UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2005 - 2006
De invloed van olieprijsschokken op Europese aandelenrendementen
Scriptie voorgedragen tot het bekomen van de graad van licentiaat in de toegepaste economische wetenschappen
Stijn Huygens onder leiding van
Prof. Dr. Jan Annaert
“Permission”
Woord Vooraf
Eerst en vooral wil ik mijn dank betuigen aan mijn promotor Prof. Dr. Jan Annaert voor de kans deze scriptie te schrijven omtrent een onderwerp naar mijn interesse, zijn ideeën, zijn snelle antwoorden en de assistentie bij problemen.
Ik bedank mijn ouders voor hun onvoorwaardelijke steun en motivatie in de voorbije vier jaar. Mijn dank gaat ook uit naar mijn broers, zus, schoonbroer en schoonzussen voor hun permanente aanmoedigingen.
Verder wil ik iedereen bedanken die rechtstreeks of onrechtstreeks bijdroegen tot het tot stand komen van deze scriptie.
Tenslotte bedank ik de commissarissen voor het lezen van deze scriptie.
I
Inhoudsopgave Woord Vooraf
I
Inhoudsopgave
II
Gebruikte afkortingen
V
Lijst van tabellen, figuren en kaarten
VI
Inleiding
1
Hoofdstuk 1: Factormodellering
4
1
Capital Asset Pricing Model
4
1.1 Inleiding
4
1.2 De assumpties
4
1.3 De marktportefeuille
5
1.4 De verwachte rendement-bèta relatie in CAPM
5
De Arbitrage Pricing Theory
7
2.1 Inleiding
7
2.2 De assumpties
7
2.3 Het multifactormodel
8
2.4 De verwachte rendement-bèta relatie in APT
9
2.5 Besluit
9
2
Hoofdstuk 2: Factoranalytisch onderzoek
11
1
Inleiding
11
2
De drie soorten multifactormodellen
11
3
Factoranalytisch onderzoek
12
3.1 Inleiding
12
3.2 Het aantal systematische factoren
12
3.3 Kritiek op het onderzoek van Roll en Ross
18
Besluit
21
4
Hoofdstuk 3: De macro-economische aanpak
22
1
Introductie tot de macro-economische aanpak
22
1.1 Inleiding
22
1.2 Sharpe als pionier
22
Definitie van een systematische economische variabele
23
2
II
3
Het Dividend Discount Model
23
3.1 Definitie en basiswaarderingsformule
23
3.2 De invloed van systematische factoren op het DDM
24
3.3 De set van potentiële macro-economische systematische variabelen
25
Selectie van de systematische economische factoren
26
4.1 Het aantal systematische factoren
27
4.2 De macro-economische variabelen
27
De methode van de macro-economische factorbenadering
31
5.1 De correlatiematrix
31
5.2 De ‘first-pass’ regressie
32
6
Steekproefopzet, resultaten en bevindingen
33
7
Invloed van de systematische factoren over verschillende sectoren en industrieën
35
7.1 Steekproefopzet en de economische sectoren en industrieën
36
7.2 Resultaten van de analyse over verschillende sectoren en industrieën
36
Besluit
38
4
5
8
Hoofdstuk 4: Invloed van olieprijsschokken op aandelenrendementen
40
1
Inleiding
40
2
De lineaire of symmetrische relatie
41
2.1 De olieprijsvariabele in het Dividend Discount Model
41
2.2 De Macro-economische aanpak
42
2.2.1
De verklarende variabelen
42
2.2.2
Andere methodes dan de macro-economische multi-factorbenadering
44
2.2.3
Resultaten
45
3
De niet-lineaire of asymmetrische relatie
50
4
Invloed van olieprijsschokken doorheen de tijd
51
4.1 Olieprijsschokken doorheen de tijd
51
4.2 Resultaten
52
4.3 Verklaringen voor de toegenomen impact na 1986
52
5
De olieprijsvolatiliteit
53
6
Versnelde en vertraagde effecten van olieprijsschokken
54
7
De invloed van olieprijsschokken in snelgroeiende markten
55
8
De invloed van olieprijsschokken op de energiesector
59
9
Besluit
62 III
Hoofdstuk 5: Empirisch onderzoek
64
1
Inleiding
64
2
Methodologie
65
2.1 Specifieke onderzoeksvragen
65
2.2 De dataverzameling
65
2.3 Selectie van de macro-economische factoren
67
2.4 De afhankelijke en onafhankelijke factoren in het model
68
2.5 Het steekproefopzet
74
2.6 Gegevensanalyse
74
2.7 Overzicht gegevensanalyse
75
3
2.7.1
Lineaire regressie
75
2.7.2
Het asymmetrische of niet-lineaire verband
78
2.7.3
Periodes met een verschillend olieprijsniveau
79
2.7.4
Periodes met een verschillende niveau van olieprijsvolatiliteit
79
2.8 De statistische evaluatie van het regressiemodel
80
2.9 Problemen bij het toepassen van regressie-analyse
81
Resultaten en interpretatie
82
3.1 Lineaire regressie
82
3.1.1
Invloed van de factoren in de Eurozone
82
3.1.2
Invloed van de factoren in Duitsland en Noorwegen
85
3.1.3
De invloed van olieprijsschokken op de Europese aandelenrendementen
89
3.1.4
De invloed van de olieprijsvolatiliteit op de Europese
91
aandelenrendementen 3.1.5
De invloed van olieprijsschokken op de sectoriële rendementen
93
3.2 De invloed van olieprijsschokken bij een asymmetrische relatie
94
3.3 De invloed van olieprijsschokken in periodes met een verschillend
96
olieprijsniveau 3.4 De invloed van olieprijsschokken bij verschillende niveaus van
98
olieprijsvolatiliteit 4
Besluit
100
Algemeen besluit
104
Bibliografie
VIII
IV
Gebruikte afkortingen APT
Arbitrage Pricing Model
BBM
Berry, Burmeister en McElroy
BRIC
Brazilië, Rusland, India en China
BW
Burmeister en Wall
CAPM
Capital Asset Pricing Model
CCR
Chen, Roll en Ross
CPI
Consumptie Prijs Index
DDM
Dividend Discount Model
EIA
Energy Information Administration
FTSE
Financial Times Stock Exchange
IRF
Impulse Response Functions
IT
Informatie Technologie
MSCI
Morgan Stanley Capital International Inc.
NRI
Nomura Return Indices
NYMEX
New York Mercantile Exchange
OLS
Ordinary Least Squares
OPEC
Organisation of the Petroleum Exporting Companies
RI
Rendement Index
SIC
Standard International Classification
SML
Security Market Line
S&P
Standard and Poor’s
TSE
Toronto Stock Exchange
VAR
Vector AutoRegressive
VK
Verenigd Koninkrijk
VS
Verenigde Staten van Amerika
V
Lijst van tabellen, figuren en kaarten Figuren Figuur 1: Brent olieprijs, uitgedrukt in olie, 1982-2006
41
Figuur 2: Aandeel landen in de globale olieproductie, 2005
57
Figuur 3: Yield Curve Duitsland, 1982 – 2006
69
Figuur 4: Prijs per vat olie en jaarlijkse Europese inflatie, 1982 – 2006
71
Figuur 5: De maandelijkse Brent olieprijsvolatiliteit, 1982-2006
73
Figuur 6: Indeling periode 1982 - 2006 in drie subperiodes
77
Tabellen Tabel 1: Het gevonden aantal factoren per aandelengroep
19
Tabel 2 : Overzicht van het aantal factoren op basis van factoranalyse
21
Tabel 3: Overzicht van de gehanteerde macro-economische factoren per auteur
31
Tabel 4: Correlatiematrix olieprijsvariabelen, periode 1982 – 2006
71
Tabel 5: Correlatiematrix Eurozone, 1982 – 2006
83
Tabel 6: Regressieresultaten Europa zonder UM, 1982-2006 en subperiodes
84
Tabel 7: Regressieresultaten Europa met UM, 1982-2006 en subperiodes
84
Tabel 8: Correlatiematrix Duitsland, 1982 – 2006
86
Tabel 9: Regressieresultaten Duitsland, 1982 - 2006 en subperiodes
86
Tabel 10: Correlatiematrix Noorwegen, 1982 – 2006
88
Tabel 11: Regressieresultaten Noorwegen, 1982 - 2006 en subperiodes
88
Tabel 12: Coëfficiënten en t-waarden voor olieprijsschokken, 1982 - 2006 en subperiodes 90 Tabel 13: Coëfficiënten en t-waarden voor factor OPV, 1982 - 2006 en subperiodes
92
Tabel 14: Invloed olieprijsschokken op de rendementen per sector, 1982 - 2006
93
Tabel 15: De asymmetrische relatie, 1982 – 2006
95
Tabel 16: De asymmetrische relatie in de energiesector, 1982 – 2006
96
Tabel 17: Invloed van olieprijsschokken in periodes met hoge, gemiddelde en lage
97
olieprijzen, 1982 - 2006 Tabel 18: Invloed van olieprijsschokken in de energiesector in periodes met hoge,
98
gemiddelde en lage olieprijzen, 1982 - 2006 Tabel 19: De invloed van OP in periodes met hoge, gemiddelde en lage volatiliteit,
98
1982-2006
VI
Tabel 20: De invloed van OP in de energiesector in periodes met hoge, gemiddelde en
98
lage volatiliteit, 1982-2006
VII
Inleiding Aardolie wordt niet voor niets bestempeld als het zwarte goud. Deze grondstof is nog nauwelijks weg te denken uit het dagelijkse leven. Ieder van ons gebruikt elke dag wel eens aardolie in een van haar vele toepassingsvormen, die gaan van brandstof tot plastic zakjes. Tal van economische sectoren en industrieën zijn dan ook inherent afhankelijk van aardolie. Doch spreken we hier over een onhernieuwbare natuurlijke grondstof waar er op korte termijn geen vervangmiddel voor handen is. Deze levensbelangrijke grondstof staat dan ook synoniem voor macht en rijkdom. Elke dag worden we geconfronteerd met de strijd om aardolie, veelal strijd in de letterlijke betekenis van het woord. Olieproducerende landen dragen de sleutel tot de toekomst daar het er naar uit ziet dat aardolie nog aan belangrijkheid wint. De energiesector is dan ook een van de rijkste en meest invloedrijke sectoren. Vanwege haar economische impact lijken olieprijzen en de economie hand in hand te gaan. Elke economische markt wordt direct of indirect beïnvloed door de dagelijkse prijs voor een vat olie. Deze olieprijs blijkt echter zeer onderhevig aan exogene gebeurtenissen. Eind 1998 daalde de olieprijs tot een dieptepunt, waarna er sindsdien zich maar liefst vier olieprijsschokken voordeden. De huidige prijs voor een vat olie is bijgevolg meer dan zes keer hoger en bereikte onlangs een nieuw hoogtepunt. Deze enorme olieprijsstijging is voelbaar in elke huiskamer. Er lijkt bovendien geen einde te komen aan deze turbulente stijging en de oorzaken zijn legio. Snelgroeiende en ontwikkelende economieën zoals China en India hebben een zeer hoge nood aan aardolie, waardoor het evenwicht tussen vraag en aanbod lijkt verstoord te zijn. Natuurrampen, oorlogen en de gepaard gaande onzekerheid werken dit onevenwicht nog meer in de hand. Het verband tussen de olieprijzen en de wereldeconomie is aldus een dagelijks fenomeen. Een olieprijsschok blijkt een negatieve impact te hebben op de economie. We blijven echter in het duister wat betreft de invloed van de olieprijzen op de aandelenrendementen. In tegenstelling tot het onderzoekswerk naar het verband tussen de olieprijzen en de macro-economie, blijkt het onderzoek naar het verband tussen de olieprijzen en de (Europese) financiële markten zeer miniem. Aandelenrendementen worden beïnvloed door slechts een beperkt aantal factoren. De vraag is dan of een olieprijsschok een van deze systematische factoren is? Daarnaast stellen we ons eveneens de vraag in welke mate een olieprijsschok invloed heeft. Op deze vragen trachten we in deze scriptie een sluitend antwoord te geven.
1
In het eerste hoofdstuk wordt door middel van factormodellering het verband tussen het verwachte rendement op aandelen en het hieraan verbonden risico lineair voorgesteld. We gaan in op twee belangrijke factormodellen die de basis leggen voor het vervolg van deze scriptie. Het eerste model betreft de Capital Asset Pricing Model (CAPM). Dit model stelt dat de variatie in de aandelenrendementen kan verklaard worden door één enkele factor, namelijk de marktportefeuille. De Arbitrage Pricing Theory (APT) als tweede model meent echter dat er meerdere factoren kunnen gevonden worden ter verklaring van de aandelenrendementen. In het tweede hoofdstuk bespreken we het factoranalytisch onderzoek. Via deze methode gaat men in eerste instantie na of er meerdere factoren consistent met het APT kunnen gevonden worden, waarna men onderzoekt hoeveel verklarende factoren er zijn. In het derde hoofdstuk gaan we dieper in op de macro-economische factorbenadering. Deze benadering tracht de identiteiten achter het gevonden aantal factoren te identificeren, waardoor we aan de beschouwde factoren economische interpretaties kunnen geven. Vanuit het Dividend Discount Model (DDM) kan een set van potentiële macro-economische factoren afgebakend worden waaruit het aantal factoren overeenkomstig het factoranalytisch onderzoek dient gekozen te worden. Vervolgens bespreken we het multifactormodel dat tracht te achterhalen of de gekozen macro-economische factoren ten eerste invloed hebben op de aandelenrendementen en ten tweede in welke mate deze factoren invloed hebben op de rendementen. In het vierde hoofdstuk behandelen we specifiek het verband tussen de olieprijzen en de aandelenrendementen. In eerste instantie gaan we na of olieprijsschokken een significante invloed hebben op de aandelenmarkten. Dit doen we voor zowel ontwikkelde als snelgroeiende aandelenmarkten. Aansluitend onderzoeken we of deze invloed op de markten varieert doorheen de tijd. Verder analyseren we het niet-lineaire verband waarbij zowel stijgingen als dalingen in de olieprijzen worden beschouwd. Vervolgens behandelen we de invloed van de olieprijsvolatiliteit in vergelijking met de olieprijzen, waarna het leading karakter van olieprijzen aan bod komt. Tenslotte richten we ons specifiek op het verband tussen de olieprijzen en de energiesector.
In hoofdstuk vijf voeren we een empirisch onderzoek uit naar de invloed van de gekozen systematische verklarende factoren op de Europese aandelenrendementen uitgedrukt in aandelenportefeuilles over de periode 1982-2006. In dit onderzoek richten we ons uiteraard voornamelijk op de invloed van olieprijsschokken op de rendementen. We onderzoeken de impact van olieprijsschokken eveneens doorheen de tijd door beschouwing van enkele 2
subperiodes, alsook de asymmetrische relatie tussen de olieprijzen en de aandelenrendementen. Verder bestuderen we de invloed van olieprijsschokken in periodes met een verschillend olieprijspeil en in periodes met een verschillend niveau van olieprijsvolatiliteit.
3
Hoofdstuk 1: Factormodellering De relatie tussen aandelenrendementen en het hieraan verbonden risico is een belangrijk en talrijk onderzocht onderwerp. Deze relatie kan voorgesteld worden door middel van factormodellering. Een alombekend factormodel betreft het Capital Asset Pricing Model. Dit model stelt dat de relatie tussen aandelenrendementen en het risico lineair kan worden voorgesteld. Dit model hanteert de marktportefeuille als enige verklarende factor. Een alternatief factormodel is de Arbitrage Pricing Theory. Deze stelt de relatie tussen rendement en risico eveneens lineair voor, doch laat ruimte voor meerdere verklarende factoren. De relatie wordt dan voorgesteld door een multifactormodel, waar elke factor de onverwachte wijziging in de onderliggende variabele meet ter verklaring van de variatie in de rendementen. Deze factormodellen vormen de basis voor de rest van deze scriptie en mijns inziens is het dan ook belangrijk hierin een goed inzicht te verwerven.
1
Capital Asset Pricing Model
1.1 Inleiding Het Capital Asset Pricing Model (CAPM) geeft de relatie weer tussen het risico en het verwachte rendement van aandelen. De eerste stap in het portefeuillebeheer werd gezet door Nobelprijswinnaar Harry Markowitz. Deze ontwikkelde eveneens het model van portefeuilleselectie, dat het principe van diversificatie ter reductie van het risico in zich draagt. Het model van Markowitz identificeert een efficiënte set van risico-rendement combinaties. Door middel van diversificatie leiden deze combinaties tot hogere verwachte rendementen en lagere risico’s, waardoor het totale risico van een aandelenportefeuille gereduceerd kan worden. Deze diversificatie is afhankelijk van de mate van correlatie tussen de verschillende aandelen. Hoe lager de correlatie tussen de aandelen, hoe groter het effect van diversificatie. De bekomen ‘efficiënte grens van risico-activa’ geeft voor elk niveau van risico het hoogste verwachte rendement weer, of anders bekeken voor elk niveau van verwacht rendement minimaliseert ze het risico. (BODIE Z. et al., 1989, pp.. 240-245)
1.2 De assumpties Het CAPM model werd twaalf jaar later ontwikkeld Sharpe, Lintner en Mossin. Het model geeft een precieze voorspelling van de relatie tussen het geobserveerde risico van een aandeel en het verwachte rendement.
4
De basisversie van het CAPM model is gebaseerd op enkele vereenvoudigde assumpties die de analyse van het model danig vergemakkelijken:
1
De aanwezigheid van een ‘perfecte markt’. Deze assumptie impliceert dat er noch transactiekosten zijn, noch belastingen worden geheven. Er bestaan zodoende geen fricties in de kapitaalmarkt
2
De efficiënte markthypothese in sterke vorm. Alle informatie betreffende de markt is ten allen tijde voor iedereen beschikbaar. De prijs van een aandeel draagt bijgevolg alle informatie in zich die relevant is voor het bedrijf.
3
Beleggers zijn homogeen. Ze analyseren de markt op dezelfde wijze en gebruiken hetzelfde universum van activa voor dezelfde tijdshorizon. Dit betekent concreet dat ze allen dezelfde optimale portefeuille van Markowitz gebruiken. Ondanks het verschil in vermogen en een verschillende mate van risico-aversie hebben ze wat betreft de rendementsverwachtingen allen dezelfde ‘homogene verwachtingen’.
1.3 De Marktportefeuille Een eerste belangrijke implicatie van de veronderstellingen eigen aan CAPM is de ‘Marktportefeuille’ als enige factor. Deze portefeuille is de som van alle aandelenportefeuilles van alle individuele beleggers en stelt aldus de geaggregeerde risicoportefeuille voor. Indien alle beleggers hun individuele portefeuilles willen optimaliseren, veronderstelt CAPM dat ze allen bij dezelfde optimale portefeuille zullen belanden. In marktevenwicht zal de marktportefeuille bijgevolg door alle beleggers aangehouden worden. Elke belegger belegt zodoende voor een deel in de marktportefeuille, en eventuele verschillen in de mate van belegging zijn te wijten aan de verschillende mate van risicoaversie. De marktportefeuille is echter niet observeerbaar, wat uiteraard een belangrijke beperking stelt aan het CAPM. (BODIE Z. et al., 1989, pp. 284)
1.4 De verwachte rendement-bèta relatie in CAPM Het CAPM kan voorgesteld worden als een verwachte rendement-bèta relatie, namelijk E(rP) = rf + βP[E(rM)- rf] , met E(RP) = het verwachte rendement van portefeuille P, rf = risicovrije rente, βP = het marktrisico,
5
E(rM) = het verwachte rendement van de marktportefeuille, E(rM)- rf = de risicopremie op de marktportefeuille. Voor elke portefeuille geldt dat de risicopremie voor het gelopen marktrisico een functie is van bèta. De risicopremie voor elk individueel actief is direct proportioneel met zowel de bèta van het individueel actief, als de risicopremie voor de marktportefeuille. Grafisch kan men deze relatie weergeven als de Security Market Line (SML) die de trade-off weergeeft tussen het vereiste rendement en het systematische risico van individuele aandelen. ‘Goed geprijsde’ activa zullen exact op de SML liggen, waarbij het verwachte rendement in evenwicht is met het gelopen risico, en zodoende gelijk is aan het noodzakelijke rendement. Gegeven de gestelde assumpties van het CAPM model zullen alle activa in marktevenwicht op de SML moeten liggen. ( BODIE Z. et al., 1989, pp. 289-291)
In het CAPM houdt men bij het waarderen van individuele beleggingen rekening met de eliminatie van het onsystematische risico door middel van diversificatie. De risicopremie die de belegger verwacht zal dus enkel afhangen van het systematische risico. De bèta van een aandeel is een maatstaf van het systematische risico van een aandeel tegenover van het marktrisico, anders gesteld de correlatie van het aandelenrendement met het marktrendement. De bèta van de marktportefeuille evenals de bèta van een ‘gemiddeld’ aandeel bedraagt één. Bedrijven met bèta's groter dan één worden aanzien als agressieve aandelen omdat ze heviger fluctueren dan de markt. Bedrijven met bèta's lager dan één beschouwt men als defensief. (OOGHE H. et al., 2002, pp. 152)
Het CAPM gaat in weze over relaties tussen verwachte rendementen, terwijl we enkel gerealiseerde en actuele rendementen kunnen vaststellen. Om de stap van verwachte rendementen naar gerealiseerde rendementen te verwezenlijken kan men het systematische risico schatten door toepassing van het zogenaamde marktmodel, ri = α i + βi rM + εi , met ri = het rendement op actief i, α i = constante, βi = de schatting van het systematische risico, rM = het rendement op de marktportefeuille, εi = het niet-systematische risico.
6
Het CAPM is een model dat gebaseerd is op slechts één verklarende factor in de relatie tussen risico en rendement, namelijk de marktportefeuille. Ze houdt derhalve geen rekening met andere factoren die enigszins het rendement op aandelen kunnen beïnvloeden. Ondanks het feit dat de gestelde assumpties aan het model allerminst een correcte weergave zijn van de complexe realiteit, kunnen we toch stellen dat het CAPM een eerste stap was in de verklaring van de relatie tussen het risico en het rendement. De bèta in het model is vandaag de dag nog steeds een goede en belangrijke waardemeter van het marktrisico en de marktgevoeligheid. Hedendaags wordt CAPM nog steeds gebruikt in investeringsanalyses en methodes ter waardering van activa.
2
De Arbitrage Pricing Theory
2.1 Inleiding Naast het CAPM werden tal van alternatieve modellen ontwikkeld om uitgaande van het risico het vereiste rendement op een beleggingsopp.ortuniteit te bepalen. De logica achter het CAPM werd grotendeels behouden, doch zochten deze modellen hoofdzakelijk naar realistischere assumpties en verklaringen voor de risico-rendement relatie. De aandacht spitste zich voornamelijk toe op meerdere verklarende factoren in plaats van de marktportefeuille als enige verklarende factor. In wat volgt zullen we het belangrijkste alternatief model bespreken, namelijk de Arbitrage Pricing Theory (APT).
2.2 De assumpties De Arbitrage Pricing Theory (APT) werd in 1976 ontwikkeld door Stephen Ross. Net zoals CAPM probeert hij de relatie tussen het verwachte rendement en risico te verklaren via een SML, doch baseert hij zich niet enkel op één verklarende factor maar ontwikkelde hij een model dat toelaat het rendement en het systematische risico te verklaren door verschillende factoren tegelijkertijd, namelijk een multifactormodel.
APT is gebaseerd op drie essentiële proposities: 1. In een rationeel marktevenwicht zijn er geen arbitrageopportuniteiten: Arbitrageopp.ortuniteiten ontstaan wanneer een belegger winst kan maken zonder het lopen van enig risico en zonder het maken van enige belegging. Een basisveronderstelling van de kapitaalmarktentheorie is dat marktprijzen zich zullen aanpassen om deze arbitrageopportuniteiten te elimineren. Ross neemt dan ook 7
aan dat in marktevenwicht geen arbitrage mogelijk is. Deze assumptie bezorgde het APT haar huidige naam. 2. De niet-systematische risicocomponent (e) kan men weg diversifiëren. Deze stelling komt overeen met CAPM in die zin dat indien een portefeuille voldoende niet-perfect
gecorreleerde activa bevat, de niet-systematische
risicocomponent geëlimineerd kan worden door diversificatie. Hierdoor zal enkel het
systematische
risico
van
de
factor
een
risicopremie
vereisen
in
marktevenwicht. ( BODIE Z. et al., 1989, pp. 351) 3. De derde stelling eigen aan het APT is dat rendementen van activa beschreven kunnen worden via factormodellen. In het geval van APT betreft dit een model met meerdere factoren.
Als gevolg van deze drie stellingen kan een identieke SML aan die van het CAPM gevonden worden, doch zonder de restrictieve assumpties. Hierdoor vereist het APT niet dat men de marktportefeuille als benchmark moet gebruiken, waardoor elke goed gediversifieerde portefeuille op de SML als benchmark kan dienen. (BODIE Z. et al., 1989, pp. 355) Dit bezorgt het APT uiteraard een grotere flexibiliteit daar men geen rekening dient te houden met de niet-observeerbare marktportefeuille.
2.3 Het multifactormodel Een belangrijk en essentieel element van APT is dat het meer dan één factor toelaat ter verklaring van het rendement en het risico. Een multifactormodel kan als volgt worden voorgesteld, rit = E(ri) + βi1 F1t + βi2 F2t + … + βik Fkt + εit , met F = k verschillende verklarende factoren, i = 1,…,n.
De k-factoren vertegenwoordigen het systematische risico in het model en zijn allen ongecorreleerd. (ROLL R. en ROSS A., 1980, pp. 1076) Elke factor van het model meet een onverwachte wijziging in de onderliggende variabele. Elke factor heeft met andere woorden een verwachte waarde van nul. (BODIE Z. et al., 1989, pp. 356) De bèta’s in het model vertegenwoordigen de gevoeligheid van de rendementen van het aandeel i op wijzigingen in de factoren Fk. Hoe hoger de absolute waarde van de bèta’s, hoe
8
groter het factorrisico en bijgevolg hoe hoger de risicopremie.
2.4 De verwachte rendement-bèta relatie in APT De verwachte rendement-bèta relatie met meerdere factoren kan men als volgt voorstellen, E(r) = rf + β1[E(rF1)- rf] + β2[E(rF2)- rf] + … + βk[E(rFk)- rf], met [E(rF)- rf] = de risicopremie voor elke factor. Net als bij CAPM is deze relatie tussen het verwachte rendement en risico lineair. Voor elke factor, of anders gesteld voor elke mogelijke bron van systematische risico in de relatie vindt men een risicopremie E(rF)- rf. (BODIE Z. et al., 1989, pp. 1079) De verwachte rendement-bèta relatie wordt voorgesteld gebruik makend van een goed gediversifieerde portefeuille bestaande uit een voldoende aantal aandelen.
Het empirisch testen van het APT kan volgens Roll en Ross (1980) uitgevoerd worden via het toepassen van factoranalyse. Naar deze statistische benadering wordt later in deze scriptie verwezen.
Een zware tekortkoming van het APT is dat het geen universeel antwoord geeft op de vragen welke en hoeveel factoren belangrijk zijn voor het bepalen van de verwachte rendementen. Dit verhoogt enerzijds wel de flexibiliteit van het model, anderzijds heeft dit als gevolg dat het minder praktisch bruikbaar is dan bijvoorbeeld CAPM. (OOGHE H. et al., 2002, pp.154)
2.5 Besluit Uit het voorgaande mogen we besluiten dat het APT een zeer geschikt alternatief is voor het CAPM. Beide modellen gaan dan ook uit van dezelfde basisgedachten. Zo geven ze een benchmark voor de rendementsvoeten, die gebruikt kan worden bij kapitaalbudgettering en investeringsevaluaties. Daarnaast belichten ze het verschil tussen het niet-diversifieerbare factorrisico, dat een vergoeding in de vorm van een risicopremie vereist, en het diversifieerbare risico dat geen extra vergoeding vereist. (BODIE Z. et al., 1989, pp.. 356) Beide modellen geven dus inzicht in de relatie tussen rendement en risico, en geven deze relatie weer als een lineaire functie. Hoewel het multifactormodel toelaat een groot aantal factoren te gebruiken ter verklaring van de aandelenrendementen, neemt het APT aan dat slechts enkele factoren gebruikt kunnen
9
worden om de variatie in de aandelenrendementen te verklaren. (BAI J. en SERENA N., 2002, pp. 193)
Het CAPM is echter gebonden aan de niet-observeerbare marktportefeuille. APT daarentegen vereist
geen
marktportefeuille
als
benchmark
en
rust
op
minder
restrictieve
veronderstellingen. Bovendien laat het APT als multifactormodel ruimte voor meerdere verklarende factoren, waardoor het in staat is een groter deel van de rendementsvariatie tussen aandelen te verklaren en aldus uitgebreider informatie te verschaffen over de risicorendementsrelatie. (BOWER D.H. et al., 1984, pp.1045) Deze eigenschap stelt het model dan ook in staat oneindig veel combinaties van factoren te maken, waardoor haar flexibiliteit uiteraard danig verhoogt. In zijn werk stelt Brennan (1971) dat een goed rendementsverklarend model gebaseerd moet zijn op minimum twee factoren en niet zoals het CAPM op één factor. Ook Bower (1984) besluit uit zijn onderzoek dat APT een veel grotere verklaringskracht heeft in de rendementsvariatie, zowel doorheen de tijd via tijdsseries als cross-sectioneel.
10
Hoofdstuk 2 : Factoranalytisch Onderzoek
1
Inleiding
In factormodellering kan men een onderscheid maken tussen enerzijds een éénfactormodel zoals bijvoorbeeld het CAPM en anderzijds een multifactormodel zoals het APT. Deze modellen stellen de relatie tussen het verwachte rendement en het risico lineair voor en veronderstellen dat deze lineaire relatie bepaald wordt door één of meerdere factoren. Een multifactormodel zoals het APT heeft evenwel de tekortkoming dat ze geen uitspraak doet omtrent hoeveel factoren de verwachte rendementen beïnvloeden en welke economische variabelen aan deze factoren kunnen worden gekoppeld.
Vooraleerst gaan we in op de eerste vraag, die eigenlijk in drie vragen kan worden onderverdeeld. In wat volgt zullen we werken bespreken van auteurs die onderzoek verrichtten naar deze onderwerpen en in hun werken antwoorden trachtten te geven op deze drie prangende vragen eigen aan het APT en de multifactormodellen, namelijk: -
bestaan er meerdere factoren?
-
indien ze bestaan, hoeveel factoren kunnen er gevonden worden?
(ROLL R. en ROSS A., 1980, pp. 1075) Niet toevallig worden deze vragen vermeld in het basiswerk betreffende het APT van de hand van Roll en Ross dat hierna uitgebreid besproken wordt. Elk van de volgende werken steunt dan ook op de gedachten eigen aan dit fundamenteel onderzoekswerk.
In een tweede deel zal dan later ingegaan worden op de tweede fundamentele vraag betreffende welke economische variabelen geïdentificeerd kunnen worden als systematische factoren. Hier zal dan aandacht besteed worden aan de macro-economische aanpak, met speciale aandacht voor de olieprijzen als systematische factor.
2
De drie soorten multifactormodellen
Multifactormodellen van aandelenrendementen kan men in drie soorten onderverdelen, namelijk de statistische, de fundamentele en de macro-economische factormodellen. De statistische factormodellen doen beroep op factoranalyse om het aantal significante factoren na te gaan. Factoranalyse is een statistische methode waarbij de relaties tussen een set van k onderling afhankelijke variabelen worden bestudeerd. Vervolgens zal men trachten
11
het grote aantal onderlinge afhankelijke variabelen te reduceren tot enkele onderliggende significante factoren. (AL-NAJJAR N.I., 1997, pp. 231) Het is op basis van deze methode dat de auteurs in de hiernavolgende werken het aantal systematische factoren trachten te bepalen. De fundamentele factormodellen gebruiken bedrijfsattributen zoals de bedrijfsomvang, het dividendrendement, de book-to-market ratio en de sectorclassificatie om de variatie in de aandelenrendementen te verklaren. Een bekend voorbeeld van een fundamenteel model betreft het driefactormodel van Fama en French. In deze scriptie wordt echter geen beroep gedaan op deze methodes van factormodellering waarvoor we de geïnteresseerde lezer graag verwijzen naar Connor G. (1995). Het derde type betreft de macro-economische factormodellering. Deze wordt verder in deze scriptie uitgebreid besproken waardoor we er hier niet dieper op in gaan.
3
Factoranalytisch onderzoek
3.1 Inleiding In het factoranalytisch onderzoek tracht men na te gaan hoeveel systematische factoren de aandelenrendementen bepalen. Hierbij gaan ze uit van de via APT bewezen multifactor hypothese die stelt dat meerdere factoren de aandelenrendementen beïnvloeden. In het empirisch onderzoek van deze scriptie trachten we ook na te gaan welke factoren invloed hebben op de aandelenrendementen. Zoals vermeld doen we dit echter niet via de factoranalytische methode, maar door het identificeren van macro-economische factoren die invloed hebben op de aandelenrendementen.
3.2 Het aantal systematische factoren 3.2.1
Roll en Ross
De eerste onderzoekers die in hun werk het aantal systematische factoren onderzoeken zijn Roll en Ross. Men kan deze laatste dan ook aanzien als de pioniers inzake het factoranalytisch onderzoek. Hierbij baseren ze zich op de theoretische grondgedachten van het door Ross zelf ontwikkelde model APT. In hun zoektocht naar de systematische factoren achter de risico-rendementsrelatie stellen Roll en Ross (1980) dat slechts enkele variabelen in aanmerking komen. Indien deze werkelijk van toepassing zijn, moeten ze verbonden zijn aan fundamentele macroeconomische aggregaten zoals het BBP of de intrestvoeten. (ROLL R. en ROSS A., 1980, pp. 1077)
12
Ondanks deze stelling gaan ze zoals reeds vermeld niet de identiteiten van de factoren na, wat onmogelijk is via factoranalyse. Deze taak laten ze dan ook over aan de macro-economische aanpak.
In hun steekproefopzet onderzoeken Roll en Ross (1980) de maandelijkse rendementen van 1260 aandelen over de periode van 1962 tot 1972. De aandelen worden gerangschikt in 42 groepen van elk 30 aandelen. Roll en Ross (1980) maken gebruik van de ‘multi-sample’ of de groepsbenadering die het geheel van aandelen opsplitst in kleinere groepen of subgroepen. Dit doen ze om het hoofd te bieden aan een toenmalig probleem bij factoranalyse. Het was namelijk destijds onmogelijk factoranalyse uit te oefenen op een groot aantal aandelen. De computersoftware zat destijds nog in haar prille beginfase waardoor analyse van grote aantallen aandelen tegelijk onmogelijk was. (ELTON E.J. en GRUBER M.J., 1988, pp. 23) Wat betreft de indeling in groepen bestaande uit elk 30 individuele aandelen kwamen de auteurs tot een compromis. De optimale grootte van een groep is uiteraard één groep die alle aandelen bevat. Evenwel zou een groep van deze omvang een correlatiematrix teweegbrengen die de capaciteit van de toenmalige computer te boven ging. Om deze reden zochten de auteurs naar een alternatieve omvang. Uit schattingen bleek dat een groepsomvang van 30 aandelen de meest redelijke precisie zou geven. (ROLL R. en ROSS A., 1980, pp. 1086) Niettemin geeft deze technologisch noodzakelijke splitsing in groepen het nadeel dat indien er bijvoorbeeld drie significante factoren gevonden worden, elk van de 42 groepen drie verschillende factoren in zich kan dragen. Vanwege het feit dat factoranalyse geen factoren kan identificeren, kan men niet garanderen dat dezelfde drie factoren de rendementen bepalen voor elke groep. In theorie kunnen dus voor elke groep drie verschillende factoren worden gevonden. Dit zou het aantal factoren dan op 126 brengen, of tenminste een aantal dat groter is dan drie. (ROLL R. en ROSS A., 1980, pp.1099) Dit probleem wordt verder in deze scriptie behandeld en de hierna besproken wetenschappers houden met dit probleem reeds enigszins rekening.
Uit de resultaten over de 42 groepen blijken vijf factoren significant. Hierbij wordt opgemerkt dat de vijf bekomen factoren het resultaat zijn van een betrekkelijk conservatieve houding. Hiermee bedoelt men dat er een zeer hoge kans bestaat dat er minstens evenveel geschatte factoren zijn als er reële factoren zijn. (ROLL R. en ROSS A., 1980, pp. 1088)
13
3.2.2
Brown en Weinstein
Brown en Weinstein (1983) voeren onderzoek uit op precies dezelfde data over precies dezelfde periode als Roll en Ross (1980) met inbegrip van de gestelde assumpties. Toch brengen ze een wijziging aan in de methode van splitsing van de aandelen in groepen vanwege het identificatieprobleem van de factoren dat we later zullen bespreken.
De resultaten zijn consistent met een driefactormodel, doch neemt men aan dat drie verklarende factoren waarschijnlijk te weinig zijn. Na verder onderzoek besluit men dan ook dat ten minste drie factoren maar toch niet meer dan vijf systematisch significant zijn. Het kleine verschil met Roll en Ross (1980), die slechts drie tot vier factoren vond, wijt men aan de meer gesofisticeerde analysemethodes. (BROWN S.J. en WEINSTEIN M.I., 1983, pp. 720-735)
3.2.3
Dhrymes, Friend en Gültekin
In hun factoranalytisch onderzoek gebruiken de auteurs net als Brown en Weinstein (1983) precies dezelfde aandelenportefeuille over precies dezelfde periode als Roll en Ross (1980). Hierbij merkt men op dat indien er verschillen zijn, deze enigszins te wijten zijn aan verdwenen observaties of aan de grotere nauwkeurigheid van hun computersoftware. Evenals Brown en Weinstein menen ze dat er een identificatieprobleem verbonden is aan de factoren. Om deze reden gaan ze het aantal factoren na voor groepen met verschillende omvang inzake aantal aandelen. Deze resultaten zullen eveneens in een afzonderlijk deel worden besproken. (DHRYMES P.J. et al., 1984, pp. 338)
Op basis van hun resultaten concluderen ze dat er alleszins méér dan vijf significante factoren kunnen gevonden worden. In vergelijking met voorgaande auteurs vinden ze dus meer significante factoren. Bovendien wordt geen limiet gesteld aan het aantal factoren. Zoals we later zullen zien besluiten ze uit hun resultaten dat hoe meer aandelen een groep bevat, hoe meer systematische factoren er gevonden worden. Hieruit volgt uiteraard een interessante en belangrijke vraag. Op welk niveau van aantal aandelen per groep zal het aantal factoren zich stabiliseren zodat het toevoegen van aandelen per groep het aantal gevonden factoren niet wijzigt? Helaas wordt hierop niet verder ingegaan, doch bemerken ze dat op basis van voorgaande resultaten het er alleszins méér dan vijf moeten zijn. (DHRYMES P.J. et al., 1984, pp. 338-340) 14
We vermelden ook dat Cho (1984) een gelijkaardige factoranalytische benadering uitvoert op dezelfde data over dezelfde periode. Zijn resultaten tonen dat het gevonden aantal factoren zeer gevoelig is voor de geselecteerde significantiegraad. Het aantal systematische factoren gevonden over de data varieert van drie tot negen. Net als bij Dhrymes et al. merken we dat ook hij de mogelijkheid tot een betrekkelijk groot aantal factoren open laat. (ELTON E.J. en GRUBER M.J., 1988, pp. 23)
3.2.4
Elton en Gruber
Elton en Gruber (1988) trachten de risicofactoren en de risicostructuur van de Japanse aandelenmarkt te identificeren en te begrijpen. Door deze alternatieve aandelenmarkt te beschouwen worden ze als pioniers beschouwd inzake het onderzoek naar het aantal significante factoren in de Japanse aandelenrendementen, daar tot dan toe bijna geheel het onderzoekswerk wat betreft de factoranalyse hoofdzakelijk de Amerikaanse aandelenmarkt betrof. Bij het steekproefopzet wordt beroep gedaan op de rendementen van de NRI 400 aandelenindex over de periode april 1971 tot maart 1986, die aldus 180 maanden beslaat. De steekproef bestaat echter slechts uit 393 aandelen daar de data voor de zeven overige aandelen niet beschikbaar was. (ELTON E.J. en GRUBER M.J., 1988, pp. 23-29)
In eerste instantie vindt men vier significante factoren, doch kan de mogelijkheid van vijf factoren niet uitgesloten worden. Na gebruik van correlatietesten tussen de groepen kan het vijffactormodel echter geëlimineerd worden, waardoor men tot het besluit komt dat vier systematische factoren de rendementen van de Japanse aandelen beïnvloeden. Ondanks de verschillende en meer complexe structuur van de Japanse aandelenmarkt vinden de auteurs toch gelijkaardige resultaten aan de voorgaande resultaten voor de Amerikaanse aandelenmarkt. Dit kan enigszins wijzen op enige consistentie wat betreft het aantal significante factoren in de aandelenrendementen. Er wordt een determinatiecoëfficiënt (R²) voor het vierfactormodel gevonden van om en bij de 77%. Dit volbrengen de auteurs via de portefeuillebenadering die de volledige portefeuille bestaande uit 393 aandelen verdeelt in twintig subgroepen gebaseerd op de omvang van de ondernemingen. Dezelfde tests voor een vijffactor en een zesfactormodel genereren zoals verwacht geen hogere coëfficiënten met als gevolg dat de eerder gemaakte conclusie dat het
15
vierfactormodel geschikt is ter verklaring van de rendementen bevestigd wordt. (ELTON E.J. en GRUBER M.J., 1988, pp. 24-32)
In het tweede deel van hun werk gaan Elton en Gruber na welk percentage van het totale rendement wordt verklaard door deze vier factoren, met andere woorden welke verklaringskracht achter het vierfactormodel schuilt. Daarna vergelijken ze de bekomen resultaten met de verklaringskracht van een éénfactormodel, zoals het CAPM. Om dit te onderzoeken moeten de auteurs de cross-sectionele relaties tussen de data nagaan. Hiervoor doen ze wederom een beroep op de eerder vermelde portefeuillebenadering. Deze benadering blijkt voor deze taak uiterst geschikt.
Elton en Gruber vinden dat het vierfactormodel 77% van het totale rendement verklaart, waardoor het dus over een aanzienlijke verklaringskracht beschikt. Om een vergelijking te maken met een single-index model worden de rendementen van de twintig subgroepen geregresseerd tegen de NRI 400 index, die bestaat uit de 400 geanalyseerde aandelen. De relatie tussen de twintig subgroepen en de NRI 400 als marktfactor is uiteraard groter dan indien er een marktindex was gekozen die niet uit deze 400 aandelen bestond. De verklaringskracht van het single-index model bedraagt slechts 55%, waardoor de verwachte hypothese dat het vierfactormodel een groter aandeel in de rendementsvariatie verklaart dan het éénfactormodel wordt bevestigd. De verklaringskracht van vierfactormodel is maar liefst 22% groter.
Elton en Gruber gaan nog verder door de verklaringskracht van de eerste factor van het vierfactormodel na te gaan en deze te vergelijken met de verklaringskracht van het singleindex model op basis van de NRI 400. De eerste factor van het vierfactormodel verklaart 67% van het totale rendement, en verklaart bijgevolg meer dan de NRI 400 index. De omvang van het verschil is echter verschillend dan wat de resultaten voor de Amerikaanse aandelenmarkt naar voor brengen. Dit laatste weerlegt in beperkte mate de hypothese van consistentie in de aandelenmarkten over verschillende landen. Opvallend is ook dat de verklaringskracht licht daalt naarmate de omvang van de ondernemingen daalt. We bemerken dus dat de overige drie factoren in het vierfactormodel nog een significante proportie van de variabiliteit van de rendementen verklaren, doch dat het
16
grootste deel verklaard wordt door de eerste factor. (ELTON E.J. en GRUBER M.J., 1988, pp. 34)
Uit de testen kwam evenwel ook een onverwacht resultaat naar voor. De gevoeligheid van de rendementen van de twintig groepen tegenover van de NRI 400 index, anders gesteld de bèta, daalt eveneens naarmate de omvang van de ondernemingen afneemt. Bèta wordt algemeen gezien als een maatstaf van risico. In voorgaand onderzoek met Amerikaanse data stegen de bètacoëfficiënten naarmate de omvang toenam, waardoor kleinere ondernemingen als meer risicovol werden beschouwd. Voor de Japanse data vinden Elton en Gruber echter omgekeerde resultaten. In Japan hebben de kleinere bedrijven veel kleinere bèta’s dan de grotere bedrijven. Met andere woorden zijn de kleinere bedrijven in Japan, in tegenstelling tot in de Verenigde Staten, minder risicovol dan de grote ondernemingen. Daarnaast bemerken Elton en Gruber dat er een sterke relatie aanwezig is tussen het rendement en de omvang van bedrijven. Kleinere ondernemingen blijken ook hogere rendementen te hebben. Uit deze bevindingen besluiten de auteur dat naarmate de omvang van de bedrijven daalt, enerzijds de bètacoëfficiënten afnemen en dus het risico daalt en anderzijds het gemiddeld rendement stijgt. Dit houdt in dat kleinere ondernemingen zowel een hoger rendement als een lager risico geven. Met deze bevindingen wordt bewezen dat er wel degelijk een fundamenteel verschil is tussen de Japanse en de Amerikaanse aandelenmarkt. (ELTON E.J. en GRUBER M.J., 1988, pp. 36-37) De resultaten van Elton en Gruber tonen aan dat er een significante discrepantie is tussen verschillende economische markten. In het empirisch onderzoek analyseren we de Europese aandelenmarkt. Ondanks de nauwe samenwerking rijst de vraag of deze eveneens danig verschilt van de Amerikaanse aandelenmarkt.
3.2.5
Sharpe
Sharpe is voornamelijk bekend omwille van de uitwerking van het CAPM model dat in deze scriptie reeds uitvoerig aan bod is gekomen. Na het werk van Roll en Ross en na verder testen van zijn éénfactormodel stelt ook Sharpe (1981) enkele naïeve assumpties van zijn eigen CAPM model in vraag. Hij geeft toe dat zijn voormalige denkwijze te beperkt was en verwerpt
in
eerste
instantie
een
essentiële
CAPM-assumptie,
namelijk
dat
de
marktportefeuille de enige verklarende factor is. Daarom gaat ook hij op zoek naar het aantal systematische factoren die de aandelenrendementen beïnvloeden en gaat hij verder dan ook 17
uit van een multifactormodel waar de invloeden van meerdere factoren tegelijk kunnen worden onderscheiden. (SHARPE W.F., 1981, pp. 1-5)
Zoals we later zullen zien wil hij echter ook de identiteiten achter het gevonden aantal factoren nagaan, waardoor zijn werk als een link
kan beschouwd worden tussen de
fundamentele, de statistische en de macro-economische factormodellering. De resultaten wijzen op vijf significante factoren. Doch meent hij dat er naast deze vijf factoren eveneens factoren zijn die specifiek toe te wijzen zijn aan een economische sector. Deze bevinding zal verder in deze scriptie behandeld worden. (SHARPE W.F., 1981, pp. 8-18)
3.3 Kritiek op het onderzoek van Roll en Ross 3.3.1
Het identificatieprobleem door splitsing in groepen
In het voorgaande werd meerdere malen verwezen naar het identificatieprobleem dat ontstaat door
de
noodzaak
de
portefeuille
met
alle
aandelen
te
splitsen
in
kleinere
aandelenportefeuilles. Dit probleem spruit voort uit de ‘multisample’ of de groepsbenadering die voor het eerst werd gebruikt door Roll en Ross (1980). Zij vinden voor de 42 groepen namelijk drie significante factoren, doch kunnen zij vanwege het identificatieprobleem niet uitsluiten dat er voor elk van de 42 groepen drie verschillende factoren zijn. In theorie zou men dus 126 verschillende factoren kunnen vinden. Verder in hun werk negeren Roll en Ross (1980) echter deze bemerking. Bij het weergeven van de resultaten houden ze bijgevolg geen rekening met het feit dat ze hun algemene aandelenportefeuille opsplitsen in groepen van elk 30 aandelen. Deze splitsing kan de gevonden resultaten enigszins vertekend hebben. (DHRYMES P.J. et al., 1984, pp. 331)
De eerste onderzoekers die met dit probleem wel rekening trachten te houden zijn Brown en Weinstein (1983). Zij ontwikkelen in hun onderzoek namelijk een nieuwe factoranalytische methode om de rendementsstructuur tussen groepen van aandelen te analyseren op een zeker tijdstip. Anders gesteld analyseren ze de factoren voortgebracht door de verschillende groepen, waarna ze in een volgende stap die factoren identificeren die bij twee of meer groepen voorkomen, dus de overeenkomstige factoren. Dit laat de auteurs toe na te gaan of de gevonden factoren algemeen voorkomend zijn, de zogenaamde ‘common factors’, dan wel specifiek toe te wijzen zijn aan één welbepaalde groep.
18
Bovendien brengen ze een wijziging aan in de methode ter groepering van de aandelen. De aandelenportefeuille wordt ingedeeld in 21 groepen van 60 aandelen in plaats van 42 groepen van 30 aandelen zoals bij Roll en Ross (1980). De toegepaste methode bestaat er namelijk uit om de subgroepen van 30 aandelen uit de indeling van Roll en Ross, te gebruiken om de groepen bestaande uit 60 aandelen samen te stellen. Brown en Weinstein (1983) voegen dus twee groepen van Roll en Ross samen om één groep volgens hun methode te bekomen. Vervolgens voeren ze de factoranalyse uit op zowel de subgroepen van 30 aandelen als de groepen van 60 aandelen. Langs deze weg is het mogelijk de verschillen tussen beide bekomen resultaten te analyseren, waardoor men de resultaten volgens hun indeling, namelijk 60 aandelen per groep, perfect kan vergelijken met de indeling van Roll en Ross. (BROWN S.J. en WEINSTEIN M.I., 1983, pp. 720-721)
3.3.2
Aantal factoren voor groepen van verschillende omvang
Een hevige reactie op het werk van Roll en Ross (1980) komt uit de hoek van Dhrymes, Friend en Gültekin (1984). Zij menen dat de theorie van Roll en Ross naast het identificatieprobleem onderhevig is aan een andere hevige beperking. Zo geloven zij dat factoranalyse op kleine groepen van aandelen danig verschilt van factoranalyse op grotere groepen aandelen. Men gaat zodoende na of het aantal systematische factoren gevonden in een kleine groep van aandelen gelijk is aan het aantal systematische factoren gevonden in een grote groep van aandelen. Door middel van factoranalyse gaan ze het aantal factoren na voor groepen van 15 aandelen, 30 (zoals Roll en Ross), 45, 60 (zoals Brown en Weinstein), 90 en 240. In tegenstelling tot de voorgaande onderzoekers kunnen zij wel grotere groepen van aandelen testen door gebruik te maken van een verbeterd computersoftwaresysteem. De resultaten worden in tabel 2 weergegeven.
Tabel 1: Het gevonden aantal factoren per aandelengroep Aantal aandelen per groep
15
30
45
60
90
Aantal gevonden Factoren (k)
2
3
4
6
9
Bron: eigen werk
Ze komen tot het besluit dat hoe meer aandelen een groep bevat, hoe meer systematische factoren er gevonden worden. Net zoals Roll en Ross vinden ze voor groepen van 30 aandelen
19
ongeveer drie factoren. Doch bewijzen ze door deze resultaten dat voor de algemene portefeuille van 1260 aandelen er meer dan drie of vier systematische factoren zouden moeten gevonden worden. Bovendien concluderen ze dat het analyseren van kleine groepen van aandelen tot suboptimale resultaten leidt waarvan de betekenis onduidelijk is. Ze opp.eren dan ook dat de analyse indien mogelijk steeds op grote groepen van aandelen moet uitgevoerd worden. (DHRYMES P.J. et al., 1984, pp. 323-340) Elton en Gruber echter betwijfelen deze resultaten ten stelligste. Zij zijn namelijk van oordeel dat het groeperen van aandelen in subgroepen allerlei voordelen heeft. Ten eerste verhoogt het de verklaringskracht van elk model. Ten tweede kunnen de gevoeligheden van de factoren beter worden geschat. Tegelijkertijd laat het toe de data beter te managen waardoor niet enkel de gemiddelde verklaringskracht kan onderzocht worden, maar ook de verklaringskracht tussen groepen van aandelen. (ELTON E.J. en GRUBER M.J., 1988, pp. 32-33)
3.3.3
Kritiek op de verklaringskracht van het multifactormodel van Roll en Ross
In zijn werk uit Reinganum hevige kritiek op de basisassumptie van het multifactormodel van Roll en Ross, namelijk het APT. Hij meent dat dit geen exhaustieve verklaringen geeft wat betreft het verwachte rendement en het risico. Om deze stelling te bewijzen rangschikt hij zijn portefeuilles op basis van de omvang van ondernemingen. Hierbij stelt hij dat kleinere ondernemingen abnormale rendementen verkrijgen tegenover van grotere ondernemingen. Na onderzoek bewijst hij dat APT niet in staat is deze abnormale rendementen te verklaren, en zodoende geen volledige verklaring kan geven. Ondanks deze kritiek kan hij evenwel niet de oorzaken identificeren waarom APT geen verklaring biedt voor deze rendementen. Hij kan enkel aantonen dat APT geen exhaustief verhaal vertelt. (REINGANUM M.R., 1981, pp. 313319)
De kritiek op Roll en Ross vanwege Reinganum wordt korte tijd later weerlegd door een werk van de hand van Chen. Deze laatste bewijst dat indien de omvang van een onderneming een belangrijke factor is in de verklaring van de aandelenrendementen, deze reeds in het APT factoren vervat zit. (BOWER D.H. et al., 1984, pp. 1043) Om zijn argumenten te staven doet hij een beroep op dezelfde data als Reinganum. Chen bewijst dat APT wel degelijk in staat was alles te verklaren inzake het verwachte rendement en het risico. (CHEN N.F., 1983, pp. 1408-1409)
20
4
Besluit
Roll en Ross (1980) vinden in hun basiswerk via factoranalyse dat vijf factoren systematisch invloed hebben op de aandelenrendementen. Brown en Weinstein (1983) vinden ten minste drie factoren maar niet meer dan vijf. Hun resultaten liggen in de lijn van Roll en Ross, die net als zij een limiet plaatsen op het aantal systematische factoren. Ook Cho stelt een limiet hoewel deze veel hoger is dan bij de voorgaande wetenschappers. De range van het aantal systematische factoren bedraagt tussen de drie en negen. Enerzijds laat hij dus de deur open voor een beperkt aantal factoren naar de visie van Roll en Ross en Brown en Weinstein. Niettemin laat hij langs de andere zijde de mogelijkheid bestaan dat er meer dan vijf tot zelfs negen significante factoren zijn, in de lijn van de visie van Dhrymes, Friend en Gültekin. De bevindingen van Cho kunnen in feite opgevat worden als een synthese tussen de voorgaande auteurs. Dhrymes, Friend en Gültekin (1984) vinden op basis van hun resultaten drie tot vier factoren. Doch menen ze dat door analyse op kleine groepen van aandelen deze resultaten naar alle waarschijnlijkheid vertekend zijn, en er bijgevolg minstens méér dan vijf systematische factoren nodig zijn ter verklaring van de rendementen. Bijgevolg stellen ze geen bovenste limiet aan het aantal factoren. Elton en Gruber doen onderzoek op Japanse data en treffen vier systematische factoren aan. Dit resultaat is enigszins vergelijkbaar met wat tot dan toe gevonden werd voor Amerikaanse data.
Tabel 2 : Overzicht van het aantal factoren op basis van factoranalyse. Aantal factoren op basis van factoranalyse
Roll en Ross Dhrymes, Friend en Gültekin Brown en Weinstein Cho Elton en Gruber
5 Méér dan 5 3 tot 5 3 tot 9 4
Bron: cijfers uit de studies van de betreffende auteurs
21
Hoofdstuk 3: De Macro-Economische Aanpak 1
Introductie tot de macro-economische aanpak
1.1 Inleiding Na de belangrijkste werken inzake factoranalytische modellen te hebben besproken, kunnen we ons reeds iets voorstellen omtrent het aantal factoren dat invloed heeft op de verwachte rendementen van de aandelenmarkten. Doch geven deze modellen enkel duiding inzake de aanwezigheid van systematische factoren, het aantal factoren en of deze factoren al dan niet geprijsd zijn. Factoranalyse is echter niet in staat de gevonden factoren te identificeren en geeft dus geen informatie inzake welke factoren de rendementen van aandelen beïnvloeden.
Om de identiteiten achter de factoren te achterhalen moeten we een beroep doen op de macroeconomische factorbenadering. Deze benadering koppelt macro-economische variabelen aan de gevonden systematische factoren waardoor er aan deze factoren economische interpretaties worden gegeven. Via deze benadering kunnen de identiteiten van de factoren geïdentificeerd worden en wordt het grote nadeel aan factoranalyse opgelost. Ter verklaring van de aandelenrendementen introduceert deze benadering naast de aandelenprijzen zelf, ook additionele informatie waardoor het gedrag van aandelenprijzen gerelateerd wordt aan macroeconomische bewegingen. (BURMEISTER E., en MCELROY M.B., 1988, pp. 721)
Chen, Roll en Ross (1986) zijn de eerste auteurs die in hun onderzoek geobserveerde macroeconomische variabelen gebruiken ter verklaring van de risicofactoren en deze variabelen als identiteiten toewijzen aan systematische factoren. Met hun baanbrekend werk leggen ze de basis voor de methode van de macro-economische factorbenadering en zetten ze een enorme stap in het onderzoek naar de variatie in de aandelenrendementen. Bovendien gaf deze benadering aanleiding tot verder onderzoek door tal van wetenschappers. In deze scriptie betreffende dit onderdeel zullen we ons naast het werk van Chen, Roll en Ross (1986) hoofdzakelijk concentreren op de werken van Burmeister en Wall (1986) en Berry, Burmeister en McElroy (1988). Deze auteurs zullen we verder aanduiden als respectievelijk CRR, BW en BBM.
1.2 Sharpe als pionier Zoals reeds gezien kunnen we Sharpe beschouwen als een pionier inzake het relateren van identiteiten aan systematische factoren, daar hij als eerste onderzoeker al dan niet gedeeltelijk
22
de macro-economische factorbenadering toepast. Gedeeltelijk aangezien in zijn onderzoek zowel fundamentele als macro-economische factoren worden gehanteerd ter identificatie van de verklarende factoren. (SHARPE W.F., 1981, pp. 5) Vanwege deze reden zal zijn werk dan ook enkel aangehaald worden bij het nagaan van de invloed van de macro-economische factoren op verschillende economische sectoren en industrieën.
2
Definitie van een systematische economische variabele
Het totale risico bestaat uit een systematisch risico en een bedrijfsspecifiek risico. Door middel van diversificatie in een groot aantal aandelen kan het bedrijfsspecifieke risico geëlimineerd worden waardoor men met dit risico geen rekening dient te houden. Daarnaast wordt er algemeen aangenomen dat aandelenprijzen reageren op externe krachten en bijgevolg alle economische variabelen op een of andere wijze endogeen zijn. Enkel natuurrampen zoals aardbevingen of overstromingen kan men bekijken als geheel exogeen aan de wereldeconomie. Het is vrijwel onmogelijk om deze fysische factoren te integreren in een waarderingsmodel, waardoor men besluit deze niet als systematisch economische variabelen te beschouwen. Een variabele kan enkel beschouwd worden als een algemeen systematische factor indien de variabele systematisch invloed heeft op ten eerste de toekomstige dividenden, ten tweede op de wijze waarop beleggers hun verwachtingen vormen en ten derde op de rentevoet waarmee beleggers hun toekomstige kasstromen verdisconteren, met name de verdisconteringsvoet. Deze voorwaarden spruiten voort uit de veronderstelling dat de prijs van een aandeel kan voorgesteld worden als de actuele waarde van alle toekomstige dividenden. Deze waarderingsmethode staat beter bekend als het Dividend Discount Model (DDM). (CHEN N.F. et al., 1986, pp. 383-385)
3
Het Dividend Discount Model
3.1 Definitie en basiswaarderingsformule De macro-economische factorbenadering vertrekt vanuit het DDM. Dit model stelt dat de waarde van een aandeel gelijk is aan de huidige waarde van alle verwachte toekomstige dividenden tot in het oneindige. De beleggingshorizon van beleggers kan echter in aanzienlijke mate verschillen: sommige beleggers houden het aandeel slechts enkele dagen, andere beleggers blijven het eerder behouden op langere termijn. Beleggers met een beleggingsperiode kleiner dan oneindig verwachten dat zij het aandeel tegen een hogere prijs 23
dan hun aankoopprijs zullen kunnen verkopen. Dit betekent dat er op dat ogenblik kopers moeten zijn die hun beslissing baseren op de toekomstige dividenden en hun waarde. Zo gaat dit proces verder via de opeenvolgende beleggers. Beleggers steunen dus op de dividenden én de eindwaarde. Deze eindwaarde wordt bepaald door de markt volgens de verwachting dat ooit gewone en/of liquidatiedividenden zullen worden uitgekeerd. Belangrijk om op te merken is dat toekomstige prijzen en dividenden onzeker en ongekend zijn, waardoor we te maken hebben met verwachte waarden en dus absoluut geen zekere waarden. (OOGHE H., 2002, pp. 127-128)
De basiswaarderingsformule van het DDM kan men als volgt voorstellen, ∞
P0 =
met
Dt
∑ (1 + r ) t =1
t
,
P0 = de prijs van een aandeel op tijdstip 0, D = de toekomstige dividenden verkregen door de belegger op tijdstip t, r = de verdisconteringsvoet.
Deze uitdrukking gaat samen met de assumptie van een efficiënte kapitaalmarkt, waar men uitgaat van de hypothese van de rationele verwachtingen. Deze hypothese stelt dat beleggers in staat zijn alle relevante informatie op de gepaste wijze te verwerken om te komen tot de formulering van verwachtingen. In deze context zullen de beleggers rationele verwachtingen aannemen wat betreft de toekomstige dividenden. (DE VIJLDER W., 2006, pp. 45)
De formule was echter jarenlang onderwerp van hevige discussies tussen enerzijds de onderzoekers die meenden dat aandelenprijzen volatieler zijn dan weergegeven in de formule, en anderzijds de onderzoekers die de uitdrukking verdedigden. Deze laatste concludeerden dat er geen empirische basis was om de assumptie van efficiënte kapitaalmarkten te verwerpen. (BURMEISTER E. en WALL K.D., 1986, pp. 2)
3.2 De invloed van systematische factoren op het DDM Een macro-economisch relevante variabele kan volgens het DDM via twee wegen invloed hebben op de aandelenrendementen. Ofwel kan de variabele de verwachte kasstromen beïnvloeden, ofwel kan de variabele invloed uitoefenen op de verdisconteringsvoet, of
24
uiteraard op beide. Slechts indien een variabele invloed heeft op de teller en/of op de noemer kan men deze als een systematische factor beschouwen.
Het is van wezenlijk belang het verband te begrijpen tussen het DDM en het APT. Zoals reeds uitvoerig gezien stelt het APT dat het verschil tussen het gerealiseerde en het verwachte rendement voorgesteld kan worden door een lineair model. De gerealiseerde rendementen op het einde van de periode zijn over het algemeen verschillend van de verwachte waarden in het begin van de periode, waar verwachte rendement steeds nul is. Zoals gezien meet elke factor in het APT een onverwachte wijziging in de onderliggende variabele. Het verschil tussen het verwachte en het gerealiseerde rendement is onverwacht waaruit volgt dat factoren die invloed hebben op ofwel de teller en/of op de noemer van het DDM steeds onverwacht dienen te zijn. Bij de identificatie van systematische factoren moet er dus gezocht worden naar onverwachte macro-economische factoren, die steeds enige mate van verrassing met zich meebrengen. (BURMEISTER E. en WALL K.D., 1986, pp. 3-4)
3.3 De set van potentiële macro-economische systematische variabelen Op basis van het DDM kunnen volgende potentiële variabelen onderscheiden worden die ofwel de kasstromen, ofwel de verdisconteringsvoet beïnvloeden. Het is uit deze set van macro-economische variabelen dat CRR en de andere auteurs hun systematische factoren kiezen.
De verwachte kasstromen, of anders gesteld de winst- en dividendverwachtingen kunnen zowel door reële als door nominale krachten wijzigen: -
Wijzigingen in de verwachte inflatiegraad
-
Onverwachte wijzigingen in het prijsniveau
-
Onverwachte wijzigingen in de inflatiegraad
-
Wijzigingen in het verwachte niveau van de reële productie
-
Wijzigingen in het productiviteitsniveau
De verdisconteringsvoet daarentegen kan gewijzigd worden door: -
Het rentepeil.
-
De termijnstructuur over verschillende looptijden.
-
Onverwachte wijzigingen in de risicoloze rentevoet.
25
Als referentie voor de risicoloze rentevoet wordt het rendement op overheidsobligaties genomen. Deze worden verondersteld risicoloos te zijn. -
Onverwachte wijzigingen in de risicopremie. Deze premie wordt vereist boven op de geldende marktinterest voor risicoloze overheidsobligaties.
Ondernemingsaandelen
zijn
veel
risicovoller
dan
overheidsobligaties omdat er minder zekerheid is wat betreft de betalingen van de dividenden op het afgesproken tijdstip, en er daarenboven geen zekerheid is of de waarde van de aandelen zal stijgen. Hoe minder kredietwaardig een onderneming is, hoe groter de risicopremie zal zijn. De belegger wenst dus een risicopremie te ontvangen voor zijn bereidheid tot het nemen van risico. (OOGHE H. et al., 2002, pp. 138-139) -
De reële wijzigingen in de consumptie. Deze meten wijzigingen in het marginaal nut van het reële vermogen. Een stijging van het vermogen zal gepaard gaan met vermogenseffecten, die uiteraard de consumptie zullen aanwakkeren, waardoor deze laatste een goede waardemeter blijkt te zijn. (DE VIJLDER W., 2006, pp. 35)
(CHEN N.F. et al., 1986, pp. 384-385)
De basisassumptie van het Dividend Discount model stelt dat de waarde van een aandeel stijgt (daalt): - enerzijds bij opgaande (neergaande) conjunctuur omdat de winst- en dividendverwachtingen verbeteren (verslechteren) - anderzijds bij dalende (stijgende) intrestvoeten omdat het minimumrendement op aandelen daalt (stijgt). (OOGHE H. et al., 2002, pp. 128)
4
Selectie van de systematische economische factoren
Vooraleer er een keuze uit de set van macro-economische systematische variabelen gemaakt wordt dienen we op te merken dat er geen absoluut correcte selectie van systematische factoren bestaat. Er zijn tal van equivalente sets van systematische factoren die allen equivalente resultaten genereren ter verklaring van de variatie in de aandelenrendementen. Bij de keuze dient men uiteraard rekening te houden met de gestelde voorwaarden. Denken we hierbij bijvoorbeeld aan de voorwaarden gesteld aan APT-factoren. (BERRY M.A. et al., 1988, pp. 31)
26
We kunnen nu overgaan tot de definitieve selectie van het aantal en de identiteiten van de systematische factoren. De keuze van zowel het aantal als de macro-economische identiteiten is afhankelijk van de betreffende onderzoeker. Toch merken we dat de selectie van de wetenschappers in de drie beschouwde werken zowel qua aantal als identiteiten betrekkelijk consistent zijn.
4.1 Het aantal systematische factoren Op basis van de reeds gemaakte empirische studies van Roll en Ross (1980) en Brown en Weinstein (1983), die beide hierboven werden behandeld, nemen de auteurs consequent aan dat er vijf significante factoren kunnen gevonden worden. Ze besluiten dan ook uit de set van potentiële economische variabelen vijf factoren te identificeren.
4.2 De macro-economische variabelen In wat volgt zullen de meest relevante en voorkomende economische factoren besproken worden, alsmede hoe deze variabelen worden gemeten en waar de tijdsseries van de onverwachte bewegingen vandaan komen. In eerste instantie zullen we ons baseren op de vijf geselecteerde economische factoren van CRR. Deze wijken slechts in lichte mate af van de selecties van BW en BBM. Bijgevolg zullen de overeenkomsten en de verschillen tussen de keuzes van de betreffende wetenschappers toegelicht worden.
4.2.1
De Default Spread
Om de effecten van onverwachte wijzigingen in de risicopremies (UPR) te omvatten doen CRR een beroep op de zogenaamde ‘default spread’. Deze geeft het rendementsverschil tussen ondernemingsobligaties van een bepaalde rating (meestal Baa of lager) en overheidsobligaties. (DE VIJLDER W., 2006, pp. 48) Formeel is UPR eigenlijk geen innovatievariabele, maar aangezien de variabele een verschil is tussen twee rendementenseries is ze ongecorreleerd genoeg om als onverwachte variabele behandeld te worden. De auteurs incorporeren deze variabele om een goede weergave te verkrijgen van de onverwachte bewegingen in de graad van risicoaversie bij de belegger. Een stijging van de risicoaversie zal de spread doen stijgen, omdat de extra-vergoeding in de vorm van een risicopremie toeneemt. (DE VIJLDER W., 2006, pp. 48)
27
4.2.2
De Yield Curve
Om de invloed van de termijnstructuur te omvatten maken de auteurs gebruik van een andere interestvariabele, namelijk de rendementscurve of de yield curve (TERM). Deze wordt weergegeven door een reeks ‘resterende looptijd - rendement’ koppels, gerangschikt volgens stijgende looptijd. Anders gesteld, de yield curve wordt weergegeven door het renteverschil tussen een overheidsobligatie op tien jaar en een schatkistcertificaat op korte termijn, waardoor het in weze de spread is tussen de rentes op lange en op korte termijn. Deze kent normaal gezien een stijgende vorm omdat voor langere looptijden normaliter een extrarendement wordt gevraagd ten opzichte van kortere looptijden. (DE VIJLDER W., 2006, pp. 57-58) Opnieuw is deze rentevariabele formeel eigenlijk geen innovatie, doch kan ook zij gebruikt worden om de effecten van wijzigingen in de risicoaversie na te gaan. (CHEN N.F. et al., 1986, pp. 389-390)
De twee voorgaande macro-economische factoren UPR en TERM worden door de drie beschouwde werken in hun set van economische factoren geïncorporeerd.
4.2.3
De Economische groei
Een maatstaf voor de economische groei is uiteraard een basisvariabele in de set van economische factoren. Er bestaan echter tal van maatstaven voor deze variabele en deze verschillen dan ook danig van auteur tot auteur. CRR doen beroep op de wijziging in de industriële productie van maand op maand (IP) als maatstaf voor de economische groei. De Industriële Productie wordt gemeten aan de hand van de groeivoet van de Amerikaanse industriële productie. (CHEN N.F. et al., 1986, pp. 386-388)
BW en BBM gebruiken echter de groei in de gerealiseerde verkopen gemeten via de onverwachte wijziging in de groei van de gerealiseerde verkopen (UGS). Deze factor beïnvloedt het DDM via de kasstromen. Een stijging van de gerealiseerde verkopen laat de kasstromen stijgen. Deze factor kan men ook als substituut zien voor de wijziging in de industriële productie (IP). BW gebruiken de zogenaamde ‘Kalman Filter’ technieken om voor de niet-observeerbare macro-economische factor UGS series te genereren. Met deze methode verschillen BW van CRR en de andere auteurs. Door middel van deze techniek produceren BW meer accurate
28
schattingen van zowel de bèta’s als de gamma’s. Om deze reden prefereren de auteurs dan ook deze techniek. (BURMEISTER E. en WALL K.D., 1986, pp. 6)
4.2.4
De Inflatie
CRR gebruiken in hun onderzoek twee inflatievariabelen. De eerste inflatievariabele betreft de onverwachte inflatie (UI), die men kan bekomen door van het gerealiseerde maandelijkse verschil in het logaritme van de ‘Consumer Price Index’ de verwachte inflatie af te trekken. (CHEN N.F. et al., 1986, pp. 388) BW gebruiken voor het genereren van series voor UI eveneens de ‘Kalman-Filter’ techniek.
De factor UI vinden we bij de drie beschouwde werken terug. Hieruit kunnen we besluiten dat de onverwachte inflatie, de default spread en de yield curve van buitengewone waarde zijn ter verklaring van de aandelenrendementen.
De tweede onverwachte inflatievariabele is de wijziging in de verwachte inflatie (DEI). De verwachte inflatie leiden de auteurs af uit de bekende Fishervergelijking. Deze stelt dat de rente op lange termijn gelijk is aan de verwachte inflatie verhoogd met de ex-ante reële rente. (DE VIJLDER W., 2006, pp. 50) BW en BBM gebruiken de wijziging in de verwachte inflatie (DEI) echter niet in hun onderzoek. Wel merken we op dat in een vorig werk van BW niet UGS als systematische factor werd gehanteerd, maar de wijziging in de verwachte inflatie (DEI) zoals die reeds gebruikt werd bij CRR. De auteurs verklaren deze wissel door de bevinding dat de nieuwe factor UGS consistent superieure resultaten leverde dan de oude factor DEI, waardoor een vervanging aangewezen leek. (BURMEISTER E. en WALL K.D., 1986, pp. 5-6)
4.2.5
De Marktindices
De voorgaande factoren omsluiten reeds een groot deel van de beschikbare marktinformatie. Doch kan men niet verwachten dat deze series, die de wijzigingen in de macro-economische factoren weergeven, reeds alle aanwezige informatie bevatten. Om een volledig beeld te krijgen
wordt
gebruik
gemaakt
van
marktindices
die
invloed
hebben
op
de
aandelenrendementen.
29
CRR hanteren twee factoren: namelijk het rendement op de NYSE index met gelijke gewichten (EWNY), en het rendement op de NYSE index met gewichten gebaseerd op waarde van de aandelen (VWNY). Deze factoren zouden zowel de reële informatie in de industriële productieseries als de nominale invloed van de inflatievariabelen dienen weer te geven. (CHEN N.F. et al., 1986, pp. 390) BW en BBM gebruiken daarentegen de onverwachte wijziging in de marktindex die niet verklaard wordt door de eerste factoren (UM). We kunnen deze factor het best voorstellen als het residuele marktrisico. Deze factor kan gemeten worden door het residu uit de regressie voor een betreffende marktindex, bijvoorbeeld de S&P500, te gebruiken als verklarende factor in een multifactormodel voor een andere marktindex, bijvoorbeeld een portefeuille van willekeurig gekozen aandelen. Deze residuele marktfactor zal uiteraard de verklaringskracht verhogen. (BURMEISTER E. en WALL K.D., 1986, pp. 7-9) Naast de macro-economische factoren die hierboven werden besproken, gaan CRR ook de invloed na van twee additionele economische factoren op de aandelenrendementen, namelijk de consumptie en de olieprijzen, die evenwel niet bij de vijf factoren worden gerekend.
4.2.6
De Consumptie
CRR gaan zoals gesteld de invloed van de percentuele wijzigingen in de reële consumptie op de aandelenrendementen na. De consumptie wordt gemeten aan de hand van de groeivoet van de reële consumptie per capita (CG).
4.2.7
De Olieprijzen
CRR stellen dat er indertijd zeer veel discussie was omtrent het al dan niet incorporeren van de olieprijzen in elke lijst van systematische factoren die opgesteld werd. In eerste instantie behoorde deze variabele niet tot de set van factoren daar ze geen direct invloed uitoefent op het DDM model. Edoch om deze discussie te testen en om een alternatief voor de macroeconomische factoren van hierboven te onderzoeken vormen de auteurs een serie van gerealiseerde maandelijkse verschillen in het logaritme van de Producer Price Index/Crude Petroleum Prices (OG). Deze serie stelt bijgevolg de wijzigingen in de olieprijzen voor. (CHEN N.F. et al., 1986, pp. 386-391)
Het nagaan van de invloed van de olieprijzen op de aandelenrendementen is uiteraard van wezenlijk belang voor deze eigen scriptie. CRR zijn de eerste wetenschappers die de invloed
30
van allerhande macro-economische factoren nagaan op de aandelenrendementen. Hierdoor zijn ze ook de eersten die de invloed van de olieprijzen nagaan en er een al dan niet kort verslag met hun resultaten over publiceren. Dit onderdeel zullen we dan ook uitgebreid bespreken.
Tabel 3: Overzicht van de gehanteerde macro-economische factoren per auteur Chen, Roll en Ross
Burmeister en Wall
Berry, Burmeister en McElroy
UPR TERM IP UI DEI
UPR TERM UGS UI DEI
UPR TERM UGS UI DEI
Bron: eigen werk
5
De methode van de macro-economische factorbenadering
Na het bekomen van een set van economische variabelen en de specificatie van het aantal en de identiteiten van de systematische factoren, kan men vervolgens nagaan of de aandelenrendementen systematisch reageren op wijzigingen in de voorgestelde systematische factoren en in welke mate ze dit doen. In wat volgt zullen we de toegepaste methode en de verschillende stappen beschrijven. Dit zal in eerste instantie gedaan worden aan de hand van de systematische factoren gehanteerd door CRR. Eventuele verschillen met de overige auteurs zal ik eveneens behandelen.
5.1 De correlatiematrix In een eerste stap wordt een correlatiematrix opgesteld voor alle afhankelijke en onafhankelijke variabelen om de onderlinge correlatie te schatten. Deze stap is dus analoog met de factoranalytische methode. Men gaat in de eerste plaats de correlatie na tussen de potentiële onafhankelijke variabelen en de afhankelijke variabele. Correlatiematrices
worden
opgesteld
door
het
econometrische
probleem
van
multicollineariteit. Indien men de individuele invloed van de onafhankelijke variabelen wil achterhalen, men er best voor zorgt weinig gecorreleerde variabelen op te nemen in het model. Dit omdat bij sterk correlerende variabelen men onmogelijk kan uitmaken of een stijging in de afhankelijk variabele te wijten is aan een stijging in de ene factor dan wel aan een stijging in de andere factor. Met andere woorden kan men alleen maar de coëfficiënten van ongecorreleerde variabelen betrouwbaar schatten. (GUJARATI D.J., 2005)
31
5.2 De ‘first-pass’ regressie In een tweede stap stelt men op basis van het aantal gehanteerde systematische factoren die hierboven werden behandeld een multifactormodel op volgens het APT. Zoals gesteld gebruiken we de onafhankelijke variabelen uit het model van CRR, en als afhankelijk variabele de variatie in de aandelenrendementen. Het lineaire verband tussen de factoren kan als volgt worden voorgesteld, R = a + βUPR UPR + βTERM TERM + βIP IP + βUI UI + βDEI DEI + ε ,
met
R = de variatie in de aandelenrendementen, a = de constante term, UPR = de default spread, TERM = de yield curve, IP = de maandelijkse wijziging in de industriële productie, UI = de wijziging in de onverwachte inflatie, DEI = de wijziging in de verwachte inflatie, β = de sensitiviteit van de betreffende systematische factor, ε = de niet-systematische component.
De factorbèta’s of de coëfficiënten van de factoren kan men bekomen door het regresseren van de aandelenrendementen op de onverwachte wijzigingen van de systematisch economische factoren over de steekproefperiode. Men voert met andere woorden een schatting uit van de factorbèta’s in een ‘first-pass’ regressie op basis van het multifactormodel. Dit model is opgesteld naar het voorbeeld van het eerder besproken APT model.
De regressie kan uitgevoerd worden via verschillende methodes. De klassieke manier waarop de coëfficiënten worden bepaald is de methode van de kleinste kwadraten (Ordinary Least Squares – OLS). Deze methode zullen we dan ook gebruiken in het empirisch onderzoek. Doch zullen we later zien dat bij het specifieke onderzoek naar de relatie tussen olieprijsschokken en financiële markten er nog alternatieve methodes gebruikt worden. Deze worden in hoofdstuk 4 behandeld.
32
6
Steekproefopzet, resultaten en bevindingen
In wat volgt bespreken we voor alle auteurs het gehanteerde steekproefopzet, de resultaten en de bevindingen. Hierbij zullen de overeenkomsten en de verschillen tussen de auteurs toegelicht worden. BW en BBM gaan daarenboven de invloed van de systematische factoren na over verschillende sectoren en industrieën.
6.1 Steekproefopzetten In hun onderzoeken analyseren alle auteurs de invloed van de voorgaande systematische factoren op de aandelenrendementen van de Amerikaanse S&P500 index. De gehanteerde steekproefperiode bij CRR beslaat de periode van januari 1953 tot november 1983, bestaande uit maandelijkse data van 371 maanden. Naast de steekproefperiode in zijn geheel, beschouwen ze alsook drie subperiodes, met afbreekpunten in januari 1973 en december 1977. De steekproefperiode wordt onderbroken omdat de auteurs menen dat vanwege de olieprijsschokken in 1973 en 1977 er een structurele verschuiving in de macroeconomische variabelen plaatsvond. Dit duidt erop dat CRR in tegenstelling tot vele collega’s toch aandacht schenken aan de olieprijsvariabele. BW maken eveneens gebruik van maandelijkse data over een steekproefperiode van december 1971 tot november 1981. BBM gebruiken maandelijkse data over een steekproefperiode van januari 1972 tot december 1982.
6.2 Resultaten en bevindingen 6.2.1
‘First-pass’ regressie
CRR vinden op basis van hun resultaten via de correlatiematrices en de ‘first-pass’ regressie dat alle voorgestelde systematische basisfactoren statistisch significant zijn over de gehele periode. Voor zowel de Industriële Productie (IP), de Default Spread (UPR) als de Yield Curve (TERM) vinden ze sterke significante resultaten. De inflatiegerelateerde variabelen, namelijk de onverwachte inflatie (UI) en de wijziging in de verwachte inflatie (DEI), zijn zeer significant in de tweede subperiode doch zowel er voor als er na insignificant. Bijgevolg is voor de inflatievariabelen de ondersteuning relatief zwak, doch voldoende. Hoewel de coëfficiënten over alle subperioden dezelfde tekens hebben als de gehele periode, zijn ze algemeen kleiner en minder significant in de laatste subperiode 1978-1984. Doch kunnen we besluiten dat elk van de gekozen systematische factoren een significante invloed heeft op de aandelenrendementen. 33
BW vinden eveneens dat de geschatte factorbèta’s voor de S&P500 voor alle systematische factoren statistisch significant zijn en correcte tekens hebben in consistentie met de invloeden op het DDM. In eerste instantie gaan de auteurs uit van een vierfactormodel waaruit ze concluderen dat de vier factoren significant zijn ter verklaring van de aandelenrendementen. Principieel uitgaande van een vijffactormodel voegen ze een vijfde factor aan het model toe, namelijk UM. Het resultaat van de incorporatie van UM is een zeer grote stijging van de determinatiecoëfficiënt R², waardoor een groter deel van de variatie wordt verklaard. Deze stijging van de betrouwbaarheid van de regressie is volgens de auteurs precies wat mocht verwacht worden met een residuele marktfactor gebaseerd op de S&P500. (BURMEISTER E. en WALL K.D., 1986, pp. 7-10) BBM vinden zoals verwacht analoge resultaten als CRR en BW. Elk van de vijf factoren blijkt significant en samen verklaren ze ongeveer 25% van de variatie in de aandelenrendementen van de S&P500. (BERRY M.A. et al., 1988, pp. 32-33)
Uit deze resultaten kunnen we besluiten dat alle systematische factoren een significante en systematische invloed uitoefenen op de aandelenrendementen.
6.2.2
Resultaten betreffende de alternatieve economische factoren
Zoals reeds aangegeven gaan CRR in hun onderzoek tevens de invloed na van twee additionele economische variabelen die een potentiële invloed kunnen hebben op de aandelenrendementen. Deze twee variabelen zijn de consumptie en de olieprijzen, waarbij we ons uiteraard vooral concentreren op de laatste factor.
Wat betreft de invloed van de consumptie als systematische factor kunnen we zeer kort zijn. De factorbèta’s van de consumptie zijn noch over de gehele periode noch in enige subperiode significant, waardoor we kunnen stellen dat wijzigingen in de consumptie geen invloed lijken te hebben op de aandelenrendementen. (CHEN N.F. et al., 1986)
CRR zijn zoals reeds eerder gesteld de eerste auteurs die nagaan of de wijzigingen in olieprijzen een systematische invloed hebben op de aandelenrendementen. Hoewel ze de olieprijzen niet rekenen bij de vijf systematische basisfactoren in het voorgestelde multifactormodel, houden ze toch rekening met deze factor. Dit blijkt ten eerste uit het feit dat ze de gekozen steekproefperiode onderverdelen op basis van de olieprijsschokken uit het 34
verleden, die naar hun mening een structurele verschuiving in de macro-economische variabelen teweegbracht. Ten tweede onderzoeken de auteurs de olieprijsvariabele afzonderlijk om de relevantie van deze factor te achterhalen. Ze menen echter dat ondanks het feit dat olieprijzen vaak beschouwd worden als een belangrijke economische factor, ze a-priori geen reden hebben dat wijzigingen in de olieprijzen dezelfde mate van invloed hebben als bijvoorbeeld de rentevariabelen of de industriële productie. Uit de resultaten blijkt dat de factorbèta’s voor de olieprijzen voor de gehele periode en voor twee van de drie subperiodes insignificant zijn. Olieprijsschokken hebben dan ook volgens CRR geen significante invloed op de aandelenrendementen. Wel merken ze op dat door het incorporeren van de olieprijzen in het model de significantie van de industriële productie (IP) danig is afgenomen, in tegenstelling tot de significanties van de yield curve (TERM) en de default spread (UPR) die sterk gestegen zijn. De auteurs concluderen dat het opmerkelijk is dat geen invloed hebben op de aandelenrendementen, zeker gedurende de kritische subperiode van 1968 tot 1977 waarin het OPEC-kartel haar macht nochtans fors uitbreidde. (CHEN N.F. et al., 1986, pp. 401-402)
7
Invloed van de systematische factoren over verschillende sectoren en industrieën
Ondanks de significantie van de gekozen systematische factoren, hebben deze niettemin een zeer verschillende invloed op aandelen uit verschillende sectoren en industrieën. Het is denkbaar dat een bepaalde macro-economische factor meer gerelateerd is aan bepaalde economische sectoren en industrieën waarop de factor meer invloed uitoefent. De eerste onderzoeker die in deze richting naar antwoorden zoekt is zoals reeds eerder aangehaald Sharpe (1981). Doch verschilt hij enigszins van later onderzoek daar hij de economische sectoren als verklarende factoren beschouwt. Sharpe vindt evenwel weinig significante resultaten en besluit dat de economische sectoren als systematische factoren weinig verklaringskracht in zich dragen.
Het is echter pas met BW (1986) en BBM (1988) dat specifiek onderzoek wordt verricht naar de verklaringskracht van de systematische factoren op de aandelenrendementen van sectoren en industrieën. Bij analyse van hun resultaten concentreren we ons dan ook vooral op de resultaten betreffende de oliesector en de hieraan gerelateerde sectoren en industrieën.
35
7.1 Steekproefopzet en de economische sectoren en industrieën BBM gaan in hun werk de invloed na van de gekozen systematische factoren op de rendementen van zeven evenwichtige sectorportefeuilles over een steekproefperiode die wederom loopt van januari 1972 tot december 1982. BBM onderscheiden zeven verschillende economische sectoren aangevuld met de S&P500 marktindex, die als volgt kunnen worden weergegeven: De financiële sector De transportsector De utiliteitssector. De cyclische sector De groeisector De stabiele sector De oliesector De S&P500 marktindex BW gebruiken echter geen aandelenportefeuilles maar individuele aandelen uit elk van de voorgaande sectoren. Ze kiezen dus voor individuele aandelen van acht bedrijven die elk actief zijn in een verschillende sector. Hun steekproefopzet bestaat opnieuw uit maandelijkse data over een steekproefperiode van december 1971 tot november 1981. De vraag is echter of deze beperkte steekproef betrouwbare resultaten oplevert.
BBM gaan eveneens de invloed na van de vijf systematische factoren over verschillende industrieën. Hiervoor classificeren ze de aandelen in 82 verschillende industrieën die enigszins gebaseerd zijn op de sectoriële indeling. Uit elk van deze industrieën stellen ze dan een evenwichtige aandelenportefeuille samen.
7.2 Resultaten van de analyse over verschillende sectoren en industrieën Uit de resultaten van de regressie constateren BBM dat de invloed van de systematische factoren danig verschilt over verschillende sectoren. De transport-, de financiële en de groeisector blijken vooral gevoelig voor het default-risico (UPR) omdat deze sectoren gefinancierd zijn door middel van een hoge schuldgraad en aldus afhankelijk zijn van de rentevoeten. Elke onverwachte verandering in de spread heeft zodoende gevolgen voor de met schuld gefinancierde ondernemingen. De oliesector blijkt het minst gevoelig voor deze risicofactor, aangezien de bedrijven uit deze sector minder 36
gefinancierd zijn met schulden en dus meer met eigen vermogen. Het negatieve teken van de coëfficiënten duidt op de stijging van de spread in een zwakke economische conjunctuur. De drie eerder genoemde sectoren en de cyclische sector blijken bovendien ook het meest gevoelig voor de onverwachte inflatie (UI) en de onverwachte wijziging in de groei van de gerealiseerde verkopen (UGS). Bedrijven uit deze sectoren zijn vanzelfsprekend onderhevig aan onverwachte wijzigingen in het prijspeil en in de verkopen waardoor deze resultaten niet onverwacht komen. Ondanks de significante coëfficiënten blijkt de yield curve (TERM) weinig invloed te hebben op de verschillende sectoren. Het positieve teken van de coëfficiënten duidt op een groeiende economische conjunctuur bij een steiler wordende curve. De utiliteitssector blijkt het minst significant beïnvloed door het geheel van de factoren. Dit komt door het feit dat nutsbedrijven stijgingen in hun kosten meer direct kunnen verhalen op hun gezette prijzen dan andere sectoren. (BERRY M.A.et al., 1988, pp. 35)
De oliesector blijkt voor elk van de vier factoren nagenoeg ongevoelig. Ze is niet sterk afhankelijk van bijvoorbeeld de inflatie. De relatie kan eerder omgekeerd gezien worden. Een olieprijsschok heeft over het algemeen een stijging van de inflatie tot gevolg. Dit heeft vooral te maken met het feit dat olie een grote input is voor de gehele economie. Toch behoren we op te merken dat de relatie tussen het olieprijspeil en de inflatie sterk gedaald is doorheen de jaren. Tijdens de jaren zeventig en tachtig was er een sterk verband, dat vooral toe te schrijven was aan de olieprijsschokken in de betreffende jaren. De relatie verzwakte echter tijdens de jaren negentig, en vooral gedurende de periode 1999 tot 2005 is er een danige verflauwing. Een potentiële doch niet-exhaustieve verklaring is de wijziging in de monetaire politiek in de reactie jegens olieprijsschokken. Deze reactie blijkt de laatste jaren veel minder hevig te zijn dan vroeger. Daarenboven hanteert de monetaire politiek hedendaags een beleid dat gericht is op het onder controle houden van de inflatie waardoor de invloed van olieprijsschokken op de inflatie sterk gedaald is. Hedendaags kunnen we dan ook zeggen dat de oude sterke correlatie tussen de olieprijzen en de inflatie de dag van vandaag beduidend verzwakt is. (HOOKER M.A., 2002)
BBM stellen vast dat de residuele marktfactor (UM) sterk significant blijkt te zijn voor de oliesector. Dit betekent dat een groot deel van de variatie in de aandelenrendementen nog niet verklaard wordt door de eerste vier factoren. De significantie van de marktfactor voor de 37
oliesector blijkt ook uit de lage determinatiecoëfficiënt voor deze sector. Deze bedraagt slechts 0.50. Uit het feit dat slechts de helft van de variatie in de rendementen van de oliesector verklaard wordt, kunnen we opmaken dat er nog andere factoren de rendementen van de oliesector significant beïnvloeden. De gebruikte set van systematische factoren door de auteurs moet als dusdanig aangevuld worden met andere factoren. Het ligt voor de hand dat de incorporatie van bijvoorbeeld de olieprijzen als systematische factor de verklaringskracht in de variatie van de rendementen voor deze sector flink zou uitbreiden.
BW vinden dat op enkele uitzonderingen na alle geschatte factorbèta’s significant zijn. Dit betekent dat de macro-economische systematische factoren wel degelijk invloed hebben op individuele aandelenrendementen en de beperkte steekproef toch betrouwbare resultaten genereert. (BURMEISTER E. en WALL K.D., 1986, pp. 12)
Zoals verwacht vinden BBM dat de industriële factorbèta’s clusteren rond de respectievelijke sectoriële factorbèta’s. Door analyse van de factoren per industrie krijgen we echter een dieper inzicht in de oorzaken achter de geobserveerde factor coëfficiënten. We kunnen bijvoorbeeld uit de resultaten voor de vier onderscheiden olie-industrieën opmaken dat deze relatief ongevoelig zijn voor de inflatiefactor. Dit is te wijten aan het feit dat deze industrieën ‘noodzakelijke’ producten verkopen, waarvan de vraag relatief onafhankelijk is van wijzigingen in het reële inkomen. Ook voor de andere risicofactoren zijn de resultaten analoog met de sectoriële resultaten. Dienovereenkomstig
blijken
de
olie-industrieën
betrekkelijk
ongevoelig
voor
de
systematische factoren en vinden we zodoende lage factorbèta’s met de juiste tekens. Niettemin zien we dat ook hier het verklaarde deel voor de vier industrieën zeer laag blijkt te zijn, met een determinatiecoëfficiënt (R²) lager dan 0,50. Dit duidt wederom op het ontbreken van enkele verklarende systematische factoren. (BERRY M.A. et al., 1988)
8
Besluit
Uit de resultaten kunnen we besluiten dat de vijf beschouwde systematische factoren alle significant
zijn.
Bijgevolg
oefenen
ze
alle
systematisch
invloed
uit
op
de
aandelenrendementen en dit over zowel de gehele periode als de subperioden. De wijzigingen in de industriële productie, de default spread en de yield curve blijken meer invloed te hebben dan de inflatievariabelen. De invloed van deze significante factoren blijkt danig te verschillen 38
over verschillende sectoren en industrieën. De oliesector is voor elk van de factoren nagenoeg ongevoelig ondanks haar verband met de inflatie. Dit duidt op de niet incorporatie van enkele belangrijke verklarende factoren. De resultaten betreffende de olievariabele tonen aan dat onverwachte
wijzigingen
in
de
olieprijzen
geen
invloed
uitoefenen
op
de
aandelenrendementen. We mogen ons echter niet blindstaren op deze resultaten. De beschouwde steekproefperiodes dateren reeds van de jaren zeventig en tachtig. De economische structuur en de wereldeconomie zijn sindsdien zeer sterk veranderd waardoor de invloed van de factoren gewijzigd kan zijn. Daarom mogen deze resultaten zeker niet getransponeerd worden op de huidige economische omgeving en de huidige aandelenrendementen. Doch menen we dat de beschouwde systematische factoren op dit moment nog steeds een verklarende rol spelen in de rendementsvariatie, enigszins aangevuld met andere verklarende factoren. Deze factoren zal ik dan ook incorporeren in het empirisch onderzoek.
39
Hoofdstuk 4: Invloed van olieprijsschokken op aandelenrendementen “Oil is so significant in the international economy that forecasts of economic growth are routinely qualified with the caveat: ’provided there is no oil shock’.” (ADELMAN M.A., 1993, pp. 537)
1
Inleiding
Het volume van onderzoek naar de relatie tussen olieprijsschokken en financiële markten is slechts zeer beperkt in vergelijking met het onderzoek naar de relatie tussen olieprijsschokken en de macro-economie. In het voorgaande hoofdstuk werden voor het eerst macroeconomische variabelen als identiteiten aan de factoren gekoppeld. Met het onderzoek van Chen et al. (1986) werden de olieprijzen voor het eerst als verklarende variabele geïntroduceerd. Doch is het pas sinds midden de jaren negentig dat aan de relatie tussen olieprijsschokken en aandelenrendementen aandacht wordt geschonken. Met Jones en Kaul (1996), Huang et al. (1996) en later Sadorsky (1999) wordt voor het eerst impliciet gezocht naar de verklaringskracht en het effect van olieprijsschokken op de aandelenrendementen. Deze auteurs gebruiken de olieprijswijzigingen wel als verklarende systematische factor. Hoewel ze allen dezelfde doelstelling voor ogen hebben verschillen deze danig in zowel benadering, variabelen, methode als steekproefopzet. Belangrijker echter bestaat er een hevige discrepantie wat betreft de resultaten inzake de invloed olieprijsschokken op de aandelenrendementen. Deze onenigheid omtrent de significantie van de olieprijsfactor zullen we dan ook uitgebreid toelichten.
De indeling van het volgende hoofdstuk ziet er als volgt uit. Vooraleerst bespreken we de verdeeldheid omtrent de significantie van olieprijsschokken ter verklaring van de variatie in de rendementen. De meningen betreffende de invloed van de olieprijsschokken in de snelgroeiende landen zijn eveneens verdeeld. We testen dit dan specifiek voor een snelgroeiende economie, namelijk de Griekse economie. Vervolgens behandelen we de niet-lineaire relatie tussen de olieprijzen en de rendementen, die inzicht geeft in de impact van olieprijsstijgingen tegenover van olieprijsdalingen. In een volgend deel onderzoeken we aan de hand van subperiodes of de invloed van olieschokken varieert doorheen de tijd. We bekijken ook de significantie van de olieprijsvolatiliteit als verklarende systematische factor en vergelijken deze met de olieprijzen. Daarnaast analyseren we het
40
leading-karakter van de olieprijzen. Tenslotte bestuderen we het verband tussen de olieprijzen en de energiesector. Dit laatste doen we aan de hand van de Canadese energiesector.
Figuur 1: Brent olieprijs, uitgedrukt in euro, 1982-2006 60 50 40 30 20 10 0 82
84
86
88
90
92
94
96
98
00
02
04
06
Bron: eigen berekeningen op basis van gegevens van Datastream
2
De lineaire of symmetrische relatie
2.1 De olieprijsvariabele in het Dividend Discount Model Bij de introductie van de macro-economische aanpak werd uitgegaan van het DDM. Hieruit wordt dan de set van potentiële systematische factoren gedestilleerd. Tot nu toe werd de olieprijsvariabele niet verondersteld deel uit te maken tot de set van potentiële systematische factoren, laat staan een systematische factor te zijn. Doch kunnen er tal van redenen aangehaald worden die het tegendeel bewijzen. De toekomstige olieprijzen beïnvloeden ten eerste de verwachte kasstromen. Olie is net als arbeid en kapitaal een essentiële input in de productie van allerlei producten waardoor verwachte wijzigingen in de olieprijzen zowel de verwachte kosten als de aandelenprijzen beïnvloeden. Voor de wereldeconomie in zijn geheel is olie een inputfactor en olieprijsstijgingen zullen aldus de geaggregeerde aandelenprijzen doen dalen. Ten tweede hebben de verwachte olieprijzen eveneens invloed op de verdisconteringsfactor via enerzijds de verwachte inflatiegraad en anderzijds de verwachte reële intrestvoet. Het verband tussen de olieprijzen en de inflatiegraad kwam reeds voorheen aan bod en is zoals aangetoond omgekeerd gecorreleerd met de aandelenrendementen waardoor het verband wel degelijk significant is. De verwachte reële intrestvoet wordt evenzeer beïnvloed door de olieprijzen vanwege deze laatste zijn impact op de 41
wereldeconomie. Hogere olieprijzen worden gevolgd door hogere intrestvoeten wat leidt tot een daling van de aandelenprijzen. (HUANG R.D. et al., 1996, pp. 4-5) Uit deze argumenten kan men opmaken dat het wel degelijk de moeite waard is de olieprijsvariabele op te nemen in de set van potentiële factoren en te testen of ze een significante en systematische invloed heeft op de aandelenrendementen. 2.2 De Macro-economische aanpak Het verband tussen de olieprijzen en de aandelenmarkten kan men onderzoeken door na te gaan of de reactie van aandelenmarkten op olieprijsschokken volledig kan verklaard worden door de effecten van deze olieprijsschokken op enerzijds de huidige en toekomstige reële kasstromen en/of anderzijds de huidige en toekomstige wijzigingen in de verwachte rendementen. Men vertrekt dus opnieuw vanuit het DDM als basiswaarderingsmodel. Toch is deze aanpak niet identiek aan degene die we in het voorgaande hoofdstuk hebben behandeld. Een wezenlijk verschil is de incorporatie van de olieprijsvariabele als verklarende factor. Bovendien hanteert men naast het APT multifactormodel nog andere methodes in de zoektocht naar de verklaringskracht en de significantie van de olieprijzen. Daarenboven dienen we op te merken dat Huang et al. (1996) en Ciner (2001) niet vertrekken vanuit een macro-economisch perspectief, doch vanuit een financiële markt perspectief. Hun bijdragen zijn daarentegen onontbeerlijk om een volledig beeld te kunnen vormen over de invloed van olieprijsschokken op aandelenrendementen. In wat volgt zullen we eerst de macro-economische factoren bespreken die worden gebruikt ter verklaring van de rendementsvariatie in de aandelen, waarna we de verschillende verklaringsmethodes zullen aanhalen.
2.2.1
De verklarende variabelen
Deze verklarende variabelen zijn net als in het vorige hoofdstuk afkomstig uit de potentiële set van macro-economische factoren. Zoals vermeld is het essentiële verschil dat de olieprijsvariabele hier wel geïncorporeerd wordt. Daarenboven worden slechts drie tot vier factoren gebruikt ter verklaring van de aandelenrendementen. Bij het voorstellen van de variabelen baseren we ons op deze gebruikt door Jones en Kaul (1996), waarbij eventuele verschillen met andere auteurs zullen worden toegelicht.
42
2.2.1.1 De Olieprijsvariabele De olieprijzen worden gemeten door een algemene index van olieprijzen. Huang et al. menen echter dat het gebruik van een algemene index van olieprijzen een macroeconomische effect oppikt. Daarom doen zij een beroep op de oliefuturesprijzen afkomstig van de New York Mercantile Exchange (NYMEX), de grootste markt in de wereld waar oliefuturescontracten verhandeld worden. Ze gebruiken zowel de crude oliefutures als de heating oliefutures. De eerste wordt hedendaags het meest verhandeld, doch voorziet de tweede data over een langere periode. Daar de correlatie tussen beide slechts 0.86 is worden de rendementen van de twee variabelen in de paper afzonderlijk onderzocht. Nochtans blijken er geen significante verschillen voor te komen tussen de resultaten voor de crude oliefutures en de heating oliefutures, waardoor we in deze scriptie ter verduidelijking verder geen onderscheid zullen maken.
2.2.1.2 De Industriële Productie Deze index komt overeen met de door tal van voorgaande auteurs gebruikte IP series. Ze wordt gemeten als het verschil tussen de natuurlijk logaritme van de index.
2.2.1.3 De Marktindices De reële aandelenrendementen worden gemeten als het nominale rendement op een marktindex gecorrigeerd voor de inflatiegraad.
2.2.1.4 De Intrestvariabele Jones en Kaul creëren in hun werk een nieuwe variabele die is opgebouwd uit vijf verschillende financiële variabelen die reeds voorheen in deze scriptie uitgebreid werden besproken. De financiële variabelen zijn het dividendrendement op tijdstip t-1, de default spread op tijdstip t-1, de term spread op tijdstip t-1, de schok in de default spread op tijdstip t en de schok in de term spread op tijdstip t. Sadorsky verkiest een eenvoudigere oplossing door middel van de risicoloze intrestvoet op overheidsobligaties. Huang et al. gebruiken de dagelijkse intrestvoeten op overheidsobligaties in hun analyse slechts als controlevariabele.
Opmerkelijk aan deze set van systematische factoren is het verschil met de factoren in de APT multifactormodellering. De yield curve en de default spread worden hier deels vervangen door een enkele intrestvariabele, terwijl de inflatievariabelen geheel niet terug te vinden zijn. Dit 43
heeft naar alle waarschijnlijkheid te maken met de focus op de olieprijsschokken als verklarende factor. 2.2.2
Andere methodes dan de macro-economische multifactorbenadering
Naast de eerder besproken macro-economische multifactorbenadering kunnen nog andere methodes gebruikt worden om de invloed van olieprijsschokken na te gaan. Deze zijn echter niet van toepassing in deze scriptie waardoor ze slechts beknopt worden weergegeven.
2.2.2.1 Het ‘Standard Cash-Flow/Dividend Valuation Model’ Het ‘Standard Cash-Flow/Dividend Valuation Model’ bestaat uit een twee-staps benadering die apart de impact van de kasstromen en de verwachte rendementen onderzoekt. In de eerste stap test men of de effecten van een olieprijsschok op de aandelenrendementen kunnen verklaard worden door de impact van deze schok op de reële kasstromen. Om dit aan te tonen zal men vooraleerst in de eerste stap de relatie nagaan tussen reële aandelenrendementen en reële kasstromen, waarna men vervolgens de effecten van olieprijsschokken
op
reële
aandelenrendementen
onderzoekt.
Door
deze
twee
regressiemodellen te integreren kan men uitpluizen in welke mate de kasstromen de effecten van olieprijsschokken op aandelenrendementen neutraliseren. Echter indien men niet kan besluiten dat de impact op de kasstromen de impact op aandelenrendementen verklaart, moet men zich wenden tot de verwachte rendementen als verklarende variabele. Bijgevolg zal men in een tweede stap zowel de reële kasstromen als de verwachte rendementen incorporeren. (JONES C.M. en KAUL G., 1996, pp. 467-469)
2.2.2.2 De Vector AutoRegressieve benadering (VAR) VAR levert een multivariaat framework waar wijzigingen in een bepaalde variabele gerelateerd worden aan wijzigingen in de eigen vertragingen en wijzigingen in andere variabelen. Het behandelt elke variabele als endogeen en legt a priori geen restricties op. Door middel van VAR is het mogelijk de dynamische interacties tussen prijswijzigingen en financiële instrumenten te analyseren. Deze benadering is dan ook een ideaal instrument om de ‘stylized facts’ in de data te detecteren. Hiermee kan men de mogelijke lead, lag en algemene effecten in de aandelenmarkten testen. Via VAR kan men eveneens onderzoeken of olieprijsschokken een Granger-effect hebben, namelijk of de impact van olieprijsschokken andere economische tijdsseries voorafgaat. Dit effect zal later in een apart onderdeel behandeld worden. (GUJARATI D.N., 2003)
44
2.2.2.3 ‘Impulse Response Functions’(IRF) en Variantiedecompositie VAR is in bepaalde gevallen echter te beperkt daar ze slechts een variantie-covariantie matrix schat. Bovendien is men van oordeel dat de individuele geschatte coëfficiënten uit deze benadering een gebrekkige statistische significantie hebben en overigens moeilijk te interpreteren zijn. Dit kan te wijten zijn aan de onprecieze schattingen van de standaardafwijkingen. Om dit probleem eigen aan VAR te vermijden, doet men een beroep op de ‘Impulse Response Functions’(IRF). Deze geven de reactie weer van een endogene variabele op een gegeven schok doorheen de tijd. Het is een praktische methode om na te gaan of de reactie van een variabele op een schok onmiddellijk of met enige vertraging gebeurt. Daarenboven kan men een variantiedecompositie uitvoeren om na te gaan in welke mate de variatie in de aandelenrendementen te wijten is aan de eigen schokken dan wel aan schokken in andere variabelen. Indien een schok in de betreffende variabele niets verklaart, kunnen we deze als exogeen beschouwen. Indien ze daarentegen een aanzienlijk deel verklaart is ze endogeen. (SADORSKY P., 1999) Door middel van IRF en variantiedecompositie is het mogelijk onderscheid te maken tussen vier soorten schokken, namelijk een olieprijsschok, een asymmetrische olieprijsschok, een olieprijsvolatiliteitsschok en ten laatste een asymmetrische olieprijsvolatiliteitsschok. Deze zullen verder in de scriptie aan bod komen.
2.2.3
Resultaten
In wat volgt zullen we de resultaten weergeven die elk van de auteurs via hun bepaalde methode hebben gevonden. De auteurs onderzoeken de significantie van de impact van de olieprijsschokken, alsook de mate van de impact van deze schokken op de aandelenrendementen. Om de differentie tussen de beschouwde auteurs aangaande de methode, het steekproefopzet en in het bijzonder de resultaten op een goede en duidelijke manier weer te geven zullen we de resultaten per auteur bespreken, waarna de verschillen en overeenkomsten zullen aangehaald worden.
2.2.3.1 Jones en Kaul Jones en Kaul gebruiken in hun analyse het eerder besproken ‘Standard Cash-Flow/Dividend Valuation Model’. Om de effecten van een olieprijsschok te testen over verschillende 45
economieën onderzoeken de auteurs vier landen, namelijk de Verenigde Staten (VS), Canada, Japan en het Verenigd Koninkrijk (VK). Ze kiezen in hun onderzoek voor verschillende economieën omdat ze menen dat de gevolgen van een olieprijsschok afhangen van de mate van olieafhankelijkheid van een land. Een land met een hoog volume van olieproductie en/of olieconsumptie zal uiteraard meer olieafhankelijk. De steekproefperiode beslaat voor de VS de periode van 1947 tot 1991, voor Canada van 1960 tot 1991, voor Japan van 1970 tot 1991 en tenslotte voor het VK van 1962 tot 1991. De auteurs maken gebruik van kwartaaldata als compromis tussen de meetfouten in maandelijkse data en het gebrek aan voldoende jaarlijkse observaties.
Conform het gehanteerde model trachten Jones en Kaul de impact van de olieprijsschokken op de aandelenrendementen te verklaren enkel via de impact op de kasstroomvariabelen.
Bij het nagaan of de aandelenrendementen van de vier landen gecorreleerd zijn met de huidige en toekomstige wijzigingen in de verwachte kasstromen vinden de auteurs een sterke positieve relatie tussen de aandelenrendementen en de huidige en toekomstige kasstromen voor alle betreffende landen. De olieprijsschokken hebben een significante negatieve impact op zowel de huidige als de toekomstige kasstromen voor elk van de vier aandelenmarkten in de steekproefperiode. De omvang van deze impact verschilt danig van land tot land waardoor deze verschillen waarschijnlijk te wijten zijn aan de mate van olieafhankelijkheid van de landen. De negatieve impact is het meest dramatisch in Japan waar de oliefactor meer dan 25% verklaart in de variatie van de aandelenrendementen. Daarentegen is er een veel zwakker verband in Canada waar slechts 3% wordt verklaard. Ook voor de VS en het VK vinden de auteurs een substantieel negatief verband met determinatiecoëfficiënten van respectievelijk 7% en 12%. Deze coëfficiënten zijn meer gematigd dan de Japanse en Canadese.
De Japanse aandelenmarkt blijkt een extra variatie te genereren die niet verklaard kan worden door het model. Ook de impact van een olieprijsschok in het VK wordt niet volledig verklaard door het effect op de kasstroomvariabelen. In scherp contrast staan echter de resultaten voor de VS en Canada die wel volledig verklaard worden. Dit substantiële verschil met de overige aandelenmarkten blijkt een bevestiging te zijn van voorgaande bevindingen van Elton en Gruber. Deze wijten de verschillen tussen de betreffende aandelenmarkten aan de verschillende en vooral meer complexe structuur in het geval van de Japanse aandelenmarkt. 46
Uit de resultaten voor Japan en het VK besluiten de auteurs dat de variatie in de aandelenprijzen veroorzaakt door olieprijsschokken niet volledig verklaard kan worden door de impact van deze schokken op de kasstromen, waardoor de incorporatie van de verwachte rendementen genoodzaakt is. (JONES C.M. en KAUL G., 1996, pp. 470-476)
In de voorgaande analyse achten Jones en Kaul de wijzigingen in de verwachte rendementen geïnduceerd door de olieprijsschokken als constant. Doch door het onvermogen van de kasstroomvariabele in Japan en het VK is men genoodzaakt deze assumptie te verlaten en de potentiële effecten van de schokken op de verwachte rendementen te incorporeren. De resultaten tonen aan dat wat betreft de VS en Canada de impact op de kasstroomvariabelen voor deze landen reeds voldoende was ter verklaring van de rendementsvariatie. Voor Japan en het VK blijkt de incorporatie geen extra verklaringskracht met zich mee te brengen. Jones en Kaul concluderen dat de huidige rationele modellen niet in staat zijn de gegenereerde extra variatie te verklaren. Olieprijsschokken in Japan en het VK leiden blijkbaar tot wijzigingen in de aandelenprijzen groter dan men kan verklaren op basis van wijzigingen in de kasstromen en/of de verwachte rendementen. (JONES C.M. en KAUL G., 1996, pp. 476-479)
2.2.3.2 Sadorsky Nauw aansluitend met Jones en Kaul is het onderzoek van Sadorsky. Deze doet onderzoek over een identieke steekproefperiode en gebruikt op de intrestvariabele na dezelfde factoren. Toch kan men enkele beduidende verschillen onderscheiden. Sadorsky doet enkel onderzoek op de Amerikaanse aandelenmarkt met als marktindex de S&P500. Daarnaast gebruikt hij maandelijkse data omdat hij meent dat meetfouten enigszins te verwaarlozen zijn. Als analysemethode geeft hij de voorkeur aan de VAR benadering aangevuld met een IRF en een variantiedecompositie.
Sadorsky vindt net als Jones en Kaul dat olieprijsschokken een significante invloed uitoefenen op de rendementen. Hij bewijst dat over de gehele steekproefperiode olieprijsschokken om en bij de 5% van de rendementsvariatie in aandelen verklaren. Dit resultaat is enigszins consistent met Jones en Kaul die 7% bekwamen. De resultaten geven aan dat de variatie in de aandelenrendementen voor bijna 86% verklaard wordt door de eigen fluctuaties.
47
Bovendien vindt Sadorsky dat olieprijsschokken een negatieve impact hebben op de aandelenrendementen. Hij verklaart deze negatieve correlatie door de gevolgen van olieprijsschokken op de winsten van de bedrijven. Voor de bedrijven is olie als productiefactor een productiekost, waardoor een stijging van de olieprijzen de winsten doet dalen. Indien de markt efficiënt reageert zal de stijging van de olieprijzen een onmiddellijke daling van de aandelenprijzen tot gevolg hebben. Indien de markt niet efficiënt reageert zal de stijging slechts een vertraagd negatief effect hebben op de aandelenrendementen. Sadorsky meent dat de reële aandelenrendementen onmiddellijk reageren op een olieprijsschok en dat het effect gemiddeld drie maanden voelbaar blijft. Een alternatieve hypothese voor het negatieve verband stelt dat beleggers een olieprijsstijging associëren met een stijging van de inflatie waardoor de aandelenmarkten dalen. De relatie tussen de olieprijspeil en de inflatiegraad werd reeds in het vorig hoofdstuk aangehaald.
Volgens Sadorsky hebben olieprijsschokken een significante invloed op de economische activiteit, doch omgekeerd is deze relatie zeer zwak tot nihil. De variatie van de olieprijsvariabele is bijna uitsluitend (95%) te wijten is aan de eigen variatie. Dit bevestigt de bevinding dat wijzigingen in de olieprijzen de Amerikaanse macro-economische variabelen beïnvloeden, doch omgekeerd wijzigingen in de Amerikaanse macro-economische variabelen weinig invloed hebben op de olieprijzen. De inverse relatie tussen olieprijsschokken en de geaggregeerde economische activiteit werd uiteraard reeds tal van malen onderzocht en bevestigd. Voor verdere informatie omtrent deze relatie verwijzen we graag naar Lee et al. (1995) en Ferderer (1996). Een laatste resultaat betreft de negatieve correlatie tussen aandelenrendementen en intrestvoeten. Deze negatieve relatie is een ‘stylized fact’ in de wereldeconomie. (SADORSKY P., 1999, pp. 455-465)
2.2.3.3 Huang et al. Huang et al. vertrekken niet vanuit een macro-economische focus doch vanuit een financiële focus. Ze gaan namelijk de economische impact van olieprijzen verhandeld op de NYMEX na op de Amerikaanse aandelenprijzen. Hiervoor gebruiken ze dagelijkse data over een steekproefperiode lopende van oktober 1979 tot maart 1990. Ze onderzoeken de invloed van de olieprijzen op de Amerikaanse aandelenmarkt op drie niveaus. Ten eerste voor een marktindex, namelijk de S&P500 index. Ten tweede voor twaalf evenwichtige Amerikaanse aandelenindices geclassificeerd volgens de SIC codes. En 48
tenslotte ten derde voor aandelenprijsseries van drie individuele Amerikaanse oliebedrijven die gesteld worden gevoelig te zijn voor olieprijsschokken, namelijk Chevron, Exxon en Mobil.
Uit de resultaten besluiten de auteurs dat geen enkel significant verband kan gevonden worden tussen olieprijswijzigingen en de aandelenrendementen van de marktindices op beide niveaus. De correlatiecoëfficiënten zijn niet statistisch significant waardoor de rendementen van de oliefutures op geen enkele wijze correleren met de aandelenrendementen. Deze niet correlatie geeft de mogelijkheid oliefutures te gebruiken als hedge-instrument ter diversificatie van een aandelenportefeuille. Ondanks olie een belangrijke invloed heeft op de economie, blijken olieprijsschokken zeer weinig direct effect te hebben op de aandelenrendementen. Dit resultaat sluit aan bij de bevindingen van Chen et al. (1986) die eveneens geen significant verband vonden. De olieprijzen hebben evenwel een significante invloed op de aandelenrendementen van de oliebedrijven, doch lag dit resultaat binnen de verwachtingen daar deze bedrijven rechtsreeks gerelateerd zijn aan de olieprijzen.
De resultaten en bevindingen van Huang et al. staan uiteraard lijnrecht tegenover deze van Jones en Kaul (1996) en later Sadorsky (1999) die wel degelijk een effect vinden van olieprijsschokken op de aandelenmarkten. Huang et al. geven twee verklaringen voor het gevonden effect bij voorgaande auteurs. Ze menen dat het significante effect waarschijnlijk te wijten is aan de focus op kwartaaldata. Deze stelling kan echter weerlegd worden daar de dagelijkse data van Huang et al. op haar beurt onderhevig is aan meetfouten en Sadorsky via maandelijkse data eveneens een significant verband ontdekt. Een tweede en mijns inziens realistischere verklaring is het gebruik van een algemene index van olieprijzen als olieprijsvariabele. Huang et al. menen dat deze index een macroeconomische associatie oppikt, met als gevolg dat belangrijke gebeurtenissen zoals oliecrises, gepaard gaande met prijsdalingen in de aandelenmarkten, in de resultaten verwerkt zitten. Bovendien zou deze index een sterk inflatie-effect oppikken, wat zoals eerder gezien een negatieve invloed heeft op aandelenrendementen. (HUANG R.D. et al., 1996, pp. 9-20)
Uit de resultaten van voorgaande auteurs kunnen we besluiten dat er grote meningsverschillen bestaan betreffende de invloed van olieprijsschokken op aandelenrendementen. Jones en Kaul 49
en later Sadorsky menen dat olieprijzen wel degelijk invloed uitoefenen op de aandelenmarkten. Huang et al. staan hier echter lijnrecht tegenover en stellen dat geen enkel bewijs van enig significant verband kan gevonden worden. In voorgaande analyses ging men echter steeds uit van een lineair verband tussen olieprijsschokken en aandelenrendementen. De hypothese van een niet-lineair of asymmetrisch verband bracht de discussie echter in een heel ander daglicht.
3
De niet-lineaire of asymmetrische relatie
3.1 Definitie Het dynamische verband tussen olieprijsschokken en aandelenrendementen kan men ook nagaan in de veronderstelling van een asymmetrische relatie. Bij een asymmetrische relatie gaat men de invloed van de olieprijsvariabele na door deze op te splitsen in een variabele die een positieve schok voorstelt en een variabele die een negatieve schok voorstelt. Met andere woorden kan men door deze splitsing de impact van zowel een olieprijsstijging als een olieprijsdaling op de aandelenrendementen achterhalen.
3.2 Methode Om het niet-lineaire oorzakelijke verband te testen gebruikt men een aangepaste ‘Baek en Brock test’. Dit is een niet-parametrische statistische methode om niet-lineaire oorzakelijke relaties te ontdekken, die niet kunnen gevonden worden door lineaire tests. (CINER C., 2001, pp. 204-206)
3.3 Resultaten Uit de resultaten blijkt dat positieve olieprijsschokken over een grotere verklaringskracht beschikken dan hun negatieve variant. Met andere woorden hebben olieprijsstijgingen een grotere impact op de economie en op de aandelenrendementen. Uit deze bevindingen kunnen we dus besluiten dat er wel degelijk een niet-lineaire relatie bestaat tussen de olieprijzen en de aandelenrendementen. (SADORSKY P., 1999, pp. 465-467)
3.4 Bewijs van de significantie van de olieprijsschokken Tot voorheen meenden Huang et al. (1996) dat geen enkel significant verband te vinden was tussen olieprijsschokken en aandelenrendementen. Met de assumptie van de asymmetrische relatie werd de discussie echter heropend. 50
In zijn werk meent Ciner (2001) dat de volgens hem verkeerde resultaten en besluiten van Huang et al. vertekend zijn doordat hun tests niet krachtig genoeg waren om deze niet-lineaire verbanden te ontdekken en te integreren. Hij tracht bijgevolg te bewijzen dat Huang et al. verkeerd waren door de relatie tussen olieprijzen en aandelenrendementen te onderzoeken voor zowel een lineair als een niet-lineair verband. In zijn onderzoek gebruikt hij precies dezelfde data als Huang et al., doch over een uitgebreider steekproefperiode die loopt van oktober 1979 tot maart 2000.
Op basis van de resultaten voor de lineaire relatie vindt ook Ciner geen significant verband. Hieruit zou Ciner net als Huang et al., besluiten dat er geen invloed is van de olieprijzen op de aandelenrendementen. Evenwel vindt hij bewijs van significante niet-lineaire verbanden. De resultaten voor het asymmetrische verband tonen wel een significante invloed van olieprijsschokken op de aandelenrendementen. Bovendien vindt hij dat olieprijsstijgingen een grotere impact hebben op de aandelenrendementen dan prijsdalingen. Deze bevinding is aldus consistent met de eerdere bevindingen Sadorsky (1999). Met dit resultaat weerlegt Ciner bijgevolg de mening van Huang et al. Hij meent dat hun verkeerde besluiten hoofdzakelijk te wijten zijn aan de focus op de lineaire relatie en het negeren van het niet-lineaire verband. Bij het nagaan van de invloed van olieprijsschokken zou men steeds zowel symmetrische als asymmetrische effecten moeten beschouwen om een globaal overzicht te krijgen. (CINER C., 2001, pp. 203-211)
4
Invloed van olieprijsschokken doorheen de tijd
4.1 Olieprijsschokken doorheen de tijd De invloed van olieprijsschokken is variabel doorheen de tijd. Indien men de periode na de tweede wereldoorlog bekijkt kan men enkele opmerkelijke oliedata beschouwen. Ten eerste zijn er de olieprijsschokken in de jaren zeventig die elk een zeer sterke stijging in de olieprijzen met zich meebrachten. Chen et al. (1986) splitsen hun steekproefperiode op in subperiodes gebaseerd op oliedata uit de jaren zeventig daar ze menen dat deze schokken een structurele verschuiving in de economische variabelen teweegbrachten. Evenwel kunnen geen significante verschillen tussen de subperiodes gevonden worden wat betreft de impact van de olieprijsschokken op de aandelenrendementen, waardoor de structurele verschuivingen op die data in vraag worden gesteld. Een bijzondere en cruciale schok was de hevige olieprijsschok in 1986. Deze schok is zo bijzonder omdat het een negatieve olieschok betreft met een prijsdaling van maar liefst 60%. 51
Vele onderzoekers menen dat deze olieschok een veel sterkere en permanente verschuiving veroorzaakte
in
de
economie
dan
voorgaande
positieve
olieprijsschokken.
De
verklaringskracht en impact van olieprijsschokken op aandelenrendementen voor en na 1986 is dan ook een interessant vraagstuk. Door splitsing van de periode na de tweede wereldoorlog in twee subperiodes met afbreekpunt 1986 kan men de potentiële wijziging in de invloed daadwerkelijk nagaan.
4.2 Resultaten De resultaten tonen een spectaculaire stijging in de verklaringskracht van de olieprijsschokken in de periode na 1986. De verklaringskracht bedraagt maar liefst 17% na 1986, tegenover slechts 6% in de eerste periode en 5% in de gehele periode. Opmerkelijk is dat olieprijsschokken na 1986 een grotere impact hebben op de aandelenrendementen dan de intrestvoeten, die slechts 10% verklaren. Dit is een hoogst frappant resultaat. Bij het onderzoek in de periode voor 1986 merken we dat de intrestvoeten zelf en de afgeleide variabelen, zoals de yield curve en de default spread, steeds als systematische factor gebruikt worden en ze bovendien een significante invloed hebben. De olieprijsvariabele wordt tot dan toe nog niet tot de set van systematische factoren beschouwd, laat staan als determinerende systematische factor. (SADORSKY P., 1999, pp. 456-465)
4.3 Verklaringen voor de toegenomen impact na 1986 Voor de spectaculaire stijging in de verklaringskracht van de olieprijsvariabele na 1986 kan men twee verklaringen geven. De eerste verklaring gaat er van uit dat er een verschuiving in de structuur van de economie heeft plaatsgevonden, met andere woorden dat de reactie van het systeem op olieschokken gewijzigd is. De tweede verklaring stelt dat er zich een wijziging heeft voorgedaan in de dynamica en de omvang van de olieprijsschokken. Na
onderzoek
blijkt
dat
de
eerste
verklaring,
namelijk
een
economische
structuurverschuiving, onwaarschijnlijk is daar er in de data geen trendstationariteit kan worden teruggevonden. De tweede verklaring lijkt echter wel waarschijnlijk. Uit de resultaten blijkt dat schokken in de intrestvoeten, de industriële productie en de aandelenrendementen zelf, een kleinere impact hebben na 1986. Dit evenwel in tegenstelling tot de olieprijsschokken na 1986 die een aanzienlijk grotere invloed hebben op de aandelenrendementen. Door de hevige stijging van de verklaringskracht van de olieprijsvariabele hebben de overige verklarende variabelen 52
bijgevolg aan verklaringskracht ingeboet. De grotere impact van de olieprijsvariabele is hoofdzakelijk te wijten aan de stijging in omvang van de olieprijsschokken, die op haar beurt gedeeltelijk toe te schrijven is aan enkele turbulente gebeurtenissen betreffende de oliemarkten. Eerst en vooral was er de hevige prijsdaling in 1986. Vervolgens begin jaren negentig de Irakese invasie in Koeweit met de Golfoorlog tot gevolg, die gepaard ging met een hevige olieprijsschok en een algemene recessie. De hevige olieprijsstijging van 1999 blijft een discussiepunt, daar er zich op dat ogenblik geen belangrijke gebeurtenissen voordeden. Waarschijnlijk is deze schok geïnduceerd door de vergadering van het OPEC-kartel. Dit is opmerkelijk daar na 1986 het OPEC-kartel tal van vergaderingen belegde en geen enkele schok kon veroorzaken. Een mogelijk antwoord is dat OPEC-beslissingen verre van exogeen zijn en in feite beantwoorden aan macro-economische voorwaarden. De recente olieprijsschokken in het derde millennium zijn te wijten aan enerzijds militaire conflicten en aanslagen, doch anderzijds en mijns inziens meer aan de opkomst van enkele snelgroeiende en krachtige economieën. (BARSKY R.B. en KILIAN L., 2004) Vraag blijft of elk van deze olieprijsschokken geen structurele verschuiving teweeg bracht. Menig auteur meent dat pas na 1990 een sterker verband kan gevonden worden. Evenwel is er geen bewijs dat dit sterkere verband alsnog te wijten is aan de schok in 1986.
5
De olieprijsvolatiliteit
5.1 Definitie Tot nu toe werd nog maar in beperkte mate aandacht besteed aan de rol van olieprijsvolatiliteit in de verklaring van de economische activiteit en de aandelenrendementen. Olieprijsvolatiliteit zou men kunnen definiëren als de stijging van de onzekerheid wat betreft de toekomstige olieprijzen. Ross (1989) stelt dat de volatiliteit van prijswijzigingen een precieze maatstaf is van de snelheid van de informatiestromen in financiële markten. Bijgevolg zouden schokken in de volatiliteit van de olieprijzen een hevige impact kunnen hebben de reële aandelenrendementen.
5.2 Methode Olieprijsvolatiliteit kan bijvoorbeeld gemeten worden door het berekenen van de maandelijkse standaardafwijking van relatieve veranderingen in de prijzen op dagbasis.
53
5.3 Resultaten Uit onderzoek blijkt dat olieprijsvolatiliteit een negatief en significant effect heeft op de economie en de aandelenrendementen. Deze volatiliteit blijkt nog meer significant bij controle voor olieprijsschokken, waaruit blijkt dat beide kanalen een belangrijke invloed uitoefenen. Evenwel heeft de olieprijsvolatiliteit beduidend minder verklaringskracht dan olieprijsschokken.(SADORSKY P., 1999, pp. 465-467) Uit de resultaten blijkt eveneens dat de olieprijsvolatiliteit dramatisch steeg in 1986 en 1990 te wijten aan de betreffende olieprijsschokken. Hoewel deze olieprijsschokken waarschijnlijk een structurele verschuiving veroorzaakten, stelt men na 1990 geen enkele grote piek meer vast in de olieprijsvolatiliteit. De olieprijsschokken eind jaren negentig en begin deze eeuw hebben geen extra volatiliteit in de olieprijzen verwekt.
5.4 Oorzaken van olieprijsvolatiliteit De oorzaken van olieprijsvolatiliteit lopen synchroon met deze van olieprijswijzigingen. Ten eerste zijn er de onverwachte economische ontwikkelingen die de oliemarkten beïnvloeden en bijgevolg volatiliteit stimuleren. Recente voorbeelden zijn de hevige stijgingen in energievraag van China en India. Een tweede en meer bepalende oorzaak van stijgende onzekerheid zijn uiteraard de exogene oorzaken van niet-economische oorsprong zoals oorlogen en natuurrampen, die echter niet in een waarderingsmodel kunnen geïntegreerd worden. (GUO H. en KLIESEN K.L., 2005)
Omwille van haar potentiële significantie en belang zullen we bij het empirisch onderzoek de olieprijsvolatiliteit als verklarende factor integreren in het multifactormodel.
6
Versnelde en vertraagde effecten van olieprijsschokken
Het onderzoek naar de versnelde (lead) en de vertraagde (lag) effecten van olieprijsschokken steunt op de efficiëntie van de markten. Bij het nagaan van de invloed van olieprijsschokken op aandelenrendementen dient men onderscheid te maken tussen huidige en vertraagde effecten van olieprijsschokken. Verleden olieprijsschokken kunnen nog steeds de huidige verwachte rendementen beïnvloeden ondanks er reeds een nieuwe olieprijsschok heeft plaatsgevonden. Dit onderscheid laat ons toe de relatieve impact van deze twee effecten na te gaan en geeft bovendien een idee over de effecten van olieprijsschokken op de verwachte versus de onverwachte rendementen. 54
Aandelenrendementen blijken significant en negatief beïnvloed te worden door zowel huidige als verleden olieprijsschokken. Dit betekent dat verleden olieprijsschokken nog steeds een significante en vertraagde invloed hebben op de huidige rendementen. Dit is ofwel een indicatie is van de langdurige invloed van een olieprijsschok, ofwel een indicatie van inefficiëntie van de aandelenmarkten. Op het eerste gezicht zou men de tweede verklaring verkiezen daar in een efficiënte markt huidige olieprijswijzigingen onmiddellijk dienen opgenomen te worden in de huidige rendementen. (JONES C.M. en KAUL G., 1996)
Uit de correlatietesten van de oliefuturesmarkt en de aandelenmarkt blijkt dat de rendementen op oliefutures de aandelenrendementen voorafgaan. Hieruit kunnen we besluiten dat specifieke informatie aangaande olie eerst weerspiegeld wordt in de sector waar deze informatie het meest invloed heeft, namelijk de oliesector, en vervolgens met enige vertraging naar de aandelenmarkt. Granger-tests wijzen uit dat olieprijzen een leading-karakter hebben. Algemeen wordt aangenomen dat de impact van olieprijsschokken bijna alle andere economische tijdsseries voorafgaat, wat haar het Granger-karakter bezorgt. Dit omwille van het feit dat olieprijsschokken meestal veroorzaakt worden door exogene gebeurtenissen. (HUANG R.D. et al., 1996)
7
De invloed van olieprijsschokken in snelgroeiende markten
7.1 Inleiding Tot voorheen bespraken we in deze scriptie enkel papers die onderzoek verrichtten naar de invloed van olieprijzen op de aandelenmarkten van geïndustrialiseerde landen, met hoofdzakelijk de VS. Nochtans mogen we de snelgroeiende economieën niet uit het oog verliezen en de gevonden resultaten voor de ontwikkelde landen niet zomaar transponeren op de nieuwe landen. Snelgroeiende landen worden globaal genomen gekenmerkt door eerder beperkte aandelenrendementen tegenover de standaardafwijking. De aandelenmarkten van de groeiende landen dragen met andere woorden een hogere graad van risico in zich.
Snelgroeiende economieën urbaniseren en moderniseren aan een zeer hoog tempo met als gevolg dat deze economieën in de toekomst hun vraag naar olie dramatisch zullen opdrijven. De stijgende economische belangrijkheid van de BRIC (Brazilië, Rusland, India en China) landen is een aanwijzing dat deze landen in de toekomst een enorm deel van de fossiele brandstoffen zullen opeisen. Dit zal de globale olieconsumptie uiteraard doen toenemen, met 55
als logisch gevolg een stijging in de olieschaarste en de olieprijs. Tussen 1991 en 2001 bedroeg de jaarlijkse gemiddelde groei van China bijna 10% en deze van India ruim 5%, doch steeg hun olieconsumptie respectievelijk maar liefst 90.2% en 71.7% (The Economist (2004)). Deze aanhoudende stijging in de olieconsumptie maakt deze landen vanzelfsprekend afhankelijker van olie. We kunnen dan ook stellen dat deze snelgroeiende landen in de toekomst medebepalend zullen zijn voor het peil van de olieprijzen en voor de wereldeconomie in zijn geheel. A priori zouden we kunnen aannemen dat indien olie een prominente rol speelt in een economie, we mogen verwachten dat olieprijsschokken gecorreleerd zijn met wijzigingen in de aandelen. We kunnen ons thans afvragen hoe het in deze snelgroeiende landen gesteld is met de invloed van olieprijsschokken op de aandelenrendementen.
In wat volgt bespreken we twee onderzoekswerken die de impact van olieprijsschokken op de aandelenrendementen van een omvangrijke set van snelgroeiende landen trachten na te gaan. Het eerste werk van de hand van Basher en Sadorsky (2004) verschilt echter in grote mate van het werk van Maghyereh (2004). Ondanks ze hetzelfde doel voor ogen hebben gebruiken ze verschillende methodes, verschillende data over andere steekproefperiodes en niet in het minst komen ze tot andere conclusies. Vervolgens zullen we de invloed van olieprijsschokken nagaan voor een specifiek snelgroeiend land, namelijk Griekenland.
7.2 Methodes Basher en Sadorsky doen een beroep op de multifactor APT benadering met slechts twee verklarende factoren, namelijk de olievariabele en een marktindex. Ze laten echter ook niet na de (a)symmetrie van de olieprijsschokken op de aandelenrendementen te testen door het uitvoeren van IRF. Maghyereh doet op haar beurt een beroep op de VAR-benadering, gevolgd door uitvoering van een variantiedecompositie en IRF. Deze methode is identiek aan degene gebruikt door Sadorsky (1999).
7.3 Steekproefopzetten De steekproefperiode bij Basher en Sadorsky loopt van 31 december 1992 tot 31 oktober 2003 met in totaal 2827 observaties. De auteurs baseren zich op dagelijkse data van 21 groeilanden en de MSCI index. De 21 landen zijn respectievelijk Argentinië, Brazilië, Chili, 56
Colombia, India, Indonesië, Israël, Jordanië, Korea, Maleisië, Mexico, Pakistan, Peru, de Filippijnen, Polen, Sri Lanka, Taiwan, Thailand, Turkije, Venezuela, en Zuid-Afrika. Deze landen worden voornamelijk gekozen omdat er voldoende data over hun aandelenmarkten beschikbaar zijn, naast het feit dat ze over een snelgroeiende economie beschikken.
Opmerkelijk is het feit dat de auteurs uiterst belangrijke groeilanden als China en Rusland buiten beschouwing laten. Zoals gesteld is China het snelst groeiende land in de wereld en is haar economische impact nog nauwelijks weg te denken uit de huidige economische omgeving. Uit figuur 2 blijkt dat China de vierde grootste olieproducent is. Uit bijlage 2 blijkt bovendien dat China de op één na grootste olieconsument is. China staat in voor meer dan een derde van de stijging in de algemene olievraag over de afgelopen jaren, waarvoor we verwijzen naar bijlage 3. De stijging van de olieprijzen in 2005 kan men dan ook voor een groot deel toerekenen aan de invloed van China. Doch zijn we nog niet aan het einde van de rit want het is onvermijdelijk dat de Chinese vraag naar olie in de toekomst nog sterk zal groeien. De toenemende Chinese olievraag zal bijgevolg een cruciale rol spelen in zowel de toekomstige olieprijzen als in de toekomstige economische evoluties. (The Economist, 2005) Daarnaast produceert Rusland op dit moment meer olie dan Saoedi-Arabië en heeft het zelfs de grootste voorraden natuurlijk gas van de hele wereld. De voorbije jaren is de Russische invloed in de oliemarkt dan ook aanzienlijk gestegen en het ziet er naar uit dat deze in de toekomst enkel nog zal toenemen. De aangehaalde reden van onvoldoende beschikbare data weegt naar onze mening dan ook niet op tegen de economische belangrijkheid van deze landen.
Figuur 2: Aandeel landen in de globale olieproductie, 2005
12%
OPEC
29%
Rusland 7% 5% 4% 3% 3%
VS China Noorwegen Canada VK Andere
37%
Bron: eigen berekeningen op basis van gegevens van EIA
57
De steekproefperiode in het onderzoek van Maghyereh loopt van 1 januari 1998 tot 31 april 2004. Maghyereh doet een beroep op dagelijkse MSCI-data voor maar liefst 22 groeilanden. De beschouwde groeilanden zijn Argentinië, Brazilië, Chili, China, Tsjechië, Egypte, Griekenland, India, Indonesië, Jordanië, Korea, Maleisië, Mexico, Marokko, Hongarije, Pakistan, Filippijnen, Polen, Zuid-Afrika, Taiwan, Thailand, and Turkije. In vergelijking met Basher en Sadorsky merken we op dat de beschouwde groeilanden op enkele na dezelfde zijn, doch hier China wel in haar steekproef opgenomen wordt, wat enigszins invloed kan hebben op de bevindingen in vergelijking met Basher en Sadorsky.
7.4 Resultaten Basher en Sadorsky vinden dat olieprijsschokken een zeer sterke en significante invloed hebben op de aandelenrendementen van groeilanden. De olieprijsbèta is steeds significant. Op te merken valt dat de regressiecoëfficiënten van de olieprijsbèta echter positief en significant zijn voor olieprijsstijgingen, doch statistisch insignificant voor olieprijsdalingen. Aansluitend bij dit laatste vindt men bij het onderzoek naar de (a)symmetrische aspecten van de relatie dat olieprijsstijgingen een veel grotere impact hebben op de aandelenrendementen dan olieprijsdalingen. Deze resultaten zijn consistent met de gelijkaardige bevindingen van Sadorsky (1999). (BASHER S.A. en SADORSKY P., 2004, pp. 13-17) De bevindingen van Maghyereh staan hier echter lijnrecht tegenover. De auteur besluit dat de olieprijzen op geen enkele aandelenmarkt een significante invloed uitoefenen. De olieprijsvariabele verklaart voor alle landen slechts minder dan een percent van de variatie in de aandelenrendementen. Bovendien vindt de auteur bewijs dat het effect van de olieprijsschokken slechts heel traag wordt opgenomen in de aandelenmarkten, met name tot zelfs twee dagen na de initiële olieprijsschok. Deze vertraging wijst op een duidelijke inefficiëntie van de markten. De reactie van de markten is bovendien zo zwak dat de auteur besluit dat de olieprijsschokken nauwelijks invloed hebben op de aandelenmarkten van de nieuwe landen. De resultaten tonen daarentegen wel interessante verschillen in de reactie van landen op olieprijsschokken. Deze reactie is blijkbaar sterk afhankelijk van de intensiteit van de productie en consumptie van olie. De impact van de olieprijsschokken is het grootst in de Aziatische en Europese groeilanden. Dit is kennelijk het gevolg van de hogere olieconsumptie wat hen uiteraard olieafhankelijker maakt. (MAGHYEREH A., 2004, pp. 34-38)
58
7.5 De invloed van olieprijsschokken in de snelgroeiende Griekse economie Om enig inzicht te krijgen in de voorgaande onbepaalde discussie betreffende de invloed van olieprijsschokken op de aandelenrendementen van een snelgroeiende economie, gaan we het dynamische verband na voor de Griekse economie in de periode van januari 1989 tot juli 1999. Een olieprijsschok heeft een onmiddellijke negatieve en significante impact op de Griekse aandelenrendementen. De impact van de schok blijkt overigens meer dan vier maanden voelbaar.
De
olieprijsvariabele
verklaart
slechts
1%
in
de
variatie
van
de
aandelenrendementen, doch neemt de verklaringskracht van de olievariabele na verloop van tijd aanzienlijk toe. Een jaar na een olieprijsschok verklaart de olievariabele reeds meer dan 12% in de rendementsvariatie. Dit staat in scherp contrast tot de resultaten van Sadorsky (1999) die een significant positief verband vindt, doch eveneens meent dat er zich een vertraagd effect voordoet. (PAPAPETROU E., 2001)
De significantie van de resultaten voor de Griekse economie pleit uiteraard in het voordeel van Basher en Sadorsky, die echter een verband in omgekeerde richting vinden. Mijns inziens ligt
het
voor
de
hand
dat
snelgroeiende
economieën
beïnvloed
worden
door
olieprijswijzigingen. In een economie die vooruit wil en tracht te moderniseren is energie een noodzakelijke inputfactor. De Griekse economie als voorbeeld van een snelgroeiend land is dan ook sterk afhankelijk van de import van energie, met name olie.
8
De invloed van olieprijsschokken op de energiesector
8.1 Inleiding Het staat buiten kijf dat er een verband bestaat tussen de olieprijzen en energiesector. Op basis van voorgaand onderzoek zou men een positieve en significante relatie verwachten. Een positieve olieprijsschok zal namelijk via zijn implicaties op de kasstromen de verwachte winsten van de oliegerelateerde bedrijven laten stijgen. Dit zal bijgevolg zowel de aandelenprijzen als de aandelenrendementen van de oliebedrijven positief beïnvloeden. In wat volgt zullen we deze verwachting trachten te bewijzen door de relatie te onderzoeken tussen de olieprijsschokken en de aandelenrendementen van oliegerelateerde bedrijven.
59
8.2 De energiesector De energiesector kan als een zeer complexe sector bestempeld worden omwille van minstens drie redenen. Ten eerste is ze zeer kapitaalintensief. De projecten in deze sector hebben steeds een enorme omvang en vergen bijgevolg zeer grote investeringen. Bijvoorbeeld kost de bouw van een olieplatform reeds snel enkele miljarden euro’s. Ten tweede heeft men in deze sector te maken met een ‘eindige’ productiefactor. Om deze reden moet continu gezocht worden naar nieuwe natuurlijke bronnen om de voorraden op peil te houden en de toekomstige productie te verzekeren. Ten derde vervaardigen deze bedrijven een quasi volledig homogeen product waarin differentiatie nauwelijks mogelijk is. Bijgevolg moet men zich in deze sector hoofdzakelijk richten op kostenminimalisering, waardoor producenten met de laagste productiekost meestal het best presteren. Ten vierde is het merendeel van de oliebedrijven op de wereldmarkt prijsnemer. Dit betekent dat ze inherent afhankelijk zijn van de olieprijzen betreffende de winstmarges en derhalve de kapitaaluitgaven. (SADORSKY P., 2001, pp. 18-19) De energiesector is bovendien een zeer turbulente sector aangezien ze zeer afhankelijk is van externe effecten en invloeden. Denken we hierbij aan de globale vraag naar olie tegenover het globale aanbod. Indien deze eerste stijgt tegenover de tweede zal dit uiteraard tot hogere olieprijzen leiden en omgekeerd. Daarom is deze sector in zeer grote mate afhankelijk van de toekomstige groei-evoluties in de groeilanden en hun mate van olieafhankelijkheid. Bovendien wordt de trend van de ontwikkelde landen naar het minder afhankelijk worden van olie met argusogen gevolgd. Dit wordt bevestigd door de verklaring van G.W. Bush in zijn State of the Union dat de zoektocht naar alternatieve brandstoffen voor de VS de komende jaren een prioriteit wordt. Ook de (onrealistische) verklaring van Zweden dat het binnen twintig jaar volledig olieonafhankelijk wil zijn wijst in deze richting. De oliesector hangt in grote mate ook af van de wereldpolitiek, die veelal om olie draait. Politieke, financiële en economische crises hebben allen een sterke impact op de globale vraag en aanbod van olie.
8.3 De Canadese energiesector als onderzoeksterrein Om de invloed van olieprijsschokken op de energiesector te testen, baseren we ons op het onderzoek van Sadorsky naar de invloed van olieprijzen op de Canadese energiesector. Het belang van de energiesector in dit land is evident. Canada is de vijfde grootste energieproducent (na de VS, Rusland, China en Saoedi-Arabië) in de wereld en de zevende grootste energieconsument. Het belang van de energiesector voor dit land blijkt eveneens uit
60
het feit dat ze de op één na grootste sector is in Canada. Daarnaast staat ze in voor bijna 8.3% van de aandelenmarktkapitalisatie, wat een zeer hoog aandeel is (in de VS bedraagt deze slechts 5.6%). Het aandeel van de energie-uitvoer in de gehele uitvoer is meer dan 10%. Deze energie-uitvoer is voor 99% naar de VS. Deze statistieken wijzen erop dat de Canadese economie sterk afhankelijk is van de energiesector en bijgevolg van de energieprijzen.
8.4 Methode en steekproefopzet Sadorsky maakt gebruik van een multifactormodel gebaseerd op het APT. De auteur gaat echter de significantie na van een model met één factor (het marktrendement), twee factoren (het marktrendement en de olievariabele) en een multifactormodel met vier factoren. Naast een olievariabele en een marktindex incorporeert hij hier een intrestvariabele en een wisselkoersvariabele die de gevoeligheid van de Canadese dollar tegenover de Amerikaanse dollar moet weergeven. Hij maakt gebruik van maandelijkse data van de Toronto Stock Exchange (TSE) over een steekproefperiode van april 1983 tot april 1999.
8.5 Resultaten De resultaten voor het éénfactormodel geven aan dat de geschatte coëfficiënten statistisch significant zijn. Dit is een bevestiging van het eerder geziene CAPM. De geschatte positieve bèta van 0.78 toont aan dat de energiesector minder risicovol is dan de markt en bovendien procyclisch evolueert. Bijgevolg zijn de aandelen uit deze sector geen goed hedge-instrument tegen de inflatie. Dit resultaat is tegenstrijdig aan de bevindingen van Huang et al. die in de oliefutures van de Amerikaanse aandelenmarkt wel een goed hedge-instrument zagen. De verklaringskracht van het éénfactormodel blijft echter zeer gering (4%). Bij het tweefactormodel inclusief de olievariabele vindt de auteur significante positieve coëfficiënten voor beide factoren. We merken op dat de determinatiecoëfficiënt 22% bedraagt. Dit betekent een stijging van maar liefst 18% ten opzichte van het éénfactormodel enkel en alleen door toevoeging van olieprijsschokken. Bijna een kwart van de variatie in de energieaandelen kan dus verklaard worden door de marktindex en olieprijsschokken. Tenslotte vindt de auteur ook voor het multifactormodel significante coëfficiënten. De bèta’s van de marktfactor en de oliefactor blijken gelijkaardig te zijn aan de eerdere bevindingen wat erop wijst dat wijzigingen in deze factoren de aandelenrendementen van de energieaandelen beïnvloeden. De bèta’s van de intrestfactor en de wisselkoersfactor blijken eveneens significant doch negatief te zijn. Een hogere intrest verhoogt de kost om te lenen wat uiteraard 61
de rendementen aantast. De negatieve coëfficiënt van de wisselkoersvariabele komt echter onverwacht daar een lagere Canadese dollar tegenover de Amerikaanse dollar de Canadese export in de hand werkt. Dit negatieve teken betekent dat bij een depreciatie van de Canadese dollar de toename van de kosten van de bedrijven groter is dan de toename van de opbrengsten. De verklaringskracht van het multifactormodel bedraagt 25%, wat wijst op een toename van 3% door toevoeging van de laatste twee factoren. Hieruit blijkt dat de olievariabele veruit de meest verklarende kracht in zich draagt. (SADORSKY P., 2001, pp. 22-27)
8.6 Besluit De resultaten tonen aan dat er een sterk verband bestaat tussen olieprijsschokken en de energiesector in Canada. Deze resultaten zijn evenwel geen grote verrassing daar men kan verwachten dat energiegerelateerde bedrijven beïnvloed worden door olieprijswijzigingen. Echter door de grote olieafhankelijkheid van de Canadese economie kunnen we deze bevindingen niet veralgemenen. We kunnen deze besluiten ten hoogste aannemen voor gelijkaardige economieën, zoals bijvoorbeeld de Amerikaanse, de Noorse en de Arabische. Doch mits geen bewijs geleverd is mogen we deze conclusies niet veralgemenen.
9
Besluit
We kunnen besluiten dat hevige meningsverschillen bestaan betreffende de invloed van olieprijsschokken op de aandelenrendementen. Enerzijds vindt men voor verschillende aandelenmarkten een significante en negatieve relatie tussen olieprijsschokken en de aandelenrendementen. De sterkte van deze relatie verschilt echter flink tussen de landen onderling. Anderzijds vindt men resultaten terug die eerder wijzen op een niet-significant verband en dus tegenstrijdig zijn met het voorgaande. Olieprijsschokken blijken dan op geen enkele wijze invloed te hebben op de aandelenrendementen. Deze verdeeldheid zet zich eveneens verder in de standpunten omtrent de invloed van de olieprijsschokken in snelgroeiende landen. Voor deze landen vindt men evenzeer enerzijds een significante invloed van olieprijsschokken op de rendementen en anderzijds nauwelijks invloed. Het niet-significante verband wordt echter weerlegd bij assumptie van een asymmetrische relatie. De resultaten voor het asymmetrisch verband wijzen op de grotere impact van olieprijsstijgingen op de rendementen. Bij het nagaan van de invloed van olieprijsschokken is het bijgevolg aangewezen zowel de lineaire als de niet-lineaire relatie te testen.
62
De impact van olieprijsschokken varieert doorheen de tijd. Na 1986 hebben olieprijsschokken een grotere impact op de rendementen. Deze toegenomen verklaringskracht in de rendementsvariatie kan men toewijzen aan de wijziging in de dynamica en de omvang van de schokken. Samen met de verklaringskracht steeg na 1986 ook de volatiliteit van de olieprijzen. Evenwel lijkt de olieprijsvolatiliteit de laatste jaren getemperd. Algemeen wordt aangenomen dat de impact van olieprijsschokken bijna alle andere economische tijdsseries voorafgaat. De gevolgen van exogene gebeurtenissen lijken dus zeer snel weerspiegeld te worden in de olieprijzen. Verder tonen de resultaten aan dat olieprijsschokken gedurende een lange periode invloed blijven hebben op de rendementen, hoewel dat ook een indicatie kan zijn van de inefficiëntie van de aandelenmarkten. Tenslotte hebben olieprijsschokken een zeer sterke impact op de rendementen in de energiesector. Dit resultaat is echter geen verrassing daar deze bedrijven direct afhankelijk zijn van de olieprijzen.
63
Hoofdstuk 5: Empirisch onderzoek 1
Inleiding
Het onderzoek naar de invloed van olieprijsschokken op Europese aandelenrendementen staat nog in zijn kinderschoenen. We kunnen stellen dat het onderzoeksvolume met betrekking tot dit onderwerp zeer beperkt is. Elke wetenschapper aangaande dit onderzoeksterrein geeft dan ook de discrepantie aan tussen het volume van onderzoek naar het verband tussen olieprijzen en de macro-economie en het volume van onderzoek naar het verband tussen olieprijzen en de financiële markten. Het grootste deel van het beperkt geleverde onderzoek betreft uitsluitend de Amerikaanse aandelenmarkt met steekproefperiodes die zich beperken tot midden de jaren negentig. Denken we hierbij aan het onderzoek van Jones en Kaul (1996), Huang et al. (1996) en
Sadorsky
(1999).
De
invloed
van
olieprijswijzigingen
op
de
Europese
aandelenrendementen werd dan ook nog nauwelijks onderzocht. Het is dan ook de bedoeling van deze scriptie hier enigszins verandering in te brengen door middel van een bescheiden test.
Chen, Roll en Ross (1986) onderzoeken de invloed van vijf macro-economische factoren op aandelenrendementen. In een afzonderlijk onderzoek testen ze eveneens de invloed van de olieprijzen op de rendementen, doch vinden geen significante relatie. Burmeister en Wall (1986) breidden dit onderzoek bovendien uit over sectoren en industrieën. Jones en Kaul (1996) vinden wel een significante en meestal negatieve impact van olieprijsschokken op de rendementen. Ze menen bovendien dat dit effect sterk afhankelijk is van de mate van olieafhankelijkheid van een land. Dit negatieve verband wordt enigszins bevestigd door Sadorsky (1999) die eveneens een significant negatief effect vindt van olieprijsschokken. Huang et al. (1996) staan met hun bevindingen hier lijnrecht tegenover en stellen dat geen enkel bewijs van enig significant verband kan gevonden worden. Geen van voorgaande onderzoeken betrof de Europese aandelenmarkt. Ons onderzoek zal bijgevolg trachten meer duidelijkheid te scheppen inzake de invloed van de factoren met speciale aandacht voor olieprijsschokken op de Europese aandelenrendementen uitgedrukt in aandelenportefeuilles, over verschillende en sectoren. Ciner (2001) meent dat er een asymmetrisch verband bestaat tussen olieprijsschokken en aandelenrendementen. Hij vindt dat olieprijsstijgingen een sterkere impact hebben dan olieprijsdalingen. We trachten het asymmetrische verband na te gaan voor de Europese aandelenmarkt.
64
Tenslotte trachten we een eigen inbreng aan dit onderzoek te geven door de invloed van olieprijsschokken na te gaan in periodes van hoge, gemiddelde en lage olieprijzen, alsook de invloed in periodes van hoge, gemiddelde en lage olieprijsvolatiliteit. Via dit onderzoek testen we of de invloed van olieprijswijzigingen over deze periodes significant van elkaar verschilt.
Hierna wordt begonnen met het eigenlijke onderzoek. In 5.2 bespreken we de methodologie waarna in 5.3 de resultaten en de interpretaties worden gegeven. In 5.4 tenslotte maken we een balans van het onderzoek op.
2
Methodologie
2.1 Specifieke onderzoeksvragen De specifieke onderzoeksvraag die getest wordt en tevens de titel is van deze scriptie: wat is de invloed van olieprijsschokken op Europese aandelenrendementen? Uiteraard komt deze vraag niet alleen. Ze gaat gepaard met nog andere onderzoeksvragen die we als volgt kunnen samenvatten: Welke beschouwde macro-economische factoren hebben invloed op de Europese aandelenrendementen? In welke mate hebben de factoren invloed op de aandelenrendementen? Varieert deze invloed doorheen de tijd en over verschillende subperiodes? Is de invloed van de factoren regioafhankelijk? Is de invloed van de factoren landafhankelijk? Is de invloed van de factoren sectorafhankelijk? Is de invloed van de factoren verschillend bij stijgende en dalende olieprijzen? Wat is de invloed van de factoren bij verschillende niveaus van olieprijzen? Wat
is
de
invloed
van
de
factoren
bij
verschillende
niveaus
van
olieprijsvolatiliteit? Bij elk van deze onderzoeksvragen zullen we ons uiteraard vooral richten op de invloed van de olieprijsfactor.
2.2 De dataverzameling Het empirisch onderzoek volgens de macro-economische factorbenadering vereist een omvangrijke hoeveelheid data. De benodigde datareeksen zijn beschikbaar via Datastream en Eurostat. De beschikbare reeksen werden gedownload voor de periode van 1 januari 1980 tot 31 maart 2006. 65
Hierna volgt een overzicht van de gebruikte datareeksen die vereist waren voor dit onderzoek: -
Dagelijkse, wekelijkse en maandelijkse prijzen van de ruwe oliefutures, omgezet in euro. De prijsgegevens werden afgehaald voor de ruwe oliefutures van de Brent, West Texas Intermediate (WTI), de OPEC oliekorf en de Nordsea.
-
De totale maandelijkse marktrendementen uitgedrukt als Return Index series. Inzake de maandelijkse marktrendementen deden we een beroep op zowel Datastream gegevens als MSCI gegevens.
Deze rendementsgegevens werden voor alle Europese indelingen, alle Europese landen inclusief de recent nieuwe leden afgehaald, eveneens voor alle geografische indelingen per sector en per industrie. Voor bepaalde Oost-Europese landen waren deze rendementsgegevens echter niet beschikbaar over de gehele steekproefperiode. Bepaalde sectoriële gegevens waren voor enkele landen niet beschikbaar. -
De maandelijkse rendementsgegevens van de oliesector uitgedrukt als Return Index (RI) serie. Deze rendementsgegevens werden voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden afgehaald. Sectoriële gegevens waren voor bepaalde landen niet beschikbaar.
-
De maandelijkse industriële productiegegevens voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden.
Voor bepaalde Europese indelingen en landen waren deze gegevens niet beschikbaar over de gehele steekproefperiode. -
De maandelijkse rentevoeten op overheidsobligaties op tien jaar voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden. Voor de overheidsobligaties op tien jaar was er voor enkele recente nieuwe leden niet voldoende data beschikbaar over de steekproefperiode.
-
De maandelijkse rentevoeten op schatkistcertificaten op korte termijn voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden. Voor de schatkistcertificaten op korte termijn waren er over de steekproefperiode maar voor enkele Europese landen voldoende data beschikbaar.
-
De maandelijkse ‘Consumptie Prijs Index’ (CPI) gegevens voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden. Wegens het maandelijkse karakter betreffen het geen seizoengezuiverde reeksen. In de index wordt het jaar 2005 genomen als 100.
66
-
De maandelijkse inflatiegegevens gemeten als het jaarlijkse percentageverschil op basis van de CPI voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden.
-
De maandelijkse productiegegevens van ruwe olie in aantal vaten per dag voor alle olieproducerende regio’s en landen.
-
De jaarlijkse energie- en olieconsumptie voor alle Europese indelingen en alle Europese landen inclusief de recent nieuwe leden. Deze data zijn enkel beschikbaar vanaf 1985. Voor bepaalde landen waren deze gegevens niet beschikbaar.
2.3 Selectie van de macro-economische factoren Om te testen of de aandelenrendementen systematisch reageren op wijzigingen in de voorgestelde macro-economische factoren, doen we een beroep op de macro-economische factorbenadering. Op basis van het DDM model dat een set van potentiële verklarende variabelen afbakent, selecteren we uiteindelijk zeven factoren. In deze selectie baseren we ons grotendeels op de macro-economische factoren van Chen, Roll en Ross (1986) en Jones en Kaul (1996). De gehanteerde macro-economische factoren zijn: De yield curve (TERM) De industriële productie (MP) De verwachte inflatie (DEI) De onverwachte inflatie (UI) De olieprijzen (OP) De olieprijsvolatiliteit (OPV) Het niet verklaarde deel in de marktindex (UM) Het aantal factoren in dit onderzoek is groter dan het aantal factoren aangegeven in de literatuurstudie. We verkiezen een groter aantal om verscheidene redenen. Ten eerste komen de auteurs in het factoranalytisch onderzoek niet tot een algemeen consensus wat betreft het precieze aantal factoren, doch definiëren ze een zogenaamde range waarbij we ons met zeven factoren in bevinden. Ten tweede willen we het risico niet lopen een verklarende factor niet op te nemen in het verklarende model. We menen dat zoveel mogelijk relevante factoren in het model moeten betrokken worden, niet alleen omdat de verklaringskracht van het model vergroot, maar vooral omdat het effect van de factoren die wel in het model zijn opgenomen anders verkeerd kan worden ingeschat. Eventuele niet-significante factoren kunnen steeds 67
geëlimineerd worden uit model. Bij incorporatie van een groot aantal factoren dient men wel op te letten voor het probleem van de multicollineariteit dat later aan bod komt.
2.4 De afhankelijke en onafhankelijke factoren in het model In wat volgt leggen we uit welke gegevens gebruikt worden ter creatie van de factoren en hoe bepaalde factoren berekend worden op basis van de beschikbare data.
2.4.1 In
De Aandelenrendementen het
onderzoek
gebruiken
we
als
afhankelijk
variabele
de
maandelijkse
aandelenrendementen afkomstig uit de Datastream gegevens per regio, per land en per sector. We analyseren dus aandelenportefeuilles. Als afhankelijk variabele gebruiken we de Datastream gegevens en niet de MSCI gegevens omdat deze laatste in de sectoriële indeling niet beschikbaar zijn over de gehele steekproefperiode. Deze factor zal verder gebruikt worden onder de afkorting REND.
2.4.2
De Yield Curve
De yield curve als intrestvariabele gebruiken we als maatstaf voor de vorm van de termijnstructuur. We berekenen de yield curve of rendementscurve als het verschil tussen een overheidsobligatie op tien jaar en een schatkistcertificaat op korte termijn. De rendementscurve kan dan gezien worden als het verschil tussen de rente op lange termijn en de rente op korte termijn. De data voor de schatkistcertificaten op korte termijn voor de Europese indelingen bleken slechts beschikbaar vanaf midden de jaren tachtig. Voor enkele recent nieuwe leden ging de data slechts terug tot eind jaren negentig. Vanwege dit tekort aan data doen we een beroep op de Duitse rentevoeten en de Duitse yield curve als benchmark. Deze nemen we doorheen het onderzoek als maatstaf voor de termijnstructuur. Deze factor zal verder gebruikt worden onder de afkorting TERM.
68
Figuur 3: Yield Curve Duitsland, 1982 - 2006 12
Rentepercentage
10 8 OLO 10 jaar
6
Rente 3maand
4 2 0 82
84
86
88
90
92
94
96
98
00
02
04
06
Bron : eigen berekeningen op basis van gegevens uit Datastream
Voor de Europese default spread is er helaas niet genoeg data beschikbaar waardoor incorporatie als factor niet mogelijk is.
2.4.3
De Industriële Productievariabele
Deze variabele wordt gebruikt als maatstaf voor de economische groei. De maandelijkse wijziging in de industriële productie berekenen we als volgt, MPt = loge IPt - loge IPt-1 , met
MPt = de maandelijkse wijziging in de industriële productie in maand t, IPt = de industriële productie in maand t, IPt-1 = de industriële productie in maand t-1.
De maandelijkse wijziging in de industriële productie is het natuurlijk logaritme van het verschil tussen de industriële productie in maand t en de industriële productie in maand t-1, met t een maand uit de steekproefperiode. De maandelijkse wijziging in de industriële productie zullen we voor elke Europese indeling en voor elk Europees land berekenen op basis van de beschikbare data. Deze factor zal verder gebruikt worden onder de afkorting MP.
69
2.4.4
De Inflatievariabelen
In dit onderzoek wordt gebruik gemaakt van twee inflatievariabelen, namelijk de wijziging in de verwachte inflatie en de onverwachte inflatie. Ter berekening van deze factoren dient eerst de jaarlijkse inflatie per maand te worden berekend. Het jaarlijkse inflatiepercentage bereken ik op basis van de maandelijkse CPI gegevens als volgt, INFLt =
met
IFt − IFt − 12 IFt − 12
INFLt = het jaarlijks inflatiepercentage in maand t, CPIt = de consumptie prijs index in maand t, CPIt-12 = de consumptie prijs index in maand t-12.
Door middel van het jaarlijks inflatiepercentage kan de verwachte inflatie berekend worden door regressie van het inflatiepercentage in een bepaalde maand op de inflatiepercentages in de twaalf voorgaande maanden. De lineaire regressie ziet er dan uit als volgt, INFLt = a + βINFL(t-1) INFL(t-1) + βINFL(t-2) INFL(t-2) + … + βINFL(t-12) INFL(t-12) + εt ,
met
INFLt = het jaarlijks inflatiepercentage in maand t, βINFLt = het geschatte gewicht van de verwachte inflatie in maand t, a = de constante,
εt = de storingsterm. Via deze regressievergelijking kan de verwachte inflatie voor elke maand over de steekproefperiode bekomen worden. We dienen echter de wijziging in de verwachte inflatie te nemen om het onverwachte aspect eigen aan de factor te behouden. Een andere onverwachte inflatievariabele die invloed uitoefent op de aandelenrendementen afzonderlijk van deze van de wijziging in de verwachte inflatie is de onverwachte inflatie. Om de onverwachte inflatie te verkrijgen dienen we het verschil te nemen tussen het inflatiepercentage in maand t en de verwachte inflatie in maand t. Dit verschil komt overeen met het residu (εt) uit het bovenstaande tijdreeksmodel, dat eveneens gelijk is aan de onverwachte inflatie. De wijziging in de verwachte inflatie en de onverwachte inflatie zullen verder gebruikt worden onder de respectievelijke afkortingen DEI en UI.
70
Figuur 4: Prijs per vat olie en jaarlijkse Europese inflatie, 1982 - 2006 Prijs per vat olie (euro)
60
20.00 18.00
50
jaarlijkse Europese inflatie (%)
16.00 14.00
40
12.00 30
Prijs per vat olie (euro)
10.00 8.00
20
Jaarlijkse inflatie (%)
6.00 4.00
10
2.00 0
0.00 82
84
86
88
90
92
94
96
98
00
02
04
Bron: eigen berekeningen op basis van gegevens uit Datastream
2.4.5
De Olieprijsvariabele
De olieprijsvariabele wordt gemeten als de maandelijkse relatieve wijziging in de Brent oliefuturesprijs. Futuresprijzen krijgen de voorkeur op spotprijzen omdat deze laatste meer beïnvloed worden door korte termijn fluctuaties te wijten aan tijdelijke tekorten of overschotten. De keuze van de olieprijsvariabele in deze scriptie is uiteraard zeer belangrijk en relevant. Over de gehele wereld kunnen tal van olieprijsvariabelen gevonden worden, doch zijn er drie types van ruwe olieprijzen die als benchmark dienen voor de andere types van ruwe olie. Deze drie zijn de Brent, de WTI en een korf van olieprijzen samengesteld door de OPEC, die we benoemen als de OPEC variabele. Om de keuze te maken tussen deze drie soorten olieprijzen gaan we de correlatie na tussen de olieprijsvariabelen. We voegen ook nog een vierde olieprijsvariabele toe, namelijk de ruwe Noordzee olieprijsvariabele. De correlatie van de olieprijzen wordt gemeten aan de hand van de wekelijkse prijzen over de periode van 8 april 1983 tot 31 maart 2006.
Tabel 4: Correlatiematrix olieprijsvariabelen, periode 1983-2006
BRENT
BRENT
WTI
KORF OPEC OLIE
NOORDZEE
1.000
0.996
0.997
0.999
WTI
0.996
1.000
0.994
0.996
KORF OPEC OLIE
0.997
0.994
1.000
0.996
NOORDZEE
0.999
0.996
0.996
1.000
Bron: eigen berekeningen op basis van gegevens uit Datastream
71
Uit de correlatiematrix kunnen we opmaken dat ondanks er prijsverschillen bestaan tussen de verschillende variabelen, de ruwe olieprijzen zeer sterk naar elk neigen te bewegen. Voor elke variabele vinden we een correlatie van 0.99, waardoor we in onze keuze geenszins beperkt worden. We verkiezen uiteindelijk de Brent olieprijsvariabele omwille van drie redenen. Ten eerste omdat uit de correlatiematrix blijkt dat de variabele zeer goed correleert met de overige variabelen. Ten tweede omdat de Brent olieprijs de meest gebruikte olieprijsbenchmark is in de gehele wereld. Ten derde om praktische redenen daar voor deze variabele de data betreffende de olieprijzen het verst teruggaat in de tijd. Deze factor zal verder gebruikt worden onder de afkorting OP.
2.4.6
De Olieprijsvolatiliteit
Hoewel deze variabele niet behoort tot de set van potentiële factoren volgens het DDM, voegen we ze wel toe als systematische factor. Uit de literatuurstudie blijkt immers dat de olieprijsvolatiliteit een significant effect heeft op de aandelenrendementen. De olieprijsvolatiliteit kan gemeten worden als de maandelijkse standaardafwijking van de relatieve veranderingen in de olieprijzen op dagbasis. Deze werd berekend op basis van de dagelijkse Brent oliefuturesprijs. De formule voor de olieprijsvolatiliteit kan als volgt worden weergegeven, Dt
OPVt =
∑ (VO d =1
met
d
)² ,
OPVt = de volatiliteit van de olieprijs in maand t, VOd = de wijziging in de dagelijkse olieprijzen op dag d van maand t.
Deze maatstaf voor de olieprijsvolatiliteit blijkt geloofwaardig daar de relatieve wijzigingen in de dagelijkse olieprijs ten eerste een steekproefgemiddelde hebben dicht bij nul en ten tweede een verwaarloosbare seriële correlatie heeft. Deze factor zal verder gebruikt worden onder de afkorting OPV.
72
Figuur 5: De maandelijkse Brent olieprijsvolatiliteit, 1982-2006 0.25 0.2 0.15 0.1 0.05 0 82
84
86
88
90
92
94
96
98
00
02
04
06
Bron : eigen berekeningen op basis van gegevens uit Datastream
2.4.7
De Residuele marktfactor
Als marktindices doen we in eerste instantie een beroep op de MSCI rendementsindices. Deze zijn beschikbaar per regio, per land en per sector. De MSCI rendementscijfers zijn echter zeer nauw gecorreleerd met de rendementscijfers afkomstig van Datastream daar ze uiteraard hetzelfde meten. Hierdoor kan een effect opgepikt door de MSCI indices rechtstreeks getransponeerd worden op de afhankelijk variabele, namelijk de Datastream rendementen die zonder aanwezigheid van de MSCI rendementen dit effect niet hadden opgepikt. Dit dienen we evenwel te vermijden. Om deze reden zullen we de MSCI-marktindex enkel gebruiken bij de berekening van de residuele marktfactor, die we toevoegen om toch een marktindex te gebruiken. Deze marktfactor kunnen we bekomen door de MSCI rendementen te regresseren op de zes verklarende factoren in een multifactormodel. De residuele marktfactor is dan het residu uit dit regressiemodel. Het stelt bijgevolg de variatie in de MSCI-aandelenrendementen voor die niet verklaard wordt door de zes economische factoren. De residuele marktfactor kunnen we vervolgens gebruiken als zevende factor in het originele multifactormodel op basis van de Datastream rendementen. Deze factor zal verder gebruikt worden onder de afkorting UM.
73
2.5 Het steekproefopzet Het onderzoek is gebaseerd op maandelijkse data over een steekproefperiode die loopt van februari 1982 tot januari 2006, bestaande uit 288 maanden. De populatie van het onderzoek bestaat uit de Eurozone, en alle Europese landen waarvoor voldoende data beschikbaar waren. Deze landen zijn België, Denemarken, Duitsland, Finland Frankrijk, Hongarije, Ierland, Italië, Nederland, Noorwegen, Polen, Portugal, Spanje, het Verenigd Koninkrijk (VK) en Zweden. In bepaalde testen zullen we ons echter beperken tot een deel van deze landen.
2.6 Gegevensanalyse Om te testen of de aandelenrendementen systematisch reageren op wijzigingen voorgestelde
macro-economische
factoren
gebruiken
we
de
in de
macro-economische
factorbenadering die reeds uitgebreid in de literatuurstudie aan bod kwam. De methode loopt als volgt:
Vooraleerst berekenen we een correlatiematrix van de afhankelijk en de onafhankelijke factoren. In de correlatiematrix wordt de correlatie tussen elk paar van factoren in het regressiemodel weergegeven Via deze matrix kunnen we het econometrische probleem van multicollineariteit opsporen, dat zich enkel voordoet in meervoudige regressieanalyses. Het betreft het optreden van hoge correlatie tussen sommige verklarende factoren waardoor de schatting van de coëfficiënten minder betrouwbaar wordt. Indien de factoren sterk correleren kan men onmogelijk uitmaken of een stijging in de afhankelijk variabele te wijten is aan een stijging in de ene factor dan wel aan een stijging in de andere factor. Op basis van het schattingsresultaat kunnen bijgevolg de effecten van beide factoren niet meer uit elkaar worden gehouden. Via de matrix kunnen we eveneens nagaan welke factoren sterk correleren met de aandelenrendementen en met de overige factoren.
Vervolgens stellen we een multifactormodel op volgens het APT model. We gebruiken de zeven
beschouwde
economische
factoren
als
onafhankelijke
variabelen
in
het
multifactormodel en de variatie in de aandelenrendementen als afhankelijk variabele. Het lineair model kan als volgt worden voorgesteld, Rit = a + βTERM TERMt + βMP MPt + βMSCI MSCIt + βDEI DEIt + βUI UIt + βOP OPt + βOPV OPVt + βUM UMt + εt ,
74
met
R = de aandelenrendementen als afhankelijk variabele, a = de constante term, TERM = de yield curve, MP = de maandelijkse wijziging in de industriële productie, MSCI = de marktindex afkomstig van de MSCI rendementsindices, UI = de onverwachte inflatie, OP = de wijzigingen in de oliefuturesprijzen, OPV = de olieprijsvolatiliteit, UM = de residuele marktfactor, β = de sensitiviteit van de betreffende verklarende factor,
ε = de niet-systematische component of storingsterm.
Door middel van dit lineair multifactormodel kan de invloed van elk van de verklarende factoren op de variatie in de aandelenrendementen nagegaan worden. Hiervoor maken we gebruik van regressie-analyse. In deze techniek gaat men er van uit dat elke variabele een bepalende factor is voor het gedrag van de afhankelijk variabele, waardoor men het een dependentietechniek kan noemen. Door regressie van de aandelenrendementen op de onafhankelijke factoren bekomt men de factorbèta’s of de coëfficiënten van de factoren. We voeren dus een schatting uit van de factorbèta’s op basis van het multifactormodel. Deze bètacoëfficiënten drukken de impact uit van elke verklarende variabele op de variatie in de aandelenrendementen.
De klassieke manier om deze coëfficiënten praktisch te bepalen is de methode van de kleinste kwadraten (Ordinary Least Squares – OLS). Deze techniek definieert de coëfficiënten op een zodanige manier dat de som van het kwadraat van elk van de residuen zo klein mogelijk is. Een residu of storingsterm (ε) kan men definiëren als de omvang van de gemaakte fout bij het schatten van het verband tussen de factoren. De constante term a is de uitdrukking van de variatie in de aandelenrendementen bij alle onafhankelijke factoren gelijk aan nul.
2.7 Overzicht gegevensanalyse 2.7.1
Lineaire regressie
2.7.1.1 Correlatiematrix en multifactormodel In eerste instantie gaan we door middel van de correlatiematrix en het multifactormodel na of elk van de zeven factoren invloed heeft op de aandelenrendementen. Daarnaast onderzoeken 75
we welke verklaringskracht deze factoren hebben in de variatie van de betreffende rendementen. We onderzoeken de impact en de verklaringskracht van de factoren doorheen de tijd aan de hand van subperiodes. Deze worden in x besproken. De lineaire regressie met alle factoren doen we voor de Eurozone zonder en met inclusie van UM, Duitsland en Noorwegen. Vervolgens concentreren we ons specifiek op de invloed van de factoren OP en OPV op de aandelenrendementen. Deze resultaten rapporten we voor alle landen uit het steekproefopzet.
2.7.1.2 De subperiodes De steekproefperiode beslaat een periode van 288 maanden. Doorheen deze periode kan het verband tussen de factoren en de aandelenrendementen flink wijzigen. Daarom bestuderen we het verband naast de gehele periode ook over drie verschillende subperiodes. In navolging van Chen, Roll en Ross (1986) en wegens de aard van deze scriptie baseren we de indeling op data waarop een olieprijsschok plaatsvond. De eerste subperiode is de periode februari 1982 tot mei 1990. Sadorsky (1999) schuift het belang van het jaar 1986 als afbreekpunt naar voor omwille van de veronderstelde structurele verschuiving die hiermee gepaard ging. Ciner daarentegen meent (2001) dat deze structurele verschuiving plaatsvond bij de olieprijsschok in 1990. Uit eigen onderzoek bemerken we eveneens een hogere olieprijsvolatiliteit in de periode na 1990, waardoor onze voorkeur uitgaat naar deze laatste schok als afbreekdatum voor de eerste periode. Uiteraard was bij de keuze het tijdsbestek met ongeveer drie gelijke periodes ook van belang. De twee overige subperiodes lopen respectievelijk van juni 1990 tot januari 1999 en van februari 1999 tot januari 2006. In december 1999 bereikte de olieprijs zijn laagste prijspeil, waarna de prijs aanhoudend steeg met als gevolg dat deze precies twee jaar later meer dan vier keer zo hoog was. De eerste periode bestaat uit 100 maanden, de tweede uit 103 maanden en tenslotte de derde uit 85 maanden.
76
Figuur 6: Indeling periode 1982 - 2006 in drie subperiodes
Bron: eigen werk
2.7.1.3 Sectoren Zoals we uit de literatuur kunnen opmaken is het mogelijk dat de gekozen systematische factoren een verschillende invloed hebben op aandelenrendementen uit verschillende sectoren en industrieën. Dit kan te wijten zijn aan de nauwere relatie die een factor heeft met een bepaalde economische sector of industrie. Daarom bestuderen we de invloed van de factoren over verschillende economische sectoren aangevuld met een specifieke industrie. Bij de indeling van de economie in verschillende sectoren baseren we ons op de sectoriële classificatie van de FTSE. Deze classificatie erkent negen sectoren namelijk,
De algemene industriesector (ALGIN) De basisindustriesector (BASIN) De energiesector (OILGS) De cyclische consumentengoederensector (CYCCG) De niet-cyclische consumentengoederensector (NCYCCG) De cyclische dienstensector (CYCDI) De nutsector (NUT) De IT-sector (IT) De financiële sector (FIN) Wegens de relatie met de olieprijzen bestuderen we eveneens de invloed op de transportindustrie. 77
Bij de bespreking beperken we ons echter tot de sectoriële resultaten voor de factoren OP en OPV. Voor de invloed van de overige factoren verwijzen we de geïnteresseerde lezer graag naar bijlage 5. We bestuderen de sectoriële impact op de rendementen voor respectievelijk de Eurozone, Duitsland, Noorwegen, België en Frankrijk.
2.7.2
Het asymmetrische of niet-lineaire verband
In het onderzoek naar de impact van de economische factoren op de aandelenrendementen wijst Ciner (2001) op de absolute noodzaak steeds zowel de symmetrische als de asymmetrische effecten van olieprijsschokken te beschouwen. Om een correct inzicht te krijgen dienen we dus een onderscheid te maken tussen olieprijsstijgingen en olieprijsdalingen. Door deze splitsing kunnen we de hypothese dat de invloed van de olieprijzen in periodes van stijgende olieprijzen significant verschillend is van de invloed in periodes van dalende olieprijzen. Om dit onderscheid te maken berekenen we in eerste instantie de wijziging in de olieprijzen. Vervolgens doen we een beroep op dummyvariabelen waarbij een eerste dummyvariabele (Dum1) de periodes van dalende olieprijzen (137 maanden) voorstelt en een tweede dummyvariabele (Dum2) de periodes van stijgende olieprijzen (151 maanden). Indien een variabele k niveaus kan aannemen, dan worden daarvoor k-1 dummyvariabelen in de regressie opgenomen. Daar we hier met slechts twee niveaus te maken hebben wordt slechts één dummy in de regressie opgenomen. De weggelaten dummy zal dan de tegengestelde waarde aannemen. We gebruiken Dum2 in de regressie. Na vermenigvuldiging van Dum2 met een betreffende factor kunnen we uit de coëfficiënt en de t-waarde voor deze factor uitmaken of er een significant verschil is met Dum1. In dit onderzoek beperken we ons echter tot de invloed van OP in periodes van stijgende en dalende prijzen. Voor de invloed van de overige factoren verwijzen we de geïnteresseerde lezer naar bijlage 6. Het niet-lineaire verband onderzoeken we voor de rendementen van de Eurozone, Duitsland, Noorwegen, het VK, België, Nederland, Denemarken, Frankrijk, Zweden en Italië. Tenslotte onderzoeken we het asymmetrische verband eveneens voor de rendementen van de energiesector voor de Eurozone en de beschouwde landen.
78
2.7.3
Periodes met een verschillend olieprijsniveau
We testen eveneens de invloed van de factoren over periodes met een verschillend olieprijsniveau. In dit onderzoek hanteren we drie verschillende prijsniveaus. Om onderscheid te kunnen maken tussen deze niveaus passen we een ‘kwantiel-methode’ toe. Als afkapwaarden worden dan de prijs in het 33e kwantiel en de prijs in het 67e kwantiel gebruikt. De eerste afkapwaarde bedraagt €15,41 en de tweede afkapwaarde €26,93. Via deze waarden kunnen we een onderscheid maken tussen periodes met ‘lage’, ‘gemiddelde’ en ‘hoge’ olieprijzen. Om de invloed van de factoren in deze periodes te testen dienen we andermaal een beroep te doen op dummyvariabelen. De eerste dummyvariabele (Dum1) stelt de periode met ‘lage’ olieprijzen voor, de tweede dummyvariabele (Dum2) de periode met ‘gemiddelde’ prijzen en de derde dummyvariabele (Dum3) de periode met hoge prijzen. Elk van deze periodes bevat 96 maanden. Vooraleerst gaan we na of de invloed van OP in periodes met hoge olieprijzen en lage olieprijzen significant verschillend is van de invloed in periodes met gemiddelde olieprijzen. In deze regressie gebruiken we bijgevolg enkel Dum1 en Dum3. In tweede instantie testen we of de invloed van OP in periodes met hoge olieprijzen significant verschilt van de invloed in periodes met lage olieprijzen. Hier gebruiken we dus enkel Dum2 en Dum3. In dit onderzoek beperken we ons echter tot de invloed van OP in periodes van hoge, gemiddelde en lage olieprijzen. Voor de invloed van de overige factoren verwijzen we de geïnteresseerde lezer naar bijlage 8. De invloed van de factoren over verschillende prijsniveaus onderzoeken we voor de Eurozone, Duitsland, Noorwegen, het VK, België, Nederland en Frankrijk. Tenslotte onderzoeken we het verband eveneens voor de rendementen van de energiesector voor de Eurozone en de beschouwde landen.
2.7.4
Periodes met een verschillende niveau van olieprijsvolatiliteit
Sadorsky (1999) meent dat de volatiliteit van de olieprijzen eveneens een significante invloed uitoefent op de aandelenrendementen. Om deze reden lijkt het ons interessant de invloed van de factoren te testen over periodes met verschillende niveaus van olieprijsvolatiliteit. Om onderscheid te kunnen maken tussen deze niveaus hanteren we wederom een ‘kwantielmethode’ met afkapwaarden de volatiliteit in het 33e kwantiel en de volatiliteit in het 67e kwantiel. Via deze waarden kan dan onderscheid gemaakt worden tussen periodes met ‘lage’, 79
‘gemiddelde’ en ‘hoge’ olieprijsvolatiliteit. Om de invloed van de factoren in deze periodes te testen gebruiken we opnieuw dummyvariabelen met als eerste dummyvariabele (Dum1) de periode met ‘lage’ olieprijsvolatiliteit, de tweede dummyvariabele (Dum2) de periode met ‘gemiddelde’ volatiliteit en de derde dummyvariabele (Dum3) de periode met hoge volatiliteit. Elk van deze periodes bevat wederom 96 maanden. Vooraleerst gaan we na of de invloed van OP in periodes met hoge en lage volatiliteit significant verschillen van de invloed in periodes met gemiddelde volatiliteit. In deze regressie gebruiken we bijgevolg enkel Dum1 en Dum3. In tweede instantie testen we of de invloed van OP in periodes met hoge volatiliteit significant verschilt van de invloed in periodes met lage volatiliteit. Hier gebruiken we dus enkel Dum2 en Dum3. In dit onderzoek beperken we ons echter tot de invloed van OP in periodes van hoge, gemiddelde en lage olieprijsvolatiliteit. Voor de invloed van de overige factoren verwijzen we de geïnteresseerde lezer naar bijlage 10. De invloed van de factoren over verschillende prijsniveaus onderzoeken we voor de Eurozone, Duitsland, Noorwegen, het VK, België, Nederland en Frankrijk. Tenslotte onderzoeken we het verband eveneens voor de rendementen van de energiesector voor de Eurozone en de beschouwde landen.
2.8 De statistische evaluatie van het regressiemodel We vragen ons in eerste instantie af of het verband tussen de economische factoren en de aandelenrendementen significant is en in welke mate de regressievergelijking het verband verklaart. Een maatstaf voor de sterkte van de associatie is de determinatiecoëfficiënt (R²). Deze coëfficiënt meet de verklaringskracht van alle beschouwde verklarende factoren in de variatie van de afhankelijke variabele. Ze geeft dus de verhouding weer tussen het verklaarde deel in de variatie en de totale te verklaren variatie in de afhankelijke variabele. Het is uiteraard de bedoeling dat deze coëfficiënt zo hoog mogelijk is. De bekomen bètacoëfficiënten dienen op hun statistische significantie getest te worden. Dit doen we door te testen of de geschatte coëfficiënten significant verschillend zijn van nul. Hiervoor doen we een beroep de t-waarden. We verwerpen de nulhypothese indien de twaarde groter is dan 1.96. De statistische significantie van het geschatte model kan men nagaan door middel van de Ftest. De bekomen F-waarde dient vergeleken te worden met de kritische F-waarde bij 95% betrouwbaarheid. Deze kritische F-waarde dient gezocht te worden op basis van het aantal 80
vrijheidsgraden in de teller (het aantal afhankelijke plus het aantal onafhankelijke variabelen min één) en het aantal vrijheidsgraden in de noemer (het aantal waarnemingen min het totale aantal variabelen). Indien de berekende F-waarde groter is dan de kritische waarde kan men besluiten dat het model een statistisch significante verklaringskracht heeft.
Deze waarden zijn de belangrijkste statistische kengetallen aan de hand waarvan de statistische validiteit van een regressieresultaat kan worden beoordeeld. Ze worden dan ook automatisch berekend bij het uitvoeren van een regressie in Eviews.
2.9 Problemen bij het toepassen van regressie-analyse 2.9.1
Multicollineariteit
Het probleem van multicollineariteit werd reeds aangehaald bij de bespreking van de correlatiematrix. Het betreft het optreden van een hoge correlatie tussen de variabelen, waardoor de schatting van de coëfficiënten minder betrouwbaar wordt. Een hoge determinatiecoëfficiënt gepaard gaande met niet-significante factoren kan een aanduiding in deze richting zijn. Het is derhalve onmogelijk om op basis van het schattingsresultaat de invloed van elk van de onafhankelijke variabele te bepalen. Het fenomeen kan ontdekt worden door middel van het berekenen van de correlatiematrix. Op basis van de correlaties tussen de variabelen kunnen dan sterk correlerende variabelen geëlimineerd worden uit het regressiemodel, waardoor de betrouwbaarheid van de schattingen hersteld wordt. Vaak wordt als vuistregel gesteld dat geen van de correlatiecoëfficiënten tussen elk paar van de onafhankelijke factoren de waarde 0.50 mag overschrijden.
2.9.2
Autocorrelatie
Autocorrelatie of seriële correlatie is de correlatie van een variabele met zichzelf doorheen de tijd. Er bestaat dus een verband tussen de opeenvolgende residuen. Dit fenomeen vindt men vooral bij het schatten van een regressiemodel aan de hand van tijdreeksgegevens. Economische tijdsseries zoals prijsindices, rendementsindices en productiegegevens zijn onderhevig aan economische cycli. Bijvoorbeeld stijgt in een economische herleving het merendeel van de dataseries in waarde. De waarde op een gegeven tijdstip zal bijgevolg groter zijn dan de vorige waarde. Deze groei blijft voortduren tot de groei terug stagneert. Om deze reden zijn de opeenvolgende observaties in tijdsregressies meestal interafhankelijk wat leidt tot autocorrelatie in de gegevens. Een andere potentiële reden is dat de variatie in een
81
variabele beïnvloed wordt door de variatie in variabelen in voorgaande periodes. Dit kan men bestempelen als vertraagde effecten. Daarom is het belangrijk de regressie te testen op dit fenomeen. Een goede maatstaf voor de mate van autocorrelatie is de Durbin-Watson statistiek. Deze teststatistiek ligt steeds tussen 0 en 4. Indien de waarde schommelt rond 2 mag men aannemen dat er geen autocorrelatie aanwezig is. Indien de waarde eerder naar 0 tendeert spreekt men van positieve autocorrelatie, indien eerder naar 4 van negatieve autocorrelatie. Een alternatieve maatstaf betreft de correlogram Q-statistiek van de residuen. Deze test de nulhypothese dat er geen autocorrelatie aanwezig is tegen de alternatieve hypothese.
2.9.3
Heteroscedasticiteit
Een belangrijke veronderstelling voor de validiteit van een regressiemodel is dat de storingsterm voor elke waarde van de onafhankelijke variabele dezelfde variantie heeft. Deze eigenschap wordt homoscedasciteit genoemd. Indien dit niet het geval is spreekt men van heteroscedasticiteit. Dit laatste leidt tot het niet-normaal verdeeld zijn van de residuen, wat een inbreuk betekent op de voorwaarde van validiteit van het regressiemodel. Dit fenomeen komt evenwel niet voor in ons onderzoek waardoor er verder geen aandacht aan wordt besteed.
3
Resultaten en interpretatie
In deze paragraaf passen we de hiervoor besproken methodologie toe.
In onze analyse geven we voor de belangrijkste geografische indelingen en landen een kort overzicht in samengevatte tabelvorm van de kerngegevens. De belangrijkste statistische waarden werden reeds bij de statistische evaluatie van het regressiemodel besproken. Voor de uitgebreide gegevenstabellering verwijzen we graag naar de bijlagen.
3.1 Lineaire regressie 3.1.1
Invloed van de factoren in de Eurozone
In de correlatiematrix in tabel 5 merken we geen waarden die de 0.50 overschrijden waardoor multicollineariteit kan verworpen worden. Globaal bekeken is er weinig correlatie tussen de factoren en de rendementen aanwezig, net als tussen factoren onderling. Deze verre van perfecte correlatie wijst erop dat geen enkele factor door een andere kan vervangen worden. TERM blijkt positief gecorreleerd met de rendementen. Hoe steiler de yield curve, dus hoe 82
groter het verschil tussen korte en lange rente, hoe beter de economische conjunctuur wat hogere aandelenrendementen tot gevolg heeft. MP is eveneens positief gecorreleerd met de rendementen. Hoe hoger de industriële productie, hoe meer winst kan gegenereerd worden waardoor ook de rendementen hoger zijn. DEI is negatief gecorreleerd met de rendementen, UI dan weer positief. De inflatiefactoren zijn positief met elkaar gecorreleerd wat te verwachten was, daar ze beiden de serie van de verwachte inflatie in zich dragen. Opmerkelijk is de positieve correlatie tussen OP en de rendementen. De olieprijs is eveneens positief en betrekkelijk sterk gecorreleerd met de inflatievariabelen. Een stijging van de olieprijzen kan additionele inflatie genereren via de impact op de economie. OPV is dan weer negatief gecorreleerd met de rendementen. Olieprijsvolatiliteit genereert namelijk onzekerheid wat een negatief effect heeft op de economische conjunctuur en de rendementen. De volatiliteit van de olieprijs blijkt overigens negatief gecorreleerd te zijn met de olieprijs zelf. Tabel 5: Correlatiematrix Eurozone, 1982 – 2006 REND TERM MP DEI UI OP OPV
REND TERM MP DEI UI OP 1.000 0.068 0.031 -0.093 0.049 0.084* 0.068 1.000 0.076 0.081 0.052 0.039 0.031 0.076 1.000 -0.011 0.008 0.056 -0.093 0.081 -0.011 1.000 0.029 0.142 0.049 0.052 0.008 0.029 1.000 0.343 0.084 0.039 0.056 0.142* 0.343* 1.000 -0.011 -0.108 0.109 -0.013 -0.034 -0.089 Bron : eigen berekeningen op basis van gegevens uit Datastream
OPV -0.011 -0.108 0.109 -0.013 -0.034 -0.089 1.000
3.1.1.1 Resultaten Eurozone zonder UM In eerste instantie bekijken we het verband van de verklarende factoren met de rendementen weergeven zonder inclusie van de residuele marktfactor (UM). De resultaten zijn weergegeven in tabel 6. Uit de Durbin-Watson statistieken bemerken we lichte positieve autocorrelatie. Doch na testen met de Q-statistiek blijkt dat de autocorrelatie zich slechts voordoet over één vertraagde periode en bijgevolg te verwaarlozen is. De p-waarden van de F-statistieken zijn echter voor alle periodes niet significant. Bovendien overschrijden de F-statistieken zelf hun kritische waarden niet, waardoor de statistische significantie van het model moet verworpen worden. Wegens deze niet-significantie van het model wenden we ons dan ook tot het model inclusief UM.
83
Tabel 6: Regressieresultaten Europa zonder UM, 1982-2006 en subperiodes 02/1982 - 01/2006 Factoren Coeff. (β) t-waarden C 0.008 1.715 TERM 0.003 1.188 MP 0.052 0.322 DEI -2.424 -1.870 UI 0.450 0.275 OP 0.038 1.411 OPV 0.005 0.032 R² 0.024 Adj. R² 0.003 DW-statistiek 1.77 F-Statistiek 1.16* p-waarde 0.329*
02/1982 - 05/1990 Coeff. (β) t-waarden 0.005 0.629 0.002 0.489 0.165 0.831 -3.474 -1.808 0.025 0.010 0.113 2.261 0.571 1.816 0.103 0.045 1.79 1.77* 0.114*
06/1990 – 01/1999 02/1999 - 01/2006 Coeff. (β) t-waarden Coeff. (β) t-waarden 0.012 2.042* -0.030 -1.762 0.003 0.935 0.017 1.987* -0.197 -0.577 0.054 0.116 -2.330 -1.058 -0.692 -0.228 1.352 0.504 1.248 0.348 -0.070 -1.397 0.095 2.060 -0.131 -0.642 0.830 1.091 0.048 0.122 -0.011 0.054 1.75 1.94 0.82* 1.79* 0.559* 0.112*
Bron : eigen berekeningen op basis van gegevens uit Datastream
3.1.1.2 Resultaten Eurozone met UM In wat volgt bespreken we de resultaten indien UM wel in het multifactormodel wordt opgenomen. De resultaten zijn weergegeven in tabel 7.
Tabel 7: Regressieresultaten Europa met UM, 1982-2006 en subperiodes 02/1982 – 01/2006 02/1982 – 05/1990 06/1990 - 01/1999 02/1999 - 01/2006 Factoren Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden C 0.008 2.840* 0.000 0.048 0.012 3.243* -0.001 -0.126 TERM 0.003 1.968* 0.005 1.648 0.002 0.902 0.003 0.916 MP 0.052 0.534 0.133 0.883 0.005 0.022 0.070 0.476 DEI -2.424 -3.098* -3.354 -2.291* -1.958 -1.405 -1.709 -1.769 UI 0.450 0.456 0.921 0.463 0.700 0.413 0.148 0.129 OP 0.038 2.337* 0.056 1.454 0.019 0.581 0.074 5.005* OPV 0.005 0.053 0.312 1.292 -0.100 -0.781 0.431 1.775 UM 0.585 22.154* 0.449 8.253* 0.662 12.100* 0.632 26.146* R² 0.645 0.484 0.623 0.912 Adj. R² 0.637 0.445 0.596 0.904 DW-statistiek 2.84 2.69 2.72 2.87 F-Statistiek 72.83 12.34 22.67 112.80 p-waarde 0.000 0.000 0.000 0.000 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
Onmiddellijk merken we dat de F-statistieken wel significant zijn en hun kritische waarden overschrijden. De verklaringskracht van het model blijkt overigens zeer sterk gestegen.
84
De resultatentabel toont aan dat over de gehele periode TERM, DEI, OP en uiteraard UM significant zijn. UM blijkt overigens over alle subperiodes statistisch significant te zijn. OP is enkel in de laatste subperiode sterk significant en DEI enkel in de eerste periode. MP en OPV zijn noch over de gehele periode, noch over de subperiodes statistisch significant en hebben bijgevolg geen invloed op de Europese rendementen. Wat betreft de coëfficiënten van de factoren bemerken we dat UM steeds een positief teken heeft, wat uiteraard te verwachten was vanwege de hoge correlatie. OP heeft een beperkte maar positieve impact op de aandelenrendementen. De coëfficiënt van DEI duidt op een zeer sterke negatieve relatie. Het model met UM verklaart meer dan 64% in de variatie in de aandelenrendementen, en in de laatste subperiode tot zelfs 90%, wat opvallend veel hoger is dan het model zonder UM. De hoge stijging in de determinatiecoëfficiënt is uiteraard te wijten aan de toevoeging van UM aan het model. Doch willen we met de inclusie van UM niet een hogere determinatiecoëfficiënt verwezenlijken, maar eerder een beperking van de storing op de regressie. De toevoeging van UM beperkt namelijk de standaardafwijking van de factoren, waardoor deze een hogere kans op significantie maken. De F-statistieken zijn dan ook steeds zeer significant en overschrijden de kritische waarde in hoge mate. Nadeel is dat we geconfronteerd worden met hoge autocorrelaties. Doch weten we dat deze voortkomt uit de incorporatie van UM, waardoor we hieraan niet veel aandacht moeten besteden. Uit analyse zonder toevoeging van UM in het model vinden we namelijk geen autocorrelatie. In wat volgt zullen we UM steeds toevoegen aan het multifactormodel.
3.1.2
Invloed van de factoren in Duitsland en Noorwegen
Na het bespreken van de Europese resultaten zullen we ons verder richten op de resultaten voor de Europese landen. We beginnen met een individuele bespreking voor Duitsland en Noorwegen. We bespreken Duitsland, vanwege haar economische kracht en belang, en Noorwegen vanwege haar status als grootste Europese olieproducent.
3.1.2.1 De resultaten voor Duitsland In de correlatiematrix voor Duitsland in tabel 8 worden geen waarden hoger dan 0.50 vastgesteld. UI is negatief gecorreleerd met de rendementen, alsook met TERM en MP. De resultaten uit de regressie voor Duitsland wijzen erop dat OP, OPV, DEI, UI, en UM statistisch significant zijn over de gehele periode. In vergelijking met de Eurozone zien we dat ook daar DEI en OP significant zijn over de gehele periode. Verschillend is dat OPV en UI in 85
de Eurozone geen invloed hebben, terwijl ze in Duitsland wel als significant kunnen worden beschouwd. De tekens van de coëfficiënten duiden aan dat over de gehele periode dat enkel OP een positief verband heeft met de aandelenrendementen. De inflatievariabelen hebben een sterke negatieve invloed op de rendementen. OPV heeft dan weer een negatieve impact wegens de onzekerheid die ze met zich meebrengt en blijkt meer invloed te hebben dan OP zelf. TERM en MP lijken over de gehele periode weinig invloed te hebben. De significantie van de factoren heeft hoge R² tot gevolg.
Tabel 8: Correlatiematrix Duitsland, 1982 – 2006 REND TERM MP DEI UI OP OPV
REND 1.000
TERM 0.033 1.000
MP 0.019 0.076 1.000
DEI -0.058 0.009 -0.022 1.000
UI -0.042* -0.076* -0.034* 0.016 1.000
OP 0.051 0.039 0.056 0.056 0.275 1.000
OPV -0.054 -0.108 0.109 -0.018 0.029 -0.089 1.000
Bron : eigen berekeningen op basis van gegevens uit Datastream Tabel 9: Regressieresultaten Duitsland, 1982-2006 en subperiodes 02/1982 - 01/2006 02/1982 - 05/1990 06/1990 - 01/1999 02/1999 - 01/2006 Factoren Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden C 0.011 7.926* 0.011 3.577* 0.012 5.498* 0.005 1.153 TERM 0.001 1.267 0.001 0.763 0.001 0.810 0.002 1.017 MP 0.051 0.962 0.036 0.502 0.014 0.117 0.232 1.998* DEI -1.045 -3.813* -1.090 -2.073* -0.939 -1.990* -1.070 -2.259* UI -1.032 -3.261* -0.848 -1.352 -0.814 -1.573 -1.652 -2.965* OP 0.033 3.794* 0.029 1.613 0.016 0.903 0.052 4.635* OPV -0.152 -2.871* -0.066 -0.572 -0.200 -2.645* 0.086 0.465 UM 0.850 59.568* 0.867 32.659* 0.808 25.211* 0.851 45.119* R² 0.928 0.930 0.878 0.967 Adj. R² 0.926 0.924 0.869 0.964 DW-statistiek 2.80 2.72 2.83 2.43 F-Statistiek 513.90 173.31 98.81 319.12 p-waarde 0.000 0.000 0.000 0.000 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
Wat betreft de subperiodes zien we dat OP enkel in de derde periode significant is. Dit resultaat vinden we ook in de resultaten voor de Eurozone. OPV is dan weer enkel in de tweede periode significant. DEI is over alle subperiodes significant, evenals UM. MP en UI blijken enkel in de laatste periode over enige significantie te beschikken. Voor TERM merken
86
we geen enkel teken van significantie. De resultaten voor de subperiodes tonen aan dat OP steeds een positieve impact heeft op de rendementen. In de eerste en tweede periode heeft OP weinig effect, doch in de periode ’99-’06 blijken olieprijsschokken een positieve en significante impact te hebben op de rendementen. Ook voor de Eurozone vinden we gelijkaardige resultaten wat betreft de invloed van olieprijswijzigingen. OPV heeft in de eerste en tweede subperiode net als over de gehele periode een negatief teken, doch in de laatste periode een positief teken hoewel haar significantie daar niet kan aangetoond worden. Bovendien heeft OPV ook over de subperiodes een sterkere impact op de rendementen dan OP. De inflatievariabele DEI heeft over alle subperiodes een sterke negatieve invloed op de rendementen. De Duitse UI is voor de drie periodes net als in de gehele periode steeds negatief ondanks haar significantie enkel in de laatste periode kan aangetoond worden. Net als voor de Eurozone blijkt TERM weinig of geen invloed uit te oefenen. UM heeft wederom een positieve en significante relatie met de aandelenrendementen. De determinatiecoëfficiënten voor de subperiodes zijn eveneens zeer hoog en schommelen rond de 90%. De verklaringskracht is net als voor de Eurozone hoofdzakelijk te danken aan de OP, de inflatievariabelen en UM.
3.1.2.2 De resultaten voor Noorwegen De industriële productiecijfers voor Noorwegen zijn slechts beschikbaar vanaf 1986, waardoor we noodgedwongen de steekproefperiode moeten inperken van februari 1986 tot januari 2006. In figuur 2 en bijlage 1 zien we dat Noorwegen zich als enige Europese land bij de top vijf van olieproducerende landen bevindt met een productieaandeel van om en bij de 4% in de wereldproductie. We zouden bijgevolg kunnen aannemen dat olieprijsschokken als verklarende factor een grotere verklaringskracht hebben in de variatie van de Noorse aandelenrendementen dan in het gemiddelde Europese land. In wat volgt testen we deze stelling.
In de correlatiematrix voor Noorwegen, weergegeven in tabel 10, zijn geen resultaten hoger dan 0.50 te bespeuren. Onmiddellijk in het oog springend is de hoge positieve correlatie tussen REND en OP. Dit is een eerste indicatie voor de sterke positieve relatie. We merken eveneens een meer dan gemiddelde negatieve correlatie tussen REND en OPV. Opvallend is dat MP negatief gecorreleerd is met de rendementen. Een hogere industriële productie leidt in
87
Noorwegen tot een daling van de rendementen. Voorts zijn geen opvallende correlaties te vermelden.
Tabel 10: Correlatiematrix Noorwegen, 1982 – 2006 REND TERM MP DEI UI OP OPV
REND 1.000
TERM 0.074 1.000
MP -0.068 -0.004 1.000
DEI -0.034 0.020 0.037 1.000
UI -0.053 0.036 -0.078 -0.018 1.000
OP 0.261* 0.043 0.081 0.104 0.070 1.000
OPV -0.119 -0.065 -0.094 0.067 0.045 -0.088 1.000
Bron : eigen berekeningen op basis van gegevens uit Datastream Tabel 11: Regressieresultaten Noorwegen, 1982-2006 en subperiodes 02/1982 - 01/2006 02/1986 - 05/1990 06/1990 - 01/1999 02/1999 - 01/2006 Factoren Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden C 0.014 5.547* 0.018 2.924* 0.015 3.889* 0.011 1.571 TERM 0.003 2.700* 0.006 1.913* 0.003 1.840 0.004 1.254 MP -0.165 -4.642* -0.211 -4.501* -0.095 -1.023 -0.168 -2.425* DEI -0.804 -2.462* -0.994 -1.254 -0.800 -0.998 -0.575 -1.753 UI -1.485 -3.550* -2.988 -3.003* -1.361 -1.356 -1.060 -2.434* OP 0.174 12.095* 0.195 6.582* 0.166 5.405* 0.166 9.713* OPV -0.389 -4.240* -0.555 -2.421* -0.316 -2.478* -0.481 -1.620 UM 0.960 40.535* 0.943 21.525* 0.999 23.887* 0.906 25.950* R² 0.889 0.930 0.861 0.918 Adj. R² 0.885 0.919 0.850 0.910 DW-statistiek 2.32 1.92 2.49 1.68 F-Statistiek 264.15 83.79 84.62 120.92 p-waarde 0.000 0.000 0.000 0.000 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
De resultaten in tabel 11 tonen onmiddellijk aan dat over de gehele periode alle factoren zeer significant zijn. De t-waarde van OP duidt op een zeer sterke significantie, net als de factor OPV. De coëfficiënt van OP over de gehele periode duidt op een sterke positieve impact op de Noorse aandelenrendementen. Dit is opnieuw een indicatie van de invloed van de olieprijsschokken op de rendementen in Noorwegen. De sterke negatieve coëfficiënt wijst er op dat de volatiliteit van de olieprijzen in Noorwegen een hoger dan gemiddelde impact heeft in vergelijking met de Eurozone en Duitsland. Deze impact is wederom negatief vanwege de onzekerheid die gecreëerd wordt. Bovendien blijkt OPV andermaal een grotere invloed te hebben dan olieprijswijzigingen.
88
De inflatievariabelen zijn net zoals in Duitsland sterk negatief. DEI wijst op het negatieve verband tussen inflatie en aandelenrendementen. De bèta van MP is negatief wat duidt op de negatieve relatie tussen MP en de rendementen in Noorwegen. TERM blijkt van geen significante waarde. Wat betreft de subperioden merken we opnieuw dat olieprijsschokken de meeste invloed uitoefenen in de periode ’99-’06. Dit is een bevestiging van de gelijkaardige vaststelling in de Eurozone en Duitsland. De olieprijsvolatiliteit heeft in de eerste twee subperiodes een danige negatieve invloed, doch niet in de laatste subperiode. Indien we naar figuur 5 betreffende de olieprijsvolatiliteit over de steekproefperiode kijken, merken we dat de volatiliteit in de laatste jaren zeer stabiel is gebleven. De impact in de eerste twee periodes is dan voornamelijk te wijten aan de volatiliteitschokken in ’86 en ’90. De verklaringskracht van het model schommelt rond de 90%, wat opnieuw een zeer hoog percentage is. Uit de resultaten blijkt dan ook dat olieprijsschokken een zeer belangrijke invloed uitoefenen op de Noorse aandelenrendementen. Dit wijst op een sterk verband tussen de olieprijzen en de Noorse economie.
De voorgaande resultaten met betrekking tot de Eurozone, Duitsland en Noorwegen zijn bemoedigend voor het verdere onderzoek.
Vanwege de aard van deze scriptie zullen we ons in de volgende lineaire regressies echter beperken tot de invloed van de factoren OP en OPV, die we voor elk Europees land in de steekproef zullen nagaan. Aan de hand van deze resultaten kunnen dan de eerder gemaakte conclusies betreffende deze factoren getoetst worden.
3.1.3
De invloed van olieprijsschokken op de Europese aandelenrendementen
Tot voorheen hebben we de invloed van olieprijsschokken op de rendementen enkel besproken voor de Eurozone, Duitsland en Noorwegen. In wat volgt onderzoeken we de invloed eveneens op de overige Europese landen, waarbij we de bekomen resultaten aftoetsen op de reeds verzamelde bevindingen. Tabel 12 toont de resultaten van olieprijsschokken op de Europese aandelenrendementen over de periode 1982-2006 en de drie subperiodes.
89
Tabel 12: Coëfficiënten en t-waarden voor olieprijsschokken, 1982-2006 en subperiodes OP
02/1982 - 01/2006 02/1982 - 05/1990 06/1990 - 01/1999 02/1999 - 01/2006 Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden
Eurozone
0.038
2.337*
0.056
1.454
0.019
0.581
0.074
5.005*
Duitsland
0.033
3.794*
0.029
1.613
0.016
0.903
0.052
4.635*
0.195 0.034 0.008 0.059 0.002 -0.023 0.083 0.030 -0.042
6.582* 2.301* 0.411 3.794* 0.143 -0.562 5.212* 1.568 -0.763
Noorwegen VK België Nederland Frankrijk Ierland Denemarken Italië Spanje
0.174 12.095* 0.049 7.015* -0.021 -2.351* 0.064 8.280* -0.012 -1.445 -0.047 -3.652* 0.076 9.133* 0.032 3.006* -0.019 -1.591 a Portugal -0.021 -1.375 a Zweden 0.088 2.157* a Finland 0.093 6.759* Hongarijeb 0.030 0.332 b Polen 0.115 1.304 * Statistisch significant; a De MSCI
0.166 5.405* 0.166 9.713* 0.044 3.141* 0.073 7.565* -0.029 -1.844* -0.035 -2.970* 0.057 3.085* 0.070 6.952* -0.035 -1.854* -0.010 -0.866 -0.059 -2.921* -0.031 -1.618 0.080 5.632* 0.079 5.180* 0.012 0.489 0.050 3.868* -0.049 -2.469* 0.015 1.537 -0.038 -1.313 -0.003 -0.269 0.002 0.002 0.163 2.791* 0.091 4.393* 0.091 4.752* 0.102 0.518 -0.017 -0.222 0.187 0.996 0.066 0.751 gegevens voor Portugal en Finland zijn pas beschikbaar vanaf
januari 1988 waardoor voor de eerste subperiode geen resultaten kunnen bekomen worden; b De MP gegevens voor Hongarije en Polen zijn pas beschikbaar vanaf januari 1993 waardoor voor de eerste periode geen resultaten kunnen bekomen worden. Bron : eigen berekeningen op basis van gegevens uit Datastream
Uit tabel 12 kunnen we opmaken dat OP als verklarende factor in de periode ‘82-‘06 voor bijna alle landen significant is. De t-waarden overschrijden de kritische waarde in grote mate. Niet toevallig vinden we voor Noorwegen de grootste significantie, wegens haar directe relatie met de olieprijzen. Voor de overige Scandinavische landen vinden we eveneens sterke significante resultaten. Dit wijst erop dat Scandinavië in zijn geheel sterk beïnvloed wordt door wijzigingen in de olieprijzen. Voor het VK, dat naast Noorwegen de tweede Europese olieproducent is, vinden we eveneens een significant verband. OP blijkt voor alle Centraal-Europese landen, op Frankrijk na, significant, in tegenstelling tot de Zuid-Europese en Oost-Europese landen waar olieprijsschokken geheel geen effect blijken te hebben. De coëfficiënten wijzen duidelijk op een positieve impact van olieprijsschokken op de aandelenrendementen. Enkel in België en Ierland vinden we een significant negatief resultaat terug. De coëfficiënten wijzen andermaal op een sterke en positieve relatie in Scandinavië met Noorwegen op kop. De positieve invloed van OP in Centraal-Europa is eerder gematigd te
90
noemen. Op Italië na vinden we in de Zuid-Europese en Oost-Europese landen geen significante invloed van de olieprijzen terug.
Betreffende de subperiodes wijzen de resultaten aan dat in de periode ’82-‘90 slechts voor enkele landen een verband kan gevonden worden. De t-waarden zijn ook beduidend lager dan in de gehele periode. De coëfficiënten geven trouwens opnieuw een positief verband weer. De significante landen voor deze periode zijn in dalende volgorde Noorwegen, Denemarken, Nederland en het VK. Deze zijn niet toevallig vier Noord-Europese en economisch krachtige landen. In de periode ’90-‘99 treffen we reeds een sterker verband aan in bijna alle landen. Doch vinden we zoals reeds eerder aangegeven noch in de Eurozone, noch in Duitsland enig teken van significantie. In de Scandinavische landen aangevuld met het VK en Nederland vinden we wel een positieve significante relatie terug. Voor de Zuid-Europese landen inclusief België treffen we echter een negatieve relatie aan. OP blijkt in deze landen een negatieve invloed te hebben op de aandelenrendementen, in tegenstelling tot in het noordelijke deel van Europa. Tenslotte bemerken we voor de periode ’99-‘06 hoge significante waarden voor alle landen. Dit is een bevestiging van de vaststelling van een zeer sterke impact van olieprijsschokken in de laatste subperiode. Bovendien blijft de tegenstelling tussen noord en zuid inzake de richting van het verband ook in de derde subperiode gehandhaafd. Deze discrepantie tussen noord en zuid kan enigszins te wijten zijn aan de verschillen in economische kracht en het verschillend belang van de olieprijzen in deze regio’s. Overigens liggen de enige twee Europese olieproducenten in het noordelijke deel.
3.1.4
De invloed van de olieprijsvolatiliteit op de Europese aandelenrendementen
Vervolgens kijken we naar de invloed van olieprijsvolatiliteitschokken op de Europese aandelenrendementen. De resultaten zijn weergegeven in tabel 13.
De resultaten uit tabel 13 tonen aan dat OPV in de Eurozone geheel niet significant is. De Scandinavische aandelenrendementen blijken wel sterk vatbaar te zijn voor volatiliteit in de olieprijzen, net als Duitsland en Ierland. De negatieve coëfficiënt wijst erop dat OPV een negatieve invloed heeft op de rendementen. Dit is wat mocht verwacht worden wegens de onzekerheid waarmee volatiliteit gepaard gaat. Bovendien blijkt de negatieve impact van OPV sterker te zijn dan de positieve impact van OP. Opmerkelijk zijn de positieve
91
significante resultaten voor Frankrijk, Italië en Polen. Terwijl in België OP nog een significante invloed had, heeft OPV hier totaal geen impact.
Tabel 13: Coëfficiënten en t-waarden voor factor OPV, 1982-2006 en subperiodes OPV
02/1982 - 01/2006 02/1982 - 05/1990 06/1990 - 01/1999 02/1999 – 01/2006 Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden Coeff. (β) t-waarden
Eurozone
0.005
0.053
0.312
1.292
-0.100
-0.781
0.431
1.775
Duitsland
-0.152
-2.871*
-0.066
-0.572
-0.200
-2.645*
0.086
0.465
Noorwegen -0.389 -4.240* -0.555 -2.421* -0.316 -2.478* -0.481 VK -0.013 -0.304 0.079 0.863 -0.061 -1.070 -0.050 België -0.011 -0.213 -0.022 -0.178 0.028 0.431 0.282 Nederland 0.051 1.059 0.082 0.799 0.020 0.282 0.028 Frankrijk 0.102 1.977* 0.136 1.221 0.109 1.450 0.133 Ierland -0.181 -2.222* -0.566 -1.120 -0.203 -2.372* -0.237 Denemarken -0.204 -3.955* -0.120 -1.141 -0.265 -4.543* 0.173 Italië 0.410 6.183* 0.563 4.378* 0.362 3.508* 0.543 Spanje 0.129 1.729 -0.357 -0.564 0.164 1.958* 0.117 a Portugal -0.153 -1.645 -0.157 -1.301 0.039 a Zweden -0.251 -1.012 -0.308 -1.236 1.116 a Finland -0.245 -2.829* -0.281 -2.973* 0.042 b Hongarije 1.253 0.959 2.114 0.857 1.054 b Polen 3.973 2.978* 5.698 2.283* 2.973 * Statistisch significant; a De MSCI gegevens voor Portugal, Zweden en Finland zijn pas
-1.620 -0.282 1.452 0.164 0.679 -0.693 0.677 2.498* 0.687 0.210 1.169 0.128 0.864 2.044* beschikbaar
vanaf januari 1988 waardoor voor de eerste subperiode geen resultaten kunnen bekomen worden; b De MP gegevens voor Hongarije en Polen zijn pas beschikbaar vanaf januari 1993 waardoor voor de eerste periode geen resultaten kunnen bekomen worden; Bron : eigen berekeningen op basis van gegevens uit Datastream
Ondanks volatiliteitschok in ’86 vinden we in de periode ’82-’90 weinig tot geen invloed van OPV terug. Enkel in Noorwegen vinden we een significant negatief verband. Voor Italië vinden we dan weer een sterk positief verband. In de periode ’90-’99 vinden we echter opnieuw wel een sterke invloed van OPV op de rendementen. We verwijzen wederom naar figuur 5 betreffende de olieprijsvolatiliteit. Hier zien we dan in het begin van deze subperiode er een olieprijsvolatiliteitschok voordeed waardoor de volatiliteit bijgevolg zeer hoog was. Deze schok had een zeer sterke impact die doorheen de hele periode voelbaar was. De meeste oliegerelateerde landen ervoeren deze schok als een negatief effect op hun rendementen. In enkele Zuid-Europese landen aangevuld
92
met Polen had deze schok echter een positieve invloed. Olieprijsvolatiliteitschokken blijken bovendien opnieuw een sterkere invloed te hebben dan olieprijsschokken. In de periode ’99-’06 constateren we geen verband.
3.1.5
De invloed van olieprijsschokken op de sectoriële rendementen
We kunnen nu ook de invloed van de factoren nagaan op de rendementen van de verschillende sectoren. Doch richten ons nu enkel specifiek op de invloed van OP. De sectoriele resultaten betreffende de invloed van olieprijsschokken gaan we na voor de Eurozone, Duitsland, Noorwegen, het VK, België en Italië. We verkiezen Duitsland vanwege haar economisch belang in Europa. Uit de voorgaande resultaten betreffende de invloed van de factoren op de rendementen bekwamen we verschillende en bovendien tegengestelde resultaten tussen noord en zuid. Daarom vinden we het noodzakelijk deze tegenstelling ook na te gaan in deze analyse. Noorwegen en het VK vertegenwoordigen de invloed van de factoren in Noord-Europa. België en Italië zijn dan de vertegenwoordigers voor Zuid-Europa. Aangaande de sectoriële resultaten voor de overige factoren verwijzen we de geïnteresseerde lezer graag naar bijlage 5.
Tabel 14 toont de invloed van olieprijsschokken op de rendementen per sector over de periode ’82–’06.
Tabel 14: Invloed olieprijsschokken op de rendementen per sector, 1982 - 2006 Eurozone Duitsland Noorwegen België Frankrijk Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) t-stat ALGIN 0.043 2.422* 0.040 1.989* 0.094 2.605* -0.002 -0.068 -0.024 -1.229 BASIN 0.028 1.345 0.030 1.776 0.129 4.450* -0.019 -0.747 -0.028 -1.521 OILGS 0.191 7.040* 0.057 1.184 0.301 12.863* 0.225 6.203* 0.203 6.537* CYCCG 0.068 2.120* 0.016 0.683 0.122 2.706* -0.037 -0.611 -0.041 -1.617 NCYCCGa -0.018 -0.848 0.006 0.282 -0.011 -0.343 -0.082 -4.339* CYCDI 0.035 1.553 0.009 0.355 0.086 2.254* 0.005 0.169 -0.026 -1.302 NUT 0.032 1.182 -0.004 -0.241 0.060 1.291 -0.043 -1.804 -0.048 -0.532 FIN 0.014 0.790 0.021 1.086 0.053 1.379 -0.015 -1.181 -0.055 -2.540* IT 0.021 0.480 0.063 0.931 0.108 1.828 0.002 0.028 0.013 0.323 TRANSP 0.028 1.186 -0.042 -1.126 0.122 3.110* 0.015 0.303 -0.091 -1.650 * Statistisch significant; a Voor de Noorse NCYCCG waren er geen data beschikbaar. Bron : eigen berekeningen op basis van gegevens uit Datastream OP
93
Uit de tabel kunnen we besluiten dat voor de Eurozone OP enkel voor de algemene industriesector (ALGIN), de cyclische consumentengoederensector (CYCCG) en de energiesector (OILGS) significant is. Op de Duitse sectoren heeft OP quasi geen invloed ondanks we hiervoor een positief verband ontdekten tussen OP met de Duitse aandelenrendementen. Enkel ALGIN toont een positieve relatie met OP. De Noorse sectorrendementen tonen een positieve en bijna steeds significante relatie. Dit bevestigt de hierboven vastgestelde positieve relatie tussen olieprijswijzigingen en de Noorse aandelenrendementen. Uit de resultaten blijkt dat de gehele Noorse economie op de nuts(NUT), de financiële- (FIN) en de IT-sector na, verweven is met de olieproductie. Deze olieafhankelijkheid uit zich op een positieve wijze in de Noorse sectorrendementen. In België vinden we enkel invloed van OP in de energiesector. Ondanks we de significantie niet kunnen aantonen merken we negatieve verbanden tussen de sectorrendementen en OP. Ook in Frankrijk merken we een negatieve invloed. Deze resultaten bekrachtigen de vaststelling van een tegengestelde relatie tussen noord en zuid met OP. Doch merken we dat de sectorrendementen van de Eurozone een positief verband hebben met OP, wat wijst op het belang van de Noord-Europese economieën in Europa. Bekijken we nu de resultaten per sector, dan merken we dat voornamelijk OILGS, ALGIN en CYCCG invloed ondervinden van wijzigingen in de olieprijzen. Het verband tussen de olieprijzen en de energiesector wordt hier bevestigd. De invloed van OP in de energiesector ligt voor de hand, daar olie de basisgrondstof is in deze sector. Een stijging van OP met 1 euro geeft een stijging van de energierendementen van om en bij de 0.20 euro. De verklaringskracht van OP in deze sector is zoals verwacht bijzonder hoog. Deze resultaten kan men raadplegen in bijlage 5. ALGIN en CYCCG worden eveneens positief beïnvloed door OP, doch in mindere mate. In België en Frankrijk is er echter geen verband tussen OP en deze sectoren. De overige sectoren hebben weinig of geen betrekking met OP, op enkele landspecifieke resultaten na in Noorwegen en Frankrijk. Ook de transportindustrie (TRANSP) waar men een negatief effect zou verwachten blijkt niet beïnvloed te worden door olieprijswijzigingen.
3.2 De invloed van olieprijsschokken bij een asymmetrische relatie In wat volgt gaan we de invloed na van olieprijsschokken bij een asymmetrische relatie tussen olieprijzen en aandelenrendementen. Aangaande de resultaten voor de overige factoren bij een asymmetrische relatie verwijzen we de geïnteresseerde lezer graag naar bijlagen 6 en 7.
94
Tabel 15 toont de resultaten onder veronderstelling van een asymmetrische relatie tussen OP en de aandelenrendementen.
Tabel 15: De asymmetrische relatie, 1982 - 2006 OP
Stijgende OP
Dalende OP
Coeff. (β) t-stat Coeff. (β) t-stat Eurozone -0.003 -0.063 0.003 0.063 Duitsland 0.017 0.612 -0.017 -0.612 Noorwegen -0.018 -0.365 0.018 0.365 VK 0.002 0.074 -0.002 -0.074 België -0.008 -0.293 0.008 0.293 Nederland -0.016 -0.629 0.016 0.629 Denemarken -0.019 -0.705 0.019 0.705 Frankrijk -0.001 -0.046 0.001 0.046 Zweden 0.033 0.297 -0.033 -0.297 Italië 0.043 1.248 -0.043 -1.248 * Statistisch significant; Bron : eigen berekeningen op basis van gegevens uit Datastream
De t-waarden duiden onmiddellijk aan dat er geen significant verschil kan gevonden worden in de invloed van OP in periodes met stijgende olieprijzen tegenover van periodes met dalende olieprijzen. Geen enkele coëfficiënt blijkt statistisch significant waardoor we de assumptie van een niet-lineaire relatie in de invloed van de olieprijzen op de aandelenrendementen in eerste instantie dienen te verwerpen.
We zijn echter van mening dat de veronderstelde verschillende impact van positieve ten opzichte van negatieve schokken verder dient onderzocht te worden. Daarom testen we de invloed van deze schokken op de aandelenrendementen van de energiesector over verschillende landen. De resultaten zijn weergegeven in tabel 16.
95
Tabel 16: De asymmetrische relatie in de energiesector, 1982 - 2006 OP
Stijgende OP
OILGS Eurozone Duitsland Noorwegen VK België Nederland Frankrijk Italië
Coeff. (β) 0.136 -0.070 0.122 0.169 0.250 0.118 0.163 0.099
t-stat 1.583 -0.439 1.558 2.491* 2.297* 1.821 1.670 0.558
Dalende OP Coeff. (β) -0.136 0.070 -0.122 -0.169 -0.250 -0.118 -0.163 -0.099
t-stat -1.583 0.439 -1.558 -2.491* -2.297* -1.821 -1.670 -0.558
* Statistisch significant; Voor de overige landen uit het onderzoek waren geen of onvoldoende data beschikbaar. Bron : eigen berekeningen op basis van gegevens uit Datastream
De resultaten uit tabel 16 tonen een positieve significante impact op de aandelenrendementen in het geval van stijgende olieprijzen. Voor het VK en België vinden we een statistisch significant verschil tussen de impact van OP in periodes van stijgende prijzen ten opzichte van periodes van dalende prijzen. Ondanks we de significantie van de resultaten voor de Eurozone, Noorwegen, Nederland en Frankrijk niet kunnen aantonen benaderen zij wel de kritische waarde. De resultaten wijzen ook hier op een positief verband bij stijgende olieprijzen. Dit resultaat was enigszins te verwachten wegens de relatie tussen de olieprijswijzigingen en de energiesector. Bij de Duitse rendementen bemerken we een tegengestelde relatie met een negatieve doch niet-significante invloed bij olieprijsdalingen. Indien we echter kijken naar tabel 12 zien we dat OP geen significante impact heeft op de Duitse energiesector, waardoor we geen waarde dienen te hechten aan deze laatste bevinding.
We kunnen besluiten dat geen significant verschil kan gevonden worden tussen de invloed van olieprijsschokken in periodes met stijgende dan wel dalende olieprijzen. Doch vinden we voor de rendementen in de energiesector een beperkt significant verband, waaruit blijkt dat in periodes met stijgende olieprijzen schokken een positieve invloed hebben.
3.3 De invloed van olieprijsschokken in periodes met een verschillend olieprijsniveau In deze paragraaf onderzoek we de invloed van olieprijsschokken in periodes met een variërend olieprijspeil. We kunnen bijgevolg nagaan of de invloed van de olieprijsschokken op de aandelenrendementen in periodes van hoge, gemiddelde en lage olieprijzen statistisch
96
van elkaar verschillen. Wat betreft de invloed van de overige factoren verwijzen we de geïnteresseerde lezer graag naar bijlagen 8 en 9.
Tabel 17 toont het effect van olieprijsschokken in periodes met hoge, gemiddelde en lage olieprijzen over de steekproefperiode 1982-2006.
Tabel 17: Invloed van olieprijsschokken in periodes met hoge, gemiddelde en lage olieprijzen, 1982 - 2006 OP
Hoge tov Lage OP
Hoge tov Gemiddelde OP
Lage tov Gemiddelde OP
Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) OILGS Eurozone 0.056 1.276 0.047 1.085 -0.008 Duitsland 0.002 0.074 0.020 0.857 0.019 Noorwegen 0.029 0.686 -0.026 -0.619 -0.055 VK 0.016 0.714 0.038 1.743 0.022 België 0.004 0.169 0.027 1.135 0.023 Nederland -0.026 -1.214 -0.029 -1.417 -0.003 Frankrijk 0.010 0.440 0.015 0.668 0.005 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
t-stat -0.215 0.504 -1.624 1.157 1.074 -0.181 0.259
In de eerste kolom zien we de resultaten betreffende de invloed van OP in periodes van hoge olieprijzen versus lage olieprijzen. De t-waarden duiden aan dat de invloed van OP bij hoge olieprijzen niet significant verschilt van de invloed bij lage olieprijzen. De tweede kolom geeft de invloed van OP in periodes met hoge olieprijzen versus gemiddelde olieprijzen. Ook hier merken we geen significante verschillen op. Tenslotte tonen de resultaten in de derde kolom eveneens geen significant verschil tussen de invloed van OP in periodes van lage versus gemiddelde olieprijzen. De resultaten duiden aan dat olieprijsschokken geen verschillend effect hebben op de aandelenrendementen in periodes met een verschillend olieprijspeil.
We testen de invloed van OP bij een verschillend olieprijspeil eveneens op de rendementen in de energiesector. De resultaten over de steekproefperiode 1982-2006 zijn weergegeven in tabel 18.
97
Tabel 18: Invloed van olieprijsschokken in de energiesector in periodes met hoge, gemiddelde en lage olieprijzen, 1982 - 2006 OP OILGS Eurozone Duitsland Noorwegen VK België
Hoge tov Lage OP Coeff. (β) 0.051 -0.130 -0.049 0.016 -0.118
t-stat 0.715 -0.943 -0.716 0.269 -1.257
Hoge tov Gemiddelde OP Coeff. (β) 0.107 -0.007 -0.060 0.091 0.059
t-stat 1.516 -0.059 -0.893 1.543 0.610
Lage tov Gemiddelde OP Coeff. (β) 0.057 0.123 -0.011 0.075 0.164
t-stat 0.881 1.016 -0.198 1.443 1.879
* Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
De resultaten uit tabel 18 tonen aan dat ook hier geen significant verschil bestaat in de invloed van OP op de rendementen van de energiesector in periodes met een verschillend olieprijspeil.
Uit deze resultaten kunnen we concluderen dat de invloed van olieprijsschokken op aandelenrendementen geenszins afhankelijk is van het olieprijspeil op dat moment. Een olieprijswijziging heeft dezelfde impact op de rendementen in zowel periodes van hoge, gemiddelde als lage olieprijzen.
3.4 De invloed van olieprijsschokken bij verschillende niveaus van olieprijsvolatiliteit In wat volgt testen we of de invloed van olieprijsschokken op de aandelenrendementen verschillend is in periodes met hoge, gemiddelde en lage olieprijsvolatiliteit. We gaan dus na of de mate van olieprijsvolatiliteit de impact van olieprijswijzigingen op de rendementen beïnvloed. Wat betreft de invloed van de overige factoren verwijzen we de geïnteresseerde lezer graag naar bijlage 10 en 11. De resultaten over de steekproefperiode 1982-2006 zijn weergegeven in tabel 19.
Tabel 19: De invloed van OP in periodes met hoge, gemiddelde en lage volatiliteit, 1982-2006 OP
Hoge tov Lage OPV
Hoge tov Gemiddelde OPV
Lage tov Gemiddelde OPV
Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) OILGS Eurozone -0.105 -1.982* 0.008 0.185 0.113 Duitsland 0.024 0.836 0.012 0.512 -0.012 Noorwegen -0.017 -0.308 -0.022 -0.584 -0.005 VK 0.010 0.404 0.016 0.838 0.006 België -0.039 -1.328 -0.008 -0.345 0.031 Nederland 0.014 0.535 0.002 0.077 -0.013 Frankrijk 0.028 0.983 0.033 1.421 0.005 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
t-stat 1.827* -0.364 -0.082 0.200 0.919 -0.408 0.157
98
De resultaten tonen aan dat er in de Eurozone een significant verschil bestaat tussen de impact van OP in periodes met hoge versus lage olieprijsvolatiliteit. De negatieve coëfficiënt toont aan dat in periodes met een hoge volatiliteit OP een sterker negatief effect heeft op de rendementen in vergelijking met periodes met een lage volatiliteit. Dit kunnen we verantwoorden doordat een hoge volatiliteit in de prijzen veel onzekerheid met zich meebrengt. Tenslotte is de volatiliteit nog steeds een maatstaf van de onzekerheid met betrekking tot de toekomstige olieprijzen. Een hoge onzekerheid op de markt heeft dan ook een negatieve weerslag op de aandelenrendementen, wat het resultaat voor de Eurozone dan ook aanduidt. We vinden eveneens een marginaal significant verschil tussen de impact van OP in periodes met lage versus gemiddelde olieprijsvolatiliteit. De positieve coëfficiënt wijst erop dat in periodes met lage volatiliteit er meer kans is dat olieprijsschokken een positief effect hebben op de rendementen dan in periodes met een gemiddelde volatiliteit. Dit resultaat stemt overeen met de gedachtegang inzake de negatieve impact van onzekerheid op de rendementen. Een lage olieprijsvolatiliteit geeft zodus meer kans op een positieve impact van olieprijsschokken op de rendementen. Ondanks de significantie voor de Eurozone vinden we in de Europese landen geen significante verschillen in de impact van OP in periodes met een variërende mate van olieprijsvolatiliteit. De t-waarden duiden op een niet-significante resultaten.
We testen de invloed van OP bij een verschillende mate van olieprijsvolatiliteit eveneens op de rendementen in de energiesector. De resultaten over de steekproefperiode 1982-2006 zijn weergegeven in tabel 20.
Tabel 20: De invloed van OP in de energiesector in periodes met hoge, gemiddelde en lage volatiliteit, 1982-2006 OPV
Hoge tov Lage OPV
Hoge tov Gemiddelde OPV Lage tov Gemiddelde OPV
Coeff. (β) t-stat Coeff. (β) t-stat Coeff. (β) OILGS Eurozone -0.184 -2.158* -0.040 -0.555 0.144 Duitsland 0.034 0.192 0.077 0.642 0.043 Noorwegen 0.025 0.282 -0.044 -0.735 -0.069 VK -0.101 -1.332 -0.069 -1.194 0.033 België 0.010 0.085 0.047 0.498 0.037 * Statistisch significant Bron : eigen berekeningen op basis van gegevens uit Datastream
t-stat 1.445 0.220 -0.697 0.370 0.264
99
Opnieuw vinden we een significant resultaat voor de Eurozone. In periodes met een hoge volatiliteit in de olieprijzen hebben olieprijsschokken een negatievere impact op de rendementen in de energiesector dan in periodes met lage volatiliteit. Dit is een bevestiging van wat hierboven werd gesteld. Uit de overige resultaten in de Eurozone kunnen geen significante verschillen meer opgemerkt worden. Wederom tonen de landelijke resultaten aan dat er geen verschil is in de invloed van OP in periodes met hoge gemiddelde en lage volatiliteit.
We kunnen dus besluiten dat de mate van olieprijsvolatiliteit weinig of geen impact heeft op de invloed van olieprijsschokken op de aandelenrendementen. Enkel in de Eurozone hebben olieprijswijzigingen een verschillend effect op de rendementen in periodes met hoge versus lage volatiliteit en lage versus gemiddelde volatiliteit. Lage volatiliteit heeft een positief effect op de rendementen, terwijl hoge volatiliteit eerder een negatief effect genereert.
4
Besluit
Ons multifactormodel blijkt zeer waardevol ter verklaring van de variatie in de aandelenrendementen. Het merendeel van de geïncorporeerde factoren tonen een hoge significantie. We merken evenwel een grote discrepantie tussen de Eurozone en de landen inzake de verklaringskracht van het model. De determinatiecoëfficiënt ligt beduidend lager in de Eurozone. Dit kan er op wijzen dat in de Eurozone nog andere factoren invloed hebben op de rendementen. In de landen uit het steekproefopzet verklaren de olieprijsschokken samen met de inflatievariabelen, de volatiliteit en de residuele marktfactor bijna 90% in de variatie in de aandelenrendementen, wat we als een zeer hoge determinatiecoëfficiënt mogen bestempelen. De industriële productie en de yield curve tonen weinig tot geen significantie.
We kunnen besluiten dat olieprijsschokken als verklarende factor van zeer grote waarde zijn. Deze schokken hebben een sterke positieve impact op de aandelenrendementen. De positieve impact blijkt voornamelijk waarneembaar in de Noord-Europese landen, met name in de Scandinavische landen aangevuld met het VK en Nederland. De sterkste impact van olieprijswijzigingen vinden we terug in Noorwegen. Dit is namelijk het enige Europese land dat zich bij de top vijf van olieproducerende landen bevindt, met een productieaandeel van om en bij de 4% in de wereldproductie. Olieprijsschokken hebben dan ook een sterke positieve invloed op de Noorse aandelenrendementen. De Scandinavische economie lijkt dan ook zo sterk met elkaar verweven dat ook in Denemarken, Finland en Zweden een positieve relatie 100
wordt waargenomen. Het VK is naast Noorwegen de tweede Europese olieproducent waardoor het positieve verband niet verwonderlijk is. De Nederlandse economie is op haar beurt sterk verbonden met energieontwikkeling en energietransport, hoewel het hier dan eerder gaat om aardgas. In tegenstelling tot in de Noord-Europese landen vinden we in Zuid-Europa een zwak negatief tot geen verband terug. Deze negatieve impact geldt ook voor België en Ierland, die we toch kunnen beschouwen als twee snel innoverende landen in het Europese landschap. Deze landen hebben geen directe relatie met de olieprijzen waardoor olieprijsschokken hier een negatief effect hebben. De recente nieuwe Oost-Europese landen lijken geheel niet beïnvloed te worden door olieprijswijzigingen. Doch kan dit naar de toekomst toe snel wijzigen wegens de snelle ontwikkeling in deze landen. De discrepantie tussen noord en zuid kunnen we enigszins wijten aan het verschil in economische kracht tussen deze twee regio’s. Noord-Europa wordt meer gekenmerkt door sterk geïndustrialiseerde landen waar bijgevolg de olieprijzen een grotere rol spelen. Bovendien vinden we hier de twee enige Europese olieproducenten terug. Het verschil tussen noord en zuid komt ook naar voor in de resultaten voor de Eurozone. Olieprijsschokken hebben hier een significant positieve impact op de aandelenrendementen. Dit heeft te maken met de sterkere economische kracht van de noordelijkere landen waardoor het resultaat van de Eurozone in een positieve richting wordt geduwd. De opvallend positieve invloed van olieprijsschokken op aandelenrendementen stemt niet overeen met de bevindingen uit de literatuur, waar hoofdzakelijk een negatief verband wordt gevonden. Dit verschil in resultaten kan te wijten zijn aan allerlei redenen. Ten eerste richten de studies in de literatuur zich op andere aandelenmarkten met verschillende structuren. Ten tweede en belangrijker onderzoek voeren ze hun onderzoek over een eerdere steekproefperiode die slechts loopt tot ten laatste midden jaren negentig. Hierdoor wordt de zeer sterke stijging in de olieprijzen vanaf 1999 niet in hun steekproefperiode opgenomen waardoor verschillende resultaten kunnen gevonden worden.
Wat betreft de invloed van olieprijsschokken op aandelenrendementen doorheen de tijd vinden we dat deze sterker wordt na 1990. Vooral in de periode ’99-06’ bemerken we een zeer sterke impact op de rendementen. Deze periode wordt dan ook gekenmerkt door een aanhoudende stijging van de olieprijzen die zich tot op heden doorzet.
101
Dit resultaat stemt overheen met de bekomen resultaten van Sadorsky (1999) en Ciner (2001) die eveneens na respectievelijk 1986 en 1990 een sterke stijging waarnemen van de verklaringskracht van olieprijsschokken.
De sectoriële resultaten duiden aan dat voornamelijk de energiesector beïnvloed wordt door olieprijsschokken. De schokken hebben in bijna geheel Europa een sterke positieve invloed op rendementen van de energiesector. Ook de algemene industriesector en de cyclische consumentengoederensector
ondervinden
een
positief
doch
gematigd
effect
bij
olieprijswijzigingen. Voor de overige sectoren wordt geen significant verband vastgesteld. Ook in de transportindustrie waar men een negatief effect zou verwachten wordt op geen enkele wijze beïnvloed door wijzigingen in de olieprijzen.
De
olieprijsvolatiliteit
als
verklarende
factor
blijkt
minder
significant
dan
de
olieprijsschokken. Doch indien significant heeft deze een sterke negatieve impact in NoordEuropa. Volatiliteit gaat namelijk gepaard met onzekerheid, wat een negatief effect geeft op aandelenrendementen. Opmerkelijk is het sterk positief verband in Zuid-Europa. Opnieuw wordt de tegenstelling tussen noord en zuid bevestigd. Olieprijsvolatiliteit heeft een omgekeerde relatie met olieprijsschokken. De impact van olieprijsvolatiliteit was het sterkst in de periode ’90-’99. We bemerken dat de volatiliteit aan het begin van deze periode ontzettend groot was, wat een negatief effect gaf op de aandelenrendementen. Bovendien merken we dat de olieprijsvolatiliteit een sterkere impact heeft op de aandelenrendementen dan olieprijsschokken. Dit resultaat staat in contrast met de bevindingen van Huo en Kliesen (2005), ondanks deze eveneens een negatieve impact vinden.
De inflatievariabelen hebben steeds een negatieve relatie met de rendementen. De wijzigingen in de verwachte inflatie hebben een sterke negatieve impact, zowel over de gehele periode als de subperiodes. De onverwachte inflatie is minder significant. De inflatievariabelen blijken vooral in de periode ’82-’90 sterk significant te zijn. We merken dan ook dat de inflatie in deze periode het hoogst was. In de andere periodes werd de inflatiegraad reeds meer onder controle gehouden door de monetaire instellingen. Voor de invloed van de industriële productie vinden we resultaten die nauwelijks significant zijn waaruit blijkt dat deze weinig tot geen invloed heeft op de rendementen. De yield curve heeft geheel geen invloed. Aandelenrendementen zijn blijkbaar immuun voor wijzigingen in de rentevoeten. 102
De invloed van olieprijsschokken in periodes met stijgende dan wel dalende olieprijzen verschilt niet significant van elkaar. Doch vinden we voor de rendementen in de energiesector een beperkt significant verband, waaruit blijkt dat in periodes met stijgende olieprijzen schokken een positieve invloed hebben
We kunnen concluderen dat de invloed van olieprijsschokken op aandelenrendementen geenszins afhankelijk is van het olieprijspeil op dat moment. Een olieprijswijziging heeft dezelfde impact op de rendementen in zowel periodes van hoge, gemiddelde als lage olieprijzen.
De mate van olieprijsvolatiliteit heeft weinig tot geen impact op de invloed van olieprijsschokken
op
de
aandelenrendementen.
Enkel
in
de
Eurozone
hebben
olieprijswijzigingen een verschillend effect op de rendementen in periodes met hoge versus lage volatiliteit en lage versus gemiddelde volatiliteit. We vinden hier een negatief effect in periodes met een hoge volatiliteit, wat wijst op het onzekerheidskarakter dat gegenereerd wordt. In periodes van lage volatiliteit bemerken we een positief verband wegens dezelfde reden. We kunnen dus besluiten dat lage volatiliteit het meeste kans geeft op een positieve impact van een olieprijsschok op de rendementen, wegens het groter zekerheidsgevoel met betrekking tot de toekomstige olieprijzen.
103
Algemeen Besluit Om de variatie in de aandelenrendementen te kunnen verklaren dienen we een model met factoren op te stellen. Een factormodel dat een lineaire relatie veronderstelt tussen aandelenrendementen en de risicofactoren is het Capital Asset Pricing Model. Dit model hanteert slechts één verklarende factor, namelijk de marktportefeuille. In het onderzoek naar de invloed van factoren op aandelenrendementen zijn echter meerdere verklarende factoren gewenst, waardoor we gebruik maken van een alternatief factormodel, namelijk de Arbitrage Pricing Theory. Dit model verklaart het verband tussen de rendementen en de systematische factoren aan de hand van een lineair multifactormodel. De verschillende verklarende factoren in het model laten toe een groot deel in de rendementsvariatie te verklaren.
Nu we gebruik maken van een model met meerdere factoren kan via factoranalytisch onderzoek bepaald worden hoeveel factoren invloed uitoefenen op de aandelenrendementen. Omtrent het aantal systematische factoren wordt echter geen consensus bereikt. Roll en Ross (1980) menen vijf factoren te onderscheiden, waarbij andere meningen lopen van drie tot meer dan vijf systematische factoren. De belangrijkste oorzaak van deze variërende bevindingen is de noodzakelijke splitsing van de aandelenportefeuille in verschillende groepen, waardoor vertekende resultaten kunnen bekomen worden. Dit probleem spruit voort uit de onmogelijkheid de systematische factoren te identificeren aan de hand van factoranalytisch onderzoek. Er wordt dus geen informatie bekomen inzake welke factoren de aandelenrendementen beïnvloeden.
Om de identiteiten achter de factoren te achterhalen moeten we een beroep doen op de macroeconomische factorbenadering. Deze benadering koppelt macro-economische variabelen aan de gevonden systematische factoren waardoor we aan deze factoren economische interpretaties kunnen geven. Bij de zoektocht naar de identiteiten vertrekken we vanuit het Dividend Discount Model. Volgens dit model kan een macro-economische variabele langs twee wegen invloed hebben op de aandelenrendementen, namelijk via de verwachte kasstromen in de teller, of via de verdisconteringsvoet in de noemer. Vanuit deze veronderstelling kan een set van potentiële macro-economische systematische variabelen afgebakend worden. Uit deze set kan dan een selectie van het aantal en de identiteiten van de factoren gemaakt worden. Er bestaat echter geen absoluut correcte selectie van systematische factoren, waardoor men in de keuze vrij is.
104
Chen, Roll en Ross (1986) kiezen vijf economische factoren ter verklaring van de aandelenrendementen, namelijk de default spread, de yield curve, de wijziging in de industriële productie, de onverwachte inflatie en de wijziging in de verwachte inflatie. Naast de vijf voorgaande factoren neemt men eveneens een marktindex op, die de verklaringskracht van het model dient te verhogen. Burmeister en Wall (1986) doen als marktindex een beroep op een residuele marktfactor. Deze factor stelt dan het residuele marktrisico voor dat niet verklaard wordt door de vijf factoren.
Na het identificeren van de systematische factoren kunnen we via deze macro-economische factorbenadering nagaan hoe de aandelenrendementen reageren op wijzigingen in de voorgestelde systematische factoren en in welke mate ze reageren. Chen et al. (1986) trachten eveneens de invloed van de factoren na te gaan doorheen de tijd, door de steekproefperiode in te delen in verscheidene subperiodes. Deze indeling baseren ze op data van olieprijsschokken die een verschuiving in de economische structuur zouden teweeg gebracht hebben. De eerste stap van de onderzoeksmethode bestaat uit het opstellen van een correlatiematrix om de onderlinge correlatie te schatten. In een tweede stap voeren we dan een ‘first-pass’ regressie uit op het lineair multifactormodel met als afhankelijk variabele de aandelenrendementen en als verklarende variabelen de voorgestelde factoren. De coëfficiënten uit de regressie stellen dan de impact van de betreffende factor voor op de aandelenrendementen.
De regressieresultaten geven aan dat alle gekozen systematische factoren zowel over de gehele periode als over de subperiodes een significante invloed hebben op de aandelenrendementen. Chen et al. (1986) voeren ook onderzoek naar de verklaringskracht van de olieprijsvariabele, hoewel deze niet in het multifactormodel wordt opgenomen. Ze vinden echter geen significante impact van olieprijsschokken op de aandelenrendementen. Berry, Burmeister en McElroy (1986) breidden dit onderzoek uit over verschillende sectoren en industrieën. Zij vinden dat de invloed van de systematische factoren danig verschilt over verschillende economische sectoren. Uit de resultaten blijkt dat de oliesector nagenoeg ongevoelig is voor wijzigingen in de systematische factoren, wat ruimte laat voor speculatie omtrent de incorporatie van de olieprijsfactor in het model. Deze zou de verklaringskracht in de oliesector aanzienlijk kunnen verhogen. We dienen hier echter op te merken dat dit onderzoek dateert van midden jaren tachtig. De economische structuur en de wereldeconomie zijn sindsdien zeer sterk veranderd waardoor de 105
invloed van de factoren gewijzigd kan zijn. Bovendien betreft dit onderzoek uitsluitend de Amerikaanse aandelenmarkt, die verschillend is van de Europese markt.
We vinden een grote discrepantie tussen het onderzoeksvolume naar de invloed van olieprijsschokken op financiële markten en het onderzoek naar de invloed van olieprijsschokken op de macro-economie. Het is wachten tot midden jaren negentig voor er echt
aandacht
wordt
geschonken
aan
de
invloed
van
olieprijsschokken
op
aandelenrendementen. Via verschillende analysemethodes worden significante resultaten bekomen omtrent de invloed van olieprijsschokken in een lineaire relatie. Doch bestaat er hevige onenigheid wat betreft de impact van olieprijswijzigingen. Jones en Kaul (1996) vinden dat olieprijsschokken een significante negatieve impact hebben. Bovendien verschilt deze impact van land tot land, te wijten aan de verschillende mate van olieafhankelijkheid van de betreffende landen. Sadorsky (1999) vindt eveneens een significant negatieve invloed van olieprijsschokken op aandelenrendementen. Olieprijsschokken zouden de winsten van bedrijven aantasten, waardoor in een efficiënte markt de aandelenrendementen onmiddellijk dalen. Een alternatieve hypothese voor het negatief verband stelt dat beleggers een olieprijsschok associëren met een stijging van de inflatie waardoor de aandelenmarkten dalen. In scherp contrast staan de bevindingen van Huang et al. (1996) die menen dat ondanks de olieprijs een belangrijke invloed uitoefent op de economie geen enkel significant verband kan gevonden worden tussen olieprijswijzigingen en de aandelenrendementen, wat enigszins aansluit bij de bevindingen van Chen et al. (1986). Huang et al. (1996) vermoeden dat het gevonden effect bij Jones en Kaul (1996) verklaart kan worden door het gebruik van een index van olieprijzen als verklarende factor. Deze index zou een macro-economisch effect oppikken zodat oliecrises-effecten en inflatie-effecten in de resultaten verwerkt zitten. Deze verdeeldheid zet zich eveneens verder in de standpunten betreffende deze impact op de rendementen van snelgroeiende landen. Basher en Sadorsky (2004) vinden een zeer significante invloed van olieprijsschokken op de rendementen van groeilanden. Maghyereh (2004) vindt evenwel geen enkel effect van olieprijsschokken.
Voorgaande resultaten werden bekomen bij veronderstelling van een symmetrische relatie tussen olieprijzen en aandelenrendementen. Bij een asymmetrische relatie bestudeert men de impact van zowel een olieprijsstijging als een olieprijsdaling. Hieruit blijkt dat olieprijsstijgingen een grotere impact hebben op de economie en de aandelenrendementen waardoor het bewijs van een niet-lineaire relatie geleverd wordt. Bovendien constateert men 106
in de groeilanden dat olieprijsstijgingen een positieve impact hebben, doch olieprijsdalingen niet significant zijn. Aan de hand van de assumptie van een asymmetrisch verband bewijst Ciner (2001) dat de resultaten van een niet-significant effect van Huang et al. (1996) toe te schrijven is aan de focus op de lineaire relatie en het negeren van het niet-lineaire verband. Bij het nagaan van de invloed van olieprijsschokken zou men bijgevolg steeds zowel symmetrische als asymmetrische effecten moeten beschouwen om een globaal overzicht te krijgen. De analyse van de invloed van olieprijsschokken doorheen de tijd aan de hand van subperiodes toont een spectaculaire stijging in de verklaringskracht van de olieprijsschokken in de periode na 1986. Voor deze stijging kunnen twee verklaringen gegeven worden. Ten eerste veronderstelt men een economische structuurverschuiving wegens de hevige olieprijsdaling in 1986. Een tweede verklaring duidt op de stijging in de omvang van de olieprijsschokken, die op haar beurt gedeeltelijk toe te schrijven is aan enkele turbulente gebeurtenissen betreffende de oliemarkten, waaronder oorlogen en natuurrampen. Andere studies menen dat de verklaringskracht pas na de olieprijsschok in 1990 is gestegen. Een hypothese stelt dat olieprijsvolatiliteitschokken eveneens een hevige impact hebben op de reële aandelenrendementen. Olieprijsvolatiliteit zou men kunnen definiëren als de stijging van de onzekerheid wat betreft de toekomstige olieprijzen. Uit onderzoek blijkt dat olieprijsvolatiliteit een negatief en significant effect heeft op de economie en de aandelenrendementen. Sadorsky (1999) meent echter dat olieprijsvolatiliteitschokken beduidend minder verklaringskracht hebben dan olieprijsschokken. De olieprijsvolatiliteit was voornamelijk hevig in 1986 en 1990, te wijten aan de betreffende olieprijsschokken. Er kan onderscheid gemaakt worden tussen huidige en vertraagde effecten van olieprijsschokken. Verleden olieprijsschokken kunnen nog steeds de huidige rendementen beïnvloeden ondanks er reeds een nieuwe olieprijsschok heeft plaatsgevonden. Uit onderzoek blijkt dat zowel huidige als verleden olieprijsschokken een significant negatieve invloed hebben op de aandelenrendementen. Dit betekent dat verleden olieprijsschokken nog steeds een significante en vertraagde invloed hebben op de huidige rendementen. Dit kan duiden op een langdurige invloed van olieprijsschokken of eerder inefficiëntie van de aandelenmarkten. Voorts vindt men dat de olieprijzen een leading indicator zijn. Dit wil zeggen dat de impact van olieprijsschokken bijna alle andere economische tijdsseries voorafgaat, omwille van het feit dat olieprijsschokken meestal veroorzaakt worden door exogene gebeurtenissen.
107
Er bestaat een significant positief verband tussen olieprijsschokken en rendementen van de energiesector. Dit is echter geen verrassing daar deze bedrijven direct gerelateerd zijn met de olieprijzen.
In de empirische studie onderzoeken we de invloed van olieprijsschokken op de Europese aandelenrendementen. Voorheen was het onderzoeksvolume aangaande dit onderwerp zeer beperkt, vooral wat betreft de Europese aandelenrendementen. Door dit onderzoek trachten we hier in beperkte mate verandering in te brengen. In ons onderzoek doen we een beroep op de macro-economische factorbenadering. Hierbij dienen we te zoeken naar macro-economische systematische factoren die de variatie in de aandelenrendementen kunnen verklaren. We besluiten zeven factoren te selecteren uit de set van
potentiële
macro-economische
variabelen
afgebakend
door
het
DDM.
Het
factoranalytisch onderzoek gaf duiding omtrent de keuze van het aantal factoren. In deze selectie baseren we ons op de verklarende factoren in Chen et al. (1986) aangevuld met de olieprijsfactor en de olieprijsvolatiliteit. De zeven verklarende factoren zijn bijgevolg de yield curve, de industriële productiefactor, de wijziging in de verwachte inflatie, de onverwachte inflatie, de wijziging in de olieprijzen, de olieprijsvolatiliteit en tenslotte een residuele marktfactor. Uiteraard zullen we ons in dit onderzoek voornamelijk richten op de impact van de olieprijswijzigingen. In ons onderzoek gebruiken we maandelijkse data over een steekproefperiode die loopt van februari 1982 tot januari 2006. De populatie uit het onderzoek bestaat uit de Eurozone en alle Europese landen, met een focus op Duitsland, Noorwegen en België. Door middel van correlatiematrices en een lineair multifactormodel gebaseerd op de Arbitrage Pricing Theory kunnen we de invloed van elk van deze verklarende factoren op de aandelenrendementen nagaan. Praktisch doen we dit door een lineaire regressie uit te voeren van de aandelenrendementen op elk van de verklarende factoren.
De resultaten voor de lineaire regressie tonen aan dat het multifactormodel over een significante verklaringskracht beschikt. De verklaringskracht voor de Eurozone ligt echter lager dan voor de individuele landen, wat erop kan wijzen dat in de Eurozone nog andere factoren invloed hebben op de rendementen. Olieprijsschokken als verklarende factor blijken een groot deel in de variatie van de aandelenrendementen te verklaren.
108
Een eerste belangrijk besluit is dat olieprijsschokken een sterk positieve impact hebben op de aandelenrendementen. In de Eurozone treffen we een significant positieve impact van olieprijswijzigingen op de rendementen aan. Deze positieve impact blijkt voornamelijk waarneembaar in de Noord-Europese landen, met name in de Scandinavische landen aangevuld met het Verenigd Koninkrijk en Nederland. De sterkst positieve impact van olieprijswijzigingen vinden we terug in Noorwegen, vanwege het belang van de olieproductie in de Noorse economie. Deze positieve impact lijkt zich ook verder uit te zetten over de gehele Scandinavische economie. In het Verenigd Koninkrijk, dat naast Noorwegen de tweede Europese olieproducent is, en Nederland wordt eveneens een positieve relatie waargenomen. In sterk contrast staan de resultaten voor Zuid-Europa inclusief België waar we een zwak negatief tot geen verband terugvinden. Deze economieën hebben geen directe relatie met olie waardoor olieprijsschokken hier een negatief effect hebben. De recente nieuwe OostEuropese landen lijken geheel niet onderhevig aan olieprijsschokken. Het onderscheid tussen noord en zuid inzake de invloed van olieprijsschokken zou men kunnen verklaren wegens het verschil in economische kracht tussen deze twee regio’s. Noord-Europa wordt meer gekenmerkt door sterk geïndustrialiseerde landen waar bijgevolg de olieprijzen een grotere rol spelen. Bovendien vinden we hier de twee enige Europese olieproducenten terug.
We
constateren
een
hoofdzakelijk
positieve
impact
van
olieprijsschokken
op
aandelenrendementen in Europa. Deze resultaten stemmen niet overeen met de bevindingen in de literatuur, waar voornamelijk een negatieve impact wordt teruggevonden. Deze differente resultaten zouden we ten eerste kunnen verklaren door de focus op verschillende aandelenmarkten. Vanwege de ongelijke structuren kunnen deze markten anders reageren op schokken. Ten tweede is ons onderzoek veel recenter waardoor in tegenstelling tot in de literatuur de zeer sterke stijging in de olieprijzen vanaf 1999 in onze steekproefperiode wordt opgenomen. Hierdoor is het mogelijk dat een sterkere en positieve impact wordt gevonden.
Een tweede belangrijk besluit is dat olieprijsvolatiliteit voornamelijk een negatieve impact heeft op de aandelenrendementen, hoewel deze als verklarende factor minder significant is dan de olieprijsschokken. Bovendien vinden we bevestiging van de tegenstelling tussen noord en zuid. In Noord-Europa heeft de olieprijsvolatiliteit een sterk negatief verband met de rendementen. De onzekerheid die gepaard gaat met hoge volatiliteit werkt negatief in op de aandelenrendementen. Voor enkele Zuid-Europese landen vinden we een sterk positief verband. Opmerkelijk is dat de olieprijsvolatiliteit een sterkere impact heeft op de 109
aandelenrendementen dan olieprijsschokken. Bovendien hebben de olieprijsvolatiliteit en olieprijsschokken een omgekeerde relatie.
Wat betreft de overige factoren besluiten we dat de inflatievariabelen steeds een negatieve relatie hebben met de rendementen. De wijzigingen in de verwachte inflatie hebben een sterke negatieve impact, de onverwachte inflatie blijkt minder significant ter verklaring van de rendementsvariatie. Wijzigingen in de industriële productie hebben weinig tot geen invloed op de aandelenrendementen, net als de yield curve die geheel geen invloed blijkt te hebben. De residuele marktfactor is zoals verwacht steeds significant en positief en beschikt over een grote verklaringskracht vanwege de hoge correlatie met de aandelenrendementen.
Een derde belangrijk besluit stelt dat olieprijsschokken na 1990 een sterkere impact hebben op de aandelenrendementen. Dit vinden we door de invloed van de factoren na te gaan doorheen de tijd via drie verschillende subperiodes, met als afbreekpunten in de gehele periode 19822006 de olieprijsschokken in 1990 en 1999. Vooral in de periode ’99-06’ bemerken we een zeer sterke impact op de rendementen. Deze laatste subperiode wordt dan ook gekenmerkt door een aanhoudende stijging van de olieprijzen die zich tot op heden doorzet. Dit resultaat stemt overeen met de bevindingen in de literatuur waar eveneens na de schokken in ’86 en ’90 een sterke stijging van de verklaringskracht van olieprijsschokken wordt waargenomen. De olieprijsvolatiliteit kende zeer sterke uitschieters met de olieprijsschokken in 1986 en 1990. We merken dan ook een grotere significantie in de eerste twee subperiodes. Vooral in de periode ’90-’99 bemerken we een zeer sterke impact van de olieprijsvolatiliteit op de aandelenrendementen. De volatiliteit aan het begin van deze periode was dan ook ontzettend groot, wat een negatief effect gaf op de aandelenrendementen. De inflatievariabelen zijn dan weer voornamelijk in de periode ’82-’90 sterk significant. We merken dan ook dat de inflatiegraad in deze periode het hoogst was. In de andere periodes werd de inflatiegraad immers meer onder controle gehouden door de monetaire instellingen.
Een vierde belangrijk besluit stelt dat olieprijsschokken een zeer sterke positieve invloed hebben op de rendementen van de energiesector. Dit constateren we na onderzoek naar de invloed van olieprijsschokken op aandelenrendementen uit negen verschillende sectoren en de transportindustrie. De hoge verklaringskracht in de energiesector ligt uiteraard voor de hand, wegens de directe relatie van de sector met de olieprijzen. Verder ondervinden de algemene industriesector en de cyclische consumentengoederensector een positief doch 110
gematigd effect bij olieprijswijzigingen. Wat betreft de overige sectoren wordt geen enkel significant verband vastgesteld. De transportindustrie wordt op geen enkele wijze beïnvloed. We kunnen dus stellen dat er slechts een beperkte sectoriële impact bestaat van de olieprijsschokken.
We onderzoeken de asymmetrische relatie door na te gaan of de invloed van de olieprijzen in periodes van stijgende olieprijzen significant verschillend is van de invloed in periodes van dalende olieprijzen. We constateren echter dat tussen deze twee periodes geen significant verschil kan gevonden worden. Evenwel vinden we voor de rendementen in de energiesector een beperkt significant verband, waaruit blijkt dat in periodes met stijgende olieprijzen olieprijsschokken een positieve invloed hebben op de rendementen in de energiesector.
We testen eveneens de invloed van de factoren over periodes met een verschillend olieprijsniveau.
We
concluderen
dat
de
invloed
van
olieprijsschokken
op
aandelenrendementen geenszins afhankelijk is van het olieprijspeil op dat moment. Een olieprijswijziging heeft dezelfde impact op de rendementen in zowel periodes van hoge, gemiddelde als lage olieprijzen.
Het leek ons interessant de invloed van olieprijsschokken te testen over periodes met verschillende niveaus van olieprijsvolatiliteit. We besluiten echter dat weinig tot geen impact waar te nemen is van de mate van olieprijsvolatiliteit op de invloed van olieprijsschokken op de aandelenrendementen. Enkel in de Eurozone vinden we een negatief effect in periodes met een hoge volatiliteit, wat wijst op het onzekerheidskarakter dat gegenereerd wordt. In periodes van lage volatiliteit bemerken we een positief verband wegens dezelfde reden. We kunnen dus besluiten dat lage volatiliteit de meeste kans geeft op een positieve impact van een olieprijsschok op de rendementen, wegens het groter zekerheidsgevoel met betrekking tot de toekomstige olieprijzen.
Algemeen kunnen we besluiten dat olieprijsschokken een sterke invloed hebben op de aandelenrendementen. De richting van deze invloed blijkt echter afhankelijk van de mate van olieafhankelijkheid van een land. Ondanks de sterke impact van olieprijsschokken staat het onderzoek naar deze relatie op een laag pitje. De invloed van de olieprijzen zal mijns inziens nog aan belang winnen daar aardolie in de toekomst steeds een belangrijke rol zal blijven spelen ongeacht de uitlatingen omtrent de zoektocht naar alternatieve brandstoffen. 111
Interessant zijn de gevolgen van de opkomst van potentiële grootmachten als China en India, die door hun enorme behoefte aan olie een onherroepelijke stijging in het olieprijspeil veroorzaakt hebben die tot op heden blijft voortduren. Het ziet er echter naar uit dat de olieconsumptie de komende jaren enkel maar zal stijgen. Daarom lijkt het ons zeer interessant de gevolgen van deze olieprijsschokken op de economie en de aandelenrendementen te blijven volgen en te onderzoeken.
112
Bibliografie Adelman M.A., 1993, ‘The Economics of Petroleum Supply’, The MIT Press, Cambridge, in: Sadorsky P., 1999, ‘Oil price shocks and stock market activity’, Energy Economics, vol. 21 , nr. 5, pp. 449-469.
Al-Najjar N.I., 1998, ‘Factor Analysis and Arbitrage Pricing in Large Asset Economies’, Journal of Economic Theory, vol. 78, pp. 231-262 .
Barsky R.B. en Kilian L., 2004, ‘Oil and the Macroeconomy Since the 1970s’, Journal of Economic Perspectives, vol. 18, nr. 4, pp. 115–134.
Basher S.A. en Sadorsky P., 2004, ‘Oil price risk and emerging stock markets’. URL:
; (14/02/2006).
Brennan M.J., 1971, ‘Capital Asset Pricing and the Structure of Security Returns’, in: Roll R. en Ross S.A., 1980, ‘An Empirical Investigation of the Arbitrage Pricing Theory’, Journal of Finance, vol. 35, nr. 5, pp. 1073-1103.
‘België erg kwetsbaar voor olieschok’, 2005, De Tijd, 7 september 2005, in : De Vijlder W., 2005, ‘Economische bewegingsleer’, pp. 1-290.
Berry M.A., Burmeister E. en McElroy M.B., 1988, ‘Sorting out Risks using known APT Factors’, Financial Analysis Journal, pp. 29-41.
Bodie Z., Kane A. en Marcus A.J., 2005, ‘Investments’, Sixth Edition, International Edition, pp. 1-1090.
Bower D.H., Bower R.S. en Logue D.E., 1984, ‘Arbitrage Pricing Theory and Utility Stock Returns’, Journal of Finance, vol. 39, nr. 4, pp. 1041-1054.
Brown S.J., 1989, ‘The Number of Factors in Security Returns’, Journal of Finance, vol. 44, nr. 5, pp. 1247-1262.
VIII
Brown S.J., 1987, ‘Joint Estimation of Factor Sensitivities and Risk Premia for the Arbitrage Pricing Theory: Discussion’, Journal of Finance, vol. 43, nr. 3, pp. 734-735.
Brown S.J. en Weinstein M.I., 1983, ‘A New Approach to Testing Asset Pricing Model: The Bilinear Paradigm’, Journal of Finance, vol. 38, nr. 3, pp. 711- 743.
Burmeister E. en McElroy M.B., 1988, ‘Joint Estimation of Factor Sensitivities and Risk Premia for the Arbitrage Pricing Theory’, Journal of Finance, vol. 18, nr. 3, pp. 721-733.
Burmeister E., Wall K.D., 1986, ‘The Arbitrage Pricing Theory and Macroeconomic Factor Measures’, The Financial Review, vol. 21, nr. 1, pp. 1-20.
Chen N.F., 1983, ‘Some Empirical Tests of the Theory of Arbitrage Pricing’, Journal of Finance, vol. 38, nr. 5, pp. 1393-1414.
Chen N.F., Roll R. en Ross S.A., 1986, ‘Economic Forces and the Stock Market’, Journal of Business, vol. 59, nr. 3, pp. 383-403.
‘China and the world economy: From T-shirts to T-bonds’, 2005, The Economist, 30 juli 2005, in : De Vijlder W., 2005, ‘Economische bewegingsleer’, pp. 1-290.
Ciner C., 2001, ‘Energy Shocks and Financial Markets: Nonlinear Linkages’, Studies in Nonlinear Dynamics & Econometrics, vol. 5, nr. 3, pp. 203-212.
Cochrane J.H., 1991, ‘Production-Based Asset Pricing and the Link Between Stock Returns and Economic Fluctuations’, Journal of Finance, vol. 46, nr. 1, pp. 209-237.
Cuñado J. en Pérez de Gracia F., 2003, ‘Do oil price shocks matter ? Evidence for some European countries’, Energy Economics, vol. 25, pp. 137-154.
De Clercq M., 2002, ‘Economie toegelicht’, pp. 1-632.
IX
De Pelsmacker P. en Van Kenhove P., 2004, ‘Marktonderzoek: Methoden en toepassingen’, pp. 1-836.
De Vijlder W., 2005, ‘Economische bewegingsleer’, pp. 1-290.
Dhrymes P.J., Friend I. en Gultekin N.B.,1984, ‘A Critical Reexamination of the Empirical Evidence on the Arbitrage Pricing Theory’, Journal of Finance, vol.39, nr. 2, pp. 324-346.
Dimson E. en Mussavian M., 1999, ‘Three Centuries of Asset pricing’, pp. 1-22.
Elton E.J. en Gruber M.J., 1988, ‘A Multi-Index Risk Model of the Japanese Stock Market’, Japan and the World Economy, vol. 1, pp. 21-44.
Eurostat URL:<epp.eurostat.cec.eu.int/>, (08/03/2006)
Energy Information Administration URL:<www.eia.doe.gov/emeu/international/contens.html>, (08/03/2006)
Ferderer J.P., 1996,‘Oil Price Volatility and the Macroeconomy’, Journal of Macroeconomics, vol. 18, nr. 1, pp. 1-26.
Gujarati D.N., 2003, ‘Basic Econometrics’, International Edition, pp.1-1002.
Guo H. en Kliesen K.L., 2005, ‘Oil Price Volatility and U.S. Macroeconomic Activity’, Federal Reserve Bank of St. Louis Review, vol. 87, nr. 6, pp. 669-683.
Hammoudeh S. en Eleisa L., 2004, ‘Dynamic relationships among GCC stock markets and NYMEX oil futures’, Contemporary Economic Policy, vol. 22, nr. 2, pp. 250-269.
Hooker M.A., 1996, ‘What happened to the oil price–macroeconomy relationship?’, Journal of Monetary Economics, vol. 38, pp. 195–213.
X
Hooker M.A., 2002, ‘Are Oil Shocks Inflationary? Asymmetric and Nonlinear Specifications versus Change in Regime’, Journal of Money, Credit and Banking, vol. 34, nr. 2, pp 540-561.
Huang B.N, Hwang M.J. en Peng H.P., 2005, ‘The asymmetry of the impact of oil price shocks on economic activities: An application of the multivariate treshold model’, Energy Economics, vol. 27, pp. 455-476.
Huang R. D., Masulis R.W. en Stoll H.R., 1996, ‘Energy Shocks and Financial Markets’, Journal of Futures Markets, vol. 16, nr. 1, pp. 1-27.
Jones C.M. en Kaul G., 1996, ‘Oil and the Stock Markets’, Journal of Finance, vol. 51, nr. 2, pp. 463-491.
Lee K.S.N. en Ratti R.A., 1995, ‘Oils Shocks and the Macroeconomy: The Role of Price Variability’, Energy Journal, vol. 16, nr. 4, pp. 39-56.
Maghyereh A., 2004, ‘Oil Price Shocks and Emerging Stock Markets: a Generalized VAR Approach ’, International Journal of Applied Econometrics and Quantitative Studies, vol.1-2, pp. 1-40. Ooghe H., Deloof M. en Manigart S., 2003, ‘Handboek Bedrijfsfinanciering’, pp. 1-588.
Papapetrou E., 2001, ‘Oil price shocks, stock markets, economic activity and employment in Greece’, Energy Economics, vol. 23, nr. 5, pp. 511-532.
Perron P., 1989, ‘The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis’, Econometra, vol. 57, nr. 6, pp. 1361-1401.
Reinganum M.R., 1981, ‘The Arbitrage Pricing Theory: Some Emperical Results’, Journal of Finance, vol. 36, nr. 2, pp. 313-321.
Roll R. en Ross S.A., 1980, ‘An Empirical Investigation of the Arbitrage Pricing Theory’, Journal of Finance, vol. 35, nr. 5, pp. 1073-1103.
XI
Roll R. en Ross S.A, 1995, ‘The Arbitrage Pricing Theory Approach to Strategic Portfolio Planning’, Financial Analysts Journal, nr. jan-feb, pp. 121-131.
Ross S., 1976, ‘The Arbitrage Theory of Capital Asset Pricing’, Journal of Economic Theory, vol. 13, pp. 341-360.
Sadorsky P., 1999, ‘Oil price shocks and stock market activity’, Energy Economics, vol. 21 , nr. 5, pp. 449-469.
Sadorksky P., 2001, ‘Risk factors in stock returns of Canadian oil and gas companies’, Energy Economics, vol. 23, pp. 17-28.
Sadorsky P., 2004, ‘Stock Markets and Energy Prices’, Encyclopedia of Energy, Vol. 5, pp. 707-717.
Sharpe W.F., 1981, ‘Factors in New York Stock Exchange Security Returns, 1931-1979’, Journal of Portfolio Management, vol. 8, nr. 2, pp. 5-19.
XII
Bijlagen Bijlage 1: Olieproductie per land Olieproductie per land, uitgedrukt in aantal duizend vaten per dag, 2005
Olieproductie
25000
Verenigd Koninkrijk Noorwegen
20000
Canada
15000
China
10000
USSR/Rusland
30000
5000
OPEC
0 1973 January
1977 January
1981 January
1985 January
1989 January
1993 January
1997 January
2001 January
Bron: eigen berekeningen op basis van gegevens van EIA
Bijlage 2: Olieconsumptie Olieconsumptie, uitgedrukt in aantal duizend vaten per dag 120 100 80 60 40 20 0 Verenigde Staten
Europa
China
Rusland
Canada
Bron: eigen berekeningen op basis van gegevens van EIA
Verenigde Staten
Bijlage 3: Olieconsumptie in China en India, 1980-2004 50 45 40 35 30 China India
25 20 15 10 5 0 1980
1984
1988
1992
1996
2000
Bron: eigen berekeningen op basis van gegevens van Datastream
Bijlage 4: Invloed van de factoren op de aandelenrendementen, 1982-2006 en subperiodes Eurozone EUROZONE 1982:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat EUROZONE 1982:02 1990:05 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat EUROZONE 1990:06 1999:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.007617 0.002632 0.052495 -2.424026 0.450208 0.038478 0.005137 0.584618
0.002681 0.001338 0.098335 0.782470 0.987754 0.016467 0.097678 0.026389
2.840453 1.967761 0.533840 -3.097914 0.455790 2.336672 0.052587 22.15362
0.0048 0.0501 0.5939 0.0021 0.6489 0.0202 0.9581 0.0000
0.645494 0.636631 627.6662 2.041956
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.012045 0.046048 72.83292 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.000310 0.005286 0.133284 -3.354262 0.921158 0.056493 0.312398 0.448980
0.006477 0.003208 0.150969 1.464096 1.991161 0.038861 0.241777 0.054399
0.047825 1.648011 0.882856 -2.291012 0.462624 1.453720 1.292094 8.253467
0.9620 0.1028 0.3796 0.0242 0.6447 0.1494 0.1996 0.0000
0.484330 0.445094 203.8582 2.091569
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.016269 0.044098 12.34408 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.012369 0.001614 0.004769 -1.957683 0.700446 0.018857 -0.100471 0.661890
0.003814 0.001789 0.216809 1.393400 1.696239 0.032480 0.128658 0.054700
3.242861 0.902457 0.021998 -1.404969 0.412941 0.580569 -0.780915 12.10026
0.0016 0.3691 0.9825 0.1633 0.6806 0.5629 0.4368 0.0000
0.623056 0.595570 224.7200 2.124169
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.013300 0.045636 22.66851 0.000000
EUROZONE 1999:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
-0.000708 0.002558 0.070459 -1.708885 0.147687 0.073705 0.430560 0.632412
0.005626 0.002791 0.148161 0.966240 1.144417 0.014727 0.242637 0.024188
-0.125819 0.916267 0.475556 -1.768593 0.129050 5.004663 1.774502 26.14612
0.9002 0.3624 0.6358 0.0810 0.8977 0.0000 0.0800 0.0000
0.912203 0.904117 237.5387 1.864208
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.005461 0.048586 112.8049 0.000000
Duitsland DUITSLAND 1982:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.011332 0.000915 0.051195 -1.045363 -1.031662 0.032814 -0.151706 0.850332
0.001430 0.000722 0.053191 0.274123 0.316388 0.008650 0.052847 0.014275
7.925888 1.266646 0.962476 -3.813481 -3.260748 3.793613 -2.870676 59.56766
0.0000 0.2063 0.3366 0.0002 0.0012 0.0002 0.0044 0.0000
0.927784 0.925979 804.9717 2.796611
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.011079 0.055123 513.8970 0.000000
DUITSLAND 1982:02 1990:05 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat DUITSLAND 1990:06 1999:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat DUITSLAND 1999:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.010927 0.001165 0.035708 -1.089878 -0.848069 0.029265 -0.065946 0.866552
0.003055 0.001526 0.071140 0.525863 0.627215 0.018148 0.115310 0.026533
3.576589 0.763315 0.501940 -2.072548 -1.352117 1.612561 -0.571901 32.65936
0.0006 0.4472 0.6169 0.0410 0.1797 0.1103 0.5688 0.0000
0.929510 0.924146 277.9550 2.717596
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.017624 0.056851 173.3062 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.011949 0.000842 0.014444 -0.939340 -0.814388 0.016456 -0.200446 0.807538
0.002173 0.001040 0.123021 0.472071 0.517715 0.018232 0.075792 0.032031
5.497736 0.809651 0.117411 -1.989826 -1.573043 0.902592 -2.644690 25.21080
0.0000 0.4201 0.9068 0.0495 0.1190 0.3690 0.0096 0.0000
0.878124 0.869238 280.4643 2.834742
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.010538 0.046958 98.81253 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.004954 0.002190 0.232052 -1.070041 -1.651841 0.052333 0.085966 0.850748
0.004295 0.002154 0.116140 0.473582 0.557138 0.011290 0.184934 0.018856
1.153422 1.016784 1.998043 -2.259462 -2.964867 4.635176 0.464846 45.11927
0.2524 0.3125 0.0493 0.0267 0.0040 0.0000 0.6434 0.0000
0.967097 0.964066 258.6316 2.427272
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.003957 0.061741 319.1170 0.000000
Noorwegen NOORWEGEN 1986:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat NOORWEGEN 1986:02 1990:05 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
NOORWEGEN 1990:06 1999:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.014149 0.003453 -0.165254 -0.804343 -1.484549 0.173707 -0.388559 0.959650
0.002551 0.001279 0.035600 0.326709 0.418213 0.014362 0.091637 0.023674
5.546977 2.699780 -4.642023 -2.461956 -3.549746 12.09498 -4.240176 40.53524
0.0000 0.0074 0.0000 0.0145 0.0005 0.0000 0.0000 0.0000
0.888518 0.885155 546.3370 2.318253
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.014022 0.074548 264.1516 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.018488 0.005861 -0.210544 -0.993574 -2.987531 0.194929 -0.555121 0.943039
0.006322 0.003064 0.046774 0.792622 0.994789 0.029618 0.229311 0.043812
2.924364 1.912932 -4.501312 -1.253528 -3.003180 6.581500 -2.420825 21.52456
0.0054 0.0623 0.0000 0.2166 0.0044 0.0000 0.0197 0.0000
0.930216 0.919114 122.1741 1.922334
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.021476 0.088252 83.78854 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.014785 0.003332 -0.095399 -0.799987 -1.360936 0.166355 -0.316072 0.998943
0.003801 0.001811 0.093282 0.801583 1.003488 0.030778 0.127555 0.041819
3.889479 1.839896 -1.022698 -0.998010 -1.356206 5.404954 -2.477932 23.88734
0.0002 0.0689 0.3090 0.3208 0.1782 0.0000 0.0150 0.0000
0.860527 0.850358 222.2241 2.485971
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.009022 0.076847 84.61537 0.000000
NOORWEGEN 1999:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.010594 0.004197 -0.168308 -0.575283 -1.059818 0.166390 -0.480511 0.905630
0.006744 0.003347 0.069410 0.328185 0.435452 0.017130 0.296599 0.034898
1.570899 1.254030 -2.424854 -1.752922 -2.433831 9.713143 -1.620069 25.95044
0.1204 0.2137 0.0177 0.0836 0.0173 0.0000 0.1094 0.0000
0.917612 0.910024 219.9936 1.679665
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.015599 0.061806 120.9241 0.000000
België BELGIE 1982:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat BELGIE 1982:02 1990:05 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.009707 0.003599 -0.005557 0.122252 -0.709865 -0.020732 -0.011054 0.897930
0.001409 0.000709 0.007509 0.236179 0.290409 0.008820 0.052011 0.016834
6.887265 5.073628 -0.740031 0.517624 -2.444363 -2.350532 -0.212536 53.33982
0.0000 0.0000 0.4599 0.6051 0.0151 0.0194 0.8318 0.0000
0.911646 0.909437 808.8476 2.210302
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.013728 0.049169 412.7240 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.010076 0.003115 0.000947 -0.216462 -0.331205 0.008135 -0.021664 0.887413
0.003244 0.001629 0.013108 0.402844 0.519016 0.019772 0.122050 0.028071
3.106122 1.912356 0.072221 -0.537334 -0.638140 0.411417 -0.177501 31.61272
0.0025 0.0589 0.9426 0.5923 0.5250 0.6817 0.8595 0.0000
0.919733 0.913626 273.1018 2.071809
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.021506 0.055926 150.5963 0.000000
BELGIE 1990:06 1999:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat BELGIE 1999:02 2006:01 Variable C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared Log likelihood Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.008265 0.004320 -0.016109 -0.020528 -1.012401 -0.028586 0.027602 0.991642
0.001839 0.000866 0.011311 0.439158 0.576231 0.015506 0.064025 0.033682
4.494520 4.990749 -1.424212 -0.046744 -1.756936 -1.843559 0.431119 29.44144
0.0000 0.0000 0.1576 0.9628 0.0821 0.0683 0.6673 0.0000
0.905723 0.898849 298.4729 2.576500
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.013492 0.044902 131.7537 0.000000
Coefficient
Std. Error
t-Statistic
Prob.
0.006897 0.003216 -0.004438 0.438678 -1.017141 -0.034989 0.282446 0.840460
0.004411 0.002195 0.014991 0.383188 0.435250 0.011779 0.194530 0.026729
1.563584 1.465007 -0.296036 1.144809 -2.336914 -2.970402 1.451939 31.44411
0.1221 0.1470 0.7680 0.2559 0.0221 0.0040 0.1506 0.0000
0.931026 0.924673 255.2138 1.976426
Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)
0.004761 0.044414 146.5524 0.000000
Bijlage 5 : Invloed factoren op de rendementen per sector, 1982 - 2006 Algemene industrie EUROZONE 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared
0.009043 0.002235 0.003949 -1.600550 0.174424 0.042836 -0.129506 0.729344 0.707325 0.700008
DUITSLAND 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared BELGIE 1982-2006 Variable C TERM MP DEI UI OP OPV R-squared Adjusted R-squared
0.011253 0.001535 -0.000478 -1.103379 -1.548829 0.039682 -0.116111 0.734272 0.645466 0.636603
Std. Error
t-Statistic
Prob.
0.002880 0.001436 0.105604 0.840308 1.060766 0.017684 0.104898 0.028340
3.140119 1.555881 0.037394 -1.904719 0.164432 2.422251 -1.234586 25.73558
0.0019 0.1209 0.9702 0.0578 0.8695 0.0161 0.2180 0.0000
Mean dependent var S.D. dependent var
Std. Error
t-Statistic
Prob.
0.003298 0.001666 0.122680 0.632244 0.729725 0.019950 0.121888 0.032924
3.412578 0.921843 -0.003896 -1.745179 -2.122483 1.989029 -0.952608 22.30179
0.0007 0.3574 0.9969 0.0821 0.0347 0.0477 0.3416 0.0000
Mean dependent var S.D. dependent var
Coefficient Std. Error 0.013729 0.001813 -0.013653 -0.154061 -2.014462 -0.001619 -0.089961 0.013724 -0.007335
0.011062 0.054425
0.006092 0.003066 0.032462 1.020948 1.255373 0.038128 0.224833
t-Statistic 2.253513 0.591150 -0.420601 -0.150900 -1.604672 -0.042465 -0.400123
Mean dependent var S.D. dependent var
0.012164 0.057380
Prob. 0.0250 0.5549 0.6744 0.8802 0.1097 0.9662 0.6894 0.014842 0.063730
Basisindustrie EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.007996 0.002731 0.034158 -2.623053 -0.423046 0.027612 -0.041271 0.584464
0.003343 0.001668 0.122603 0.975573 1.231518 0.020531 0.121784 0.032902
2.391719 1.637277 0.278604 -2.688731 -0.343516 1.344873 -0.338885 17.76389
0.0174 0.1027 0.7808 0.0076 0.7315 0.1798 0.7350 0.0000
R-squared Adjusted R-squared
0.538286 0.526743
Mean dependent var S.D. dependent var
0.011950 0.050306
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.014277 0.000327 0.038746 -0.754184 -0.960117 0.030125 -0.295635 0.848564
0.002804 0.001416 0.104306 0.537552 0.620434 0.016962 0.103632 0.027993
5.092159 0.230848 0.371467 -1.402997 -1.547494 1.775991 -2.852725 30.31319
0.0000 0.8176 0.7106 0.1617 0.1229 0.0768 0.0047 0.0000
R-squared Adjusted R-squared
0.769543 0.763782
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.010017 0.004734 0.025554 -0.312251 -0.122114 -0.018626 -0.143881
0.005847 0.002943 0.031152 0.979778 1.204751 0.036590 0.215767
1.713285 1.608716 0.820276 -0.318696 -0.101360 -0.509049 -0.666837
0.0878 0.1088 0.4128 0.7502 0.9193 0.6111 0.5054
C TERM MP DEI UI OP OPV R-squared Adjusted R-squared
0.015282 -0.005744
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.011522 0.060510
0.013953 0.061208
Energiesector EUROZONE 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared
0.009702 0.002849 0.043345 -1.425459 1.111887 0.191048 0.001067 0.386308 0.337546 0.320984
Std. Error
t-Statistic
Prob.
0.004419 0.002204 0.162053 1.289489 1.627792 0.027137 0.160971 0.043489
2.195414 1.292596 0.267472 -1.105444 0.683064 7.040015 0.006631 8.882918
0.0290 0.1972 0.7893 0.2699 0.4951 0.0000 0.9947 0.0000
Mean dependent var S.D. dependent var
0.015061 0.055512
DUITSLAND 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared
0.006271 0.003233 0.158026 -2.200576 -0.189113 0.056730 0.003085 0.414552 0.130590 0.099057
Std. Error
t-Statistic
Prob.
0.007332 0.003828 0.374940 1.536900 1.727016 0.047920 0.293107 0.081310
0.855227 0.844603 0.421471 -1.431828 -0.109503 1.183848 0.010525 5.098427
0.3935 0.3994 0.6739 0.1538 0.9129 0.2379 0.9916 0.0000
Mean dependent var S.D. dependent var
0.009586 0.074364
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.017420 0.000541 0.012171 1.470598 -2.470441 0.224526 -0.182185 0.524609
0.005784 0.002911 0.030818 0.969253 1.191809 0.036197 0.213449 0.069086
3.011741 0.185839 0.394946 1.517249 -2.072850 6.202885 -0.853529 7.593608
0.0028 0.8527 0.6932 0.1303 0.0391 0.0000 0.3941 0.0000
R-squared Adjusted R-squared
0.278278 0.260235
Mean dependent var S.D. dependent var
0.017249 0.070602
De cyclische consumentengoederensector EUROZONE 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared
0.029749 -0.010911 0.453167 -0.528443 -3.222200 0.067829 -0.446137 0.763750 0.744368 0.721129
Std. Error
t-Statistic
Prob.
0.012228 0.006072 0.318268 2.096443 2.486574 0.032002 0.511179 0.052703
2.432874 -1.796945 1.423857 -0.252066 -1.295840 2.119503 -0.872760 14.49147
0.0173 0.0763 0.1585 0.8017 0.1989 0.0373 0.3855 0.0000
Mean dependent var S.D. dependent var
0.006888 0.062100
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.010031 0.001546 0.022034 -0.859268 -0.242559 0.016497 -0.157249 0.836277
0.003990 0.002015 0.148433 0.764968 0.882912 0.024138 0.147475 0.039836
2.514116 0.767198 0.148445 -1.123273 -0.274726 0.683441 -1.066276 20.99302
0.0125 0.4436 0.8821 0.2623 0.7837 0.4949 0.2872 0.0000
R-squared Adjusted R-squared
0.613552 0.603891
Mean dependent var S.D. dependent var
0.010289 0.066497
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
-0.024778 0.019887 -0.024269 -0.779709 -3.059180 -0.037408 1.293911 0.823301
0.022721 0.010920 0.073461 1.906717 2.145790 0.061212 0.895385 0.129053
-1.090514 1.821130 -0.330372 -0.408928 -1.425666 -0.611121 1.445089 6.379544
0.2782 0.0717 0.7418 0.6835 0.1572 0.5426 0.1517 0.0000
R-squared Adjusted R-squared
0.360070 0.312917
Mean dependent var S.D. dependent var
0.013401 0.080543
De niet-cyclische consumentengoederensector EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.012895 0.000557 0.077811 -2.115332 -0.054619 -0.018246 -0.018086 0.347352
0.003503 0.001747 0.128462 1.022199 1.290377 0.021512 0.127605 0.034474
3.681144 0.318484 0.605711 -2.069394 -0.042328 -0.848176 -0.141735 10.07568
0.0003 0.7504 0.5452 0.0394 0.9663 0.3971 0.8874 0.0000
R-squared Adjusted R-squared
0.277731 0.259674
DUITSLAND 1982-2006 Variable Coefficient C TERM MP DEI UI OP OPV UM
0.013465 -0.001113 0.175141 -0.744052 -1.094553 0.005636 -0.085133 0.497355
Mean dependent var S.D. dependent var
0.014068 0.042144
Std. Error
t-Statistic
Prob.
0.003306 0.001670 0.122982 0.633803 0.731524 0.019999 0.122188 0.033006
4.073137 -0.666418 1.424118 -1.173948 -1.496264 0.281830 -0.696734 15.06884
0.0001 0.5057 0.1555 0.2414 0.1357 0.7783 0.4865 0.0000
R-squared Adjusted R-squared
0.454738 0.441107
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.016231 0.003897 -0.009249 0.467451 -1.443337 -0.010617 -0.173010 0.866727
0.004943 0.002488 0.026337 0.828316 1.018511 0.030934 0.182412 0.059040
3.283647 1.566337 -0.351169 0.564339 -1.417106 -0.343226 -0.948456 14.68033
0.0012 0.1184 0.7257 0.5730 0.1576 0.7317 0.3437 0.0000
C TERM MP DEI UI OP OPV UM R-squared Adjusted R-squared
0.442820 0.428890
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.011488 0.046382
0.018686 0.068669
De cyclische diensten EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.007174 0.002521 0.120260 -2.884891 0.944452 0.035307 0.009212 0.569657
0.003702 0.001847 0.135773 1.080373 1.363813 0.022737 0.134867 0.036436
1.937705 1.364986 0.885744 -2.670273 0.692508 1.552892 0.068306 15.63435
0.0537 0.1734 0.3765 0.0080 0.4892 0.1216 0.9456 0.0000
R-squared Adjusted R-squared
0.478935 0.465908
Mean dependent var S.D. dependent var
0.011749 0.052442
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.011131 0.000925 0.193584 -1.370420 -0.757944 0.008700 -0.161638 0.713595
0.004055 0.002048 0.150839 0.777367 0.897223 0.024529 0.149865 0.040482
2.745319 0.451815 1.283381 -1.762900 -0.844766 0.354694 -1.078560 17.62761
0.0064 0.6518 0.2004 0.0790 0.3990 0.7231 0.2817 0.0000
R-squared Adjusted R-squared
0.531709 0.520002
Mean dependent var S.D. dependent var
0.010831 0.061386
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.009238 0.003969 -0.026253 0.535994 -1.510031 0.004675 0.153118 0.908334
0.004418 0.002223 0.023539 0.740339 0.910333 0.027648 0.163038 0.052769
2.090972 1.784854 -1.115281 0.723984 -1.658767 0.169105 0.939156 17.21330
0.0374 0.0754 0.2657 0.4697 0.0983 0.8658 0.3485 0.0000
R-squared Adjusted R-squared
0.521080 0.509107
Mean dependent var S.D. dependent var
0.015742 0.066201
De nutssector EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.005631 0.001625 -0.071816 -2.844811 -3.417594 0.032429 0.042816 0.275530
0.010485 0.005207 0.272908 1.797657 2.132186 0.027441 0.438326 0.045192
0.537040 0.312188 -0.263152 -1.582511 -1.602860 1.181751 0.097681 6.096851
0.5928 0.7557 0.7931 0.1176 0.1131 0.2409 0.9224 0.0000
R-squared
0.359146
Mean dependent var
0.007493
Adjusted R-squared
0.300887
S.D. dependent var
0.033631
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.015911 -0.002518 0.000341 -1.345696 -1.719268 -0.004131 -0.040026 0.221023
0.002830 0.001430 0.105298 0.542664 0.626333 0.017124 0.104618 0.028259
5.621604 -1.761524 0.003235 -2.479795 -2.744972 -0.241271 -0.382591 7.821233
0.0000 0.0792 0.9974 0.0137 0.0064 0.8095 0.7023 0.0000
R-squared Adjusted R-squared
0.219842 0.200338
Mean dependent var S.D. dependent var
0.012586 0.033200
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.014435 0.000945 0.015135 0.258987 -0.508116 -0.043232 -0.023033 0.598383
0.003830 0.001927 0.020405 0.641748 0.789104 0.023966 0.141326 0.045742
3.769430 0.490246 0.741765 0.403566 -0.643916 -1.803861 -0.162977 13.08170
0.0002 0.6243 0.4589 0.6868 0.5202 0.0723 0.8707 0.0000
R-squared Adjusted R-squared
0.386643 0.371309
Mean dependent var S.D. dependent var
0.014969 0.050707
De financiële sector EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.008292 0.002324 0.092069 -1.797525 -1.326559 0.014426 0.029662 0.655212
0.002974 0.001484 0.109078 0.867951 1.095661 0.018266 0.108349 0.029272
2.787746 1.566097 0.844070 -2.070998 -1.210739 0.789768 0.273767 22.38345
0.0057 0.1185 0.3994 0.0393 0.2270 0.4303 0.7845 0.0000
R-squared Adjusted R-squared
0.645417 0.636552
Mean dependent var S.D. dependent var
0.012281 0.051072
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.012039 0.000170 0.005829 -0.786761 -2.137501 0.020655 -0.057898 0.981156
0.003143 0.001587 0.116932 0.602620 0.695533 0.019015 0.116176 0.031382
3.830387 0.107368 0.049850 -1.305568 -3.073183 1.086248 -0.498362 31.26530
0.0002 0.9146 0.9603 0.1928 0.0023 0.2783 0.6186 0.0000
R-squared Adjusted R-squared
0.779418 0.773903
Mean dependent var S.D. dependent var
0.011830 0.069336
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.010913 0.003345 -0.017338 -0.527968 -1.163090 -0.015127 0.018417 0.969312
0.002047 0.001030 0.010908 0.343067 0.421840 0.012812 0.075550 0.024453
5.330728 3.246813 -1.589470 -1.538964 -2.757181 -1.180706 0.243770 39.64006
0.0000 0.0013 0.1131 0.1249 0.0062 0.2387 0.8076 0.0000
R-squared Adjusted R-squared
0.851202 0.847482
Mean dependent var S.D. dependent var
0.015123 0.055035
De IT-sector EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.009196 0.004451 0.365495 -0.947249 3.438254 0.020585 0.049861 0.971966
0.006985 0.003484 0.256161 2.038322 2.573083 0.042897 0.254451 0.068744
1.316537 1.277332 1.426816 -0.464720 1.336239 0.479874 0.195956 14.13899
0.1891 0.2025 0.1547 0.6425 0.1826 0.6317 0.8448 0.0000
R-squared Adjusted R-squared
0.425244 0.410875
Mean dependent var S.D. dependent var
0.016120 0.094207
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.030777 0.007136 0.971074 -2.897718 -1.125471 0.062845 -0.790748 1.220564
0.010296 0.005407 0.525475 2.162803 2.428608 0.067512 0.414545 0.114862
2.989075 1.319861 1.847992 -1.339797 -0.463422 0.930880 -1.907510 10.62635
0.0032 0.1884 0.0661 0.1819 0.6436 0.3531 0.0579 0.0000
R-squared Adjusted R-squared
0.383457 0.361549
Mean dependent var S.D. dependent var
0.027485 0.125052
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM MP DEI UI OP OPV UM
0.020320 0.004946 -0.016571 2.505324 -2.758295 0.002084 -0.629268 0.868338
0.011879 0.005920 0.068033 2.357569 2.822765 0.073539 0.464648 0.150020
1.710632 0.835590 -0.243567 1.062673 -0.977161 0.028334 -1.354290 5.788153
0.0885 0.4043 0.8078 0.2891 0.3295 0.9774 0.1770 0.0000
R-squared Adjusted R-squared
0.148252 0.121870
Mean dependent var S.D. dependent var
0.015476 0.124561
Bijlage 6: De asymmetrische relatie EUROZONE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM DUM2*TERM DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM
0.008157 0.000800 0.003737 -2.700163 0.657668 1.961371 -2.569374 0.028880 -0.003282 0.029108 -0.077954 0.588436 -0.009025
0.003141 0.001801 0.002220 1.101998 1.568275 1.509554 2.024728 0.039307 0.052291 0.119499 0.245944 0.036431 0.053891
2.596728 0.444247 1.683443 -2.450242 0.419357 1.299305 -1.268997 0.734735 -0.062761 0.243583 -0.316957 16.15200 -0.167471
0.0099 0.6572 0.0934 0.0149 0.6753 0.1949 0.2055 0.4631 0.9500 0.8077 0.7515 0.0000 0.8671
R-squared Adjusted R-squared
0.652719 0.637509
Mean dependent var S.D. dependent var
0.011997 0.046121
DUITSLAND 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM DUM2*TERM DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM
0.011314 0.000516 0.000864 -1.508855 0.726159 -0.636919 -0.639583 0.023433 0.016926 -0.160087 -0.071515 0.872947 -0.048434
0.001681 0.000971 0.001199 0.454734 0.579401 0.477550 0.644298 0.020626 0.027640 0.065212 0.132993 0.019878 0.029163
6.729071 0.531612 0.720743 -3.318102 1.253293 -1.333723 -0.992683 1.136056 0.612398 -2.454856 -0.537737 43.91630 -1.660801
0.0000 0.5954 0.4717 0.0010 0.2112 0.1834 0.3217 0.2569 0.5408 0.0147 0.5912 0.0000 0.0979
R-squared Adjusted R-squared
0.929076 0.925970
Mean dependent var S.D. dependent var
0.011148 0.055207
NOORWEGEN 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM DUM2*TERM DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM
0.014977 0.002815 0.001251 -1.341548 0.622615 -1.006513 -0.477145 0.191122 -0.017956 -0.282952 -0.273567 1.004752 -0.107154
0.003172 0.001812 0.002349 0.587793 0.727271 0.642466 0.883780 0.035823 0.049175 0.114087 0.233712 0.032586 0.050488
4.721050 1.553375 0.532650 -2.282347 0.856098 -1.566641 -0.539891 5.335152 -0.365143 -2.480135 -1.170533 30.83421 -2.122380
0.0000 0.1217 0.5948 0.0234 0.3929 0.1186 0.5898 0.0000 0.7153 0.0139 0.2430 0.0000 0.0349
R-squared Adjusted R-squared
0.881697 0.875416
Mean dependent var S.D. dependent var
0.014016 0.074705
BELGIE 1982-2006 Variable C TERM DUM2*TERM DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM R-squared Adjusted R-squared
Coefficient
Std. Error
t-Statistic
Prob.
0.010336 0.003071 0.000807 0.601131 -0.870316 -0.864128 0.205507 -0.012183 -0.007955 0.034772 -0.127212 0.893969 0.003906
0.001660 0.000962 0.001193 0.338329 0.474903 0.471019 0.605177 0.020097 0.027115 0.063669 0.129760 0.023946 0.034215
6.225011 3.192237 0.676596 1.776763 -1.832620 -1.834593 0.339582 -0.606219 -0.293371 0.546141 -0.980358 37.33282 0.114152
0.0000 0.0016 0.4992 0.0767 0.0679 0.0677 0.7344 0.5449 0.7695 0.5854 0.3278 0.0000 0.9092
0.913084 0.909277
Mean dependent var S.D. dependent var
0.013809 0.049235
Bijlage 7: De asymmetrische relatie in de energiesector EUROPA ENERGIESECTOR 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C TERM DUM2*TERM MP DUM2*MP DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM
0.007602 -0.001852 0.008541 -0.098112 0.349622 -0.071212 -2.843485 4.293904 -5.113514 0.094051 0.135762 0.025756 -0.419208 0.404959 -0.072734
0.005132 0.002944 0.003639 0.224147 0.323816 1.806503 2.568736 2.471267 3.310776 0.064698 0.085773 0.197524 0.403577 0.059484 0.087992
1.481194 -0.629049 2.346872 -0.437714 1.079695 -0.039420 -1.106959 1.737532 -1.544506 1.453707 1.582819 0.130392 -1.038732 6.807834 -0.826596
0.1397 0.5298 0.0196 0.6619 0.2812 0.9686 0.2693 0.0834 0.1236 0.1472 0.1146 0.8964 0.2999 0.0000 0.4092
R-squared Adjusted R-squared
0.367780 0.335239
Mean dependent var S.D. dependent var
DUITSLAND ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM2*TERM MP DUM2*MP DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM R-squared Adjusted R-squared
0.009269 0.001952 0.002542 0.031770 0.343168 -2.448060 0.337699 -2.051026 3.655319 0.127885 -0.069760 0.205808 -0.714683 0.481927 -0.164569 0.143675 0.078872
0.009167 0.005341 0.007076 0.512469 0.782355 2.670864 3.362196 2.665415 3.590868 0.115334 0.158735 0.359539 0.697607 0.119978 0.168006
C TERM DUM2*TERM DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM
0.008413 0.001411 0.002560 -2.040989 1.881092 -1.790273 1.831009 0.224586 0.122093 -0.236382 -0.190173 0.983531
t-Statistic
Prob.
1.011122 0.365411 0.359198 0.061994 0.438635 -0.916580 0.100440 -0.769496 1.017949 1.108827 -0.439475 0.572421 -1.024478 4.016806 -0.979545
0.3133 0.7152 0.7199 0.9506 0.6614 0.3606 0.9201 0.4426 0.3100 0.2689 0.6608 0.5677 0.3069 0.0001 0.3286
Mean dependent var S.D. dependent var
NOORWEGEN ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error 0.005057 0.002889 0.003745 0.936952 1.159282 1.024101 1.408760 0.057103 0.078386 0.181857 0.372540 0.051942
0.015030 0.055607
0.009771 0.074504
t-Statistic
Prob.
1.663802 0.488355 0.683669 -2.178329 1.622635 -1.748142 1.299731 3.933009 1.557587 -1.299826 -0.510477 18.93519
0.0975 0.6258 0.4949 0.0304 0.1061 0.0818 0.1950 0.0001 0.1207 0.1950 0.6102 0.0000
DUM2*UM R-squared Adjusted R-squared
-0.069019 0.770432 0.758242
0.080478
BELGIE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM2*TERM MP DUM2*MP DEI DUM2*DEI UI DUM2*UI OP DUM2*OP OPV DUM2*OPV UM DUM2*UM R-squared Adjusted R-squared
0.012109 -0.004313 0.008678 -0.079040 0.182058 2.855482 -2.558204 -0.731647 -3.265622 0.042170 0.249709 -0.341382 -0.067699 0.510512 0.015379 0.329191 0.294665
-0.857611
Mean dependent var S.D. dependent var
0.006671 0.003854 0.004776 0.043600 0.060626 1.356047 1.904597 1.889874 2.430178 0.080635 0.108694 0.255427 0.523385 0.095888 0.137043
0.3920 0.015487 0.085484
t-Statistic
Prob.
1.815158 -1.119167 1.817051 -1.812840 3.002966 2.105740 -1.343173 -0.387141 -1.343779 0.522973 2.297353 -1.336515 -0.129348 5.324022 0.112221
0.0706 0.2641 0.0703 0.0710 0.0029 0.0361 0.1803 0.6990 0.1801 0.6014 0.0224 0.1825 0.8972 0.0000 0.9107
Mean dependent var S.D. dependent var
0.017359 0.070700
Bijlage 8: Invloed van de factoren in periodes met hoge, gemiddelde en lage olieprijzen, 1982 - 2006 De invloed van de factoren in periodes met hoge (dum3) en lage (dum1) olieprijzen tov gemiddelde olieprijzen EUROZONE 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.008043 -0.004508 0.004431 -0.000783 0.170157 0.129290 -0.058464 -0.021589 -0.154905 0.991842 -0.008487 0.032878 0.047275 0.540588 -0.151847 -0.256035 0.096519 0.571012 -0.081465 0.661847 0.639220
DUITSLAND 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.010603 -0.001120 0.001487 -0.000513 -0.292288 0.235258 -0.240314 -0.168579 -0.791371 -0.573771 0.018851 0.021298 0.020373 0.284168 -0.269544 0.309308 0.031130 0.826630 0.058115 0.928154 0.923346
Std. Error
t-Statistic
Prob.
0.002781 0.002444 0.001844 0.002582 0.286057 0.196802 0.247892 2.595820 1.685087 2.407933 0.039555 0.027835 0.043577 0.210376 0.123087 0.253328 0.066408 0.044697 0.067711
2.891964 -1.844329 2.402120 -0.303228 0.594837 0.656959 -0.235843 -0.008317 -0.091927 0.411906 -0.214554 1.181182 1.084850 2.569624 -1.233658 -1.010687 1.453415 12.77531 -1.203128
0.0041 0.0662 0.0170 0.7620 0.5525 0.5118 0.8137 0.9934 0.9268 0.6807 0.8303 0.2386 0.2790 0.0107 0.2184 0.3131 0.1473 0.0000 0.2300
Mean dependent var S.D. dependent var
0.012045 0.046048
Std. Error
t-Statistic
Prob.
0.001543 0.001351 0.001027 0.001429 0.154855 0.106444 0.133596 0.786484 0.552904 0.808659 0.021229 0.014726 0.023762 0.116202 0.068184 0.139301 0.036446 0.024685 0.037352
6.871748 -0.829358 1.448756 -0.358802 -1.887492 2.210155 -1.798815 -0.214345 -1.431297 -0.709534 0.887999 1.446347 0.857372 2.445471 -3.953179 2.220437 0.854158 33.48775 1.555854
0.0000 0.4076 0.1486 0.7200 0.0602 0.0279 0.0732 0.8304 0.1535 0.4786 0.3753 0.1492 0.3920 0.0151 0.0001 0.0272 0.3938 0.0000 0.1209
Mean dependent var S.D. dependent var
0.011079 0.055123
NOORWEGEN 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM
0.015348 0.002309 0.002421 -0.001802 0.083560 -0.225294 0.050683 1.016916 -2.403699 2.567914 -0.054875 0.197373 -0.025717 -0.021900 -0.416510 -0.072358 0.040234 0.945105 -0.021689
Std. Error
t-Statistic
Prob.
0.002717 0.002270 0.001735 0.003785 0.091087 0.079477 0.137768 1.064155 0.602657 1.037933 0.033795 0.023035 0.041528 0.195704 0.111611 0.259286 0.054845 0.044215 0.079741
5.649257 1.017062 1.395246 -0.475912 0.917363 -2.834716 0.367889 0.955609 -3.988504 2.474065 -1.623763 8.568474 -0.619266 -0.111903 -3.731789 -0.279065 0.733598 21.37507 -0.271998
0.0000 0.3102 0.1643 0.6346 0.3600 0.0050 0.7133 0.3403 0.0001 0.0141 0.1059 0.0000 0.5364 0.9110 0.0002 0.7805 0.4640 0.0000 0.7859
R-squared Adjusted R-squared
0.891933 0.883131
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.009537 -0.001542 0.004384 -0.000370 -0.016667 0.003661 -0.007129 -0.176167 0.156702 -0.039894 -0.942837 -0.046449 -0.787353 0.023877 -0.041472 0.025951 -0.003094 -0.049301 0.125414 0.033031 0.902966 -0.045263
0.001498 0.001312 0.000993 0.001401 0.018794 0.014461 0.019665 0.691914 0.479198 0.586212 0.852848 0.604173 0.732673 0.021591 0.015857 0.024348 0.112688 0.066566 0.134991 0.042378 0.031731 0.044079
6.364479 -1.175123 4.414922 -0.264305 -0.886785 0.253190 -0.362495 -0.254609 0.327010 -0.068054 -1.105515 -0.076880 -1.074632 1.105877 -2.615410 1.065805 -0.027458 -0.740630 0.929054 0.779446 28.45662 -1.026843
0.0000 0.2410 0.0000 0.7917 0.3760 0.8003 0.7173 0.7992 0.7439 0.9458 0.2699 0.9388 0.2835 0.2698 0.0094 0.2875 0.9781 0.4596 0.3537 0.4364 0.0000 0.3054
C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.914984 0.908272
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.014022 0.074548
0.013728 0.049169
De invloed van de factoren in periodes met hoge (dum3) en gemiddelde (dum2) olieprijzen tov lage olieprijzen EUROZONE 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.008043 0.004508 -7.77E-05 0.003726 -0.170157 0.299448 -0.228621 0.021589 -0.176494 1.013431 0.008487 0.024391 0.055762 -0.540588 0.388741 -0.796623 -0.096519 0.667531 -0.177984 0.661847 0.639220
DUITSLAND 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.010719 0.001138 0.000414 0.000329 0.316516 -0.075680 0.075947 -0.470613 -0.819928 0.002209 0.055525 -0.902727 -0.498605 -0.010582 0.038703 0.001756 -0.254595 -0.016609 0.063085 -0.026508 0.859333 0.019187 0.931703 0.926311
Std. Error
t-Statistic
Prob.
0.002781 0.002444 0.001890 0.002710 0.286057 0.207902 0.256567 2.595820 1.974743 2.619541 0.039555 0.028133 0.043717 0.210376 0.188591 0.282889 0.066408 0.048966 0.070569
2.891964 1.844329 -0.041122 1.374921 -0.594837 1.440329 -0.891077 0.008317 -0.089376 0.386873 0.214554 0.866987 1.275508 -2.569624 2.061296 -2.816026 -1.453415 13.63251 -2.522124
0.0041 0.0662 0.9672 0.1703 0.5525 0.1509 0.3737 0.9934 0.9288 0.6992 0.8303 0.3867 0.2032 0.0107 0.0402 0.0052 0.1473 0.0000 0.0122
Mean dependent var S.D. dependent var
0.012045 0.046048
Std. Error
t-Statistic
Prob.
0.001521 0.001326 0.001024 0.001471 0.152492 0.111354 0.136567 0.730912 0.583564 0.745333 0.772293 0.548298 0.797287 0.020975 0.014977 0.023629 0.115426 0.103165 0.153204 0.035792 0.026198 0.038117
7.049077 0.858557 0.404196 0.223890 2.075625 -0.679636 0.556114 -0.643871 -1.405034 0.002964 0.071897 -1.646417 -0.625377 -0.504503 2.584196 0.074325 -2.205692 -0.160992 0.411773 -0.740600 32.80165 0.503375
0.0000 0.3914 0.6864 0.8230 0.0389 0.4973 0.5786 0.5202 0.1612 0.9976 0.9427 0.1009 0.5323 0.6143 0.0103 0.9408 0.0283 0.8722 0.6808 0.4596 0.0000 0.6151
Mean dependent var S.D. dependent var
0.011079 0.055123
NOORWEGEN 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM
0.015348 -0.002309 0.004730 -0.004110 -0.083560 -0.141734 -0.032876 -1.016916 -1.386783 1.550999 0.054875 0.142498 0.029158 0.021900 -0.438410 -0.050458 -0.040234 0.985339 -0.061924
Std. Error
t-Statistic
Prob.
0.002717 0.002270 0.001748 0.003868 0.091087 0.044562 0.121147 1.064155 0.875948 1.215644 0.033795 0.024768 0.042482 0.195704 0.179862 0.288358 0.054845 0.032387 0.073795
5.649257 -1.017062 2.706355 -1.062723 -0.917363 -3.180620 -0.271377 -0.955609 -1.583181 1.275866 1.623763 5.753212 0.686354 0.111903 -2.437476 -0.174983 -0.733598 30.42398 -0.839127
0.0000 0.3102 0.0073 0.2891 0.3600 0.0017 0.7864 0.3403 0.1148 0.2033 0.1059 0.0000 0.4932 0.9110 0.0156 0.8613 0.4640 0.0000 0.4023
R-squared Adjusted R-squared
0.891933 0.883131
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.009537 0.001542 0.002842 0.001171 0.016667 -0.013005 0.009538 0.176167 -0.019465 0.136274 0.942837 -0.989285 0.155483 -0.023877 -0.017595 0.002073 0.003094 -0.052395 0.128508 -0.033031 0.935997 -0.078294
0.001498 0.001312 0.001014 0.001457 0.018794 0.012007 0.017973 0.691914 0.498917 0.602238 0.852848 0.601934 0.730137 0.021591 0.014731 0.023631 0.112688 0.100737 0.150645 0.042378 0.028095 0.041529
6.364479 1.175123 2.803748 0.803837 0.886785 -1.083179 0.530681 0.254609 -0.039015 0.226279 1.105515 -1.643510 0.212951 -1.105877 -1.194428 0.087743 0.027458 -0.520116 0.853050 -0.779446 33.31513 -1.885291
0.0000 0.2410 0.0054 0.4222 0.3760 0.2797 0.5961 0.7992 0.9689 0.8212 0.2699 0.1015 0.8315 0.2698 0.2334 0.9301 0.9781 0.6034 0.3944 0.4364 0.0000 0.0605
C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.914984 0.908272
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.014022 0.074548
0.013728 0.049169
Bijlage 9: Invloed van de factoren in periodes met hoge, gemiddelde en lage olieprijzen energiesector, 1982 - 2006 De invloed van de factoren in periodes met hoge (dum3) en lage (dum1) olieprijzen tov gemiddelde olieprijzen EUROZONE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.009671 -0.007174 0.005696 1.75E-05 0.293529 0.282686 -0.437593 -3.173684 0.863690 0.526164 0.056604 0.155489 0.107370 0.593305 -0.102777 -0.784269 0.147250 0.360084 -0.085905 0.385574 0.344460
0.004520 0.003972 0.002997 0.004195 0.464853 0.319809 0.402833 4.218293 2.738322 3.912970 0.064278 0.045232 0.070815 0.341868 0.200020 0.411666 0.107916 0.072633 0.110033
R-squared Adjusted R-squared
0.003684 -0.014450 0.009362 0.002724 0.766445 -0.158476 0.363008 0.144683 -1.350210 8.648074 0.123147 0.000212 -0.007333 0.403790 -0.038169 -0.245916 0.020088 0.453959 -0.230543 0.170791 0.088782
Prob.
2.139838 -1.806132 1.900374 0.004183 0.631444 0.883923 -1.086289 -0.752362 0.315409 0.134467 0.880603 3.437587 1.516206 1.735479 -0.513833 -1.905108 1.364490 4.957561 -0.780724
0.0333 0.0720 0.0585 0.9967 0.5283 0.3775 0.2783 0.4525 0.7527 0.8931 0.3793 0.0007 0.1306 0.0838 0.6078 0.0578 0.1736 0.0000 0.4357
Mean dependent var S.D. dependent var
DUITSLAND ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM
t-Statistic
0.008406 0.007193 0.005136 0.011205 0.835297 0.567429 1.185494 3.850315 2.696505 5.141470 0.121236 0.074824 0.125202 0.883415 0.332593 0.800625 0.211692 0.119336 0.219076
0.015061 0.055512
t-Statistic
Prob.
0.438225 -2.008852 1.822895 0.243094 0.917571 -0.279288 0.306208 0.037577 -0.500726 1.682024 1.015765 0.002829 -0.058570 0.457078 -0.114762 -0.307155 0.094890 3.804049 -1.052345
0.6617 0.0460 0.0700 0.8082 0.3601 0.7803 0.7598 0.9701 0.6172 0.0943 0.3111 0.9977 0.9534 0.6482 0.9088 0.7591 0.9245 0.0002 0.2940
Mean dependent var S.D. dependent var
0.009586 0.074364
NOORWEGEN ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.014947 0.001282 0.002189 0.000158 0.133627 -0.322679 0.244703 2.966155 -2.755857 4.346131 -0.010848 0.306310 -0.060265 -0.166426 -0.248613 0.024341 0.119301 0.893635 -0.010184 0.782289 0.764557
0.004413 0.003688 0.002819 0.006150 0.147975 0.129114 0.223811 1.728769 0.979044 1.686170 0.054901 0.037421 0.067465 0.317930 0.181318 0.421221 0.089098 0.071830 0.129543
R-squared Adjusted R-squared
0.013884 -0.006777 0.003677 0.001652 -0.021601 0.010992 0.026856 3.322730 -0.499020 2.815160 0.792430 -3.702512 2.813235 0.164872 0.177949 0.020306 0.761731 -0.261858 -0.300631 0.274582 0.380221 0.051726 0.319097 0.265342
Prob.
3.386563 0.347715 0.776688 0.025639 0.903038 -2.499180 1.093345 1.715761 -2.814846 2.577516 -0.197584 8.185490 -0.893278 -0.523468 -1.371143 0.057786 1.338980 12.44101 -0.078617
0.0008 0.7284 0.4382 0.9796 0.3675 0.0132 0.2754 0.0876 0.0053 0.0106 0.8436 0.0000 0.3727 0.6012 0.1717 0.9540 0.1820 0.0000 0.9374
Mean dependent var S.D. dependent var
BELGIE ENERGIESECTOR 1982-2006 Std. Error Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM
t-Statistic
0.006089 0.005331 0.004035 0.005693 0.076374 0.058763 0.079913 2.811705 1.947298 2.382168 3.465687 2.455154 2.977334 0.087739 0.064437 0.098943 0.457926 0.270501 0.548558 0.172210 0.128945 0.179124
0.015366 0.085325
t-Statistic
Prob.
2.280146 -1.271204 0.911415 0.290202 -0.282831 0.187064 0.336069 1.181749 -0.256263 1.181764 0.228650 -1.508057 0.944884 1.879119 2.761582 0.205225 1.663436 -0.968048 -0.548040 1.594455 2.948698 0.288772
0.0234 0.2048 0.3629 0.7719 0.7775 0.8518 0.7371 0.2384 0.7979 0.2384 0.8193 0.1327 0.3456 0.0613 0.0062 0.8376 0.0974 0.3339 0.5841 0.1120 0.0035 0.7730
Mean dependent var S.D. dependent var
0.017249 0.070602
De invloed van de factoren in periodes met hoge (dum3) en gemiddelde (dum2) olieprijzen tov lage olieprijzen EUROZONE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.009671 0.007174 -0.001478 0.007192 -0.293529 0.576215 -0.731122 3.173684 -2.309994 3.699848 -0.056604 0.212093 0.050766 -0.593305 0.490528 -1.377574 -0.147250 0.507334 -0.233155 0.385574 0.344460
0.004520 0.003972 0.003072 0.004403 0.464853 0.337848 0.416930 4.218293 3.209021 4.256839 0.064278 0.045717 0.071042 0.341868 0.306466 0.459704 0.107916 0.079572 0.114677
R-squared Adjusted R-squared
0.003684 0.014450 -0.005088 0.017174 -0.766445 0.607969 -0.403437 -0.144683 -1.205527 8.503391 -0.123147 0.123359 -0.130480 -0.403790 0.365621 -0.649706 -0.020088 0.474047 -0.250631 0.170791 0.088782
Prob.
2.139838 1.806132 -0.481269 1.633346 -0.631444 1.705544 -1.753583 0.752362 -0.719844 0.869154 -0.880603 4.639242 0.714591 -1.735479 1.600598 -2.996654 -1.364490 6.375824 -2.033145
0.0333 0.0720 0.6307 0.1036 0.5283 0.0892 0.0806 0.4525 0.4722 0.3855 0.3793 0.0000 0.4755 0.0838 0.1106 0.0030 0.1736 0.0000 0.0430
Mean dependent var S.D. dependent var
DUITSLAND ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM
t-Statistic
0.008406 0.007193 0.005556 0.011838 0.835297 0.613973 1.208259 3.850315 2.741228 5.176832 0.121236 0.095208 0.138354 0.883415 0.883435 1.107020 0.211692 0.173759 0.251930
0.015061 0.055512
t-Statistic
Prob.
0.438225 2.008852 -0.915826 1.450736 -0.917571 0.990221 -0.333900 -0.037577 -0.439776 1.642586 -1.015765 1.295673 -0.943088 -0.457078 0.413863 -0.586896 -0.094890 2.728180 -0.994842
0.6617 0.0460 0.3610 0.1486 0.3601 0.3234 0.7388 0.9701 0.6606 0.1022 0.3111 0.1967 0.3469 0.6482 0.6795 0.5580 0.9245 0.0070 0.3211
Mean dependent var S.D. dependent var
0.009586 0.074364
NOORWEGEN ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.014947 -0.001282 0.003472 -0.001125 -0.133627 -0.189051 0.111075 -2.966155 0.210298 1.379976 0.010848 0.295462 -0.049417 0.166426 -0.415038 0.190767 -0.119301 1.012936 -0.129485 0.782289 0.764557
0.004413 0.003688 0.002839 0.006283 0.147975 0.072393 0.196809 1.728769 1.423017 1.974870 0.054901 0.040238 0.069014 0.317930 0.292195 0.468452 0.089098 0.052614 0.119884
R-squared Adjusted R-squared
0.014294 0.006942 -0.003404 0.007381 0.023810 -0.011278 0.043677 -0.762903 -2.953603 1.835332 -0.176704 0.350992 -0.118089 -0.702072 0.443578 -0.962567 -0.278848 0.660562 -0.222627 0.306670 0.260277
Prob.
3.386563 -0.347715 1.222772 -0.178993 -0.903038 -2.611467 0.564383 -1.715761 0.147783 0.698768 0.197584 7.342962 -0.716042 0.523468 -1.420418 0.407228 -1.338980 19.25219 -1.080088
0.0008 0.7284 0.2227 0.8581 0.3675 0.0096 0.5731 0.0876 0.8826 0.4854 0.8436 0.0000 0.4747 0.6012 0.1569 0.6842 0.1820 0.0000 0.2813
Mean dependent var S.D. dependent var
BELGIE ENERGIESECTOR 1982-2006 Std. Error Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM
t-Statistic
0.006107 0.005347 0.004129 0.005898 0.076483 0.048957 0.073213 3.476292 2.454276 2.974038 0.086792 0.059765 0.093917 0.456617 0.409142 0.612553 0.172710 0.114488 0.169251
0.015366 0.085325
t-Statistic
Prob.
2.340679 1.298244 -0.824497 1.251474 0.311313 -0.230365 0.596571 -0.219459 -1.203452 0.617118 -2.035942 5.872845 -1.257380 -1.537549 1.084168 -1.571402 -1.614545 5.769724 -1.315364
0.0200 0.1953 0.4104 0.2118 0.7558 0.8180 0.5513 0.8265 0.2299 0.5377 0.0427 0.0000 0.2097 0.1253 0.2793 0.1173 0.1076 0.0000 0.1895
Mean dependent var S.D. dependent var
0.017249 0.070602
Bijlage 10: Invloed van de factoren in periodes met hoge, gemiddelde en lage olieprijsvolatiliteit, 1982 - 2006 De invloed van de factoren in periodes met hoge (dum3) en lage (dum1) olieprijsvolatiliteit tov gemiddelde olieprijsvolatiliteit EUROZONE 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.007470 0.001779 0.001778 0.000428 0.008328 0.050162 0.177400 -3.347490 -0.040584 -2.498809 -2.738945 3.358538 -5.071861 0.112775 0.026593 0.008208 -1.165052 0.274796 -0.290439 -0.040967 0.606785 -0.024895 0.662200 0.635532
DUITSLAND 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM
0.013675 -0.001164 0.001736 -0.001730 -0.237570 0.176805 -0.084438 -0.320235 -0.530703 -1.265898 -1.630582 -0.208780 -0.610230 -0.012114 0.023571 0.011847 0.003941 -0.629298 0.443261 0.007989 0.872792
Std. Error
t-Statistic
Prob.
0.004557 0.002911 0.002281 0.003506 0.232440 0.186151 0.303652 1.929535 1.428558 2.062819 2.516507 1.902213 2.643000 0.061737 0.038756 0.044433 1.243062 0.717033 0.680244 0.073625 0.050390 0.064221
1.639138 0.611032 0.779710 0.122032 0.035831 0.269470 0.584221 -1.734869 -0.028409 -1.211356 -1.088392 1.765595 -1.918978 1.826701 0.686165 0.184727 -0.937244 0.383241 -0.426963 -0.556422 12.04168 -0.387643
0.1024 0.5417 0.4363 0.9030 0.9714 0.7878 0.5596 0.0839 0.9774 0.2268 0.2774 0.0786 0.0561 0.0689 0.4932 0.8536 0.3495 0.7018 0.6698 0.5784 0.0000 0.6986
Mean dependent var S.D. dependent var
0.012045 0.046048
Std. Error
t-Statistic
Prob.
0.002441 0.001584 0.001252 0.001894 0.124806 0.100131 0.160193 0.663405 0.457341 0.704845 0.782587 0.597291 0.868457 0.033244 0.020260 0.023154 0.664682 0.386372 0.365893 0.039807 0.027086
5.602436 -0.734651 1.386174 -0.913408 -1.903516 1.765742 -0.527103 -0.482714 -1.160409 -1.795995 -2.083581 -0.349545 -0.702661 -0.364401 1.163419 0.511670 0.005929 -1.628735 1.211451 0.200693 32.22337
0.0000 0.4632 0.1669 0.3619 0.0581 0.0786 0.5986 0.6297 0.2469 0.0736 0.0382 0.7270 0.4829 0.7158 0.2457 0.6093 0.9953 0.1046 0.2268 0.8411 0.0000
DUM3*UM R-squared Adjusted R-squared
-0.038977 0.931751 0.926362
NOORWEGEN 1982-2006 Variable Coefficient C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM
0.015453 -0.003892 0.007166 -0.008484 -0.104439 -0.187153 0.052552 -1.192694 -0.523854 -0.611294 -2.170460 -1.338709 0.432580 -0.004950 0.195436 -0.021551 2.449019 -1.429107 1.106546 -0.058494 0.969052 0.017502
0.034411
-1.132695
Mean dependent var S.D. dependent var
0.2584 0.011079 0.055123
Std. Error
t-Statistic
Prob.
0.004591 0.002909 0.002044 0.003233 0.138771 0.082975 0.092908 1.037872 0.442281 0.727113 1.321337 0.637602 0.901193 0.060728 0.032800 0.036895 1.196697 0.693124 0.652758 0.065356 0.042876 0.055113
3.365573 -1.337882 3.505243 -2.624093 -0.752597 -2.255528 0.565633 -1.149173 -1.184437 -0.840713 -1.642625 -2.099602 0.480009 -0.081518 5.958392 -0.584130 2.046482 -2.061835 1.695185 -0.895004 22.60143 0.317561
0.0009 0.1823 0.0006 0.0093 0.4525 0.0251 0.5722 0.2517 0.2375 0.4014 0.1019 0.0369 0.6317 0.9351 0.0000 0.5597 0.0419 0.0404 0.0915 0.3718 0.0000 0.7511
R-squared Adjusted R-squared
0.899693 0.890031
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.010008 -0.001032 0.004616 -0.002842 0.008218 -0.003351 -0.015179 0.047550 -0.145620 0.933544 -0.069607 -0.323403 -1.535863 0.030761 -0.015506 -0.007857 -0.146222 -0.120314 0.145726 0.032119 0.891334 -0.032527
0.002376 0.001546 0.001212 0.001862 0.017624 0.013495 0.020078 0.597661 0.480304 0.657830 0.707582 0.497359 0.739155 0.033464 0.019914 0.022751 0.649874 0.381135 0.361895 0.042882 0.031236 0.042197
4.211883 -0.667665 3.809442 -1.526416 0.466273 -0.248316 -0.756036 0.079560 -0.303183 1.419127 -0.098374 -0.650240 -2.077862 0.919248 -0.778637 -0.345337 -0.225000 -0.315672 0.402674 0.749002 28.53529 -0.770833
0.0000 0.5049 0.0002 0.1281 0.6414 0.8041 0.4503 0.9366 0.7620 0.1570 0.9217 0.5161 0.0387 0.3588 0.4369 0.7301 0.8222 0.7525 0.6875 0.4545 0.0000 0.4415
C DUM1*TERM TERM DUM3*TERM DUM1*MP MP DUM3*MP DUM1*DEI DEI DUM3*DEI DUM1*UI UI DUM3*UI DUM1*OP OP DUM3*OP DUM1*OPV OPV DUM3*OPV DUM1*UM UM DUM3*UM R-squared Adjusted R-squared
0.917821 0.911333
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.014022 0.074548
0.013728 0.049169
De invloed van de factoren in periodes met hoge (dum3) en gemiddelde (dum2) olieprijsvolatiliteit tov lage olieprijsvolatiliteit EUROZONE 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.007470 -0.001779 0.003557 -0.001351 -0.008328 0.058491 0.169072 3.347490 -3.388074 0.848681 2.738945 0.619594 -2.332916 -0.112775 0.139368 -0.104567 1.165052 -0.890255 0.874613 0.040967 0.565818 0.016072 0.662200 0.635532
DUITSLAND 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.013675 0.001164 0.000572 -0.000566 0.237570 -0.060765 0.153132 0.320235 -0.850938 -0.945663 1.630582 -1.839362 1.020352 0.012114 0.011457 0.023961 -0.003941 -0.625357 0.439320 -0.007989 0.880781 -0.046966 0.931751 0.926362
Std. Error
t-Statistic
Prob.
0.004557 0.002911 0.001860 0.003034 0.232440 0.139554 0.277733 1.929535 1.297679 1.969421 2.516507 1.644875 2.448211 0.061737 0.048111 0.052756 1.243062 1.459955 1.418611 0.073625 0.053586 0.066702
1.639138 -0.611032 1.911793 -0.445273 -0.035831 0.419126 0.608757 1.734869 -2.610873 0.430929 1.088392 0.376681 -0.952906 -1.826701 2.896798 -1.982107 0.937244 -0.609783 0.616528 0.556422 10.55902 0.240951
0.1024 0.5417 0.0570 0.6565 0.9714 0.6755 0.5432 0.0839 0.0095 0.6669 0.2774 0.7067 0.3415 0.0689 0.0041 0.0485 0.3495 0.5425 0.5381 0.5784 0.0000 0.8098
Mean dependent var S.D. dependent var
0.012045 0.046048
Std. Error
t-Statistic
Prob.
0.002441 0.001584 0.000997 0.001631 0.124806 0.074663 0.145762 0.663405 0.480183 0.720677 0.782587 0.505412 0.804366 0.033244 0.026386 0.028654 0.664682 0.783803 0.760172 0.039807 0.029137 0.036054
5.602436 0.734651 0.574072 -0.347255 1.903516 -0.813850 1.050564 0.482714 -1.772111 -1.312187 2.083581 -3.639334 1.268517 0.364401 0.434215 0.836212 -0.005929 -0.797849 0.577921 -0.200693 30.22877 -1.302655
0.0000 0.4632 0.5664 0.7287 0.0581 0.4165 0.2944 0.6297 0.0775 0.1906 0.0382 0.0003 0.2057 0.7158 0.6645 0.4038 0.9953 0.4257 0.5638 0.8411 0.0000 0.1938
Mean dependent var S.D. dependent var
0.011079 0.055123
NOORWEGEN 1982-2006 Variable Coefficient C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM
0.015453 0.003892 0.003275 -0.004592 0.104439 -0.291592 0.156991 1.192694 -1.716548 0.581400 2.170460 -3.509170 2.603041 0.004950 0.190486 -0.016601 -2.449019 1.019911 -1.342473 0.058494 0.910559 0.075995
Std. Error
t-Statistic
Prob.
0.004591 0.002909 0.002069 0.003326 0.138771 0.111186 0.118625 1.037872 0.939367 1.105250 1.321337 1.156306 1.317368 0.060728 0.051136 0.053862 1.196697 1.456681 1.412920 0.065356 0.049387 0.060207
3.365573 1.337882 1.582937 -1.380808 0.752597 -2.622573 1.323420 1.149173 -1.827344 0.526035 1.642625 -3.034812 1.975941 0.081518 3.725075 -0.308211 -2.046482 0.700161 -0.950140 0.895004 18.43738 1.262238
0.0009 0.1823 0.1149 0.1688 0.4525 0.0093 0.1871 0.2517 0.0690 0.5994 0.1019 0.0027 0.0494 0.9351 0.0002 0.7582 0.0419 0.4846 0.3431 0.3718 0.0000 0.2082
R-squared Adjusted R-squared
0.899693 0.890031
BELGIE 1982-2006 Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.010008 0.001032 0.003583 -0.001809 -0.008218 0.004867 -0.023397 -0.047550 -0.098070 0.885994 0.069607 -0.393010 -1.466255 -0.030761 0.015256 -0.038618 0.146222 -0.266536 0.291948 -0.032119 0.923453 -0.064645
0.002376 0.001546 0.000982 0.001606 0.017624 0.011327 0.018698 0.597661 0.355361 0.572434 0.707582 0.503222 0.744702 0.033464 0.026917 0.029074 0.649874 0.764783 0.742625 0.042882 0.029369 0.040826
4.211883 0.667665 3.648403 -1.126345 -0.466273 0.429644 -1.251327 -0.079560 -0.275973 1.547768 0.098374 -0.780989 -1.968916 -0.919248 0.566766 -1.328282 0.225000 -0.348511 0.393129 -0.749002 31.44358 -1.583420
0.0000 0.5049 0.0003 0.2610 0.6414 0.6678 0.2119 0.9366 0.7828 0.1229 0.9217 0.4355 0.0500 0.3588 0.5714 0.1852 0.8222 0.7277 0.6945 0.4545 0.0000 0.1145
C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.917821 0.911333
Mean dependent var S.D. dependent var
Mean dependent var S.D. dependent var
0.014022 0.074548
0.013728 0.049169
Bijlage 11: Invloed van de factoren in periodes met hoge, gemiddelde en lage olieprijsvolatiliteit in de energiesector, 1982 - 2006 De invloed van de factoren in periodes met hoge (dum3) en lage (dum1) olieprijsvolatiliteit tov gemiddelde olieprijsvolatiliteit EUROZONE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM1*TERM DUM3*TERM MP DUM1*MP DUM3*MP DEI DUM1*DEI DUM3*DEI UI DUM1*UI DUM3*UI OP DUM1*OP DUM3*OP DUM1*OPV DUM3*OPV OPV DUM1*UM DUM3*UM UM R-squared Adjusted R-squared
0.012875 0.001125 0.003730 -0.000225 0.002161 -0.144269 1.055641 2.478960 -5.288867 -3.009381 3.526784 0.248166 -7.918566 0.213149 0.144024 -0.039841 -2.014572 0.061530 -0.201353 0.025503 -0.038948 0.402090 0.393812 0.345955
0.007360 0.003683 0.004701 0.005661 0.300624 0.375377 0.490382 2.307042 3.116094 3.331340 3.071970 4.064021 4.268301 0.062588 0.099702 0.071756 2.007477 1.098557 1.157969 0.118901 0.103714 0.081378
0.001024 0.000505 -0.002035 0.013896 0.268665 0.302995 -0.651011 -1.394763 -2.025978 -3.137102 -0.662655 3.392318 -2.234425 0.005176 0.042826 0.077061 -0.594596 -0.579049 0.660210 0.128986 0.177080
Prob. 0.0814 0.7603 0.4282 0.9683 0.9943 0.7010 0.0322 0.2836 0.0908 0.3672 0.2520 0.9514 0.0647 0.0008 0.1498 0.5792 0.3165 0.9554 0.8621 0.8303 0.7076 0.0000
Mean dependent var S.D. dependent var
DUITSLAND ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM1*TERM DUM3*TERM MP DUM1*MP DUM3*MP DEI DUM1*DEI DUM3*DEI UI DUM1*UI DUM3*UI OP DUM1*OP DUM3*OP DUM1*OPV DUM3*OPV OPV DUM1*UM DUM3*UM
t-Statistic 1.749308 0.305454 0.793521 -0.039717 0.007187 -0.384331 2.152692 1.074519 -1.697275 -0.903354 1.148053 0.061064 -1.855203 3.405581 1.444551 -0.555223 -1.003534 0.056010 -0.173885 0.214487 -0.375534 4.941038
0.014846 0.006242 0.009264 0.010332 0.532284 0.991129 0.909921 2.292103 4.349592 3.719780 2.950694 4.409779 4.623236 0.101475 0.195057 0.119976 3.703484 1.999405 2.159222 0.267611 0.181493
0.015061 0.055512
t-Statistic
Prob.
0.068969 0.080837 -0.219630 1.344933 0.504740 0.305707 -0.715459 -0.608508 -0.465786 -0.843357 -0.224576 0.769272 -0.483303 0.051004 0.219558 0.642302 -0.160550 -0.289611 0.305763 0.481991 0.975686
0.9451 0.9357 0.8264 0.1803 0.6144 0.7602 0.4753 0.5436 0.6419 0.4002 0.8226 0.4427 0.6295 0.9594 0.8265 0.5215 0.8726 0.7724 0.7601 0.6304 0.3305
UM R-squared Adjusted R-squared
0.292899 0.167369 0.069687
0.136379
NOORWEGEN ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM1*TERM DUM3*TERM MP DUM1*MP DUM3*MP DEI DUM1*DEI DUM3*DEI UI DUM1*UI DUM3*UI OP DUM1*OP DUM3*OP DUM1*OPV DUM3*OPV OPV DUM1*UM DUM3*UM UM R-squared Adjusted R-squared
0.016079 0.008323 -0.006966 -0.008937 -0.185091 -0.260949 0.012374 -0.570803 -1.398275 -1.074815 -2.123942 -1.234371 3.160536 0.347389 -0.069069 -0.044279 4.699964 2.211773 -2.424846 -0.047161 0.066238 0.940055 0.795975 0.776321
0.007495 0.003337 0.004749 0.005277 0.135446 0.226524 0.151659 0.721960 1.694177 1.186908 1.040793 2.156893 1.471069 0.053542 0.099130 0.060225 1.953437 1.065534 1.131426 0.106684 0.089963 0.069988
R-squared Adjusted R-squared
0.031819 0.002974 -0.003305 -0.007971 0.024819 0.032440 -0.086350 3.784286 -3.293254 -3.017949 -0.888835 1.639416 -4.580129 0.210247 0.036637 0.046923 -2.656799 2.606000 -2.888411 -0.201186 -0.041617 0.588211 0.316840 0.262906
0.009837 0.005016 0.006402 0.007707 0.055871 0.072966 0.083122 1.988484 2.474346 2.723448 2.059091 2.929425 3.060138 0.082445 0.138541 0.094190 2.690510 1.498263 1.577919 0.177534 0.174696 0.129319
0.0331 0.009586 0.074364
t-Statistic
Prob.
2.145298 2.493787 -1.466897 -1.693510 -1.366533 -1.151969 0.081589 -0.790630 -0.825342 -0.905558 -2.040695 -0.572291 2.148463 6.488207 -0.696753 -0.735222 2.405997 2.075740 -2.143177 -0.442062 0.736279 13.43156
0.0330 0.0134 0.1438 0.0918 0.1732 0.2506 0.9350 0.4300 0.4101 0.3662 0.0425 0.5677 0.0328 0.0000 0.4867 0.4630 0.0170 0.0391 0.0332 0.6589 0.4624 0.0000
Mean dependent var S.D. dependent var
BELGIE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM1*TERM DUM3*TERM MP DUM1*MP DUM3*MP DEI DUM1*DEI DUM3*DEI UI DUM1*UI DUM3*UI OP DUM1*OP DUM3*OP DUM1*OPV DUM3*OPV OPV DUM1*UM DUM3*UM UM
2.147682
Mean dependent var S.D. dependent var
0.015366 0.085325
t-Statistic
Prob.
3.234473 0.592780 -0.516332 -1.034289 0.444225 0.444587 -1.038832 1.903101 -1.330960 -1.108135 -0.431664 0.559637 -1.496707 2.550140 0.264447 0.498179 -0.987471 1.739348 -1.830520 -1.133221 -0.238227 4.548514
0.0014 0.5538 0.6061 0.3019 0.6572 0.6570 0.2998 0.0581 0.1843 0.2688 0.6663 0.5762 0.1357 0.0113 0.7916 0.6188 0.3243 0.0831 0.0683 0.2581 0.8119 0.0000
Mean dependent var S.D. dependent var
0.017249 0.070602
De invloed van de factoren in periodes met hoge (dum3) en gemiddelde (dum2) olieprijsvolatiliteit tov lage olieprijsvolatiliteit EUROZONE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.012875 -0.003730 0.004855 -0.003955 0.144269 -0.142109 1.199911 5.288867 -2.809907 2.279486 -0.248166 3.774950 -8.166732 -0.144024 0.357173 -0.183865 2.014572 -2.215925 2.076102 -0.025503 0.427593 -0.064451 0.393812 0.345955
0.007360 0.004701 0.003005 0.004899 0.375377 0.225372 0.448523 3.116094 2.095680 3.180507 4.064021 2.656384 3.953728 0.099702 0.077697 0.085197 2.007477 2.357748 2.290979 0.118901 0.086539 0.107719
R-squared Adjusted R-squared
0.001024 -0.001530 0.002035 0.015931 0.571661 -0.302995 -0.954007 -3.420741 2.025978 -1.111124 2.729663 -3.392318 -5.626743 0.048002 -0.042826 0.034234 0.594596 0.015546 0.065614 -0.128986 0.048094 0.421885 0.167369 0.069687
Prob.
1.749308 -0.793521 1.615990 -0.807272 0.384331 -0.630552 2.675246 1.697275 -1.340809 0.716705 -0.061064 1.421086 -2.065578 -1.444551 4.597029 -2.158111 1.003534 -0.939848 0.906208 -0.214487 4.941050 -0.598321
0.0814 0.4282 0.1073 0.4202 0.7010 0.5289 0.0079 0.0908 0.1811 0.4742 0.9514 0.1565 0.0398 0.1498 0.0000 0.0318 0.3165 0.3481 0.3656 0.8303 0.0000 0.5501
Mean dependent var S.D. dependent var
DUITSLAND ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C TERM DUM2*TERM DUM3*TERM MP DUM2*MP DUM3*MP DEI DUM2*DEI DUM3*DEI UI DUM2*UI DUM3*UI OP DUM2*OP DUM3*OP DUM2*OPV DUM3*OPV OPV DUM2*UM DUM3*UM UM
t-Statistic
0.014846 0.006832 0.009264 0.011013 0.836820 0.991129 1.117874 3.695033 4.349592 4.699997 3.279843 4.409779 4.831245 0.166455 0.195057 0.178439 3.703484 4.459355 4.632145 0.267611 0.259798 0.230671
0.015061 0.055512
t-Statistic
Prob.
0.068969 -0.223940 0.219630 1.446548 0.683135 -0.305707 -0.853411 -0.925767 0.465786 -0.236409 0.832254 -0.769272 -1.164657 0.288378 -0.219558 0.191855 0.160550 0.003486 0.014165 -0.481991 0.185122 1.828944
0.9451 0.8231 0.8264 0.1498 0.4954 0.7602 0.3946 0.3558 0.6419 0.8134 0.4064 0.4427 0.2457 0.7734 0.8265 0.8481 0.8726 0.9972 0.9887 0.6304 0.8533 0.0691
Mean dependent var S.D. dependent var
0.009586 0.074364
NOORWEGEN ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM R-squared Adjusted R-squared
0.016079 0.006966 0.001357 -0.001972 0.260949 -0.446039 0.273322 1.398275 -1.969079 0.323460 1.234371 -3.358313 4.394907 0.069069 0.278319 0.024790 -4.699964 2.275118 -2.488191 0.047161 0.892894 0.113399 0.795975 0.776321
0.007495 0.004749 0.003377 0.005428 0.226524 0.181494 0.193638 1.694177 1.533383 1.804163 2.156893 1.887503 2.150414 0.099130 0.083472 0.087922 1.953437 2.377824 2.306391 0.106684 0.080617 0.098279
R-squared Adjusted R-squared
0.031819 0.003305 -0.000332 -0.004666 -0.032440 0.057259 -0.118789 3.293254 0.491031 0.275305 -1.639416 0.750581 -6.219545 -0.036637 0.246883 0.010287 2.656799 -5.545211 5.262800 0.201186 0.387025 0.159569 0.316840 0.262906
Prob.
2.145298 1.466897 0.401877 -0.363252 1.151969 -2.457592 1.411511 0.825342 -1.284140 0.179286 0.572291 -1.779235 2.043749 0.696753 3.334272 0.281958 -2.405997 0.956807 -1.078825 0.442062 11.07582 1.153848
0.0330 0.1438 0.6882 0.7168 0.2506 0.0148 0.1595 0.4101 0.2005 0.8579 0.5677 0.0766 0.0422 0.4867 0.0010 0.7782 0.0170 0.3397 0.2819 0.6589 0.0000 0.2498
Mean dependent var S.D. dependent var
BELGIE ENERGIESECTOR 1982-2006 Variable Coefficient Std. Error C DUM2*TERM TERM DUM3*TERM DUM2*MP MP DUM3*MP DUM2*DEI DEI DUM3*DEI DUM2*UI UI DUM3*UI DUM2*OP OP DUM3*OP DUM2*OPV OPV DUM3*OPV DUM2*UM UM DUM3*UM
t-Statistic
0.009837 0.006402 0.004066 0.006650 0.072966 0.046896 0.077410 2.474346 1.471212 2.369903 2.929425 2.083363 3.083101 0.138541 0.111437 0.120366 2.690510 3.166241 3.074505 0.177534 0.121587 0.169024
0.015366 0.085325
t-Statistic
Prob.
3.234473 0.516332 -0.081622 -0.701663 -0.444587 1.220986 -1.534548 1.330960 0.333760 0.116167 -0.559637 0.360274 -2.017302 -0.264447 2.215452 0.085461 0.987471 -1.751355 1.711755 1.133221 3.183104 0.944061
0.0014 0.6061 0.9350 0.4835 0.6570 0.2232 0.1261 0.1843 0.7388 0.9076 0.5762 0.7189 0.0447 0.7916 0.0276 0.9320 0.3243 0.0810 0.0881 0.2581 0.0016 0.3460
Mean dependent var S.D. dependent var
0.017249 0.070602
