test de auteur of de beschouwde terreuraanval wel degelijk een impact heeft op de financiële rendementen en zo ja, al dan niet in de verwachte richting. Het dient ook vermeld te worden dat de auteur het fenomeen van niet-synchrone handel - aangezien handel plaatsvindt in verschillende tijdszones - incorporeert, door te werken met een autoregressief lag model van orde vijf. Aangezien er gewerkt wordt met hoogfrequente financiële data, is het daarenboven noodzakelijk om te corrigeren voor geclusterde volatiliteit. Drakos gebruikt daarom een PP-GARCH(1,1) specificatie. Ten slotte wordt er ook gecorrigeerd voor trendeffecten door de variabelen (year effects), (month effects) en (day effects) in het model te incorporeren.

Vervolgens onderzoekt hij in welke mate de transmissiekanalen - voorgesteld door de proxy-variabelen - in staat zijn de abnormale rendementen (i,t in vergelijking 2.3) te verklaren.

(ˆ i,t |mgtgzc,t = 1) = γ0 + (

3 X

γm,s (xm,i,t )s + um,i,t

(2.4)

s=0

Drakos introduceert een dummyvariabele, die de waarde 1 aanneemt wanneer een aanslag heeft plaatsgevonden. (xm,i,t ) stelt de mogelijke reactiedeterminant voor, met (m) symbool voor de betreffende proxy-variabele. De residuen î,t uit vergelijking 2.3 - dit zijn de abnormale rendementen - worden geregresseerd over de verschillende transmissiekanalen. Daaropvolgend wordt voor iedere proxy variabele de meest aangewezen specificatie bepaald (lineair, kwadratisch of kubisch). Op basis van de schattingen, gaat Drakos vervolgens de verklaringskracht van deze proxies voor de abnormale rendementen na. Een gedetailleerde bespreking van de schattingsresultaten valt buiten het bestek van deze literatuurstudie. Daarvoor wordt verwezen naar het oorspronkelijke artikel van Drakos

2.5 De rol van afstand

22

(2010b). De belangrijkste bevindingen worden wel meegegeven. Empirisch wordt bevestigd dat terreurschokken transnationaal verspreid worden, en dit op een niet-uniforme wijze. Ieder transmissiekanaal blijkt - wanneer afzonderlijk beschouwd - significant te zijn in de verklaring van de schokdiffusie. Het bilateraal integratiekanaal is in staat 24 procent van de diffusie te verklaren. 12 procent wordt opgehelderd door het wereldintegratiekanaal, gevolgd door het liquiditeitskanaal, dat slechts 6 procent kan verklaren.

2.5

De rol van afstand

De bijdrage van Drakos is ongetwijfeld waardevol. Maar wat hij echter niet in rekening brengt, is de rol die afstand in dit diffusiemechanisme speelt. Dit is dan ook wat deze masterproef tot doel heeft te onderzoeken. De focus zal met andere woorden liggen op het bilaterale integratiekanaal, waar Drakos het over had. Dat handel steeds een afstandsdimensie heeft, staat vast (cfr. infra). Maar de vraag stelt zich in welke mate afstand nu ook mede in staat de “financiële besmetting” (financial contagion) van terreur naar andere landen te verklaren. We lichten eerst het begrip nader toe, waarna we bespreken hoe geografische factoren in het kader van contagion reeds in de literatuur aan bod zijn gekomen.

2.5.1

Financial contagion

Financial contagion is een relatief recent begrip, dat ontstond na het uitbreken van de muntcrisis in Thailand (1997). Die schok breidde zich uit doorheen het hele continent, wat leidde tot de bekende Aziatische crisis van 1997. Alhoewel er onenigheid bestaat omtrent de correcte omschrijving van de term, sluit deze scriptie zich aan bij de definitie voorgesteld door Forbes en Naessens (Forbes en Claessens, 2001, hfstk. 1). Zij pleiten ervoor te spreken van “shift-contagion” en omschrijven die term als “a significant increase in cross-market linkages after a shock to one country or region” 8 . Volgens deze vrij 8

Voor een uitgebreide discussie rond mogelijke definities, zie Forbes en Claessens (2001, hfstk. 3).


23

restrictieve definitie spreekt men enkel van contagion van een externe schok als er sprake is van een significante toename in de co-beweging van verschillende markten. Zoniet, spreekt men enkel van onderlinge afhankelijkheid.

2.5.1.1

Financial contagion ten gevolge van economische gebeurtenissen

Financial contagion van economische schokken - zoals bijvoorbeeld de huidige financiële crisis - wordt toegeschreven aan vele factoren. De literatuur suggereert onder meer dat besmetting kan optreden als gevolg van onderlinge handelsbetrekkingen, gelijkaardige marktcondities en financiële banden. Een andere strekking binnen deze literatuur onderzoekt daarnaast in welke mate dit fenomeen toe te schrijven is aan het gedrag van beleggers. Het leidt deze scriptie te ver om alle mogelijke oorzaken extensief te bespreken. Daarvoor wordt verwezen naar onder meer Dornbusch, Claessens en Park (2000). We bespreken wel hoe de variabele afstand in deze context reeds onderzocht werd. Interessant in dat verband, is de publicatie van Zhu en Yang (2008). Geïnspireerd door gedachtegoed uit de behavioral finance theorie, onderzoeken Zhu en Yang (2008) of er naast de reeds gevestigde verklarende variabelen voor contagion, ook ruimte is voor psychologische factoren. Ze argumenteren dat een aantal gedragsmatige patronen uit de behavioral finance theorie - zoals aangehaald door onder meer Shiller (1999) -, ook van toepassing zouden kunnen zijn in het kader van contagion. Om dit te toetsen, onderzoeken ze de verspreiding van vier belangrijke crisisschokken uit de jaren negentig. Naast een aantal klassieke oorzakelijke factoren zoals handelsbanden en financiële banden, wordt ook een samengestelde gedragsvariabele geïntroduceerd: “fysische afstand”. Die variabele bestaat uit vier dimensies, namelijk geografische afstand, culturele afstand, het ontwikkelingsniveau en buurteffecten. Van alle onderzochte verklarende factoren, blijkt deze gedragsvariabele de meest significante. Beleggers hebben de neiging om te geloven dat een land dat “lijkt” op het land waar de crisis zich voordoet, even kwetsbaar is en even waarschijnlijk is te lijden onder de gevolgen van de crisis. De auteurs tonen hiermee aan dat financial contagion deels kan worden toegeschreven aan irrationeel kuddegedrag onder de beleggers die de financiële stabiliteit beoordelen op basis van de gepercipieerde gelijkenissen met


24

het land waar de crisis begon. Ook andere studies onderzochten reeds het belang van geografische factoren in de verspreiding van crisisschokken, al wordt de link met de behavioral finance theorie er niet expliciet gelegd (Hernandez en Valdés, 2001; De Gregorio en Valdés, 2001; Frexedas en Vaya, 2005; Kelejian, Tavlas en Hondroyiannis, 2006). In die optiek, wenden we ons nu tot de verspreiding van terreurschokken.

2.5.1.2

Financial contagion van terreurschokken

Financiële verspreiding van een economische crisis verschilt van die van een terreuraanslag in die zin dat de eerste voorspelbaar is, terwijl de laatste per definitie onverwacht is. Over het concreet verband tussen afstand en de financiële impact van terrorisme is tot op heden nog maar weinig verschenen. Daarom zal in deze scriptie beroep worden gedaan op gedachtegoed uit andere onderzoeksgebieden. Nuttig in dit verband is ongetwijfeld de zogenaamde “gravity equation of trade”.

2.5.2

De graviteitsbenadering

Het graviteitsmodel is een handelsmodel dat vaak wordt gebruikt voor zowel theoretisch als empirisch onderzoek rond internationale bilaterale handel. Dit model tracht bilaterale handelsstromen te voorspellen en/of te verklaren op basis van een aantal structurele economische variabelen. Het kan daarbij gaan onder meer het inkomensniveau van de twee beschouwde landen, hun onderlinge afstand, institutionele factoren, enzovoorts. De reden waarom we beroep doen op dit model is haar groot empirisch succes in vergelijking met verschillende andere denkkaders. De graviteitsvergelijking heeft haar nut reeds bewezen bij het verklaren van tal van types stromen. Ze werd voor het eerst aangehaald door Tinbergen (1965). Ondanks haar hoge statistische verklaringskracht, werd het model pas eind jaren zeventig theoretisch gefundeerd (Anderson, 1979). Ook andere auteurs hebben de graviteitsvergelijking mede een theoretische basis gegeven. Bergstrand (1985, 1989) legde de micro-economische funderingen en associeerde de theorie aan een con-


25

text van monopolistische concurrentie. Deardorff (1995) bewijst dat het graviteitsmodel strookt met verschillende handelstheorieën, en op die manier van nut is binnen empirisch onderzoek. De empirische specificatie van de graviteitsvergelijking kan diverse vormen aannemen. In haar eenvoudigste vorm, stelt deze vergelijking dat de goederenstroom van land i naar land j kan verklaard worden door de nationale inkomens van beide landen, hun onderlinge afstand en een reeks van andere factoren, die de stroom hetzij afremmen, hetzij versterken (Bergstrand, 1985).

PX ij = β0 (Yi )β1 (Yj )β2 (Dij )β3 (Aij )β4 uij

(2.5)

PX ij staat dus voor de handelsstroom van land i naar land j, uitgedrukt in Amerikaanse dollars, Yi (Yj ) voor het nominaal BBP in land i(j), Dij voor de onderlinge afstand tussen beide landen en Aij voor andere relevante factoren. uij ten slotte betreft een lognormale storingsterm.

Disdier en Head (2008) leverden waardevolle, nieuwe inzichten door de resultaten van vorige studies over de graviteitsvergelijking te gaan combineren in een meta-analyse. Doel van dit meta-onderzoek was het afstandseffect verder te bestuderen en er de kengetallen - zoals de centrale tendens en de spreiding - van te bepalen. Daarnaast worden ook de belangrijkste oorzaken van de vastgestelde spreiding toegelicht. Disdier schuift een enigszins alternatieve voorstelling van vergelijking (2.5) naar voren.

M −θ E(xij ) = AX i Aj Dij exp(λLij )

(2.6)

De verwachte waarde van de export van land i naar land j - E(xij ) - staat hier in functie M van een aantal parameters. AX i en Aj geven de indices weer van de attributen van


26

exportland i naar importland j. Voorts wordt de afstand tussen die twee landen voorgesteld door de parameter Dij . Lij is een vector van bilaterale verbindingsvariabelen tussen deze twee landen, met coëffiënt λ. Logischerwijs gaat de interesse in deze scriptie uit naar het afstandseffect, met name voorgesteld door het θ symbool. Dit afstandseffect meet de elasticiteit van de handel ten opzichte van de variabele afstand. Het is een wijdverspreide misvatting dat de mondialisering de rol van afstand in de economie heeft tenietgedaan. Volgens deze redenering zou een daling in de handelskosten - dankzij de verregaande technologische ontwikkelingen op gebied van communicatie - leiden tot een kleiner afstandseffect. Uit een groot aantal publicaties rond de studie van het gravitatiemodel, kunnen we echter afleiden dat dit afstandseffect sinds de jaren ’70 alleen maar is toegenomen. Afstand oefent de laatste decennia dus een sterker effect uit op het bilateraal handelsvolume. Dit paradoxaal gegeven maakt dat we spreken van de “afstandspuzzel”. Op basis van 1467 schattingen van 103 papers bekomen Disdier en Head een gemiddeld effect van 0.91. Concreet betekent dit dat wanneer de afstand 10% toeneemt, de bilaterale handel gemiddeld met zo’n 9% afneemt. De vraag stelt zich nu hoe men de grote variatie in de geschatte afstandseffecten tussen de verschillende studies kan verklaren. Slechts 2% is te wijten aan steekproeffouten. De resterende variatie wordt toegeschreven aan de grote heterogeniteit in datasets en in de gehanteerde econometrische methodologie. Concluderen doen we met figuur 2.4. Deze figuur staaft het feit dat afstand nog steeds een impact heeft op handelsrelaties tussen landen.

Tot slot wordt nog een korte paragraaf gewijd aan een andere belangrijke groep van verklarende variabelen binnen de handelsliteratuur, namelijk culturele factoren. In toenemende mate wordt in de literatuur het belang van nationale grenzen gedocumenteerd. Zo werd empirisch reeds aangetoond dat - zelfs na controle voor een aantal andere gravitatievariabelen - landen onderling veel minder met elkaar handel drijven dan regio’s binnen eenzelfde land. De aanzet daartoe werd gegeven door onder meer McCallum (1995), die empirisch aantoonde dat - na correctie voor afstand - de handelsstromen tussen twee Canadese provincies zo’n 22 maal intensiever waren dan die tussen een Cana-

2.6 Besluit

27

Figuur 2.4 – Het toegenomen afstandseffect

Disdier en Head (2008)

dese provincie en een Amerikaanse staat. Daaropvolgende studies (Helliwell, 1996;1997) vonden dat binnenlandse handel de internationale handel overschreed met waarden die schommelen tussen 5 en 20. Het introduceren van taalverschillen helpt een aanzienlijk deel van de discrepantie verklaren en het resterende deel zou mede verantwoord kunnen worden door andere culturele en institutionele verschillen.

2.6

Besluit

De negatieve gevolgen van terreuraanslagen voor financiële markten zijn onmiskenbaar. Maar daar waar de impact van terreur op de vermogensmarkten reeds uitvoerig werd gedocumenteerd, kwamen verklaringen voor die impact - en de verspreiding ervan -, nog maar minder aan bod binnen de bestaande literatuur. Er is met andere woorden nog onvoldoende geweten over de determinanten die het meeste invloed hebben op de nieuwsverwerking van terreuraanslagen. Ook Drakos (2010b) kwam tot die vaststelling, en was de eerste die de onderliggende diffusiemechanismen onderzocht. Voorts is Drakos (2009;2011) tot op heden één van de weinige auteurs die hypothiseerde dat beursreacties op terreuraanslagen mede zouden kunnen verklaard worden aan de hand van gedragsfac-

2.6 Besluit

28

toren en die hypothese ook effectief onderzocht. De idee hierachter is dat die factoren wel degelijk enig verklarend potentieel zouden kunnen hebben, aangezien terreuraanslagen de sociale stemming ondermijnen en beleggers aanzetten tot het nemen van gedragsmatig gedreven beslissingen, wat zich kan vertalen in een verslechtering van het investeerderssentiment. Op de bijdrage van Drakos na, blijft de rol van gedragsdeterminanten tot op heden relatief onbekend terrein binnen de terreurliteratuur.

ECONOMETRISCHE METHODOLOGIE EN HYPOTHESEN

29

Hoofdstuk 3

Econometrische methodologie en hypothesen 3.1

Doelstelling en hypothesen

De nieuwsverwerking van financiële markten na terroristische aanslagen is een erg complexe materie, waarbij een veelheid aan factoren meespelen. Opzet van deze scriptie is niet een exhaustief onderzoek te voeren naar al deze oorzakelijke factoren, maar wel de gedragsvariabele afstand in dieper detail te bestuderen. De idee hierachter is dat beleggers de neiging zouden kunnen hebben om te geloven dat een land dat dichter ligt bij het land waar de aanslag plaatsvond, kwetsbaarder is voor een potentieel toekomstige aanslag. Geografische afstand is daarom een variabele die gebruikt kan worden om een inschatting te maken van de perceptie van de belegger omtrent het toekomstig risico op een aanslag in eigen land.

In deze scriptie zullen vier onderzoeksvragen worden behandeld. • Onderzoeksvraag 1: Hebben de terreuraanslagen onder beschouwing (Madrid en Londen) een significant effect gehad op globale aandelenmarkten?

3.1 Doelstelling en hypothesen

30

Voortgaande op de bevindingen van Chesney, Reshetar en Karaman (2011), wordt verwacht van wel. Zij vonden namelijk het volgende: “The bombings in Madrid 2004 as well as in the UK 2005 are good examples of events that have a negative impact on stock markets at both global and local levels”. • Onderzoeksvraag 2: Hebben deze terreuraanslagen een significant effect gehad op de event day zelf, op de langere event windows, of op beide? Welke kapitaalmarkten reageerden negatiever (of positiever) dan andere, en waarom? En zijn er verschillen vast te stellen in de reactie op beide aanslagen? • Onderzoeksvraag 3: Speelde afstand een significante rol bij de diffusie van deze terreurschokken doorheen financiële markten? • Onderzoeksvraag 4: Kunnen de onderzoeksresultaten zoals vooropgesteld door Drakos (2010b) door de onderzoeksmethodologie in deze scriptie worden bevestigd? Niettegenstaande het feit dat al deze werkhypothesen aan bod zullen komen, vormt het empirisch nagaan van de rol van afstand bij de diffusie van terreurschokken de kern van dit onderzoeksopzet. Het onderzoek gebeurt met behulp van EViews 7.

Onderzoeksvraag 4 impliceert dat we vaak gelijklopend te werk zullen gaan als Drakos (2010b). In lijn met Drakos, worden de aanvallen in Madrid en Londen bestudeerd, die plaatsvonden op 11 maart 2004 en 7 juli 2005, respectievelijk. Er werd voor deze gebeurtenissen gekozen, omdat ze wereldwijde vertakkingen hebben gehad en hun invloed cross-nationaal gevoeld werd. Het empirisch onderzoek wordt uitgevoerd op 66 verschillende tijdsreeksen. Het gaat - op twee landen na1 - om precies dezelfde financiële markten als bij Drakos, gedurende de periode van 1 januari 2002 tot 31 december 2005. Voor een gedetailleerd overzicht van de beschouwde aandelenindices, kan de lezer zich wenden tot bijlage A op pagina 73. 1

Volgende indices werden weggelaten wegens te weinig observaties: Cyprus General / Cyprus en de

Slovene Stock Exchange Index (SBI 20) / Slovenië.

3.2 Event study

3.2

31

Event study

Terreuraanslagen zijn per definitie onverwachte en exogene schokken en zijn daarom erg geschikt voor gebruik in de event study methodologie. MacKinlay (1997) bespreekt stapsgewijs het algemene verloop van dergelijke event study. De techniek van een event study bestaat erin het abnormale rendement te berekenen in een interval rond de event day, wat dus in dit geval de dag van de aanslag is. In wat volgt, geven wij een overzicht van de te volgen stappen en passen deze onmiddellijk toe op de event study.

3.2.1

Events en Event window

Alles begint bij de definitie van de gebeurtenissen die men wil analyseren. Idealiter vormen deze een homogene groep. In dit onderzoek betreft het de aanslagen in Madrid en Londen. Studie van deze twee aanslagen is in het bijzonder interessant, omwille van het feit dat ze een aantal belangrijke karakteristieken delen. Beide aanslagen waren namelijk niet alleen het werk van islamitische extremisten, ze waren tevens alletwee gericht op het plaatselijke transportsysteem. Ook het event window dient gedefinieerd te worden. Dit is de periode rond de gebeurtenis die men wenst te bestuderen. Ons voornaamste event window is de dag van de aanslag zelf (t=0). Daarnaast zullen ook twee langere event windows bestudeerd worden om te zien hoe snel de markt de onverwachte schok verwerkt (t=+5 en t=+10).

3.2.2

Bepaling abnormale rendementen

De impact van de terreuraanslagen op de aandelenprijzen kan enkel gemeten worden als de afwijking van het ex post gerealiseerde rendement op het verwachte of het normale rendement.

ARi,t = Ri,t − E(Ri,t |Xt )

(3.1)

3.2 Event study

32

Met ARi,t , Ri,t en E(Ri,t |Xt ) symbool voor respectievelijk het abnormale rendement, het gerealiseerde rendement en het normale rendement op tijdstip t. Xt staat voor de conditionerende informatie van het normale rendement. Het normale rendement is het rendement dat kan verwacht worden als er geen gebeurtenis had plaatsgevonden. Het abnormale rendement geeft dat gedeelte van het rendement weer dat niet voorspeld werd als het verwachte rendement en is derhalve een schatting van de verandering in koerswaarde, die veroorzaakt werd door de gebeurtenis (aanslag). Blijft nog de vraag hoe dat normale rendement E(Ri,t |Xt ) nu kan berekend worden. Dat kan op verschillende manieren. MacKinlay (1997) bespreekt twee oplossingscategorieën, namelijk statistische modellen enerzijds en economische modellen anderzijds. Tot de eerste categorie behoren onder meer het constant mean return model en het market model. Het marktmodel wordt beschouwd als een speciaal geval van een factormodel. Naast de klasse van statistische modellen, kan men ook economische modellen toepassen, met het CAPM en het APT als primaire voorbeelden.

In dit onderzoek zal het verwachte rendement bepaald worden aan de hand van een regressiemodel. Als basis werd voor het Fama-French multifactor model (Fama en French (1993)) gekozen. Dit model incorporeert naast een brede marktindex, ook twee additionele risicofactoren, namelijk de SMB factor en de HML factor. Het regressiemodel is als volgt opgebouwd:

ri,t = α0 + (

5 X k=0

+(

5 X

βwmp,k rwmp,t−k ) + (

5 X k=0

βsmb,k rsmb,t−k ) + (

5 X

βhml,k rhml,t−k )

k=0

φk ri,t−k ) + (year effects) + (month effects) + (day effects) + i,t

(3.2)

k=1

De terminologie van deze vergelijking is de volgende: (ri,t ) staat symbool voor het rendement van aandelenindex (i) op tijdstip (t) en (rwmp ), (rsmb ), (rhml ) voor dat van het wereldmarktportfolio, het small-minus-big marktportfolio en het high-minus-low value

3.2 Event study

33

marktportfolio, respectievelijk. Er wordt gewerkt met een autoregressief lag model van orde vijf2 . Daarenboven wordt er ook gecorrigeerd voor trendeffecten door de variabelen (year effects), (month effects) en (day effects) in het model te incorporeren. Een trendeffect houdt in dat de koersen tijdens bepaalde maanden, weken of uren sterker stijgen of dalen dan gemiddeld.

Beschouwen we nu figuur 3.1. De schattingsperiode voor het bepalen van alle relevante modelcoëfficiënten gaat over een periode van 200 dagen. Deze tijdspanne van ongeveer 200 dagen is in de praktijk de meest courante. Op basis van t=-231 tot t=-30 handelsdagen voor de aanval - het estimation window -, wordt het verwachte rendement voorspeld op t=0, de dag van de aanval. Dit gebeurt voor beide aanvallen. Figuur 3.1 – Estimation Window

De storingsterm van dit model - i,t in vergelijking (3.2) - op de event day stelt dan het abnormale rendement voor. Indien zou worden uitgegaan van constante variantie van de data, zou een OLS schatting geschikt zijn. Echter, zoals reeds eerder vermeld is constante variantie geen realistische assumptie, althans niet voor dagelijkse rendementen. Vandaar dat er een GARCH(1,1) model zal geschat worden. Het GARCH model is immers in staat de twee belangrijkste kenmerken van financiële rendementenreeksen te incorpore2

De keuze van het aantal lags is gebaseerd op Akaike (1970) en Schwarz (1978).

3.2 Event study

34

ren, namelijk geclusterde volatiliteit en de leptokurtische onconditionele distributie (cfr. paragraaf 2.3.2).

3.2.3

Significantietesten

De finale stap bestaat erin de gegenereerde abnormale rendementen te testen op significantie. Geweten is dat de distributie van de abnormale rendementen er - voor een voldoende grote schattingsperiode - als volgt uitziet (MacKinlay (1997)):

ARi,t ∼ N (0, σ2 ))

(3.3)

Op basis van de nuldistributie van de abnormale rendementen, kunnen we testen of de nulhypothese van “geen significante impact” kan verworpen worden. Dit doet men met behulp van de teststatistiek (MacKinlay, 1997):

θ=

ARi,t ∼ N (0, 1) var(ARi,t )(0,5)

(3.4)

Voor de langere event windows worden ook de cumulatieve abnormale rendementen berekend. Voor hun berekening geldt een analoge redenering.

CARi,t,τ =

t+τ X

ARij

(3.5)

j=t

met steekproefverdeling:

CARi,t,τ ∼ N (0, var(CARi,t,τ )) waarbij:

(3.6)


35

var(CARi,t,τ ) ≈ σ2 (1 + τ )

(3.7)

De teststatistiek wordt dan:

θ=

CARi,t,τ ∼ N (0, 1) var(CARi,t,τ )(0,5)

(3.8)

Aangezien de gehanteerde schattingsperiode voldoende groot is, hebben we een grote hoeveelheid vrijheidsgraden. De kritische waarden op respectievelijk 1%, 5% en 10% significantieniveau zijn met andere woorden 1,64, 1,96 en 2,58.

3.3 3.3.1

De rol van afstand Verklaring bilaterale handel: De graviteitsbenadering

Drakos (2010b) concludeert onder meer in zijn artikel dat bilaterale handelsbanden een belangrijk kanaal vormen waarlangs het effect van terreur gediffuseerd wordt. Maar waar Drakos (2010b) het heeft over handel, kan ook afstand een rol spelen. Handel en afstand zijn immers inherent aan elkaar verbonden, getuige de afstandspuzzel. Daarom bestaat de eerste stap erin om - alvorens het effect van afstand op de aandelenmarktreacties te analyseren - bilaterale handel te decomposeren in afstand en bbp. Er zal met andere woorden een vereenvoudigde versie van de graviteitsvergelijking worden geschat. Gegeven de multiplicatieve functionele vorm van die graviteitsvergelijking (cfr. supra3 ), dient een logtransformatie te worden uitgevoerd om het model te lineariseren.

Bitradei,j = Distanceβi,j1 + GDPiβ2 3

Literatuurstudie: subsectie 2.5.2 op pagina 24.

(3.9)


log(Bitradei,j ) = β0 + β1 log(Distancei,j ) + β2 log(GDPi ) + µi,j

36

(3.10)

Op die manier wordt getracht de handelsstroom (bitradei,j ) tussen alle 66 landen onder beschouwing (i) en het getroffen land (j) te verklaren aan de hand van de onderlinge afstand tussen de twee landen (distancei,j ) en het bruto binnenlands product van het partnerland (GDPi ). Zowel bitradei,j als GDPi staan uitgedrukt in miljoenen Amerikaanse Dollars. Distancei,j wordt gemeten in kilometer. Het is van belang te vermelden dat dergelijke logtransformatie alleen van toepassing kan zijn wanneer alle waarnemingen in de dataset positief zijn. Dit is voor de bitradei,j data evenwel niet het geval, aangezien de bilaterale handel met eigen land nul bedraagt. Gujarati (1995) merkt op dat dit kan worden gewaarborgd met behulp van een transformatie zoals log (X + k), waarbij k een positieve scalair voorstelt, gekozen met de bedoeling positieve waarden te garanderen. k wordt hier gelijk gesteld aan 1. Voorts dient nog melding gemaakt te worden van het feit dat er voor de variabele bitrade telkens gewerkt wordt met data van het jaar voor de aanslag, dit om endogeniteitsproblemen te vermijden. Dus voor Spanje worden de bilaterale handelsgegevens van het jaar 2003 gehanteerd, voor het Verenigd Koninkrijk die van 2004. Tot slot benadrukken we dat het hier gaat om een vereenvoudigde versie van de graviteitsvergelijking. Andere vaak voorkomende verklarende variabelen in de handelsliteratuur, zoals bijvoorbeeld culturele factoren, worden niet in dit model opgenomen.

Voortbouwende op wat geweten is uit vorig onderzoek (cfr. subsectie 2.5.2), kunnen volgende hypothesen4 geformuleerd worden: 1. Vermoed wordt dat de bilaterale handel zal afnemen, naarmate de onderlinge afstand tussen beide naties toeneemt. • H0 : β1 ≥ 0 4

De meest zinvolle hypothesetest bekomt men door de a priori verwachting in de alternatieve hypo-

these te zetten.


37

• H1 : β1 < 0 2. Het ligt in de lijn van de verwachting dat de handel zal toenemen, naarmate het bruto binnenlands product stijgt. • H0 : β2 ≤ 0 • H1 : β2 > 0

3.3.2

Verklaring aandelenmarktreacties

Dit brengt ons bij de uiteindelijke onderzoeksvraag van deze scriptie: de vraag wat nu precies de rol is van afstand, in de verklaring van de aandelenmarktreacties op terreur. Daartoe zullen we trachten het abnormale rendement î,j op de event day van aandelenindex (i) - als reactie op de aanslag in land (j) - te verklaren, aan de hand van de verklarende variabelen log(Distancei,j ) en µ î,j . De storingsterm î,j 5 halen we uit vergelijking (3.2) op pagina 32, waarbij t wordt gelijkgesteld aan 0. De variabele µ î,j geeft de residuen weer uit vergelijking (3.10) op pagina 36. Met andere woorden, µ î,j stelt dat deel van de bilaterale handel voor, dat niet kan verklaard worden door afstand, noch door het bbp.

î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j

(3.11)

Onderstaande hypothesen worden naar voren geschoven. 1. De aanname is dat kapitaalmarkten die verder van het getroffen land verwijderd liggen, minder effect zullen voelen van de aanslag. Naarmate afstand stijgt, verwacht men met andere woorden een minder negatief abnormaal rendement. 5

In het verdere verloop van deze scriptie zal het abnormale rendement door deze specificatie wor-

den voorgesteld. Dit om aan te duiden dat er geen tijdsdimensie in de data zit (we verklaren enkel het abnormale rendement op t=0) en om het onderscheid tussen beide aanvallen duidelijk te maken (j=Madrid/Londen).

3.4 De diffusiekanalen

38

• H0 : γ1 ≤ 0 • H1 : γ1 > 0 2. We presumeren dat landen met intensere handelsbetrekkingen met het ground-zero country, een sterker negatief effect zullen waarnemen op hun aandelenindices. • H0 : γ2 ≥ 0 • H1 : γ2 < 0

3.4

De diffusiekanalen

In deze sectie wordt teruggekeerd naar de analyse van Drakos (2010b). De proxy-variabelen voor de drie transmissiekanalen zullen worden geconstrueerd, waarna ieder kanaal achtereenvolgens zal worden geverifieerd. Het betreft het wereldintegratiekanaal, het bilateraal integratiekanaal en het liquiditeitskanaal, respectievelijk.

3.4.1

Constructie van de proxy-variabelen

De IFS Database voorziet in de dataset voor de constructie van de proxies voor de handelsintegratie van een land met de wereldmarkt. De waarde (in Amerikaanse Dollars) van de in- en uitvoer van ieder land met al diens handelspartners is er namelijk terug te vinden. Die gegevens zullen worden gebruikt bij de constructie van de eerste proxyvariabele, trade. De trade variabele stelt de ratio voor van de import (Mi,y ) en de export (Xi,y ) van ieder land op de totale internationale handel. (i) staat daarbij voor land, (y) voor jaar6 . De beschouwde tijdsperiode betreft 2004-2005. Vermeld dient te worden dat telkens het symbool

P

world

verschijnt, men hiermee de som van de 66 beschouwde landen

bedoelt. Drakos ziet deze som als voldoende dichte benadering voor de hele wereld. 6

Hetzelfde geldt ook voor alle hierna beschouwde proxy-variabelen.


39

(M + X)i,y trade i,y = [ P ].100 ( world (M + X)i,y

(3.12)

Vervolgens komen de financiële banden met de wereldmarkt aan bod. De CPIS Database verschaft gegevens omtrent de inkomende (in) en uitgaande investeringen (out), en dit zowel voor wat betreft gewone aandelen (eq) als voor obligaties(de).

[(eqin + eqout) + (dein + deout)]i,y ].100 fina i,y = [ P ( world [(eqin + eqout) + (dein + deout)]i,y

(3.13)

Twee variabelen zullen fungeren als maatstaf voor het bilateraal integratiekanaal. De eerste meet de intensiteit van de bilaterale handelsbanden. Daartoe wordt beroep gedaan op de COMTRADE Database. Een aanzienlijke beperking van deze dataset echter, is dat ze enkel betrekking heeft op basisgoederen (commodities), en dus geen diensten omvat. De teller (bitradegzc )i,y geeft de bilaterale handelsbanden weer van het getroffen land met ieder partnerland onder beschouwing, als een percentage van haar totale bilaterale handelsbanden met alle 66 landen. Ook de noemer betreft een percentage. De resulterende variabele trade gzci,y is bijgevolg ook procentueel uitgedrukt. trade gzci,y = [ P

(bitradegzc )i,y ].100 world [(tradei,y ) + (tradegzc,y )]

(3.14)

De volgende variabele meet de bilaterale financiële integratie. De teller (bif inagzc )i,y geeft in dit geval de financiële banden weer van het getroffen land met ieder partnerland onder beschouwing, als een percentage van haar totale bilaterale financiële banden met alle 66 landen.


40

(bif inagzc )i,y fina gzci,y = [ P ].100 ( world [(f inai,y ) + (f inagzc,y )]

(3.15)

Tot slot worden de proxies voor het liquiditeitskanaal geconstrueerd, gebruik makende van data van de World Bank’s World Development Indicators. De interpretatie is volledig gelijklopend met die van Drakos. De eerste maatstaf berekent de verhouding tussen de aandelenkapitalisatie van ieder land en het bruto binnenlands product van dat land.

smc i,y = (

M Ci,y ).100 GDPi,y

(3.16)

De laatste variabele ten slotte berekent de waarde van de verhandelde aandelen, als een percentage van het bbp.

vst i,y = (

3.4.2

V Ti,y ).100 GDPi,y

(3.17)

Effect van de drie transmissiekanalen

De finale stap bestaat erin de drie transmissiekanalen - voorgesteld door de proxies - te verifiëren. Dit met de bedoeling om na te gaan of die proxies nu effectief significante informatie bevatten om de abnormale rendementen te kunnen verklaren. Opnieuw wordt hier gewerkt met de residuen uit vergelijking (3.2), die worden geregresseerd over de verschillende transmissiekanalen. Op drie belangrijke punten wordt afgeweken van de methodologie van Drakos. Ten eerste, beperkt deze scriptie zich tot de lineaire specificatie. Ten tweede zal ook de variabele afstand in de analyse worden geïncorporeerd.


41

Tot slot, zullen niet alleen de transmissiekanalen voor beide aanvallen samen worden onderzocht (via Pooled OLS), maar wordt ook nagegaan of er zich discrepanties voordoen tussen het belang van die kanalen bij elke aanval afzonderlijk.

î,j = λ0 + λm (xm,i,j ) + νi,j

(3.18)

In deze vergelijking staat î,j opnieuw voor het abnormale rendement van aandelenindex van land (i), als reactie op de aanslag in land (j). Voorts stelt (xm,i,j ) de mogelijke reactiedeterminant voor, met (m) symbool voor de betreffende proxy-variabele.

Voor iedere proxy onderzoeken we volgende nulhypothese:

H0 : λm = 0, ∀m

(3.19)

Terugkomende op de resultaten van Drakos, verwachten we significantiekracht van alle drie de kanalen afzonderlijk. Volgens Drakos’ methode, was het bilateraal integratiekanaal in staat 24 procent van de diffusie te verklaren, gevolgd door het wereldintegratiekanaal met 12 procent en het liquiditeitskanaal, dat slechts 6 procent wist te verklaren. Er zal worden nagegaan of die resultaten robuust zijn voor onze onderzoeksmethode.

DATA

42

Hoofdstuk 4

Data 4.1

Rendementen

Voor de slotkoersen van de aandelenindices wordt beroep gedaan op Datastream. Deze indices werden gekozen vanwege hun beschikbaarheid, bruikbaarheid en brede toegankelijkheid onder de marktparticipanten. Voor een gedetailleerd overzicht van welke aandelenindices precies in de analyse werden betrokken, zie bijlage A op pagina 73. Begin -en eindpunt van de periode onder studie betreft 1 januari 2002 tot en met 31 december 2005.

Gegeven dat (Ii,t ) staat voor de indexprijs van markt (i) op dag (t), kunnen de dagelijkse rendementen op basis van de slotkoersen als volgt berekend worden:

ri,t =

Ii,t − Ii,t−1 · 100 Ii,t−1

(4.1)

Als systematische risicofactoren wordt gewerkt met drie referentieportfolio’s, die worden benaderd met behulp van de World Morgan Stanley Capital International indices, ook terug te vinden op Datastream. (rwmp ) staat voor de return van de marktportfolio van de hele wereld, (rsmb ) wordt bekomen door de return van een portfolio met een grote

4.2 Proxy-variabelen

43

kapitalisatie en die met een kleine kapitalisatie van elkaar af te trekken en (rhml ) ten slotte, is het verschil tussen een portfolio met een hoge book-to-market waarde en een portfolio met een lage dergelijke waarde.

4.2

Proxy-variabelen

Voor de volledigheid, hieronder een samenvattend overzicht van waar de data voor de constructie van de proxies precies verworven werden: Tabel 4.1 – Bronnen data

Proxy

Bron

Wereldintegratiekanaal (trade)

IFS

(f ina)

CPIS (IMF)

Bilateraal integratiekanaal (tradegzc )

COMTRADE

(f inagzc )

CPIS (IMF)

Liquiditeitskanaal

4.3

(smc)

The World Bank

(vst)

The World Bank

Bilaterale handel

De bilaterale handelsgegevens werden verworven via de United Nation’s Commodity Trade Statistics Database (COMTRADE). Zoals eerder vermeld, vormt het feit dat deze dataset enkel betrekking heeft op goederen - en dus niet op diensten - een beduidende limitatie.

4.4 Afstanden

4.4

44

Afstanden

Het CEPII voorziet in de betreffende dataset.

4.5

Bruto binnenlands product

Het Bruto binnenlands product van het partnerland fungeert als een van verklarende variabelen in het graviteitsmodel en wordt uitgedrukt in miljoenen U.S. dollars. De dataset is afkomstig van de World Bank’s database.

EMPIRISCHE EVALUATIE

45

Hoofdstuk 5

Empirische evaluatie 5.1

Resultaten event study

Tabel B.1 en tabel B.2 in de appendix geven de (cumulatieve) abnormale rendementen, alsook de significantieresultaten weer voor alle 66 kapitaalmarkten onder beschouwing. In wat volgt, bespreken we de belangrijkste bevindingen.

5.1.1

Madrid

Van de 66 markten onder beschouwing, vertoonden er 50 negatieve event-day abnormal returns, maar slechts 14 daarvan blijken statistisch significant. Daar waar event-day abnormale rendementen wel interessant zijn omdat ze de onmiddellijke reactie van de investeerders weergeven, bieden de cumulatieve abnormale rendementen een sterkere aanduiding van het vermogen van een financiële markt om zich na een aanslag te herstellen. In de praktijk worden daarom vaak de cumulatieve abnormale rendementen gebruikt, om de impact van een gebeurtenis over een langere tijdsperiode weer te geven. In figuur 5.1 worden de 6-daagse cumulatieve abnormale rendementen van ’s werelds grootste kapitaalmarkten grafisch gerapporteerd1 . Ook België wordt mee opgenomen, 1

In appendix B worden ook de event-day AR en 11-day CAR grafisch weergegeven.

5.1 Resultaten event study

46

bij wijze van illustratie.

Figuur 5.1 – 6-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid

* p < 0,10, ** p < 0,05, *** p < 0,01

In grote lijnen kan gesteld worden dat de indices die een negatief event-day abnormaal rendement vertoonden, ook significant negatief beïnvloed zijn geweest over de langere event windows. Voorts zien we dat de negatieve reactie voor bepaalde landen significanter wordt over de langere event windows heen. Een plausibele verklaring voor die vaststelling zou kunnen liggen in het feit dat er kort na de aanslag verwarring heerste over wie verantwoordelijk was voor de aanslag. Aanvankelijk hielden de Spaanse autoriteiten de terreurorganisatie ETA aansprakelijk. In de daaropvolgende dagen werd Al Qaida genoemd als mogelijke verantwoordelijke, maar de Spaanse overheid bleef de ETA nog steeds als belangrijkste verdachte beschouwen. Die onzekerheid heeft zich mogelijks vertaald naar de beurzen2 . Op langere termijn kan de vaststelling gedaan worden dat kleinere kapitaalmarkten sterker gereageerd hebben in vergelijking met de grotere 2

Inmiddels wordt algemeen aangenomen dat de aanslag het werk was van een islamitische groepering,

verbonden aan Al Qaida.


47

zoals bijvoorbeeld de NYSE Composite en de FTSE All Share. Zo vertoonden onder meer Belgïe (-9,48%), Nederland (-9,08%), Finland (-9,30%), en Noorwegen (-9,53%) een sterk negatieve 11-day CAR. Dit zou kunnen gemotiveerd worden door het feit dat de index van dergelijke kleinere kapitaalmarkten doorgaans uit minder bedrijven bestaat en dus minder breed is. Een kleinere index vormt over het algemeen een minder goede weergave van de marktportefeuille, wat aan de basis zou kunnen liggen voor het feit dat dergelijke markten minder efficiënt zijn in het verwerken van het nieuws. Wanneer we kijken naar de reactie van het getroffen land zelf - de General Madrid index -, dan zien we een negatief abnormaal rendement op de dag van de aanslag, zij het dat deze insignificant is. Dit negatief effect wordt evenwel statistisch significant wanneer het 6 -en 11 daagse cumulatieve abnormale rendement wordt berekend3 . Voorts stellen we vast dat de kapitaalmarkten met de grootste negatieve cumulatieve abnormale rendementen hoofdzakelijk gebaseerd zijn in Europa. Dit is geen geheel onverwacht resultaat aangezien de aanslag in West-Europa plaatsvond. Ook een aantal landen in het Aziatische werelddeel (Hong Kong, India, Jordanïe en Taiwan) werden zwaar getroffen.

5.1.2

Londen

Wat betreft de Britse aanslag krijgen we een enigszins verschillend beeld. Op basis van de event-day abnormal returns, ervaarden meer landen deze aanslag als een significant negatieve gebeurtenis. Toch zien we dat - hoewel het absolute aantal landen dat onmiddellijk negatief reageerden groter was bij de Britse aanslag dan bij de Spaanse - de grootste kapitaalmarkten op langere termijn beduidend minder sterk gereageerd hebben bij deze aanslag. Zo heeft bijvoorbeeld de Amerikaanse beurs (NYSE) niet significant negatief gereageerd. Ook onder meer de Hang Seng in Hong Kong, de DAX, alsook de Zwitserse SMI reageerden op langere termijn minder negatief dan na de aanslag in Madrid. Als opmerking terzijde geven we nog mee dat landen als Singapore en Australïe wel significant negatief reageerden op deze aanslag, terwijl ze dat niet deden op de Spaanse 3

Eenzelfde resultaat wordt gevonden door Kollias, Papadamou en Stagiannis (2011), die de impact

van deze aanslag op de Spaanse indices onderzochten.


48

aanslag. Het feit dat het hier gaat om voormalige Engelse kolonies, zou een mogelijke verklaring voor deze vaststelling kunnen zijn.

Figuur 5.2 – 6-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen

* p < 0,10, ** p < 0,05, *** p < 0,01

5.1.3

Synthese

In grote lijnen kan gesteld worden dat de grootste kapitaalmarkten iets sneller gerecupereerd zijn van de Britse aanslag dan van de Spaanse. Niettegenstaande het feit dat we nog een aantal significant negatieve 11-CAR reacties zien, zijn deze minder groot in omvang dan die na de Spaanse aanslag (figuren B.2 en B.4 in de appendix). Een plausibele verklaring voor de wat sterkere reactie op de aanslag in Madrid - over de langere event windows heen - zou kunnen liggen in het feit dat de aanslag in Madrid grootschaliger was dan die in Londen. De Spaanse aanslag eiste 191 doden en 1876 mensen raakten gewond, terwijl er in Londen beduidend minder doden en gewonden vielen (54 en 700 respectievelijk). Bovendien ging het in Londen om een zelfmoordaanslag, waardoor men


49

ervan uit ging dat het gevaar achteraf geweken was. Dit was niet het geval in Madrid, waar er daarnaast ook nog eens verwarring was over wie de daders zouden kunnen geweest zijn. Deze mogelijke verklaringen zijn evenwel van tentatieve aard.

Om de grote verschillen in de reacties van de diverse globale kapitaalmarkten op beide aanslagen te verklaren, kunnen tentatieve verklaringen zoals verschillen in grootte, structuur en liquiditeit van de markten onder beschouwing naar voren worden geschoven. Maar de vaststelling dat quasi alle Europese landen onder beschouwing beide aanslagen als een significant negatieve gebeurtenis ervaarden, onderstreept het belang van de variabele afstand verder te onderzoeken. Landen die geografisch dichter bij het getroffen land liggen, blijken immers over het algemeen negatiever te hebben gereageerd. In de volgende sectie zal dan ook onderzocht worden of er al dan niet een causaal verband bestaat.

5.2 5.2.1

De rol van afstand Verklaring van de bilaterale handel: De graviteitsbenadering

In onderstaand log-log model meet de regressiecoëfficiënt β de relatieve verandering van de bilaterale handel voor een gegeven relatieve verandering in de verklarende variabele afstand. 100.β1 en 100.β2 zijn met andere woorden elasticiteiten. We zullen nu overgaan tot de interpretatie van de geschatte parameters, waarna we onze a priori hypotheses zullen testen.

log(Bitradei,j ) = β0 + β1 log(Distancei,j ) + β2 log(GDPi ) + µi,j

(5.1)

Tabel 5.1 geeft de regressieresultaten weer voor beide aanslagen. Wanneer we de verklarende variabelen afstand en bbp in nader detail bestuderen, kunnen volgende vaststel-


50

lingen gedaan worden.

Tabel 5.1 – OLS regressieresultaten:

log(Bitradei,j ) = β0 + β1 log(Distancei,j ) +

β2 log(GDPi ) + µi,j

Ground-zero country

Intercept (β0 )

log(Distance) (β1 )

log(GDP) (β2 )

R2

Spanje

-0,137 (-0,065)

-0,194 (-0,997)

0,746*** (6,949)

0,449

Verenigd Koninkrijk

2,348** (2,112)

-0,426*** (-4,716)

0,760*** (12,055)

0,749

a

* p < 0,10, ** p < 0,05, *** p < 0,01

Spanje: • De βˆ1 blijkt niet significant verschillend van nul. Met betrekking tot de bilaterale handel met Spanje, is het belang van afstand - volgens dit model - beperkt en wordt die handel bijgevolg meer bepaald door niet-afstandsgerelateerde factoren. • De variabele GDP heeft wel significant verklarende kracht op 1% significantieniveau. De interpretatie gebeurt als volgt: Indien het bruto binnenlands product met 1% stijgt, dan neemt de bilaterale handel gemiddeld ceteris paribus met 0,75% toe. Verenigd Koninkrijk: • Afstand heeft op de Britse handel een significant negatieve invloed. De bilaterale handel daalde gemiddeld ceteris paribus met 0,43%, bij toenemende afstand tussen het Verenigd Koninkrijk en het partnerland met 1%. • Ook de GDP variabele blijkt een significant positieve invloed te hebben. Deze bevinding strookt volledig met wat geweten is uit de literatuur, alsook met onze economische intuïtie. Een eerste conclusie die kan getrokken worden is dat volgens dit vereenvoudigd graviteitsmodel afstand van doorslaggevender belang is bij de Britse bilaterale handel, dan


51

bij de Spaanse. Uit de handelsliteratuur is nochtans geweten dat geografische afstand wel degelijk steeds een negatieve invloed uitoefent op het bilateraal handelsvolume (cfr. subsectie 2.5.2). Een mogelijke verklaring voor het feit dat deze scriptie bij Spanje geen afstandseffect vindt, ligt in de ‘omitted-variable bias’. Ommitted-variable bias treedt op wanneer een model geconstrueerd wordt dat ten onrechte één of meer belangrijke oorzakelijke factoren uit het model laat. De bias wordt gemaakt wanneer het model compenseert voor de ontbrekende factor door het over -of onderschatten van een van de andere factoren. Dit is in het kader van deze analyse een plausibele verklaring, aangezien er gewerkt wordt met een sterk vereenvoudigde versie van de graviteitsvergelijking. Institutionele en culturele factoren werden achterwege gelaten.

5.2.2

Verklaring van de aandelenmarktreacties

Dit brengt ons bij onze eigenlijke onderzoeksvraag, namelijk het belang van afstand in de abnormale rendementen ten gevolge van terreur. Tabel 5.2 geeft de schattingsresultaten weer van onderstaande empirische specificatie: (5.2)

î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j Tabel 5.2 – OLS regressieresultaten: î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j

Aanslag

Intercept (γ0 )

log(Distance) (γ1 )

µ î,t (γ2 )

R2

Madrid

-2,112* (-1,86)

0,195 (1,424)

-0,063 (-0,670)

0,039

Londen

-2,903*** (-3,103)

0,280** (2,413)

-0,176 (-1,070)

0,101

a

* p < 0,10, ** p < 0,05, *** p < 0,01

Spanje: Voor Spanje doen we twee vaststellingen: • Bij de aanslag in Madrid had afstand vrij weinig invloed op de abnormale rendementen.

De verklaring van die abnormale rendementen ligt eerder in niet-

afstandsgerelateerde factoren.


52

• Controlerend voor afstand blijkt handel4 volgens dit model geen signifcant negatieve invloed te hebben. • De erg lage R2 van deze schatting is een logisch gevolg van het feit dat geen van de opgenomen oorzakelijke variabelen verklarende kracht bezitten. De opgenomen data zijn met andere woorden nauwelijks in staat het model te verklaren. De reden daarvoor ligt vermoedelijk in het feit dat belangrijke oorzakelijke factoren in dit model werden achterwege gelaten. De reactie van financiële markten op terreur is een erg complexe materie, die niet in enkele variabelen te bevatten is. Talloze andere elementen spelen mee. Institutionele en psychologische factoren zijn minstens even belangrijk als economische. Verenigd Koninkrijk: Wat betreft de Britse aanslag lijkt de situatie enigszins verschillend - althans wat betreft de rol van afstand -, aangezien de γˆ1 in dit geval wel significant is. In dit geval: • Naarmate de onderlinge afstand toeneemt, zien we dat het abnormale rendement ook significant stijgt, wat dus wil zeggen dat kapitaalmarkten die verder van Spanje verwijderd lagen, minder effect voelden van de aanval. Of anders gezegd, beleggers in landen die zich dichter bij Londen bevonden, maakten zich meer zorgen. • Het effect van handel is ook bij de Britse aanval volgens dit model niet significant verschillend van nul.

5.2.3

Robuustheidstesten

In deze sectie wordt nagegaan of de bovenvermelde resultaten in paragrafen 5.2.1 en 5.2.2 ook robuust zijn voor alternatieve werkwijzen. Achtereenvolgens worden kort drie andere mogelijke aanpakken - en hun resultaten - besproken. 4

µ î,t omvat dat deel van handel dat noch door afstand, noch door het BBP kan verklaard worden

(cfr. supra).


5.2.3.1

53

Het Log-Lineair model

Een verschillende functionele vorm geeft aanleiding tot parameterschattingen met een andere economische interpretatie. Onderstaande vergelijking meet de relatieve verandering van de regressand over een gegeven absolute verandering van de regressoren. 100.β1 en 100.β2 zijn met andere woorden semi-elasticiteiten.

(5.3)

log(Bitradei,j ) = β0 + β1 Distancei,j + β2 GDPi + µi,j

Tabel 5.3 – OLS regressieresultaten: log(Bitradei,j ) = β0 + β1 Distancei,j + β2 GDPi + µi,j

Ground-zero country

Intercept (β0)

Distance (β1)

GDP (β2)

R2

Spanje

7,186*** (20,941)

-7,00E-05 (-1,399)

4,46E-07*** (3,152)

0,160

Verenigd Koninkrijk

8,158*** (31,930)

-8,71E-05** (-2,286)

4,78E-07*** (4,621)

0,300

a

* p < 0,10, ** p < 0,05, *** p < 0,01

Dit log-level regressiemodel resulteert in precies dezelfde resultaten als het oorspronkelijke log-log model en vereist bijgevolg geen verdere toelichting. Dat de grootte van de coëfficiënten zoveel lager ligt dan in het log-log model, is een logisch gevolg van het feit dat in deze modelvariant met afstand in levels wordt gewerkt.

Tabel 5.4 – OLS regressieresultaten: î,j = γ0 + γ1 Distancei,j + γ2 µ î,j + ui,j

Aanslag

Intercept (γ0 )

Distance (γ1 )

µ î,t (γ2 )

R2

Madrid

-0,734*** (-3,847)

4,37E-05 (1,539)

-0,077 (-1,066)

0,054

Londen

1,005*** (-5,310)

6,95E-05** (2,389)

-0,181* (-1,864)

0,129

a

* p < 0,10, ** p < 0,05, *** p < 0,01


54

Ook wat betreft de verklaring van de abnormale rendementen bij de Spaanse aanval, resulteert dit model in erg gelijklopende resultaten als bij het log-log model. Noch afstand, noch het bbp blijken statistisch gezien van enige betekenis te zijn geweest in de verklaring van de aandelenmarktreacties. Opnieuw dient gezocht te worden in de richting van andere oorzakelijke factoren, die niet in het model zijn geïncorporeerd. Voor de Britse aanval daarentegen, blijken - volgens dit model - beide variabelen wel een significant effect te hebben gehad op de aandelenmarktreacties, in de verwachte richting.

5.2.3.2

Beide aanvallen samen: Het log-log model

De robuustheid van de oorspronkelijke resultaten kan ook worden nagegaan door de data voor beide aanvallen te gaan poolen. Vanwege de beperkte tijdspanne5 , werd voor de Pooled OLS schattingsmethode gekozen.

Wanneer vergelijking (5.2) nu voor beide aanvallen samen geschat wordt via Pooled OLS6 , kan besloten worden dat afstand significant potentieel bezit in de verklaring van de aandelenmarktreacties. We vinden met andere woorden een significant causaal verband tussen de sterkte van de aandelenmarktreacties en geografische afstand. Tabel 5.5 – OLS regressieresultaten: î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j

Aanslag

Intercept (γ0 )

log(Distance) (γ1 )

µ î,t (γ2 )

R2

Beiden

-2,638*** (-3,718)

0,253*** (2,915)

-0,091 (-1,149)

0,072

a

5 6

* p <0,10, ** p < 0,05, *** p < 0,01

Er wordt gewerkt met data voor slechts twee tijdsperioden, namenlijk 2004 en 2005. De parameter µ î,t in deze vergelijking wordt daarbij gevonden door regressie (5.1) voor ieder land

afzonderlijk te draaien en vervolgens de residuen van beide schattingen onder elkaar te plaatsen.


5.2.3.3

55

Beide aanvallen samen: Het Log-Lineair model

In de semi-log versie van dit model, stellen we vast dat - beide aanvallen, gelijktijdig in beschouwing genomen - beide opgenomen oorzakelijke variabelen statistisch van betekenis zijn. Tabel 5.6 – OLS regressieresultaten: î,j = γ0 + γ1 Distancei,j + γ2 µ î,j + ui,j

Aanslag

Intercept (γ0 )

Distance (γ1 )

µ î,t (γ2 )

R2

Beiden

0,8773*** (-6,563)

5,77E-05*** (2,854)

-0,116** (-2,006)

0,087

a

5.2.4

* p < 0,10, ** p < 0,05, *** p < 0,01

Samenvattend overzicht en interpretatie resultaten

Tabellen 5.7 en 5.8 geven een samenvattend overzicht weer van de regressieresultaten van alle aangewende modellen. De resultaten van zowel het log-log model, als het semilog model worden met elkaar vergeleken. Dit gebeurt voor iedere aanval afzonderlijk, alsook voor beide aanvallen samen. De richting van het effect en de significantie van alle geschatte parameters worden weergegeven.

Tabel 5.7 getuigt van de robuustheid van de resultaten uit het eerste onderdeel van deze onderzoeksanalyse. De bevindingen in de verschillende modelspecificaties zijn volledig overlappend. We stellen vast dat, wanneer handel gedecomponeerd wordt in enerzijds afstand, en anderzijds bbp, beide belangrijke componenten kunnen zijn in de verklaring ervan. Toch zou volgens dit vereenvoudigd graviteitsmodel afstand van groter belang zijn bij de Britse bilaterale handel, dan bij de Spaanse. Een verklaring voor het feit dat bij de Spaanse handel geen afstandseffect werd gevonden ligt - zoals eerder aangehaald - in de ‘omitted-variable bias’.

Ook in de verklaring van de aandelenmarktreacties aan de hand van afstand en handel is


56

er sprake van overeenkomsten. Tabel 5.8 toont aan dat de bekomen regressieresultaten in het semi-log model relatief robuust zijn voor die in de logvariant. Desalniettemin kan een discrepantie worden waargenomen, namelijk omtrent het aandeel van handel bij de Britse aanslag, alsook bij beide aanslagen samen in het pooled model. Dat aandeel zou volgens het log-lin model statistisch significant zijn, terwijl die bevinding door het log-log model betwist wordt. Voortgaande op het oorspronkelijk log-log model - dat het nauwst aansluit bij het multiplicatieve graviteitsmodel zoals voorgesteld door Bergstrand (1985) -, kan opgemaakt worden dat afstand een verschillende rol van betekenis gespeeld heeft in de cross-nationale diffusie van terreur. Afstand was immers wel een belangrijke determinant voor de aandelenmarktreacties bij de Britse aanslag, terwijl dat niet het geval was bij de aanslag in Madrid. We hypothiseren dat de bevinding met betrekking tot de Spaanse aanslag te wijten is aan het feit dat de negatieve beursreacties op de dag van de aanslag zelf - volgens onze event study - relatief beperkt bleven. Slechts 16 van de 66 onderzochte markten reageerden significant negatief. Over de langere tijdsperiodes heen, zagen we evenwel dat de negatieve reacties in grootte en significantie toenamen. Een verklaring daartoe werd gevonden in het feit dat er grote onzekerheid heerste over wie verantwoordelijk was voor de dader, wat zich vertaald heeft in onrust op de beurzen. We vermoeden dan ook dat er over de langere event windows wel degelijk een psychologisch aspect heeft meegespeeld. Beide aanslagen gelijktijdig in beschouwing genomen, bekomen we een significant afstandseffect in de verwachte richting. Op basis van deze bevindingen, kan geconcludeerd worden dat de psychologische factor afstand wel degelijk een rol kan spelen. De belegger maakt zich meer zorgen, naarmate de aanslag dichter bij huis plaatsvindt.

* p < 0,10, ** p < 0,05, *** p < 0,01

b

+***

+*** -**

-***

+***

+***

GDP

+ = positieve relatie. - = negatieve relatie

* p < 0,10, ** p < 0,05, *** p < 0,01

b

+

LOG-LIN model:î,j = γ0 + γ1 Distancei,j + γ2 µ î,j + ui,j

a

+

-

-

+**

+**

Distance

Distance

Trade

Londen

Madrid

LOG model:î,j = γ0 + γ1 log(Distancei,j ) + γ2 µ î,j + ui,j

Abnormal returns = f(Distance, Trade)a

-*

-

Trade

+***

+***

Distance

Beiden

-**

-

Trade

Tabel 5.8 – Samenvatting resultaten: De rol van afstand en bilaterale handel in de verklaring van de aandelenmarktreacties

+ = positieve relatie. - = negatieve relatie

-

LOG-LIN model: log(Bitradei,j ) = β0 + β1 Distancei,j + β2 GDPi + µi,j

a

-

Distance

Distance

GDP

Verenigd Koninkrijk

Spanje

LOG model: log(Bitradei,j ) = β0 + β1 log(Distancei,j ) + β2 log(GDPi ) + µi,j

Bilateral Trade= f(Distance, GDP)a

Tabel 5.7 – Samenvatting resultaten: De rol van afstand en bbp in de verklaring van de bilaterale handel

5.2 De rol van afstand 57

5.3 De drie transmissiekanalen

5.3 5.3.1

58

De drie transmissiekanalen Beschrijvende statistieken Tabel 5.9 – Beschrijvende statistieken proxy-variabelen

Proxy

Mean

Median

Std. Dev.

Min.

Max.

Obs.

(trade)

1,511

0,733

2,344

0,033

14,306

132

(f ina)

1,812

0,179

3,659

0,002

21,759

110

(tradegzc )

0,457

0,131

0,989

0,000

6,813

130

(f inagzc )

0,493

0,007

1,298

0,000

7,948

105

(smc)

78,906

54,489

71,167

3,444

401,027

130

(vst)

50,771

22,155

61,456

0,000

349,674

130

Wereldintegratiekanaal

Bilateraal integratiekanaal

Liquiditeitskanaal

Als finale stap in deze scriptie, wenden we ons opnieuw tot het repliceren van de methodologie van Drakos (2010b). In tabel 5.9 krijgt u een overzicht van de beschrijvende statistieken van de verschillende proxies. Op die manier krijgen we een eerste inzicht in de data. Gegeven zijn het gemiddelde, de mediaan, de standaarddeviatie, de minimum -en maximumobservatie, alsook het aantal observaties voor iedere variabele, respectievelijk. De beschouwde tijdsperiode betreft 2004-2005.

5.3.2

Madrid en Londen Pooled

In deze sectie wordt de kracht van de proxy-variabelen onderzocht in de verklaring van de aandelenmarktreacties. Dit gebeurt voor iedere proxy-variabele afzonderlijk, in een univariaat model. Als uitbreiding op het werk van Drakos, wordt ook de significantie van afstand bestudeerd, als onderdeel van het bilaterale integratiekanaal. Tabel 5.10 geeft een overzicht van alle diffusiekanalen onder beschouwing.


59

Tabel 5.10 – Overzicht diffusiekanalen Aanslagen Madrid en Londen

Intercept

λm

R2

Observaties

î,j = λ0 + λm (tradei,y ) + νi,j

-0,597 (-5,62)

0,015 (0,40)

0,001

132

î,j = λ0 + λm (f inai,y ) + νi,j

-0,624*** (-5,64)

0,012 (0,43)

0,002

110

î,j = λ0 + λm log(distancei,j ) + νi,j

-2,700*** (-3,84)

0,262*** (3,05)

0,067

132

î,j = λ0 + λm (tradegzci,y ) + νi,j

-0,565*** (-5,71)

0,044 (0,48)

0,002

130

î,j = λ0 + λm (f inagzci,y ) + νi,j

-0,655*** (-6,32)

0,049 (0,66)

0,004

105

î,j = λ0 + λm (smci,y ) + νi,j

-446*** (-3,34)

-0,002 (-1,41)

0,015

130

î,j = λ0 + λm (vsti,y ) + νi,j

-0,527*** (-4,53)

-0,001 (0,44)

0,005

130


Bilaterale integratiekanaal

Liquiditeitskanaal

a

* p < 0,10, ** p < 0,05, *** p < 0,01

In tegenstelling tot de bevindingen van Drakos, vindt deze onderzoeksanalyse voor geen enkele van de oorspronkelijke proxy-variabelen enige vorm van empirische ondersteuning. De lage R2 voor iedere regressie wijst erop dat de data nauwelijks in staat zijn het model te verklaren. De variabele afstand daarentegen bezit volgens dit univariaat regressiemodel wel verklaringskracht, op 1% significantieniveau. Dit gegeven bevestigt onze bevinding uit voorgaande analyse, waar eveneens empirische ondersteuning werd gevonden voor afstand (subsectie 5.2.2).

5.3.2.1

Hybride model

Niettegenstaande het feit dat volgens bovenstaande univariate analyse, wordt gevonden dat - op afstand na - geen enkele proxy een significante rol speelt in de verspreiding van terreur, zal toch overgegaan worden tot de constructie van een multivariaat hybride model, bestaande uit die proxy van elk kanaal met de sterkste verklaringskracht. Dit gebeurt in volstrekte analogie met de methodologie van Drakos. Ons hybride model zou volgens de redenering van Drakos de verklarende variabelen (f ina), (f inagzc ) en (smc)


60

moeten bevatten, respectievelijk als vertegenwoordigers van het wereldintegratiekanaal, het bilaterale integratiekanaal en het liquiditeitskanaal. Om nu ook het aandeel van afstand te incorporeren, zal ook de variabele afstand in logaritmische vorm mede worden opgenomen. Concreet betekent dit dus dat het hybride model als volgt gespecifieerd wordt: (5.4)

î,j = λ0 + λ1 (f inai,y ) + λ2 log(distancei,j ) + λ3 (f inagzci,y ) + λ4 (smci,y ) + νi,j

Alvorens over te gaan tot de feitelijke constructie van het hybride model, worden de paarsgewijze correlaties tussen de verschillende proxy-variabelen geconstrueerd. De grote correlatiecoëfficiënten tussen de proxies behorende tot éénzelfde kanaal vormen een aanduiding dat deze proxies gelijksoortige informatie bevatten. De correlatiecoëfficiënten tussen de proxies behorende tot een verschillend kanaal daarentegen, liggen een stuk lager, al zijn er ook een aantal hogere waarden. Vooral de correlaties tussen de proxies van het wereldintegratiekanaal en het bilaterale integratiekanaal liggen relatief hoog.

Tabel 5.11 – Correlatiematrix

(trade)

(f ina)

log(distance)

(tradegzc )

(f inagzc )

(smc)

(vst)

(trade)

1,00

-

-

-

-

-

-

(f ina)

0,89

1,00

-

-

-

-

-

log(distance)

-0,11

-0,12

1,00

-

-

-

-

(tradegzc )

0,55

0,52

0,25

1,00

-

-

-

(f inagzc )

0,56

0,59

-0,16

0,82

1,00

-

-

(smc)

0,21

0,20

0,08

-0,02

0,09

1,00

-

(vst)

0,48

0,48

-0,03

0,23

0,24

0,66

1,00

Om eventuele problemen met betrekking tot multicollineariteit uit te sluiten, wordt in tabel 5.12 melding gemaakt van de Variance Inflation Factors. Een vaak gehanteerde vuistregel is dat VIFs van 10 of hoger een reden tot zorg kunnen vormen. De bekomen


61

Tabel 5.12 – Variance Inflation Factors

Regressor

VIF (centered)

(f ina)

2,35

log(distance)

1,11

(f inagzc )

2,18

(smc)

1,08

waarden liggen evenwel behoorlijk lager, wat ons toelaat combinaties van kanalen als regressoren in hetzelfde model op te nemen.

Dit model is slechts in staat ongeveer 13% van de variatie in de abnormale rendementen te verklaren. Controlerend voor de andere kanalen, is enkel afstand significant.

Tabel 5.13 – Hybride model

a

5.3.3

Regressor

Coëfficiënta(t-test)

(f ina)

0,0447 (1,17)

log(distance)

0,3333*** (3,63)

(f inagzc )

0,0253 (0,24)

(smc)

-0,0022 (-1,57)

R2

0,13

2

R (adj.)

0,09

Gezamenlijke significantie (F-test)

3,69***

* p < 0,10, ** p < 0,05, *** p < 0,01

Madrid en Londen afzonderlijk beschouwd

Omdat we in voorgaande analyse (sectie 5.2) steeds gewerkt hebben met iedere aanval afzonderlijk, is het aangewezen om eventuele verschillen in de significantie van de


62

transmissiekanalen tussen beide aanslagen te onderzoeken. Voor de volledigheid worden daarom de transmissiekanalen voor iedere aanval afzonderlijk beschouwd. De resultaten vindt men terug in appendix D op pagina 82. De resultaten zijn gelijklopend met het pooled model, in die zin dat geen van de oorspronkelijke proxies significante verklaringskracht blijkt te bevatten. Wel zien we een grotere voorspellende kracht van afstand bij de Britse aanslag, in vergelijking met de Spaanse. Dit strookt volledig met onze resultaten uit voorgaande analyse. Een verklaring voor die bevinding werd dan ook al eerder aangehaald (zie sectie 5.2.4).

5.3.4

Vergelijking met Drakos

Wanneer de bevindingen in deze onderzoeksanalyse nu naast die van Drakos (2010b) worden gelegd, merken we sterke discrepanties. In tegenstelling tot Drakos, wordt geen empirische ondersteuning gevonden voor eender welk diffusiekanaal. Het feit dat deze scriptie dusdanig afwijkende resultaten bekomt, suggereert dat de determinanten onder studie in de context van deze scriptie een ander effect hebben gehad dan in die van Drakos (2010b). In het bijzonder blijkt (de openheid van) handel een andere invloed gehad dan bij Drakos (2010b). De contradictie tussen beide empirische studies is vermoedelijk te wijten aan een verschil in methode om de abnormale rendementen op te wekken. Zoals eerder besproken in de literatuurstudie, werkt Drakos met een PP-GARCH model met de assumptie van common variance feedback. Deze assumptie houdt in dat de feedbacks voor ieder land dezelfde zijn. Aangezien dit geen realistische assumptie is, werd in deze scriptie een GARCH model geschat voor ieder land afzonderlijk. Financiële markten verschillen immers onderling sterk in hun mate van volatiliteit. Een bijkomende factor is dat er in deze analyse gewerkt wordt met licht afwijkende proxy-variabelen7 .

7

Een aantal van Drakos’ proxies werden in dit onderzoek achterwege gelaten wegens wiskundig in-

correct. Onder de variabelen die wel opgenomen werden, resulteerden onze berekeningen bovendien in cijfers die niet volledig stroken met die van Drakos.

BESLUIT

63

Hoofdstuk 6

Besluit In deze scriptie werd getracht een antwoord te verschaffen op de vraag of de crossnationale reactie van aandelenmarkten op de Spaanse en Britse aanslagen mede zou verklaard kunnen worden door de gedragsdeterminant afstand. Deze onderzoeksvraag werd gemotiveerd vanuit de vaststelling dat binnen de bestaande literatuur nog relatief weinig geweten is over de meest bepalende determinanten in de nieuwsverwerking van een terreuraanslag. Ook Drakos kwam tot die vaststelling, en is tot op heden één van de weinige auteurs die de onderliggende diffusiemechanismen van terreurschokken (2009;2010b;2011) heeft onderzocht. In diens artikel “The determinants of terrorist shocks’ cross-market transmission” (2010b) onderscheidt hij het wereldintegratiekanaal, het bilaterale integratiekanaal en het liquiditeitskanaal, respectievelijk. Deze scriptie kan gezien worden als een uitbreiding op dat werk. In navolging van Drakos (2010b), bestudeerden we de aanslag in Madrid en Londen, en hun effect op 66 globale kapitaalmarkten. Daartoe werd een event study analyse verricht, om de abnormale rendementen van de beursindices te bepalen. In de verklaring van die abnormale rendementen, haalt Drakos onder meer het belang van bilaterale handelsbanden aan. Maar waar Drakos het heeft over de rol van handel, kan ook afstand meespelen in de transmissie van de terreurschok. Handel en afstand zijn immers inherent aan elkaar verbonden, getuige de afstandspuzzel. Daarom werd in dit onderzoek vertrokken van de bilaterale handel, die

BESLUIT

64

werd gedecomponeerd in enerzijds afstand en anderzijds bbp. Voortbouwende op dat eenvoudige graviteitsmodel, werd de hypothese getest dat de grootte van de abnormale rendementen negatief gerelateerd is aan bilaterale handelsbanden, maar positief aan geografische afstand. De grondgedachte hierachter is dat beleggers geneigd zouden kunnen zijn om te geloven dat een land dat dichter ligt bij het land waar de aanslag plaatsvond, kwetsbaarder is voor een potentieel toekomstige aanslag. Geografische afstand is daarom een variabele die gebruikt kan worden om een inschatting te maken van de perceptie van de belegger omtrent het toekomstig risico op een aanslag in eigen land. Uit onze analyse kan worden geconcludeerd dat afstand een verschillende rol van betekenis heeft gespeeld bij de reactie op de twee aanslagen. Geografische afstand was immers wel van belang bij de Britse aanslag, terwijl dat niet het geval was bij de Spaanse. We hypothiseren dat de bevinding met betrekking tot de Spaanse aanslag te wijten is aan het feit dat de kapitaalmarkten volgens onze event study pas sterk negatief begonnen te reageren over de langere event windows heen en vermoeden dan ook dat er over de langere event windows wel degelijk een psychologisch aspect heeft meegespeeld. Beide aanslagen gelijktijdig in beschouwing genomen, vindt deze scriptie een afstandseffect in de verwachte richting. Voorts wordt geen empirische ondersteuning gevonden voor het feit dat landen die intensiever handel drijven met het getroffen land, ook negatiever reageren. Het feit dat in deze scriptie werd gewerkt met een zeer vereenvoudigde versie van het graviteitsmodel, vormt evenwel een methodologische beperking van dit onderzoek. In afwachting van verder onderzoek op basis van beter ontwikkelde graviteitsmodellen, kan voorlopig geconcludeerd worden dat de gedragsfactor afstand wel degelijk een rol kan spelen.

Als finale stap werd ieder transmissiekanaal afzonderlijk geverifieerd en vergeleken met de bevindingen van Drakos. In tegenstelling tot Drakos, vindt deze onderzoeksanalyse voor geen enkele van de oorspronkelijke proxy-variabelen enige vorm van empirische ondersteuning. De contradictie tussen beide empirische studies is vermoedelijk het gevolg van een verschil in gebruikte methode om de abnormale rendementen op te wekken. Geografische afstand daarentegen bezit wel verklaringskracht, wat onze bevinding uit

BESLUIT

65

voorgaande analyse bevestigt.

Suggesties voor verder onderzoek op basis van deze bevindingen betreffen hoofdzakelijk het verder onderzoeken van de onderliggende diffusiemechanismen. Enkel op die manier kan uitsluitsel geboden worden omtrent de determinanten van de aandelenmarktreacties op terreur. In het bijzonder benadrukken we het belang van een verbreding van het onderzoeksgebied naar andere gedragsfactoren. Dit zou meer informatie kunnen opleveren omtrent het belang van psychologische aspecten in de nieuwsverwerking van een terreuraanslag.

REFERENTIELIJST

66

Referentielijst [1]

Abadie, A. en Gardeazabal, J. “The economic costs of conflict: A case study of the Basque Country”. In: American Economic Review 93.1 (2003), pp. 113-132.

[2]

Akaike, H. “Autoregressive model fitting for control”. In: Annals of the Institute of Statistical Mathematics 23 (1970), pp. 163-180.

[3]

Amélie, C. en Darné, O. “Large shocks and the September 11th terrorist attacks on international stock markets”. In: Economic Modelling 23.4 (2006), pp. 683-698.

[4]

Anderson, J. “A theoretical foundation for the gravity equation”. In: American Economic Review 69.1 (1979), pp. 106-116.

[5]

Anderson, J. en Wincoop, E. van. “Gravity with gravitas: A solution to the border puzzle”. In: American Economic Review 93.1 (2003), pp. 170-192.

[6]

Arin, P. K., Ciferri, D. en Spagnolo, N. “The price of terror: The effects of terrorism on stock market returns and volatility”. In: Economics Letters 101.3 (2008), pp. 164-167.

[7]

Ball, R. en Brown, P. “An empirical evaluation of accounting income numbers”. In: Journal of Accounting Research 6.2 (1968), pp. 159-178.

[8]

Barros, C. en Gil-Alana, L. “Stock market returns and terrorist violence: Evidence from the Basque Country”. In: Applied Economics Letters 16.5 (2009), pp. 15751579.

[9]

Bell, B. J. “Old trends and future reality”. In: Washington quarterly 8.2 (1985), pp. 25-35.

REFERENTIELIJST [10]

67

Bergstrand, J. H. “The generalized gravity equation, monopolistic competition, and the factor-proportions theory in international trade”. In: Review of Economics and Statistics 71.1 (1989), pp. 143-153.

[11]

Bergstrand, J. H. “The gravity equation in international trade: Some microeconomic foundations and empirical evidence”. In: Review of Economics and Statistics 67.3 (1985), pp. 474-481.

[12]

Bollerslev, T. “Generalized Autoregressive Conditional Heteroskedasticity”. In: Journal of Econometrics 31.3 (1986), pp. 307-327.

[13]

Brounrn, D. en Derwall, J. “The impact of terrorist attacks on international stock markets”. In: European Financial Management 16.4 (2010), pp. 585-598.

[14]

Brown, S. J. en Warner, J. B. “Measuring security price performance”. In: Journal of Financial Economics 8.3 (1980), pp. 205-258.

[15]

Brown, S. J. en Warner, J. B. “Using daily stock returns : The case of event studies”. In: Journal of Financial Economics 14.1 (1985), pp. 3-31.

[16]

Carter, D. A. en Simkins, B. J. “The market’s reaction to unexpected, catastrophic events: The case of airline stock returns and the September 11th attacks”. In: Review of Economics and Finance 44.4 (1985), pp. 539-558.

[17]

Chesney, M., Reshetar, G. en Karaman, M. “The impact of terrorism financial markets: An empirical study”. In: Journal of Banking and Finance 35.2 (2011), pp. 253-267.

[18]

Cummins, J. en Lewis, C. “Catastrophic events, parameter uncertainty and the breakdown of implicit long-term contracting: The case of terrorism insurance.” In: Journal of Risk and Uncertainty 26.2-3 (2003), pp. 153-178.

[19]

De Gregorio, J. en Valdés, R. O. “Crisis transmission: Evidence from the debt, tequila, and Asian flu Crises”. In: World Bank Economic Review 15.2 (2001), pp. 289-314.


68

Deardorff, A. “Determinants of bilateral trade: Does gravity work in a neoclassical world?” In: The Regionalization of the world Economy. National Bureau of Economic Research, Inc, 1995, pp. 7-32.

[21]

Disdier, A.-C. en Head, K. “The puzzling persistence of the distance effect on bilateral trade”. In: Review of Economics and Statistics 90.1 (2008), pp. 37-48.

[22]

Doherty, N., Lamm-Tennant, J. en Starks, L. “Insuring September 11th: Market recovery and transparency”. In: Journal of Risk and Uncertainty 26.2-3 (2003), pp. 179-199.

[23]

Dornbusch, R., Claessens, S. en Park, Y. C. “Contagion: How it spreads and how it can be stopped”. In: World Bank Research Observer 15.2 (2000), pp. 177-197.

[24]

Drakos, K. “Behavioral channels in the cross-market diffusion of major terrorism shocks”. In: Risk Analysis 31.1 (2011), pp. 143-159.

[25]

Drakos, K. Cross-Country stock market reactions to major terror events: The role of risk perception. Economics of Security Working Paper 16. DIW Berlin, German Institute for Economic Research, 2009.

[26]

Drakos, K. “Terrorism activity, investor sentiment, and stock returns”. In: Review of Financial Economics 19.3 (2010), pp. 128-135.

[27]

Drakos, K. “Terrorism-induced structural shifts in financial risk: Airline stocks in the aftermath of the September 11th terror attacks”. In: European Journal of Political Economy 20.2 (2004), pp. 435-446.

[28]

Drakos, K. “The determinants of terrorist shocks’ cross-market transmission”. In: Journal of Risk Finance 11.2 (2010), pp. 147-163.

[29]

Edmans, A., Garcia, D. en Norli, O. “Sports sentiment and stock returns”. In: Journal of Finance 62.4 (2007), 1967–1998.

[30]

Eldor, R. en Melnick, R. “Financial markets and terrorism”. In: European Journal of Political Economy 20.2 (2004), pp. 367-386.


69

Enders, W. en Sandler, T. “Causality between transnational terrorism and tourism: the case of Spain”. In: Terrorism 14.1 (1991), pp. 49-58.

[32]

Enders, W. en Sandler, T. “Is transnational terrorism becoming more threatening?” In: Journal of Conflict Resolution 44.3 (2000), pp. 307-332.

[33]

Enders, W. en Sandler, T. “Terrorism and foreign direct investment in Spain and Greece”. In: Kyklos 49.3 (1996), pp. 331-352.

[34]

Engle, R. “Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation”. In: Econometrica 50.4 (1982), pp. 987-1007.

[35]

Engle, R. en Granger, C. “Cointegration and error correction: Representation, estimate, and testing”. In: Econometrica 55.2 (1987), pp. 251-276.

[36]

Fama, E. F. “Efficient capital markets: A review of theory and empirical work”. In: Journal of Finance 25.2 (1970), pp. 383-417.

[37]

Fama, E. F. “Efficient capital markets: II”. In: Journal of Finance 46.5 (1991), pp. 1575-1617.

[38]

Fama, E. F. en French, K. R. “Common risk factors in the returns of stocks and bonds”. In: Journal of Financial Economics 33.1 (1993), pp. 3-56.

[39]

Fama, E. F. en French, K. R. “Multifactor explanations of asset pricing anomalies”. In: Journal of Finance 51.1 (1996), p. 3.

[40]

Fama, E. F. et al. “The adjustment of stock prices to new information”. In: International Economic Review 10.1 (1969), pp. 1-21.

[41]

Fleischer, A. en Buccola, S. “War, terror, and the tourism market in Israel”. In: Applied Economics 34.11 (2002), pp. 1335-1343.

[42]

Forbes, K. J. en Claessens, S. International financial contagion. Kluwer Academic Publishers, 2001.

[43]

Fratianni, M. “The gravity equation in international trade”. In: The Oxford Handbook of International Business. Red. door Rugman, A. M. 2e ed. Oxford University Press, 2009. Hfdstk. 3.


70

Frexedas, O. V. en Vaya, E. “Financial contagion between economies: an exploratory spatial analysis”. In: Estudios de Economia Aplicada 23.1 (2005), pp. 151-165.

[45]

Frey, B. S., Luechinger, S. en Stutzer, A. “Calculation tragedy: Assessing the costs of terrorism”. In: Journal of Economic Surveys 21.1 (2007), pp. 1-24.

[46]

Frey, B. S., Luechinger, S. en Stutzer, A. “Valuing public goods: The life satisfaction approach”. In: Public Choice 138.3-4 (2009), pp. 317-345.

[47]

Friedland, N. en Merari, A. “The psychological impact of terrorism: A double-edged sword”. In: International Society of Political Psychology 6.4 (1985), pp. 591-604.

[48]

Frömmel, M. Portfolios and investments. 2e ed. Books on Demand, 2011.

[49]

Gujarati. Basic econometrics. 3e ed. McGraw-Hill, 1995, p. 387.

[50]

Helliwell, J. F. “Do national borders matter for Quebec’s trade?” In: Canadian Journal of Economics 29.3 (1996), pp. 507-522.

[51]

Helliwell, J. F. “National borders, trade and migration”. In: Pacific Economic Review 2.3 (1997), pp. 165-185.

[52]

Hernandez, L. en Valdés, R. O. “What drives contagion: trade, neighborhood, or financial links?” In: Review of Financial Analysis 10.3 (2001), pp. 203-218.

[53]

Hudson, R. A. The sociology and psychology of terrorism: Who becomes a terrorist and why? Federal Research Division of the Library of Congress, 1999.

[54]

Johnston, B. R. en Nedelescu, O. M. “The impact of terrorism on financial markets”. In: Journal of Financial Crime 13.1 (2006), pp. 7-25.

[55]

Karolyi, G. “The consequences of terrorism for financial markets: What do we know?” In: Canadian Investment Review (2006), pp. 9-15.

[56]

Karolyi, G. en Martell, R. “Terrorism and the stock market”. In: International Review of Applied Financial Issues and Economics 2.2 (2010), pp. 285-314.

[57]

Kelejian, H. H., Tavlas, G. S. en Hondroyiannis, G. “A spatial modelling approach to contagion among emerging economies”. In: Open Economies Review 17.4-5 (2006), pp. 423-441.


71

Kollias, C., Papadamou, S. en Stagiannis, A. “Terrorism and capital markets: The effects of the Madrid and London bomb attacks”. In: International Review of Economics and Finance 20.4 (2011), 532–541.

[59]

Liargovas, P. “The impact of terrorism on Greek banks’ stocks: An event study”. In: International Research Journal of Finance and Economics 51 (2010), pp. 88-96.

[60]

MacKinlay, A. C. “Event studies in economics and finance”. In: Journal of Economic Literature 35.1 (1997), pp. 13-39.

[61]

Maillet, B. B. en Michel, T. L. “The impact of the 9/11 events on the American and French stock markets”. In: Review of International Economics 13.3 (2005), pp. 597-611.

[62]

Malkiel, B. C. “Efficient market hypothesis”. In: New Palgrave Dictionary of Money and Finance. 1992.

[63]

Mandelbrot, B. “The variation of certain speculative prices”. In: Journal of Business 36 (1963), pp. 394-419.

[64]

McCallum, J. “National borders matter: Canada–US regional trade patterns”. In: American Economic Review 85.3 (1995), pp. 615-623.

[65]

Mickolus, E., Sandler, T. en Murdock, J. International Terrorism in the 1980s: A Chronology, Volume 1: 1980-1983. Iowa State University Press, 1988.

[66]

Nikkinen, J. en Vahamaa, S. “Terrorism and stock market sentiment”. In: Financial Review 45.2 (2010), pp. 263-275.

[67]

Nikkinen, J. et al. “Stock returns and volatility following the September 11 attacks: Evidence from 53 equity markets.” In: International Review of Financial Analysis 17.1 (2008), pp. 27-46.

[68]

Richman, V., Santos, M. R. en Barkoulas, J. T. “Short -and long-term effects of the September 11 event: The international evidence”. In: International Journal of Theorethical and Applied Finance 8.7 (2005), pp. 947-958.


72

Schneider, F., Brück, T. en Meierrieks, D. The economics of terrorism and counterterrorism: A survey (Part I). Economics of Security Working Paper Series 44. DIW Berlin, German Institute for Economic Research, 2011.

[70]

Schwarz, G. “Estimating the dimension of a model”. In: Annals of Statistics 6.2 (1978), pp. 461-464.

[71]

Shiller, R. “From efficient markets theory to behavioral finance”. In: Journal of Economic Perspectives 17.1 (2003), pp. 83-104.

[72]

Shiller, R. J. “Human behavior and the efficiency of the financial system”. In: Handbook of Macroeconomics. Red. door Taylor, J. en Woodford, M. 1e ed. Elsevier, 1999. Hfdstk. 20, pp. 1306-1340.

[73]

Tinbergen, J. “Shaping the world economy. Suggestions for an international economic policy”. In: Revue économique 16.5 (1965), pp. 840-840.

[74]

Wilcox, P. J. “The Western alliance and the challenge of combating terrorism”. In: Terrorism and Political Violence 9.4 (1997), pp. 1-7.

[75]

Zhu, L. en Yang, J. “Physic distance in the eight-year crisis: an empirical study”. In: Handbook of behavioral finance. Red. door Bruce, B. Edward Elgar Publishing Limited, 2010.

[76]

Zhu, L. en Yang, J. “The role of psychic distance in contagion: A gravity model for contagious financial crises”. In: Journal of Behavioral Finance 9.4 (2008), pp. 209223.

[77]

Zumbach, G. O. et al. “Measuring shocks in financial markets”. In: International Journal of Theoretical and Applied Finance 3.3 (2000), pp. 347-355.

[78]

Zussman, A., Zussman, N. en Nielsen, M. “Asset market perspectives on the IsraeliPalestinian conflict”. In: Economica 75.297 (2008), pp. 84-115.

EEN OVERZICHT VAN DE AANDELENINDICES

73

Bĳlage A

Een overzicht van de aandelenindices Merval / Argentinië, ASX All Ordinaries Index / Australië, Bahrain Stock Exchange Index / Bahrein, BEL 20 / België, Bovespa / Brazilië, BSE SOFIX / Bulgarije, S&P/TSX Composite Index / Canada, Chile General (IGPA) / Chili, IGBC Index / Colombia, OMX Copenhagen / Denemarken, DAX 30 / Duitsland, ECU Price Index / Ecuador, Hermes Financial / Egypte, OMX Tallinn / Estland, OMX Helsinki / Finland, CAC 40 / Frankrijk, Athex Composite / Griekenland, Hang Seng / Hong Kong, Budapest Index (BUX) / Hongarije, OMX Iceland All Share / Ijsland, BSE 100 / India, Jakarta SE Composite / Indonesië, Ireland SE Overall / Ierland, Israel TA 100 / Israël, Milan MIDEX / Italië, Nikkei 225 / Japan, Amman SE Financial Market / Jordanië, Korea SE Composite (KOSPI) / Korea, CROBEX / Kroatië, Kuwait KIC General / Kuweit, OMX Riga / Letland, Lebanon Blom / Libanon, OMX Vilnius / Lithouwen, Luxemburg SE General / Luxemburg, KLCI Composite / Maleisië, MSE / Malta, Mexico IPC (BOLSA) / Mexico, AEX Index / Nederland, NZX 50 / Nieuw Zeeland, Oslo Exchange All Share / Noorwegen, Oman Muscat Securities / Oman, ATX / Oostenrijk, Karachi SE 100 / Pakistan, Lima SE General (IGBL) / Peru, Phillipine SE (PSEI) / Philippines, Warsaw General Index / Polen, Portugal PSI General / Portugal, Doha Securities Ge-

EEN OVERZICHT VAN DE AANDELENINDICES

74

neral Index / Qatar, BET Composite Index / Roemenië, Russia RTS Index / Rusland, All Share Index (TASI) / Saudi Arabia, Straits Times Index / Singapore, Slovak Share Index (SAX) / Slowakije, Madrid SE General / Spanje, Colombo SE All Share Index / Sri Lanka, Prague SE PX / Tsjechië, Taiwan SE Weighted / Taiwan, Bangkok SET Price Index / Thailand, ISE National 100 / Turkije, Kinto KINDEX / Oekraïne, Abu Dhabi All Securities Index / Verenigde Arabische Emiraten, FTSE All Share / Verenigd Koninkrijk, NYSE Composite / Verenigde Staten, Venezuela SE General / Venezuela, OMX Stockholm / Zweden, and Swiss Market Price Index / Zwitserland.

RESULTATEN EVENT STUDY

75

Bĳlage B

Resultaten event study B.1

Globaal effect van de Spaanse aanslag * p < 0,10, ** p < 0,05, *** p < 0,01 ; t-test tussen haakjes.

Country

Event day AR (%)

6 day CAR (%)

11 day CAR (%)

Argentina

0,8677 (0,53)

1,6018 (0,40)

0,1265 (0,02)

Australia

0,5358 (1,59)

0,9775 (1,18)

1,0024 (0,89)

Austria

-0,9000 (-1,41)

-5,0388*** (-3,23)

-5,7311*** (-2,71)

Bahrain

-0,5706 (-1,35)

-0,9873 (-0,95)

-1,5608 (-1,11)

Belgium

-1,3994** (-2,28)

-6,5145*** (-4,33)

-9,4871*** (-4,66)

Brazil

-3,4722*** (-2,83)

2,9659 (0,99)

-3,7674 (-0,92)

Bulgaria

-0,4461 (-0,43)

-0,9070 (-0,36)

-2,7913 (-0,81)

Canada

-0,2391 (-0,65)

-0,8406 (-0,94)

-1,2274 (-1,01)

Chile

-0,2282 (-0,43)

-1,5926 (-1,23)

-2,0886 (-1,19)

Colombia

-0,2715 (-0,29)

-0,9635 (-0,43)

-4,5956 (-1,50)

Croatia

0,3710 (0,37)

0,9461 (0,39)

-1,3547 (-0,41)

Czech Republic

-0,5353 (-0,63)

0,1468 (0,07)

1,2233 (0,43)

Denmark

-1,4977** (-2,08)

-5,2408*** (-2,97)

-7,4562*** (-3,12)

Ecuador

-0,7697 (-0,38)

-1,3912 (-0,28)

-14,5764** (-2,15)

Egypt

-0,3297 (-0,29)

-5,5928** (-1,99)

-6,9943* (-1,84)

Estonia

-0,2512 (-0,29)

-0,5265 (-0,24)

0,3308 (0,11)

Finland

-0,3929 (-0,32)

-6,3198** (-2,11)

-9,2977** (-2,29)

B.1 Globaal effect van de Spaanse aanslag

76

Country

Event day AR (%)

6 day CAR (%)

11 day CAR (%)

France

0,1136 (0,15)

-4,3188** (-2,39)

-4,0464* (-1,65)

Germany

-0,6985 (-0,77)

-4,9979** (-2,25)

-5,5351* (-1,84)

Greece

-0,8543 (-0,91)

-3,6186 (-1,59)

-8,3739*** (-2,71)

Hong Kong

-1,1357 (-1,37)

-6,0740*** (-3,00)

-11,6646*** (-4,25)

Hungary

-1,8971* (-1,93)

-2,2748 (-0,94)

-1,0766 (-0,33)

Iceland

-0,4200 (-0,76)

-3,4304** (-2,53)

-7,0715*** (-3,85)

India

-1,6750 (-1,20)

-8,7742*** (-2,58)

-12,3142*** (-2,66)

Indonesia

-2,0018* (-1,65)

-7,7056** (-2,57)

-8,0159** (-1,97)

Ireland

-0,6256 (-0,96)

-2,2962 (-1,44)

-1,2229 (-0,57)

Israel

-0,9207 (-0,77)

-0,6079 (-0,21)

-5,8536 (-1,48)

Italy

-0,4948 (-0,77)

-3,4086** (-2,19)

-4,0384* (-1,91)

Japan

0,9434* (1,93)

2,7529** (2,33)

6,2764*** (3,07)

Jordan

-1,6841* (-1,91)

-9,6283*** (-4,46)

-11,1032*** (-3,80)

Korea

0,1564 (0,15)

-3,2358 (-1,25)

-5,1469 (-1,46)

Kuwait

-0,6391 (-0,68)

-6,7489*** (-2,93)

-7,9769** (-2,55)

Latvia

2,0907** (2,12)

3,1010 (1,28)

3,5911 (1,10)

Lebanon

0,6843 (0,58)

5,6261** (1,93)

8,6459** (2,19)

Lithuania

-0,4531 (-0,41)

1,9651 (0,72)

4,9534 (1,35)

Luxembourg

-2,0503*** (-6,36)

-5,3930*** (-6,82)

-7,4595*** (-6,98)

Malaysia

0,4225 (0,65)

1,6642 (1,08)

0,1194 (0,06)

Malta

-0,7927* (-1,69)

3,1897*** (2,77)

3,9837** (2,55)

Mexico

-2,2136*** (-3,40)

-3,5746** (-2,25)

-0,7586 (-0,35)

Netherlands

-0,5439 (-0,61)

-6,4229*** (-2,94)

-9,0840*** (-3,07)

New Zealand

1,0026 (2,09)

-0,0225 (-0,02)

0,4611 (0,29)

Norway

-1,3351* (-1,82)

-5,9492*** (-3,30)

-9,5315*** (-3,91)

Oman

-0,6995 (-0,76)

0,2641 (0,12)

-3,0853 (-1,00)

Pakistan

-0,0594 (-0,04)

-1,6590 (-0,47)

-1,8118 (-0,38)

Peru

0,8823 (0,96)

7,7123*** (3,42)

10,1716*** (3,33)

Philippines

-1,2804 (-1,20)

-1,1325 (-0,43)

-5,1037 (-1,44)

Poland

-0,6890 (-0,69)

-2,6992 (-1,11)

-3,0506 (-0,92)

Portugal

-1,8450*** (-4,61)

-3,4789*** (-3,54)

-5,5453*** (-4,17)

Qatar

0,3529 (0,58)

5,9316*** (3,98)

6,4783*** (3,21)

Romania

1,0632* (1,82)

5,3798*** (3,76)

5,5645*** (2,87)

Russian Federation

-0,1927 (-0,10)

-1,4385 (-0,31)

-5,0169 (-0,79)

Saudi Arabia

0,2573 (0,17)

0,0064 (0,00)

3,1660 (0,64)


77

Country

Event day AR (%)

6 day CAR (%)

11 day CAR (%)

Singapore

-0,9842 (-1,05)

-1,3240 (-0,58)

-1,7520 (-0,56)

Slovak Republic

0,0669 (0,06)

-2,0413 (-0,80)

-1,0222 (-0,30)

Spain

-0,5310 (-0,95)

-7,0639*** (-5,16)

-6,5623*** (-3,54)

Sri Lanka

-1,3655 (-0,77)

-6,1938 (-1,43)

0,9566 (0,16)

Sweden

-1,6549*** (-2,58)

-4,6667*** (-2,83)

-5,3002** (-2,37)

Switzerland

-1,0078 (-1,44)

-5,7556*** (-3,35)

-7,7765*** (-3,34)

Taiwan

1,0249 (1,20)

-3,0637 (-1,46)

-15,6012*** (-5,51)

Thailand

0,5889 (0,49)

-1,4018 (-0,47)

-4,6191 (-1,15)

Turkey

-0,0671 (-0,04)

3,7744 (0,82)

12,6379** (2,01)

Ukraine

-1,2693* (-1,80)

-7,5496*** (-4,36)

-8,4942*** (-3,62)

United Arab Emirates

-0,1853 (-0,33)

-2,6197* (-1,93)

-5,4082*** (-2,92)

United Kingdom

-0,1658 (-0,36)

-0,5094 (-0,44)

0,1847 (0,12)

United States

-0,2957* (-1,68)

-0,7903* (-1,83)

-1,9334*** (-3,31)

Venezuela

-0,1641 (-0,11)

2,9209 (0,75)

-0,6022 (-0,11)


78

Figuur B.1 – Event-day abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid

* p < 0,10, ** p < 0,05, *** p < 0,01

Figuur B.2 – 11-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de bombardementen in Madrid

* p < 0,10, ** p < 0,05, *** p < 0,01

B.2 Globaal effect van de Britse aanslag

B.2

79

Globaal effect van de Britse aanslag Country

Event day AR (%)

6 day CAR (%)

11 day CAR (%)

Argentina

2,8327 (2,03)

9,9278 (2,91)

15,9046 (3,44)

Australia

-0,7329*** (-2,04)

-0,8061 (-0,92)

0,1934 (0,16)

Austria

-0,7355 (-1,08)

-3,8024** (2,28)

-7,0759*** (-3,14)

Bahrain

0,0505 (0,08)

-2,7083* (-1,81)

-5,4291*** (-2,68)

Belgium

-0,8001* (-1,73)

-2,0325* (-1,79)

-2,2502 (-1,46)

Brazil

-0,1074 (-0,10)

4,3237 (1,61)

6,7147* (1,85)

Bulgaria

-0,6054 (-0,55)

-2,8500 (-1,05)

-3,6233 (-0,99)

Canada

0,1733 (0,42)

-0,7489 (-0,74)

0,7979 (0,58)

Chile

-0,3712 (-0,85)

-0,2342 (-0,22)

1,2022 (-0,83)

Colombia

0,7358 (0,68)

1,2399 (0,47)

4,7391 (1,33)

Croatia

-2,5409** (-2,02)

-8,7774*** (-2,85)

-12,6098*** (-3,02)

Czech Republic

0,1587 (0,14)

-0,6619 (-0,24)

-2,7037 (-0,72)

Denmark

-0,9823** (-1,99)

-2,0436* (-1,69)

-4,9023*** (-2,98)

Ecuador

-0,0446 (-0,03)

-1,4595 (-0,47)

-0,7111 (-0,17)

Egypt

-3,0553** (-1,99)

-10,7926*** (-2,87)

-18,0900*** (-3,55)

Estonia

-0,7094 (-0,90)

-3,4970* (-1,80)

-6,1696*** (-2,35)

Finland

-1,3770** (-2,19)

-2,7418* (-1,78)

-3,9743* (-1,82)

France

-1,2796*** (-2,79)

-3,6592*** (-3,25)

-4,5095*** (-2,96)

Germany

-1,5366*** (-3,00)

-3,3797*** (-2,70)

-1,5766 (-0,93)

Greece

-1,6161** (-2,24)

-4,1245** (-2,34)

-3,2834 (-1,37)

Hong Kong

-0,7157 (-1,22)

1,1666 (0,81)

1,9276 (0,99)

Hungary

-0,8055 (-0,76)

-2,4319 (-0,94)

-5,2895 (-1,51)

Iceland

-1,5552 (-1,54)

-3,3301 (-1,35)

-3,9362 (-1,18)

India

-2,0270** (-2,53)

-4,5302 **(-2,31)

-3,3791 (-1,27)

Indonesia

-1,3720 (-1,33)

-5,4508*** (-2,17)

-9,2799*** (-2,72)

Ireland

-0,8296 (-1,25)

-2,0687 (-1,27)

-1,7279 (-0,79)

Israel

-1,0386 (-1,44)

-0,6077 (-0,34)

-2,3171 (-0,97)

Italy

-1,7817*** (-3,61)

-1,1627 (-0,96)

-0,9624 (-0,59)

Japan

-0,1886 (-0,30)

-3,6116** (-2,37)

-6,2078*** (-3,00)

Jordan

-1,2690 (-0,96)

-4,8999 (-1,52)

-7,4850* (-1,71)

Korea

0,3927 (0,44)

-2,6060 (-1,21)

-5,3776* (-1,85)

Kuwait

-0,9283 (-1,55)

-4,9557** (-3,38)

-4,1622** (-2,09)

Latvia

1,3133 (1,40)

-5,1049** (-2,22)

-6,9733*** (-2,25)


80

Country

Event day AR (%)

6 day CAR (%)

11 day CAR (%)

Lebanon

0,5256 (0,37)

0,6198 (0,18)

2,1068 (0,45)

Lithuania

-0,4253 (-0,42)

-6,0626** (-2,50)

-7,3743** (-2,24)

Luxembourg

0,0110 (0,02)

-2,3015 (-1,51)

-4,0556** (-1,96)

Malaysia

0,3957 (0,83)

0,9197 (0,78)

-0,9924 (-0,62)

Malta

-0,9927* (-1,69)

-1,1919 (-0,83)

-2,2545 (-1,15)

Mexico

1,0621 (1,37)

-0,0684 (-0,04)

0,9595 (0,37)

Netherlands

-1,6993*** (-3,82)

-5,4502*** (-5,01)

-7,2626*** (-4,93)

New Zealand

-0,4216 (-0,90)

0,6510 (0,57)

0,2316 (0,15)

Norway

-2,2218** (-3,36)

-2,3702 (-1,47)

-6,4810*** (-2,96)

Oman

-1,2082 (-1,31)

-2,6858 (-1,19)

-6,9505** (-2,26)

Pakistan

0,8433 (0,47)

-0,5751 (-0,13)

-1,6748 (-0,28)

Peru

-0,2424 (-0,31)

2,5963 (1,35)

2,6823 (1,03)

Philippines

-0,1015 (-0,10)

-3,3146 (-1,40)

-2,8468 (-0,89)

Poland

-0,5188 (-0,79)

-0,7987 (-0,50)

-1,5806 (-0,73)

Portugal

-0,9465** (-2,57)

-4,0407*** (-4,48)

-6,4225*** (-5,25)

Qatar

-1,8398 (-1,27)

-4,1961 (-1,19)

-5,8876 (-1,23)

Romania

-1,3157 (-0,86)

-3,4672 (-0,92)

-4,0050 (-0,79)

Russian Federation

-0,6965 (-0,58)

-3,2567 (-1,11)

-5,0966 (-1,29)

Saudi Arabia

-0,5371 (-0,43)

-3,1088 (-1,02)

-5,6557 (-1,37)

Singapore

-1,069** (-2,13)

-1,9710 (-1,60)

-0,7875 (-0,47)

Slovak Republic

-0,1780 (-0,16)

-0,7619 (-0,27)

2,2770 (0,60)

Spain

-1,7518*** (-4,20)

-2,0902** (-2,05)

-2,5580* (-1,85)

Sri Lanka

1,2270 (1,37)

2,5966 (1,19)

0,2480 (0,08)

Sweden

-1,1117* (-1,87)

-0,0960 (-0,07)

0,8120 (0,41)

Switzerland

-0,6765 (-1,45)

-2,1525* (-1,89)

-3,1173** (-2,02)

Taiwan

-0,6108 (-0,88)

-1,2314 (-0,73)

-6,3114*** (-2,76)

Thailand

-3,9666*** (-4,15)

-4,8589** (-2,07)

-10,6196*** (-3,35)

Turkey

-0,3942 (-0,26)

-3,0991 (-0,85)

-5,5152 (-1,11)

Ukraine

-0,9689 (-0,75)

-8,3378*** (-2,64)

-13,1911*** (-3,09)

United Arab Emirates

0,3267 (0,22)

-2,9694 (-0,83)

-9,3062* (-1,92)

United Kingdom

-1,1022*** (-3,15)

-2,6451*** (-3,09)

-5,1192*** (-4,41)

United States

0,6065 (3,17)

0,2781 (0,60)

0,8032 (1,26)

Venezuela

-0,6000 (-0,60)

-3,9137 (-1,60)

-6,4084* (-1,93)


81

Figuur B.3 – Event-day abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen

* p < 0,10, ** p < 0,05, *** p < 0,01

Figuur B.4 – 11-daagse cumulatieve abnormale rendementen van globale kapitaalmarkten als reactie op de aanslag in Londen

* p < 0,10, ** p < 0,05, *** p < 0,01

EMPIRISCHE RESULTATEN DIFFUSIEKANALEN

82

Bĳlage C

Empirische resultaten diffusiekanalen C.1

Aanslag Madrid Tabel C.1 – Overzicht diffusiekanalen

Aanslag Madrid

Intercept

λm

R2

Observaties

î,j = λ0 + λm (tradei,y ) + νi,j

-0,522*** (-3,62)

-0,027 (-0,53)

0,004

66

î,j = λ0 + λm (f inai,y ) + νi,j

-0,569*** (-3,75)

0,018 (0,49)

0,004

55


-2,317** (-2,05)

0,223 (1,637)

0,040

66

î,j = λ0 + λm (tradegzci,y ) + νi,j

0,503*** (-3,78)

-0,003 (-0,034)

0,000

65

î,j = λ0 + λm (f inagzci,y ) + νi,j

-0,582*** (-4,00)

0,019 (0,231)

0,001

50

î,j = λ0 + λm (smci,y ) + νi,j

-0,527** (-3,34)

0,001 (0,22)

0,001

65

î,j = λ0 + λm (vsti,y ) + νi,j

-0,403** (-2,25)

-0,001 (-0,76)

0,009

65



Liquiditeitskanaal

a

* p < 0,10, ** p < 0,05, *** p < 0,01

C.2 Aanslag Londen

83

Tabel C.2 – Hybride model: Aanslag Madrid

Regressor

Coëfficiënt (t-test)

(f ina)

0,0468 (0,87)

log(distance)

0,3502** (2,36)

(f inagzc )

0,0155 (0,13)

(smc)

-0,0022 (-1,12)

2

0,13

2

R (adj.)

0,05


1,69

R

a

C.2

* p <0,10, ** p <0,05, *** p < 0,01

Aanslag Londen Tabel C.3 – Overzicht diffusiekanalen

Aanslag Londen

Intercept

λm

R2

Observaties

î,j = λ0 + λm (tradei,j ) + νi,j

0,688*** (-4,28)

0,0009 (0,02)

0,000

64

î,j = λ0 + λm (f inai,j ) + νi,j

-0,701*** (-4,26)

0,016 (0,40)

0,003

54


-2,836*** (-3,04)

0,269** (2,32)

0,080

64

î,j = λ0 + λm (tradegzci,j ) + νi,j

0,693*** (-4,43)

0,035 (0,17)

0,001

63

î,j = λ0 + λm (f inagzci,j ) + νi,j

-0,692*** (-4,45)

0,116 (0,60)

0,007

54

î,j = λ0 + λm (smci,j ) + νi,j

0,844*** (-4,09)

0,002 (1,05)

0,018

63

î,j = λ0 + λm (vsti,j ) + νi,j

-0,771*** (-4,30)

0,002 (0,77)

0,010

63



Liquiditeitskanaal

a

* p < 0,10, ** p < 0,05, *** p < 0,01

C.2 Aanslag Londen

84

Tabel C.4 – Hybride model: Aanslag Londen

Regressor

Coëfficiënt (t-test)

(f ina)

0,0194 (0,23)

log(distance)

0,3033** (2,22)

(f inagzc )

0,1598 (0,41)

(smc)

-0,0022 (-1,07)

2

0,13

2

R (adj.)

0,06


1,78

R

a

* p <0,10, ** p <0,05, *** p < 0,01

De impact van terrorisme op financiële markten: de rol van afstand

Recommend Documents