Interactie tussen bankrisico en landenrisico

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013

Interactie tussen bankrisico en landenrisico

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

Jonas Plouvier onder leiding van Prof. Dr. Rudi Vander Vennet

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013

Interactie tussen bankrisico en landenrisico

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

Jonas Plouvier onder leiding van Prof. Dr. Rudi Vander Vennet

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

II

Woord vooraf Een masterproef schrijven is een hele uitdaging. Zonder de steun en hulp van een aantal mensen zou het niet mogelijk geweest zijn voor mij om deze uitdaging tot een goed einde te brengen. Ik ben deze mensen dan ook heel erg dankbaar. Eerst en vooral wens ik mijn promotor professor Rudi Vander Vennet te bedanken. Hij gaf me de kans om een onderwerp te analyseren waarvoor ik een heel grote interesse heb. Daarnaast bedank ik ook Maria Gerhardt. Zij begeleidde me bij de uitvoering van het empirisch onderzoek. Verder ben ik ook mijn EW-studiegenoten dankbaar voor de vele tips en aanmoedigingen die ik van hen mocht ontvangen. Ten slotte gaat mijn speciale dank uit naar mijn ouders. Zij gaven me de kans om verder te studeren en steunden me jarenlang zodat ik mijn studies tot een goed einde kon brengen. Ze zorgden er ook voor dat alle randomstandigheden in orde waren zodat ik me volledig kon concentreren op het schrijven van mijn masterproef. Last but not least zou ik mijn zus willen bedanken. Zij heeft me tijdens mijn studies altijd volop gesteund. Tegen haar kon ik ook altijd mijn verhaal kwijt als ik met iets zat.

Jonas Plouvier

III

Inhoudsopgave Woord vooraf .............................................................................................................................................................. III Inhoudsopgave............................................................................................................................................................ IV Lijst van gebruikte afkortingen ................................................................................................................................... VI Lijst van figuren ......................................................................................................................................................... VII Lijst van tabellen ...................................................................................................................................................... VIII 1

Inleiding .............................................................................................................................................................. 1

2

Literatuurstudie .................................................................................................................................................. 3

3

2.1

Interactie tussen landen en banken: algemeen ............................................................................................ 3

2.2

Verschillende transmissiekanalen ................................................................................................................. 5

2.2.1

Reële economie-kanaal...................................................................................................................... 5

2.2.2

Onderpandkanaal .............................................................................................................................. 6

2.2.3

Garantiekanaal ................................................................................................................................... 8

2.2.4

Ratingkanaal .................................................................................................................................... 11

2.2.5

Activakanaal ..................................................................................................................................... 12

2.2.5.1

Algemeen .................................................................................................................................... 13

2.2.5.2

Home bias .................................................................................................................................... 14

Onderzoeksmethodologie ................................................................................................................................ 18 3.1

Inleiding ....................................................................................................................................................... 18

3.2

Algemeen ..................................................................................................................................................... 19

3.3

Regressies .................................................................................................................................................... 22

3.4

Afhankelijke variabelen ............................................................................................................................... 24

3.4.1

Bankreturn ....................................................................................................................................... 24

3.4.2

Totale volatiliteit .............................................................................................................................. 25

3.4.3

Marktbèta ........................................................................................................................................ 25

3.5

Verklarende variabelen ............................................................................................................................... 26

3.5.1

GIIPS en ΔGIIPS ................................................................................................................................ 26

3.5.2

Core en ΔCore .................................................................................................................................. 27

IV

4

5

3.5.3

Totale activa..................................................................................................................................... 28

3.5.4

Kapitaal ............................................................................................................................................ 28

Data .................................................................................................................................................................. 30 4.1

Dataset en evolutie bankaandelenindex ..................................................................................................... 30

4.2

Beschrijvende statistieken ........................................................................................................................... 33

4.3

Scatterplots en verwachtingen .................................................................................................................... 35

Resultaten ........................................................................................................................................................ 38 5.1

5.1.1

Resultaten voor Bankreturn ............................................................................................................ 39

5.1.2

Resultaten voor Totale Volatiliteit ................................................................................................... 44

5.1.3

Resultaten voor Marktbèta.............................................................................................................. 48

5.1.4

Algemene conclusies ....................................................................................................................... 49

5.1.5

Robustness checks ........................................................................................................................... 51

5.2

6

Beschrijving en interpretatie resultaten ...................................................................................................... 39

Veronderstellingen kleinste kwadraten-methode ....................................................................................... 51

5.2.1

Multicollineariteit ............................................................................................................................ 52

5.2.2

Homoscedasticiteit .......................................................................................................................... 53

5.2.3

Normale verdeling ........................................................................................................................... 54

5.2.4

Autocorrelatie .................................................................................................................................. 54

Conclusie .......................................................................................................................................................... 56

Literatuurlijst............................................................................................................................................................... IX Bijlagen...................................................................................................................................................................... XIII

V

Lijst van gebruikte afkortingen BBP

Bruto Binnenlands Product

BIS

Bank for International Settlements

CAPM

Capital Asset Pricing Model

CDS

Credit Default Swap

CEBS

Committee of European Banking Supervisors

CRD

Capital Requirements Directive

EBA

Europese Banken Autoriteit

ECB

Europese Centrale Bank

EFSF

European Financial Stability Facility

ESM

European Stability Mechanism

EU

Europese Unie

GIIPS

Acroniem voor de landengroep Griekenland, Italië, Ierland, Portugal en Spanje

IMF

Internationaal Monetair Fonds

KK

Kleinste Kwadraten

LTRO

Long-Term Refinancing Operations

OMT

Outright Monetary Transactions

VIF

Variance Inflation Factor

VI

Lijst van figuren Figuur 1: Mechanisme reële economie-kanaal .............................................................................. 6 Figuur 2: Overzicht van depositostromen in de eurozone sinds 2010 (tot juni 2012) ................ 10 Figuur 3: Home bias in de Europese financiële sector (december 2009) .................................... 15 Figuur 4: Overzicht van het aantal banken per land in het onderzoek........................................ 31 Figuur 5: Evolutie van de DJ Stoxx Europe 600 Banks van januari 2010 tot januari 2013 ........... 32 Figuur 6: Het gemiddelde van Bankreturn ................................................................................... 34 Figuur 7: Het gemiddelde van Totale volatiliteit .......................................................................... 34 Figuur 8: Gemiddelde ΔGIIPS in %-punt

................................................................................... 35

Figuur 9: Gemiddelde ΔCore in %-punt

............................................................................. 35

Figuur 10: Gemiddelde Kapitaal in % over de 4 perioden............................................................ 35 Figuur 11: Scatterplot Bankreturn en ΔGIIPS

.......................................................................... 36

Figuur 12: Scatterplot Bankreturn en ΔCore

..................................................................... 36

Figuur 13: Scatterplot Volatiliteit en ΔGIIPS .............................................................................. 37 Figuur 14: Scatterplot Volatiliteit en ΔCore ................................................................................. 37

VII

Lijst van tabellen Tabel 1: Beschrijvende statistieken voor alle variabelen uit de regressies voor de 4 perioden . 33 Tabel 2: Regressieresultaten Bankreturn tijdens periode 1 ........................................................ 39 Tabel 3: Regressieresultaten Bankreturn tijdens periode 2 ........................................................ 40 Tabel 4: Regressieresultaten Bankreturn tijdens periode 3 ........................................................ 42 Tabel 5: Regressieresultaten Bankreturn tijdens periode 4 ........................................................ 43 Tabel 6: Regressieresultaten Totale volatiliteit tijdens periode 1 ............................................... 44 Tabel 7: Regressieresultaten Totale volatiliteit tijdens periode 2 ............................................... 45 Tabel 8:Regressieresultaten Totale volatiliteit tijdens periode 3 ................................................ 46 Tabel 9: Regressieresultaten Totale volatiliteit tijdens periode 4 ............................................... 47 Tabel 10: Correlatiematrix tussen de verklarende variabelen voor periode 2 ............................ 52 Tabel 11: Adj R² van aanvullende regressies van elke verklarende variabele voor periode 2 .... 53

VIII

1 Inleiding De Europese schuldencrisis is de laatste jaren alomtegenwoordig. Sinds Griekenland eind 2009 moest toegeven dat het begrotingstekort voor dat jaar 12,7% bedroeg in plaats van 3,7%, zijn de markten zich gaan focussen op de financiële toestand van zwakke eurolanden. Dit zorgde ervoor dat de rentes op de staatsobligaties van Griekenland, Ierland en Portugal de hoogte ingingen. Later zagen ook Spanje en Italië hun rentes stijgen. Er moesten reddingspakketten in elkaar gestoken worden voor Griekenland, Ierland en Portugal omdat deze landen zich niet meer zelf konden financieren op de financiële markten. De Europese banken ontsnapten niet aan de eurocrisis. Vele banken hadden het moeilijk om zich te financieren. Vooral de banken uit de zogenaamde GIIPS-landen Griekenland, Ierland, Italië, Portugal en Spanje leden zwaar onder de eurocrisis. Dit is niet toevallig. Landen en banken waren tijdens de recente crisis meer met elkaar gecorreleerd dan voorheen (De Bruyckere, Gerhardt, Schepens, & Vander Vennet, 2012). In deze masterproef wordt onderzocht hoe onrust over de financiële toestand van landen een impact heeft op banken. We beperken ons dus tot de transmissiekanalen in de richting van landen naar banken. Er worden via een literatuurstudie vijf transmissiekanalen geanalyseerd: het reële economie-kanaal, het onderpandkanaal, het garantiekanaal, het ratingkanaal en het activakanaal. De verwevenheid tussen landen en banken is empirisch al op verschillende manieren onderzocht geweest. In de bestaande literatuur (Acharya, Drechsler, & Schnabl, 2011; Aizenman, Hutchison, & Jinjarak, 2011; Alter & Schuler, 2011; De Bruyckere et al., 2012) wordt hierbij vooral gebruik gemaakt van de Credit Default Swap (CDS) spreads. Deze spreads zijn indicatoren voor het kredietrisico van een instelling. Ons onderzoek zal echter gebruik maken van de returns van bankaandelen om via cross-sectionele regressies de link tussen landen en banken te analyseren. Het empirisch onderzoek in deze masterproef focust zich op het activakanaal. Voor dit kanaal is er immers dankzij de bekendmaking van de stresstesten door de Europese Banken Autoriteit (EBA) heel wat informatie vrijgegeven die vroeger niet beschikbaar was. Aangezien 1

er tot hiertoe op vier momenten resultaten van stresstesten bekend gemaakt werden, schatten we de regressies voor deze vier perioden. Omdat de EBA enkel stresstesten uitvoerde voor Europa, is ons onderzoek geografisch beperkt tot de Europese banken. Het doel van de empirische studie is na ta gaan wat de invloed is van de wijziging in blootstelling aan staatsobligaties uit specifieke landengroepen van de eurozone op de returns van bankaandelen. We verifiëren ook wat het effect hiervan is op de totale volatiliteit en de marktbèta van de bankreturns. Zo wensen we te weten te komen of het activakanaal een belangrijke rol speelt in de ‘besmetting’ van banken door landen. Het is belangrijk om aan te geven dat de verklarende variabele de wijziging in blootstelling aan obligaties is, en niet de blootstelling op zich. Er wordt geopteerd voor de wijziging in blootstelling omdat we vermoeden dat de financiële markten, naast de belangstelling voor de blootstelling op zich, ook belangstelling hebben in de evolutie van de blootstelling. De twee landengroepen die onderscheiden worden, zijn de GIIPS-landen en de Corelanden. Deze laatste groep bestaat uit de landen Duitsland, Nederland, Oostenrijk en Finland. We deelden de landen op deze manier in om een onderscheid te maken tussen zogenaamde perifere landen en veilige landen. Daarnaast gaan we na of de resultaten verschillend zijn voor de tijdspanne vóór de bekenmaking van de stresstesten en de tijdspanne erna. Het laatste onderdeel van het onderzoek gaat in op de hypothese dat banken die een grote blootstelling hebben aan GIIPSobligaties anders gaan reageren op een toename in blootstelling dan banken die weinig GIIPSobligaties bezitten. Het vervolg van deze masterproef is als volgt ingedeeld. Hoofdstuk twee biedt een overzicht van de bestaande literatuur omtrent de transmissiekanalen van landen naar banken. Hoofdstuk drie beschrijft de onderzoeksmethodologie van de empirische studie. In hoofdstuk vier worden de data geanalyseerd. Vervolgens toont hoofdstuk vijf de resultaten van het eigen empirisch onderzoek. Het zesde en laatste hoofdstuk bevat de conclusies van deze masterproef.

2

2 Literatuurstudie 2.1 Interactie tussen landen en banken: algemeen De Bruyckere, Gerhardt, Schepens en Vander Vennet (2012) bewijzen dat tijdens de recente crisis, landen en banken meer met elkaar gecorreleerd waren dan voorheen. Er is een grotere interactie wanneer landen meer schulden hebben t.o.v. hun Bruto Binnenlands Product (BBP) en wanneer banken kleinere kapitaalbuffers hebben. Hierbij aansluitend tonen Demirgüc-Kunt en Huizinga (2010) dat in ontwikkelde landen de marktwaarde van banken negatief samenhangt met overheidsschulden en tekorten. Acharya et al. (2011) vinden bewijs voor wederzijdse terugkoppeling tussen kredietrisico van overheden en de financiële sector. Nadat banken door overheden gered worden, stijgen de CDS spreads van overheden en dalen de spreads van banken. Op de lange termijn zijn ze echter sterker gecorreleerd. De gestegen CDS spreads van overheden hebben nadien op hun beurt een negatieve invloed op de CDS spreads van banken (Alter & Schuler, 2011). De grootte van besmetting is volgens Borensztein en Panizza (2009) niet gelijk. De kans op een crisis in de bankensector na een overheidsfaillissement is groter dan de kans dat overheden falen na een bankencrisis. De focus in deze masterproef ligt echter, zoals reeds aangehaald, specifiek op de transmissiekanalen in de richting van landen naar banken. In deze richting verloopt de overdracht van risico op verschillende manieren. Landenrisico kan bijvoorbeeld overgaan op banken in andere landen doordat banken overheidsobligaties van dat land op hun balansen hebben staan. De overdracht kan ook indirect plaatsvinden. Het risico kan zich interbancair verplaatsen doordat besmette banken van dat land interageren met banken in het buitenland. Daarnaast is de risico-overdracht ook rechtstreeks tussen landen mogelijk. Overheden in het buitenland raken dan besmet door de problemen in het eerste land waardoor ook de banken in het buitenland in moeilijkheden raken (BIS, 2011). Een illustratie hiervan is de Europese schuldencrisis. Banken in Spanje ondervinden bijvoorbeeld moeilijkheden omdat Spanje besmet is geraakt door de problemen in Griekenland. Ook het Internationaal Monetair Fonds

3

(IMF) (2010) stelt dat het risico van overheden naar banken zich op een dergelijke manier kan verspreiden. Angeloni en Wolff (2012) hebben de returns van enkele grote Europese banken in 2011 bestudeerd om de interactie tussen landen en banken na te gaan. Het is vooral de locatie van de individuele banken die belangrijk is voor hun marktwaarde, eerder dan de overheidsobligaties op hun balansen. Volgens hen is de sterke link tussen landenrisico en bankrisico in de eerste plaats te wijten aan de cruciale rol die overheden spelen om de economie en het financiële systeem goed te laten werken. Dit betekent dat banken die in hetzelfde land gevestigd zijn, maar andere blootstellingen hebben aan staatsobligaties even slecht gepresteerd hebben in 2011. Het IMF (2011) betoogt eveneens dat spillover effecten van overheden naar banken groter zijn voor banken die gevestigd zijn in landen die als risicovoller aanzien worden. Tijdens de recente crisis is het opmerkelijk dat deze transmissiekanalen sterker aanwezig zijn bij de eurolanden dan bij bijvoorbeeld landen zoals de Verenigde Staten, Groot-Brittannië en Japan. Nochtans hebben deze landen ook vaak hoge schulden. Het verschil is dat deze landen één budgettaire overheid hebben en één instantie (de centrale bank) die instaat voor de uitgifte van geld. Deze landen hebben dus, in tegenstelling tot de eurozone landen, controle over hun eigen munt. Als het echt nodig is kunnen de centrale banken ongelimiteerd geld drukken. De eurozone heeft daarentegen verschillende lidstaten die elk eigen tekorten hebben en eigen schulden uitgeven. Toch heeft de eurozone slechts één monetaire instantie (de Europese Centrale Bank (ECB)) die instaat voor het drukken van de euro. Daarenboven is de ECB zodanig geconstrueerd dat monetaire financiering1 niet mogelijk is. Landen van de eurozone zijn hierdoor volledig afhankelijk van de financiële markten om hun tekorten te financieren. Als hun geloofwaardigheid om hun schulden terug te betalen afneemt, komen ze in de problemen (Peersman & Schoors, 2012). BIS (Bank for International Settlements) (2011) onderscheidt vier transmissiekanalen waarbij een daling in de kredietwaardigheid van een land gevolgen kan hebben voor het banksysteem. Het gaat om het onderpandkanaal, het garantiekanaal, het ratingkanaal en het 1

Monetaire financiering betekent dat lidstaten zich voor hun schulden rechtstreeks bij hun centrale bank (in dit geval de ECB) laten financieren.

4

activakanaal. Er wordt in de volgende paragrafen echter eerst een ander kanaal besproken: het reële economie-kanaal. Het spreekt voor zich dat deze kanalen onderling gerelateerd zijn en elkaar vaak versterken.

2.2 Verschillende transmissiekanalen 2.2.1 Reële economie-kanaal Vaak wordt voor de spillover effecten in de richting van banken naar overheden verwezen naar het reële economie-kanaal. Hierbij zorgt een bankencrisis ervoor dat de groei vertraagt omdat banken minder leningen verstrekken. De vertraagde groei doet de belastinginkomsten van de overheid dalen waardoor (grotere) tekorten opgestapeld worden. De schuld t.o.v. het BBP stijgt en de kredietwaardigheid van het land wordt aangetast. In de omgekeerde richting (dus van overheden naar banken) is dit kanaal evenzeer van toepassing. Als overheden het vertrouwen van de financiële markten verliezen, zijn ze vaak verplicht

om

grote

structurele

besparingsmaatregelen

door

te

voeren

om

hun

geloofwaardigheid terug te winnen. Hoewel deze structurele maartregelen op lange termijn een positieve invloed hebben, kunnen ze op korte termijn leiden tot een lagere totale vraag en lagere economische activiteit. Dit zorgt ervoor dat er meer verliezen worden geleden op uitstaande leningen waardoor voor de banken het kredietrisico verhoogt en de winstgevendheid daalt (Avdjiev & Caruana, 2012). In figuur 1 wordt dit schematisch weergegeven. Correa, Lee, Sapriza en Suarez (2012) stellen dat een ratingverlaging voor een land typisch de kosten van de uitgifte van schuld verhoogt. De overheid wordt zo gedwongen om meer belastingen te heffen of om publieke goederen te schrappen. Deze acties zorgen ervoor dat investeringen en consumptie dalen, wat de vraag naar leningen en uiteindelijk de winstgevendheid van banken doet slinken. De BIS (2011) geeft aan dat fiscale maatregelen er voor zouden kunnen zorgen dat er een recessie ontstaat, die alle economisch sectoren van een land negatief kan beïnvloeden.

5

Figuur 1: Mechanisme reële economie-kanaal

Landen en overheden in de problemen

Besparingsmaatregelen verzwakken economie

Dalende totale vraag en dalende economische activiteit

Zwakke economie en dalende activaprijzen beschadigen balansen van banken

Banken in problemen

Bron: Eigen werk

Het reële economie-kanaal wordt versterkt doordat saneringsoperaties vaak tot effect hebben dat de overheid in plaats van meer belastinginkomsten minder belastinginkomsten ontvangt. Door de extra belastingen dalen het gezinsvermogen en het vertrouwen met als gevolg dat consumptie en investeringen afnemen en de belastinginkomsten verminderen (Bolton & Jeanne, 2011).

2.2.2 Onderpandkanaal Het onderpandkanaal is een tweede kanaal waarlangs besmetting van banken door overheden plaatsgrijpt. Overheidsobligaties worden zeer vaak gebruikt door banken om zich te financieren. Ze worden gebruikt als onderpand voor financiering via centrale banken, in private repomarkten en in covered bond markten. Hoger overheidsrisico kan de geschiktheid van overheidsschuld als onderpand verminderen, waardoor de financieringscapaciteit van banken gereduceerd wordt. Dat houdt in dat banken nu voor evenveel overheidsobligaties als voorheen, minder geld in ruil krijgen. Bovendien dienen haircuts op staatsobligaties als norm voor andere waardepapieren wat de financiering voor banken verder doet dalen (BIS, 2011).

6

Ook andere auteurs (Correa et al., 2012; De Bruyckere et al., 2012) erkennen dat dit kanaal een belangrijke rol speelt. Om het tekort aan financiering door de dalende waarde van overheidsobligaties als onderpand

te

verlichten,

kunnen

centrale

banken

overwegen

om

flexibelere

financieringsprogramma’s in te voeren. Deze programma’s kunnen bijvoorbeeld minder strenge voorwaarden aan het onderpand opleggen. Dit houdt echter ook risico’s in. Het kredietrisico van het onderpand wordt immers verschoven van de banken naar de centrale bank en er kan moral hazard2 opduiken (BIS, 2011). Ook Peersman en Schoors (2012) geven aan dat het onderpand op de balans van de ECB een zeer grote bedreiging vormt voor de Europese belastingbetaler. Als landen failliet gaan en het onderpand hierdoor niets meer waard is, zijn het de individuele eurolanden die als aandeelhouders van de ECB hiervoor opdraaien. Tijdens de eurocrisis werden er door de ECB verschillende maatregelen genomen om er voor te zorgen dat banken genoeg financiering konden bekomen. Zo paste de ECB de regels aan voor aanvaarding van het onderpand. Ze schorste de regel die stelt dat overheidsobligaties een bepaalde minimale rating moeten hebben voor landen die financiële steun gekregen hebben van de troika3. Concreet gaat het om Griekenland, Ierland en Portugal (BIS, 2011). Hierbij valt op te merken dat dit de home bias bij de banken aanzienlijk versterkt. Home bias is neiging van banken om veel staatsobligaties aan te houden van het thuisland (infra, p.14). Een tweede maatregel die de ECB nam om de financiering van banken te vergemakkelijken, is Long Term Refinancing Operations (LTRO). In december 2011 en februari 2012 verstrekte de ECB voor een totaalbedrag van ongeveer één biljoen euro leningen aan meer dan vijfhonderd Europese banken. LTRO moest er ook voor zorgen dat banken opnieuw leningen gaven aan de reële economie en dat ze overheidsschuld van zwakke eurolanden kochten omdat de rentes voor deze landen waren gestegen. Een laatste maatregel die al van kracht is, maar waar tot op heden nog geen gebruik van werd gemaakt, is de invoering van het Outright Monetary Transactions-programma (OMT). De 2

Moral hazard ontstaat wanneer banken meer overheidsobligaties van probleemlanden kopen en dus meer risico aangaan dan in het optimale geval, omdat ze weten dat ze in nood gered zullen worden door de centrale bank. 3 De troika bestaat uit toezichthouders van de Europese Commissie, het IMF en de ECB.

7

ECB zal, op voorwaarde dat landen hulp vragen aan het European Stability Mechanism (ESM)4, ongelimiteerd korte termijn obligaties (één tot drie jaar) opkopen op de secundaire markt. OMT is belangrijk voor het onderpandkanaal omdat de minimumrating-voorwaarde opgeschort wordt voor landen die toetreden tot dit programma (IMF, 2012).

2.2.3 Garantiekanaal Het garantiekanaal houdt in dat een zwakkere overheid ervoor zorgt dat banken voor hun financiering minder voordeel kunnen halen uit impliciete en expliciete overheidsgaranties (Acharya et al., 2011; Angeloni & Wolff, 2012; BIS, 2011; De Bruyckere et al., 2012) Klassiek kunnen grote systeembanken rekenen op een impliciete overheidsgarantie met als gevolg dat hun financieringskosten dalen. Na het faillissement van Lehman Brothers hebben veel landen ook expliciete garanties verleend aan hun banken (BIS, 2011). Brown en Dinç (2011) bewijzen dat de financiële situatie van een land daadwerkelijk belangrijk is bij de behandeling van banken die in problemen verkeren. Acharya en Rajan (2011), Bolton en Jeanne (2011) en Broner, Martin en Ventura (2010) geven aan dat hoe meer overheden en de financiële sector in een land met elkaar verwikkeld zijn, hoe kostelijker een overheidsfaillissement wordt. De collateral damage in de vorm van bank runs en ontwrichting van de interbank – en repomarkten wordt dan namelijk groter. Meer specifiek komt het garantiekanaal tussen overheden en banken op drie manieren tot uiting. Ten eerste via de mogelijkheid dat overheden banken redden als ze dreigen failliet te gaan (bailout). Ten tweede via de garanties die overheden geven op obligaties die banken zelf uitgeven. Ten slotte via de depositogaranties van overheden. Overheden zijn over het algemeen sterk geneigd om banken te redden als ze zwaar in de problemen komen. Zeker bij zogenaamde too big to fail of systeembanken, is bij een faillissement het risico op een ineenstorting van de volledige financiële sector groot. Bijgevolg spelen overheden vaak op zekerheid en beslissen ze om de bank te vrijwaren. Grote banken weten dit ook en zijn door deze impliciete garantie geneigd om overdreven risico’s te nemen

4

Het ESM is het permanent Europees noodfonds, om eurolanden in de problemen te helpen. Het ESM kan leningen geven aan landen in moeilijkheden. Het kan ook banken herkapitaliseren. De hulp uit dit fonds is altijd gebonden aan voorwaarden. Het ESM is de opvolger van de European Financial Stability Facility (EFSF).

8

(Gropp, Gruendl, & Guettler, 2010). Echter, als een overheid zelf in een financieel zwakkere positie terecht komt, is deze impliciete garantie om banken te redden minder geloofwaardig. Dit zorgt ervoor dat het kredietrisico van de banken stijgt (Avdjiev & Caruana, 2012). Dit wordt onder meer aangetoond door Demirguc-Kunt en Huizinga (2010). Zij stelden vast dat er in 2008 een daling optrad in de marktwaarde van systeembanken in landen die een groot overheidstekort hadden. Om de impliciete garantie van bailouts en dus het garantiekanaal voor een stuk te verkleinen, zijn er een aantal maatregelen mogelijk. Zo kan de grootte van een bank beperkt worden zodat ze niet meer too big to fail wordt. Een andere optie is om per bank een afwikkelingsprocedure klaar te hebben als er problemen zouden opduiken zodat de overheid niet meer moet tussenkomen. Als overheden toch optreden, kunnen de lasten voor de belastingbetaler ernstig verminderd worden door eerst aandeelhouders en obligatiehouders van de bank aan te spreken (BIS, 2011). Banken maken ook expliciet gebruik van het garantiekanaal van overheden. Tussen oktober 2008 en mei 2010 zijn er door banken bijna 1400 obligaties uitgegeven die door de overheid gegarandeerd werden. Ze hadden een totale waarde van meer dan één biljoen euro (Levy & Schich, 2010). Daardoor is het niet verbazingwekkend dat sinds eind 2009 de financieringsvoorwaarden voor banken sterker gerelateerd zijn met deze van hun overheden. Levy en Zaghini (2010) tonen aan dat spreads op bankobligaties die door de overheid gegarandeerd worden vooral het kredietrisico van de overheid weerspiegelt, en niet dat van de bank die de obligatie uitgeeft. Dit wordt bevestigd door het onderzoek van BIS (2011). Men vindt dat 30% van de spreads verklaard wordt door de overheid. Dit loopt op tot 50% in landen waar de financiële problemen het meest ernstig zijn. De vaststelling dat overheden een belangrijke rol spelen bij de uitgifte van overheidsobligaties die door de overheid gegarandeerd worden, heeft een aantal implicaties. Zwakke banken met een sterke overheid worden bevoordeeld t.o.v. sterke banken met een zwakke overheid. Sinds de Europese schuldencrisis in 2010 is dit verschijnsel nog sterker naar voor getreden. Het zorgt ervoor dat er meer risico’s genomen worden en het verstoort de competitie onder banken (Levy & Schich, 2010).

9

Banken maken ook op een andere manier expliciet gebruik van de garanties door overheden. In vele landen geldt een overheidsgarantie op bankdeposito’s. De eurocrisis illustreert dat deze vorm van garantie een groot aandeel heeft in de transmissie van overheidsrisico naar bankenrisico. In de GIIPS-landen Griekenland, Ierland, Italië, Portugal en Spanje vertrouwt een deel van de bevolking er niet langer op dat de overheid haar verbintenis nakomt om deposito’s uit te betalen als een bank failliet gaat. Daarom gaan veel spaarders uit deze landen met hun spaargeld naar banken met een nationaliteit waarvan ze de depositogarantie van de overheid wel nog vertrouwen (Peersman & Schoors, 2012). Het gaat dan vooral om banken uit Duitsland, Nederland, Oostenrijk en Finland. Dit wordt verduidelijkt in figuur 2 waar een overzicht wordt gegeven van depositostromen in de eurozone sinds 2010. Figuur 2: Overzicht van depositostromen in de eurozone sinds 2010 (tot juni 2012)

Bron: Global Financial Stability Report van het IMF (oktober 2012) De gegevens zijn uitgedrukt in miljarden euro en tonen de cumulatieve verandering sinds december 2010. De lichte kleuren zijn telkens de klantendeposito’s. De donkere kleuren zijn telkens de interbankdeposito’s. De (licht)groene kleur stelt de landen Duitsland, Nederland, Oostenrijk en Finland voor. De (licht)blauwe kleur stelt de landen Cyprus, Griekenland, Ierland, Italië, Portugal en Spanje voor. De (licht)roze kleur stelt de landen België en Frankrijk voor.

Op figuur 2 is duidelijk vast te stellen dat er sinds juli 2011 in de eurozone een kapitaalvlucht aan de gang is vanuit de periferielanden naar de corelanden Duitsland,

10

Nederland, Oostenrijk en Finland. Dit heeft als gevolg dat banken uit de GIIPS-landen op een andere manier aan financiering moeten raken. Hiervoor hebben ze beroep gedaan op de ECB. We kunnen concluderen dat het garantiekanaal duidelijk aangeeft dat het land waar een bank actief is heel belangrijk is in de transmissie van landenrisico naar bankenrisico.

2.2.4 Ratingkanaal Een vierde transmissiekanaal tussen landen en banken is de link tussen landenratings en de ratings van banken uit dat land. Landenratings en bankenratings staan in nauwe wisselwerking met elkaar omdat een verlaging van de rating van een land onder meer aangeeft dat het land minder steun zal kunnen bieden aan de financiële sector uit dat land. Daarbovenop komt nog dat in het algemeen een ratingverlaging van een land tot gevolg heeft dat ook de banken van dat land een lagere rating krijgen. Het gevolg hiervan is dat banken zich moeilijker kunnen financieren (BIS, 2011; De Bruyckere et al., 2012). Het ratingkanaal heeft dus twee aspecten. Enerzijds hebben ratingverlagingen van landen rechtstreeks negatieve gevolgen voor banken via het eerder besproken garantiekanaal en onderpandkanaal. Anderzijds zorgt de sterke verbondenheid tussen een overheid en banken ervoor dat ratingverlagingen van een overheid vaak leiden tot ratingverlagingen van banken. Het komt erop neer dat de rating van een overheid doorgaans een plafond vormt voor de ratings van banken uit dat land (BIS, 2011). Arezki, Candelon en Sy (2011) onderzochten het ratingkanaal empirisch en vinden dat ratingverlagingen van landen statistisch en economisch significante spillover effecten teweeg brengen bij andere landen en financiële markten. Ze bewijzen dat verlagingen van ratings tot bijna speculatief niveau van landen zoals Griekenland belangrijke feedbackeffecten hebben voor andere eurolanden. Er wordt ook getoond dat bankaandelen in Europa tijdens de periode 2007-2010 beïnvloed werden door nieuws over ratings van landen. Correa et al. (2012) gebruiken een grotere steekproef van landen en een langere tijdsperiode (1995 tot 2011) en stellen dat als een rating van een land verlaagd wordt, dit significante gevolgen heeft voor de financieringskosten van banken. Hun tweede bevinding is gelinkt met het garantiekanaal. Ratingverlagingen van overheden hebben een zeer negatieve 11

invloed op de bankaandelen van banken waarvan men verwacht ze veel steun van hun overheid nodig zullen hebben in de toekomst. Een derde bevinding heeft betrekking op het activakanaal (infra, p.12). Een slechte beursprestatie van banken na een ratingverlaging van hun overheid kan niet verklaard worden door de hoeveelheid overheidsobligaties die de banken op hun balans staan hebben. Avdjiev en Caruana (2012) vermelden nog een andere negatieve consequentie voor banken die met een ratingverlaging van hun overheid gepaard kan gaan. Banken moeten met overheden concurreren om geld op te halen bij investeerders. Wanneer landen een ratingverlaging krijgen, kunnen overheidsobligaties voor sommige investeerders interessanter worden dan bankobligaties. Door het verliezen van hun risicoloze status vormen staatsobligaties immers een mogelijk alternatief in een gespreide beleggingsportefeuille. Het gevolg voor banken is dat ze zich nog moeilijker kunnen financieren. Een ratingverlaging van een land komt in de media vaak uitvoering aan bod. Toch rijst de vraag of de ontwikkelingen die tot een ratingverlaging leiden, niet al eerder via andere kanalen door de banken gevoeld worden. Hiermee verband houdend tonen Hull, Predescu en White (2004) dat een verhoging in het kredietrisico van banken de aankondigingen van de ratingverlagingen vooraf gaat. Om de feedback van landen naar banken via het ratingkanaal te verminderen, kunnen er enkele beleidsmaatregelen genomen worden. Ten eerste moeten overheden preventief optreden als een ander land een ratingverlaging krijgt door helder te communiceren wat hun zwaktes zijn en hoe ze die in de toekomst gaan oplossen. Ten tweede moeten beleidsmakers voorbereid zijn op mogelijke instabiliteit in de bankensector. Ze kunnen dit bereiken door vooraf al een plan klaar te hebben dat direct kan gebruikt worden als er onrust heerst op de financiële markten. Ten derde is het misschien niet onverstandig om de regelgeving rond het gebruik van kredietratings te herbekijken met als doel de financiële stabiliteit zoveel als mogelijk te garanderen (Arezki et al., 2011).

2.2.5 Activakanaal Het laatste transmissiekanaal dat in deze masterproef aan bod komt, is het activakanaal. Het activakanaal houdt in dat onrust over de financiële toestand van landen overslaat op 12

banken doordat banken obligaties van deze landen op hun balans staan hebben. Eerst wordt dit kanaal algemeen besproken waarna er dieper wordt ingegaan op het probleem van home bias.

2.2.5.1

Algemeen

Acharya et al. (2011), BIS (2011) en De Bruyckere et al. (2012) onderzochten het activakanaal door gebruik te maken van CDS spreads van banken en landen. Hun onderzoek toont aan dat het activakanaal een belangrijke rol speelt in de verklaring van het kredietrisico van banken. Wanneer een land in de problemen komt, heeft dit gevolgen voor de staatsobligaties die ze in het verleden uitgegeven hebben. Ze worden minder waard, waardoor de balansen van banken met staatsobligaties van probleemlanden verzwakken. Dit verhoogt hun risico van deze banken met als gevolg dat ze zich minder makkelijk kunnen financieren. Petrella en Resti (2012) voeren een eventstudie uit met behulp van bankaandelen. Uit hun resultaten blijkt dat informatie over het aantal staatsobligaties dat banken in portefeuille hebben, enkel relevant is voor de koers van de aandelen in een univariate analyse. In een multivariate setting is de impact van het aantal overheidsobligaties niet statistisch significant. Voor het jaar 2011 bestuderen Angeloni en Wolff (2012) de invloed van staatsobligaties op de prestaties van bankaandelen. Dit gebeurt via een regressieanalyse. In tegenstelling tot Acharya et al. (2011), BIS (2011), De Bruyckere et al. (2012) en Petrella en Resti (2012) vinden ze minder bewijs voor het bestaan van het activakanaal. De staatsobligaties die banken bezitten, bieden slechts een matige verklaring voor de koers van de bankaandelen. Tijdens de eurocrisis is duidelijk geworden dat banken veel overheidsobligaties op hun balansen staan hebben. Er bestaan verschillende redenen waarom banken veel staatsobligaties aanhouden. Volgens Popov en Van Horen (2013) is één van de hoofdredenen de Capital Requirements Directive (CRD). Deze Europese richtlijn vertaalt de Basel akkoorden in Europese wetgeving. Onder de huidige Basel II regelgeving5 moeten banken geen kapitaal zetten tegenover binnenlandse en buitenlandse staatsobligaties op voorwaarde dat het land minimum een AA rating heeft. Voor overheidsobligaties van landen met een lagere rating

5

Basel III treedt pas ten volle in werking vanaf 2019.

13

moeten ze wel kapitaal aanhouden (20% voor A-landen, 50% voor BBB-landen en 100% voor BB ten B-landen) (BIS, 2011). Tot eind 2009 hadden bijna alle eurolanden minimum een A-rating. Hierdoor was het voor banken interessant om veel staatsobligaties te kopen aangezien ze hiertegenover niet veel kapitaal moesten zetten. Daarenboven wordt volgens de CRD, overheidsschuld die is uitgegeven in binnenlandse munt, niet onderworpen aan de 25% limietregel. Deze regel stelt dat een bepaald soort activa maximum 25% van de totale activa van een bank mag uitmaken. Voor banken in de eurozone betekent dit dat er geen beperking geldt voor de opname van staatsobligaties uit andere eurolanden (Popov & Van Horen, 2013). Het gevolg hiervan was dat banken bij de start van de eurocrisis t.o.v. hun kapitaal een groot percentage staatsobligaties uit eurozonelanden in hun bezit hadden. Een tweede reden voor de aantrekkelijkheid van staatsobligaties heeft te maken met het onderpandkanaal. Zoals eerder vermeld, doen staatsobligaties vaak dienst als onderpand voor het verkrijgen van liquiditeit via de interbankenmarkt of via de centrale bank (Bolton & Jeanne, 2011). Een derde mogelijke reden ten slotte is de carry trade-hypothese. Hierbij zouden enkele Europese banken in de loop van 2010 overheidsobligaties uit de GIIPS-landen bijgekocht hebben omdat ze dachten dat de waarde van die obligaties snel opnieuw zou gaan stijgen. Zo hoopten ze snel winst te maken. Dit bleek achteraf een verkeerde gok aangezien de GIIPSobligaties bleven dalen in waarde en de banken dus verliezen leden op deze transacties (Acharya & Steffen, 2013).

2.2.5.2

Home bias

Een specifiek onderdeel en probleem bij het activakanaal is home bias. Home bias is de neiging van banken om veel overheidsobligaties op te bouwen van het land waarin ze gevestigd zijn. In de literatuur (Acharya et al., 2011; Acharya & Rajan, 2011; BIS, 2011; Gennaioli, Martin, & Rossi, 2013) geeft men aan dat er in vele landen sprake is van home bias. Figuur 3 toont de home bias voor de Europese banksector. We stellen vast dat de landen Polen en Hongarije de grootste home bias hebben. Dit is niet onlogisch aangezien deze landen

14

niet de euro als munteenheid hebben. Ze kunnen dus niet zoals banken uit de eurozone onbeperkt obligaties van andere eurolanden kopen (supra, p.14). Als we enkel de eurolanden vergelijken, zien we dat het vooral de GIIPS-landen zijn die een grote home bias hebben. Acharya en Rajan (2011) wijzen erop dat dit waarschijnlijk niet toevallig is omdat deze landen ook het grootste risico op een wanbetaling hebben. Andere mogelijke verklaringen worden verderop gegeven (infra, p.16). Figuur 3: Home bias in de Europese financiële sector (december 2009)

Bron: Acharya en Rajan (2011) De data zijn afkomstig van de eerste stresstest van EBA in juli 2010. Ze gebruikten hiervoor de staatsobligaties op de balansen van de banken op 31 december 2009. De staven geven per nationale banksector het gemiddelde aan van het aantal overheidsobligaties uit het eigen land t.o.v. het totaal aantal overheidsobligaties op de balansen van de banken.

Merler en Pisani-Ferry (2012) bevestigen dat het vooral de banken uit de perifere landen zijn die veel overheidsobligaties uit het eigen land hebben. Ze geven aan dat dit al zo was vóór de uitbraak van de wereldwijde crisis in 2007. Verontrustender is het feit dat de home bias in deze landen nog aanzienlijk versterkt is gedurende de financiële – en schuldencrisis. Ook als we het aantal staatsobligaties uit het eigen land als percentage van het Tier 1kapitaal van banken uitdrukken, stellen we vast dat het vooral de GIIPS-landen zijn die de

15

grootste home bias hebben. De percentages bedragen respectievelijk 226%, 157%, 113%, 69% en 26% voor Griekenland, Italië, Spanje, Portugal en Ierland (Blundell-Wignall & Slovik, 2010). De Bruyckere et al. (2012) onderzochten of de home bias er voor zorgt dat de spillover effecten tussen het thuisland en een bank groter zijn. Het antwoord hierop is bevestigend. Banken die over meer overheidsobligaties uit hun thuisland beschikken, hebben meer kans op besmetting als het land in de problemen raakt. Hierbij aansluitend vermelden Merler en PisaniFerry (2012) dat meer obligaties uit het eigen land de negatieve feedbackeffecten op een bank versterken. Vooral wanneer de onrust over de solvabiliteit van het land toeneemt, nemen deze negatieve effecten toe. Anderzijds merken de auteurs op dat er ook een positief effect met home bias gepaard gaat: het zorgt er namelijk voor dat banken minder obligaties uit andere eurolanden bezitten, waardoor onrust in één euroland minder snel leidt tot financiële instabiliteit in de andere eurolanden. Er kunnen een aantal verklaringen worden opgesomd waarom de home bias bij de GIIPSlanden groter is dan bij andere eurolanden. Vooreerst zijn buitenlandse investeerders minder geneigd om obligaties van de GIIPS-landen te kopen. Binnenlandse banken moeten dit dan gaan compenseren als een soort van lender of last resort omdat GIIPS-landen anders hun overheidsobligaties niet kwijt raken (Acharya & Rajan, 2011; IMF, 2012; Merler & Pisani-Ferry, 2012). De vaststelling van BIS (2011) dat de home bias groter is in landen met een grotere overheidsschuld sluit hierbij aan. Immers, hoe groter de schuld, hoe meer obligaties een land moet uitgeven. Een grotere schuld zorgt er echter ook voor dat de kredietwaardigheid van een land daalt wat buitenlandse investeerders afschrikt. Een tweede verklaring die kan gegeven worden is de morele overredingskracht-hypothese. Deze hypothese stelt dat overheden expliciet aan banken zouden vragen om hun obligaties op te kopen in een poging om de rente hierop te verlagen. Een derde verklaring heeft te maken met het uiteen vallen van de eurozone. Als dit zou gebeuren, wensen banken zoveel mogelijk staatsobligaties van het eigen land te hebben omdat obligaties van andere landen dan in een andere munt zullen uitgedrukt worden (Acharya & Steffen, 2013). GIIPS-banken zijn hier gevoeliger voor dan andere banken uit de eurozone. De oorzaak hiervan is dat de nieuwe munten in de GIIPS-landen naar alle waarschijnlijkheid minder waard zullen zijn dan de munten van de andere ex-eurolanden. 16

Een laatste verklaring is dat banken veroordeeld zijn om obligaties van hun thuisland op te kopen als ze hun eigen overlevingskansen niet willen hypothekeren. Het garantiekanaal speelt hierbij een doorslaggevende rol. Als banken van een land in de problemen plots zouden beslissen om geen binnenlandse staatsobligaties meer te kopen, zal de overheid zich waarschijnlijk niet meer kunnen financieren. Een faillissement van het land is dan niet langer uit te sluiten. Als het zover komt, kunnen geen overheidsgaranties meer verleend worden aan de banken, met als gevolg dat zij op hun beurt veel kans maken om failliet te gaan (Diamond & Rajan, 2011). Deze verklaringen geven aan dat de verbondenheid tussen overheden en banken niet zo makkelijk te doorbreken is. Op de lange termijn rijst de vraag hoe toezichthouders ervoor kunnen zorgen dat banken minder incentives hebben om zo’n grote hoeveelheid staatsobligaties op te nemen. Samenvattend blijkt uit de literatuur dat het activakanaal en vooral de home bias een belangrijke rol spelen bij de interactie tussen landenrisico en bankrisico. Vanuit het literatuuronderzoek kunnen we concluderen dat er vijf transmissiekanalen van belang zijn bij de spillover effecten van landen naar banken. Landenrisico leidt tot moeilijkheden in de banksector via het reële economie-kanaal, het onderpandkanaal, het garantiekanaal, het ratingkanaal en het activakanaal. Vooral de invloed die uitgaat van het land waar de bank gevestigd is, is doorslaggevend bij de overdracht van het risico. In het vervolg van deze masterproef focussen we ons op het activakanaal.

17

3 Onderzoeksmethodologie 3.1 Inleiding Nadat in het vorig hoofdstuk de transmissiekanalen van overheden naar banken via een literatuurstudie werden onderzocht, voeren we in dit hoofdstuk zelf een empirisch onderzoek uit. Hierbij wordt vooral gefocust op het activakanaal omdat voor dit kanaal, dankzij de bekendmaking van de stresstesten (infra, p.19), heel wat informatie vrijgegeven is die vroeger niet beschikbaar was. De studie wordt uitgevoerd door middel van een regressieanalyse. Doelstelling van de studie is na te gaan wat het effect is van de wijziging in blootstelling aan overheidsobligaties uit bepaalde landengroepen van de eurozone op de returns van bankaandelen. Ook het effect hiervan op de totale volatiliteit van de bankreturns en de marktbèta van de bankreturns komt aan bod. Zo proberen we empirisch te achterhalen of het activakanaal een belangrijke rol speelt in de link tussen overheden en banken. Het is belangrijk om te vermelden dat de verklarende variabele de wijziging in blootstelling aan staatsobligaties is, en niet de blootstelling op zich. We kiezen voor de wijziging als verklarende variabele omdat het niet ondenkbaar is dat financiële markten naast de blootstelling op zich, ook interesse hebben in de evolutie van de blootstelling. Naar mijn weten werd de wijziging in blootstelling tot nu toe zelden als variabele gebruikt in empirische studies. In de bestaande literatuur richt men zich vooral op de blootstelling op zich. Zo onderzochten Angeloni en Wolff (2012) voor enkele Europese banken het effect van hun blootstelling aan obligaties uit de vijf GIIPS-landen op hun aandelenreturns. Ook de invloed van overheidsobligaties uit de landengroep6 Duitsland, Nederland, Oostenrijk en Finland op de returns van banken en hun volatiliteit, is volgens mij zelden op deze manier onderzocht geweest. Het vervolg van dit hoofdstuk bespreekt de uitgevoerde regressies en de hiervoor gebruikte begrippen en variabelen. Daarbij vermelden we telkens de methode voor het verzamelen en analyseren van de gegevens.

6

Deze landengroep noemen we de Core-landen.

18

3.2 Algemeen Het

effect

van

de

verandering

in

blootstelling

aan

overheidspapier

op

bankaandelenreturns wordt in dit onderzoek via cross-sectionele regressies onderzocht. Dit betekent dat we de gegevens m.b.t. de afhankelijke en verklarende variabelen voor verschillende banken op een vast tijdstip ordenen. Er wordt gekozen voor cross-sectionele regressies omdat de verklarende variabelen over de totale periode slechts drie7 maal per bank van waarde veranderen. Hierdoor heeft een tijdreeksanalyse of panelanalyse weinig zin. In het onderzoek zijn er drie afhankelijke variabelen. Het gaat om de gemiddelde wekelijkse return van de aandelenprijs, de Totale volatiliteit van de bankreturns en de Marktbèta8 van de bankreturns. Per afhankelijke variabele schatten we de regressies voor vier perioden. De perioden situeren zich allemaal tussen mei 2010 en december 2012. De indeling in perioden gebeurt volgens de bekendmaking van de resultaten van de stresstesten en Capital exercises die werden uitgevoerd door de EBA9. Het doel van deze stresstesten was het terugwinnen van het vertrouwen en het verhogen van de transparantie in de Europese bankensector en in de Europese interbankenmarkt. De Bruyckere et al. (2012) en Petrella en Resti (2012) stellen dat dit gelukt is. Markten gebruiken de informatie om de kredietwaardigheid van de geteste banken na te gaan. Stresstesten kunnen volgens Petrella en Resti (2012) een rol spelen om klaarheid te scheppen in de financiële toestand van banken. De stresstesten hebben er wel niet voor gezorgd dat er een trendommekeer te merken was in de daling van de aandelenkoersen van de Europese banken in 2011 (Angeloni & Wolff, 2012; Petrella & Resti, 2012). Dit leidde tot openlijke kritiek van enkele analisten die betogen dat de stresstesten hierdoor niet effectief waren (Jenkins & Murphy, 2011).

7

De verklarende variabele Totale activa wijzigt slechts twee maal. De Marktbèta is een maatstaf voor de gevoeligheid van individuele aandelen aan schommelingen op de markt. In paragraaf 3.4.3 komen we hier uitgebreider op terug. 9 De eerste stresstest die werd bekendgemaakt op 23 juli 2010 werd niet uitgevoerd door de EBA maar door de Committee of European Banking Supervisors (CEBS). Dit was een onafhankelijk orgaan die instond voor de controle en het toezicht op de banken uit de Europese Unie. Op 1 januari 2011 werd het orgaan opgevolgd door de EBA. 8

19

Voor deze studie is het resultaat van de stresstesten en de Capital exercises op zich echter van weinig belang. De blootstelling aan staatsobligaties op de balansen van de verschillende Europese banken die tijdens de stresstesten en Capital exercises ook werd bekend gemaakt, is daarentegen wel heel bruikbaar voor het onderzoek. Tot vóór 2010 was deze informatie niet beschikbaar. In het verleden was het dus niet mogelijk om de rechtstreekse impact van blootstelling aan overheidsschuld te analyseren. Er kunnen vier perioden worden onderscheiden. Voor iedere periode is de dag van de bekendmaking van de resultaten van de stresstesten/Capital exercises het midden. Daarvoor en daarna wordt elke keer een tijdspanne van acht weken genomen om de gemiddelde wekelijkse return van de bankaandelen over deze tijdspanne te berekenen. Deze tijdspanne van acht weken vóór en na is geïnspireerd op Acharya en Steffen (2013). Zij gebruiken in hun regressies een periode van zestig dagen vóór en zestig dagen na de bekendmaking van de resultaten. Ook Angeloni en Wolff (2012) nemen een periode van telkens iets meer dan acht weken bij het uitvoeren van hun regressies. Over zo’n periode van zestien weken wordt dus de gemiddelde wekelijkse return van de aandelenprijs van elke bank uit de dataset berekend. We berekenen vervolgens ook nog eens de gemiddelde wekelijkse return van de acht weken vóór de dag van de bekendmaking van de resultaten en van de acht weken na de bekendmaking. Iedere periode heeft dus drie basisregressies: een eerste van zestien weken (de samenvoeging van de acht weken vóór de verkondiging van de resultaten en de acht weken na de verkondiging), een tweede van acht weken vóór de verkondiging en een derde van acht weken na de verkondiging. Zo willen we nagaan of er al dan niet een significant verschil waar te nemen valt in de returns en de andere twee afhankelijke variabelen vóór en na de mededeling van de blootstelling aan overheidsobligaties. De hypothese hierachter is dat in de aanloop naar de bekendmaking van de stresstesten de markten de informatie ervan al zouden kunnen ingecalculeerd hebben. De oorzaak hiervan kan bijvoorbeeld zijn dat er al geruchten circuleren of dat de informatie al gedeeltelijk uitgelekt is doordat banken zelf met de resultaten naar buiten komen. De uitkomst van de eerste stresstest werd bekend gemaakt op vrijdag 23 juli 2010. De berekening van de gemiddelde wekelijkse bankreturns over zestien weken loopt voor de eerste periode dus van vrijdag 28 mei 2010 tot en met vrijdag 17 september 2010. De acht weken 20

vooraf beginnen op vrijdag 28 mei 2010 en eindigen op vrijdag 23 juli 2010. De acht weken nadien beginnen op vrijdag 23 juli 2010 en eindigen op vrijdag 17 september 2010. De bekendmaking van de resultaten van de tweede stresstest vond bijna een jaar later plaats. Meer bepaald op vrijdag 15 juli 2011. In deze tweede periode wordt de gemiddelde wekelijkse return berekend over de tijdspanne van zestien weken die start op vrijdag 20 mei 2011 en eindigt op vrijdag 9 september 2011. De acht weken vooraf lopen van vrijdag 20 mei 2011 tot vrijdag 15 juli 2011 en de acht weken nadien van vrijdag 15 juli 2011 tot vrijdag 9 september 2011. Zo berekenen we ook de gemiddelde wekelijkse bankreturns voor de derde en de vierde periode. De derde periode heeft als midden de mededeling van de resultaten van de EU Capital exercise op 8 december 2011. Het midden van de vierde periode is 3 oktober 2012. Toen maakte de EBA de finale resultaten bekend van de EU Capital exercise. Voor de eerste periode zijn de verklarende variabelen iedere keer de overheidsschuld op de balansen van de banken, m.a.w hun blootstelling aan overheidsobligaties op zich. We voeren tijdens de eerste periode, naast de drie basisregressies, de regressie ook uit met een subsample van de steekproef waarbij banken uit de GIIPS-landen weggelaten worden. Op deze manier wensen we te onderzoeken of er andere effecten optreden bij banken uit landen die niet zo zwaar getroffen worden door de eurocrisis. Voor deze non-GIIPS-banken worden enkel de gemiddelde wekelijkse bankreturns over zestien weken berekend. In de tweede, derde en vierde periode zijn de verklarende variabelen niet meer de blootstelling aan staatsobligaties zoals in de eerste periode, maar wel de wijziging in blootstelling aan staatsobligaties t.o.v. de vorige periode. In de eerste periode kunnen we deze verklarende variabelen niet opnemen aangezien het toen de eerste keer was dat de overheidsschuld op de balansen van de banken werd bekend gemaakt. De tweede, derde en vierde periode verschillen ook van de eerste periode doordat er een andere opdeling van banken wordt toegepast. De opsplitsing van de banken gebeurt er in twee groepen. De groep “veel-GIIPS” bestaat uit banken die meer blootstelling hebben aan obligaties uit de GIIPSlanden dan de mediaanobservatie. De groep “weinig-GIIPS” bevat de banken die minder blootstelling hebben dan de mediaanobservatie. Met deze opdeling willen we uitmaken of bij “veel-GIIPS”-banken de wijziging in blootstelling aan overheidsschuld al dan niet een significantere rol speelt bij de verklaring van bankenreturns dan bij “weinig-GIIPS”-banken. We

21

denken dat bij “veel-GIIPS”-banken de bankreturns wel eens gevoeliger zouden kunnen zijn aan een uitbreiding van GIIPS-schuldpapier dan bij “weinig-GIIPS”-banken. Voor periode 2, 3 en 4 wordt er geen regressie geschat met een subsample van non-GIIPS banken. In deze periodes zou de groep “non-GIIPS” immers bijna volledig overeenstemmen met de groep “weinig-GIIPS” omdat er bij de meeste Europese banken sprake is van een home bias (supra, p.14). Deze opsplitsing zou dus geen meerwaarde bieden voor deze studie.

3.3 Regressies Het empirisch model ziet er als volgt uit:

Voor de eerste afhankelijke variabele gemiddelde wekelijkse bankreturn: Voor periode 1:

(1) Bankreturni = gemiddelde wekelijkse return van bankaandeel i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPSi = blootstelling aan overheidsobligaties van de GIIPS-landen op de balans van bank i Corei = blootstelling aan overheidsobligaties van de Core-landen op de balans van bank i Totale activai = de totale activa van bank i Kapitaali = kapitaalratio van bank i εi = de foutenterm voor bank i

Voor periode 2, 3 en 4:

(2) Bankreturni = gemiddelde wekelijkse return van bankaandeel i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPSi = wijziging t.o.v. de vorige periode van blootstelling aan overheidsobligaties van de GIIPS-landen op de balans van bank i

22

ΔCorei = wijziging t.o.v. de vorige periode van blootstelling aan overheidsobligaties van de Core-landen op de balans van bank i Totale activai = de totale activa van bank i Kapitaali = kapitaalratio van bank i εi = de foutenterm voor bank i

Voor de tweede afhankelijke variabele totale volatiliteit van de bankreturns: Voor periode 1:

(3) Totale Volatiliteiti = volatiliteit van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking (gemeten via de standaarddeviatie) Marktbètai = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPSi, Corei, Totale activai en Kapitaali zijn dezelfde als voor periode 1 bij de gemiddelde wekelijkse bankreturn.

Voor periode 2, 3 en 4:

(4) Totale Volatiliteiti = volatiliteit van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking

(gemeten via de standaarddeviatie)

Marktbètai = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPSi, ΔCorei, Totale activai en Kapitaali zijn dezelfde als respectievelijk voor periode 2, 3 en 4 bij de gemiddelde wekelijkse bankreturn. Voor de derde afhankelijke variabele marktbèta van de bankreturns: Voor periode 1:

(5) 23

Marktbètai = marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPSi, Corei, Totale activai en Kapitaali zijn dezelfde als voor periode 1 bij de gemiddelde wekelijkse bankreturn.

Voor periode 2, 3 en 4:

(6) Marktbètai = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPSi, ΔCorei, Totale activai en Kapitaali zijn dezelfde als respectievelijk voor periode 2, 3 en 4 bij de gemiddelde wekelijkse bankreturn. Voor het schatten van deze vergelijkingen maken we gebruik van de kleinste kwadratenmethode. De resultaten hiervan worden weergegeven in paragraaf 5. De volgende paragrafen geven eerst meer uitleg over de variabelen uit de vergelijkingen van hierboven.

3.4 Afhankelijke variabelen 3.4.1 Bankreturn De eerste afhankelijke variabele is de gemiddelde wekelijkse bankreturn. Er wordt in deze studie geopteerd om de wekelijkse en niet de dagelijkse bankreturns te berekenen. Hoewel dagelijkse returns veel info bevatten, zijn financiële returns met een hogere frequentie (i.e. dagelijks in plaats van wekelijks) niet normaal verdeeld. Ze hebben een hogere kurtosis, wat betekent dat de verdeling van dagelijkse returns vettere staarten heeft (Frömmel, 2012). We bekomen de aandelenkoersen van de banken door de wekelijkse Total Return Index van iedere bank voor de gewenste periodes van Datastream af te halen. Vervolgens wordt hiervan de natuurlijke logaritme (‘ln’) genomen. Daarna berekenen we het verschil tussen ln(Pt) en ln(Pt-1) om de wekelijkse return te verkrijgen. Ten slotte wordt voor elke bank en voor elk van de vier periodes het gemiddelde uitgerekend van de wekelijkse bankreturns over zestien weken, acht weken vóór en acht weken na de bekendmaking. 24

3.4.2 Totale volatiliteit De Totale volatiliteit is de tweede afhankelijke variabele die wordt gebruikt in de regressieanalyse. Het is een maatstaf voor het risico van de bankreturn. Immers, hoe volatieler het aandeel, hoe meer kans op extreme sprongen en hoe meer kans op grote winsten of grote verliezen. De berekening van de Totale volatiliteit gebeurt door de standaarddeviatie te nemen van de wekelijkse bankreturns. Dit wordt gedaan voor elk van de vier periodes over zestien weken, acht weken vóór en acht weken na de kennisgeving van de EBA over de blootstelling aan staatsobligaties van de grootste Europese banken.

3.4.3 Marktbèta De derde en laatste afhankelijke variabele in deze studie is de Marktbèta van de bankreturns. Deze variabele wordt berekend via het Capital Asset Pricing Model (CAPM). In dit model bestaat er een lineaire relatie tussen de return van individuele aandelen en de return van de marktindex. Het model impliceert dat de enige relevante variabele voor de return van een individueel aandeel, de return van de marktindex is (Everaert, 2011). De bèta-coëfficiënt uit dit model wordt vaak als proxy voor het systematisch of marktrisico gebruikt en noemt men de marktbèta. Een wijziging van ‘x’ % in de return van de marktindex zorgt voor een wijziging van ‘marktbèta maal x’ % in de return van individuele aandelen. Als de marktbèta groter is dan één, dan is de verandering van het individuele aandeel sterker dan de marktverandering. Zo’n aandeel heeft dan een groot systematisch risico en zal gevoelig zijn voor marktschommelingen. Voor de marktindex gebruiken we de TOTMKEU van Datastream. Dit is een index van 1950 aandelen uit de Europese Unie. De weekreturns voor deze index worden op dezelfde manier berekend als deze van de individuele banken. Ook hier berekenen we de marktbèta voor iedere bank voor elke van de vier periodes over zestien weken, acht weken vóór en acht weken na de bekendmaking van de resultaten van de stresstesten. Marktbèta is zowel een afhankelijke variabele als een verklarende variabele. Zoals blijkt uit vergelijkingen 3 en 4 is Marktbèta een verklarende variabele bij de regressie van de Totale volatiliteit van de bankreturns. Aangezien de Totale volatiliteit kan opgedeeld worden in het 25

systematisch risico en het bedrijfsspecifiek risico, verwachten we dat de Marktbèta een belangrijke positieve invloed zal hebben op de Totale volatiliteit.

3.5 Verklarende variabelen 3.5.1 GIIPS en ΔGIIPS GIIPS en vooral ΔGIIPS zijn de verklarende variabelen waar dit onderzoek het meest op focust. We willen er de nadruk op leggen dat er een verschil bestaat tussen GIIPS in periode 1 en ΔGIIPS in periode 2, 3 en 4. GIIPS is de blootstelling aan obligaties van de GIIPS-landen Griekenland, Italië, Ierland, Portugal en Spanje op de balans van elke bank tijdens periode 1. Het gaat meer bepaald om de blootstelling van elke bank op 31 maart 2010 aangezien dit de datum is waarvoor tijdens de eerste stresstest in juli 2010 de blootstelling aan staatsobligaties werd vrijgegeven op de website10 van de EBA. De overheidsschuld in dit onderzoek omvat zowel de obligaties in de trading book van de banken als in de banking book. De trading book van een bank bestaat uit financiële activa die verdisconteert worden aan marktwaarde via winst – of verliesneming. De trading book is dus marked to market wat betekent dat de waarde op de balans steeds aangepast moet worden aan de marktomstandigheden. Als de waarde van de obligaties daalt op de markt, dan moet de waarde van de obligaties ook op de balansen van de banken verminderd worden. Obligaties die niet in de trading book zitten, komen terecht in de banking book. Obligaties hierin worden in principe gehouden tot de einddatum van de obligatie, men noemt dit hold to maturity. Deze obligaties worden niet marked to market. De waarde van obligaties in de banking book kan dus sterk verschillen van de waarde van obligaties in de trading book (Blundell-Wignall & Slovik, 2010). Het verschil tussen trading book en banking book is niet onbelangrijk. Tijdens de effectieve stresstesten, waarbij men nagaat of een bank voldoende kapitaal heeft om negatieve schokken op te vangen, wordt enkel rekening gehouden met de staatsobligaties uit de trading book. Het grootste deel van de obligaties, namelijk 83% op het einde van 2009, bevindt zich echter in de

10

De data zijn voor iedereen beschikbaar op http://www.eba.europa.eu/risk-analysis-and-data/eu-wide-stresstesting/2010/results

26

banking book (Blundell-Wignall & Slovik, 2010). Wanneer een land effectief failliet zou gaan en zijn schulden dus niet meer zou kunnen terugbetalen, zou een bank erg in de problemen kunnen komen. Het overheidspapier in de banking book kan dan namelijk niet meer gehouden worden tot eindvervaldag en moet dan als een verlies geboekt worden. Dat dit niet onmogelijk is, bewijst de private sector involvement (PSI) voor Griekenland in juli 2011 en februari 2012 waarbij private investeerders (waaronder heel wat banken) gevraagd werden om verliezen te nemen op hun Griekse schuld in portefeuille. Voor de berekening van de variabele GIIPS delen we de GIIPS-overheidsobligaties in miljoen euro door het Tier 1-kapitaal (infra, p.29) in miljoen euro van elke bank. Vervolgens voegen we aan dit percentage een eenheid toe om hiervan de natuurlijke logaritme te kunnen nemen (Popov & Van Horen, 2013).11 Anders zou het niet mogelijk zijn om de natuurlijke logaritme te berekenen van banken die geen overheidspapier uit de perifere landen hebben. ΔGIIPS is de verklarende variabele waar onze grootste aandacht naar uit gaat. Het doel van deze studie is tenslotte om na te gaan wat de invloed is van de verandering in blootstelling aan overheidspapier uit specifieke landengroepen uit de eurozone op bankreturns, Totale volatiliteit en Marktbèta. We vermoeden immers dat de financiële markten, naast de belangstelling voor de blootstelling op zich, ook belangstelling hebben in de evolutie van de blootstelling aan overheidsschuld. ΔGIIPS meet de wijziging in blootstelling aan overheidspapier uit de GIIPS-landen t.o.v. de vorige periode. Voor periode 2, 3 en 4 gaat het hier respectievelijk om de GIIPS-obligaties op de balans van de banken op 31 december 2010, 30 september 2011 en 30 juni 2012. We berekenen net zoals bij de variabele GIIPS het percentage GIIPS-overheidsobligaties in functie van het Tier 1-kapitaal. We doen dit voor elke periode. De wijziging in periode 2, 3 en 4 t.o.v. respectievelijk periode 1, 2 en 3 wordt uitgedrukt in procentpunt.

3.5.2 Core en ΔCore Naast GIIPS en ΔGIIPS zijn Core en ΔCore de verklarende variabelen waar deze studie zich het meest op richt. Core is de blootstelling aan staatsobligaties van landen die gerekend 11

We voeren dus de volgende berekening uit: ln (1 + (GIIPS-obligaties/Tier 1-kapitaal) ). GIIPS-obligaties/Tier 1kapitaal wordt als percentage uitgedrukt.

27

worden tot de kern van de eurozone. Het gaat meer bepaald om de landen Duitsland, Nederland, Oostenrijk en Finland. Deze landen worden tijdens de Europese schuldencrisis algemeen beschouwd als veilige havens. Vandaar dat we ook voor deze aparte groep van landen willen verifiëren of de (wijziging in) blootstelling aan hun overheidsschuld een significante invloed heeft op de drie afhankelijke variabelen uit het model. De variabelen Core en ΔCore worden op dezelfde manier berekend en verkregen als de variabelen GIIPS en ΔGIIPS.

3.5.3 Totale activa De volgende verklarende variabele is Totale activa. Ze wordt gebruikt als controlevariabele aangezien ze bij de verklaring van de afhankelijke variabelen een belangrijke rol speelt. Zo tonen Baele, De Jonghe en Vander Vennet (2007) aan dat bankgrootte positief gerelateerd is met totale volatiliteit. Schuermann en Stiroh (2006) en Stever (2007) vinden dat grotere banken een grotere marktbèta hebben. Voor elke periode wordt de totale activa op het einde van het jaar genomen dat het dichtst aansluit bij de datum van blootstelling aan overheidsobligaties voor die periode. Voor periode 1 betreft het de totale activa op het einde van het boekjaar 2009 omdat 31 december 2009 dichter aansluit bij 31 maart 2010 (datum blootstelling) dan 31 december 2010. De totale activa voor periode 2 betreffen de activa op het einde van het boekjaar 2010. Periode 3 geeft de totale activa op het einde van het boekjaar 2011. Periode 4 betreft eveneens de totale activa op het einde van het boekjaar 2011 omdat de datum van blootstelling voor deze periode 30 juni 2012 is. Voor het einde van het boekjaar 2012 zijn echter nog niet alle gegevens beschikbaar. Net zoals bij de returns, GIIPS en Core wordt de natuurlijke logaritme genomen. De data zijn afkomstig van Bankscope.

3.5.4 Kapitaal Kapitaal is de tweede verklarende variabele die in het model wordt opgenomen als controlevariabele. Baele et al. (2007) geven aan dat beter gekapitaliseerde banken een lagere totale volatiliteit en een lagere marktbèta hebben. Stiroh (2006) daarentegen stelt geen effect vast voor kapitaal op de marktbèta. 28

Er bestaan verschillende grootheden om kapitaalratio’s te berekenen. We kiezen in dit onderzoek voor Tier 1-kapitaal omdat dit de enige kapitaalgrootheid is die beschikbaar is via EBA voor alle vier de periodes. Er wordt doelbewust voor EBA als databron gekozen aangezien ook de blootstelling aan overheidspapier voor de variabelen GIIPS, ΔGIIPS, Core en ΔCore van EBA afkomstig is. Voor deze variabelen komen zowel teller (overheidsobligaties) als noemer (Tier 1-kapitaal) dan van dezelfde bron zodat een consequente vergelijking over de periodes mogelijk is. Het Tier 1-kapitaal bestaat naast de gewone aandelen en de overheidssteun ook uit hybride instrumenten zoals preferente aandelen en enkele vormen van achtergestelde schuld. Het Tier 1-kapitaal is nodig om onverwachte verliezen op te vangen zodat een bank hierdoor niet onmiddellijk ernstig in de problemen komt. Over de hele EU is de definitie van Tier 1kapitaal geharmoniseerd zodanig dat deze grootheid een goede basis vormt om de banken uit verschillende landen van de EU met elkaar te vergelijken (EBA, 2010a). De Europese Banken Autoriteit (2010a) merkt op dat 169,6 miljard euro van het totale Tier 1-kapitaal voor alle banken samen afkomstig is van overheidssteun tot 1 juli 2010. Dit bedrag vertegenwoordigt ongeveer 1,2 procentpunt van de totale Tier 1-kapitaalratio. Overheidssteun maakt dus een belangrijk en stabiel deel uit van het Tier 1-kapitaal van de banken. De variabele Kapitaal wordt berekend door het Tier 1-kapitaal in miljoen euro te delen door de risico gewogen activa in miljoen euro. Ook de risico gewogen activa is, net zoals het Tier 1-kapitaal, bekomen via EBA en beschikbaar voor elk van de vier periodes op respectievelijk 31 december 2009, 31 december 2010, 30 september 2011 en 30 juni 2012.

29

4 Data In hoofdstuk drie is de gehanteerde onderzoeksmethodologie uitvoerig beschreven. Dit hoofdstuk bevat de dataset waarmee het onderzoek gevoerd wordt. Ook onze eigen verwachtingen en hypotheses met betrekking tot de effecten van elke variabele worden tijdens dit hoofdstuk kort aangehaald.

4.1 Dataset en evolutie bankaandelenindex De dataset voor het onderzoek bestaat uit 46 banken. De banken hebben allemaal hun hoofdzetel in de Europese Unie aangezien het onderzoek in deze masterproef zich focust op de interactie tussen landenrisico en bankenrisico tijdens de Europese schuldencrisis. Een eerste selectie van banken wordt gemaakt op basis van deelname aan de stresstesten uitgevoerd door de EBA. Hierbij worden de banken per EU-lidstaat zodanig gekozen dat ten minste 50% van de nationale banksector (gemeten via totale activa) vertegenwoordigd was in de stresstest. Voor de hele EU vertegenwoordigen de geselecteerde banken 65% van de totale banksector (EBA, 2010b). Een tweede verfijning vindt plaats door banken uit te sluiten die geen enkele beursnotering hebben voor ten minste één van de vier periodes. Vervolgens nemen we ook geen banken op als ze bij geen enkele van de vier stresstesten blootstelling hebben aan GIIPSof Core-landen. Als de bank in kwestie slechts blootstelling heeft aan één van de twee landengroepen, wordt ze wel toegevoegd aan de dataset. Zo bekomen we een dataset van 46 banken waarvan er 22 uit de GIIPS-landen komen en 24 uit non-GIIPS-landen. In figuur 4 is een overzicht weergegeven van het aantal banken per land. Meteen valt op dat het aantal banken uit de perifere landen groter is dan het aantal banken uit de Core-landen. Griekenland en Spanje zijn met elk zes banken de grootste vertegenwoordigers in de dataset. Hierbij moet wel vermeld worden dat er geen Griekse banken meer zijn opgenomen in periode 3 en 4 (infra, p.31). Voor grote landen zoals Duitsland en Frankrijk zijn er respectievelijk maar twee en drie banken geselecteerd. Dit komt omdat Duitsland vele regionale Landesbanken telt die niet op de beurs genoteerd zijn. Frankrijk telt maar een paar hele grote banken die op zichzelf al goed zijn voor 50% van de totale Franse bankenmarkt. 30

Figuur 4: Overzicht van het aantal banken per land in het onderzoek 6 5 4 3 2 1 0

Bron: Eigen werk

Een overzicht van de banken is terug te vinden in bijlage 1. In deze bijlage staat ook vermeld voor welke banken de gegevens niet voor alle vier de periodes beschikbaar zijn. Deze banken worden voor deze periodes dan ook niet geselecteerd. Voor de Griekse banken is geen blootstelling aan overheidspapier beschikbaar in periodes 3 en 4 omdat de Griekse banken niet worden gescreend in de derde en vierde test. De reden hiervoor is dat Griekse banken toen onder controle stonden van de EU en het IMF (EBA, 2011c). Ook enkele kleinere Spaanse banken worden tijdens de derde en vierde periode niet meer getest door de EBA. Om een goed beeld te krijgen van de belangrijkste gebeurtenissen die een invloed zouden kunnen hebben op de bankreturns tijdens de periode mei 2010 – december 2012 hebben we in figuur 5 de grafiek van de DJ Stoxx Europe 600 Banks opgenomen. Dit is een index van de belangrijkste Europese bankaandelen. Op de figuur is telkens aangegeven wanneer de resultaten van elke stresstest/Capital exercise werden bekend gemaakt. Tijdens de eerste jaarhelft van 2010 maakt de Europese schuldencrisis zijn eerste slachtoffer. Griekenland moet in mei 2010 als eerste euroland steun krijgen van de EU en het IMF. We zien een duidelijke neerwaartse knik in de grafiek. Rond de periode van de eerste stresstest en tijdens het begin van 2011 vertoont de grafiek geen duidelijke trend. Vanaf de tweede jaarhelft van 2011 woedt de eurocrisis volop. Een week na de bekendmaking van de

31

uitkomst van de tweede stresstest krijgt Griekenland een tweede reddingspakket. Private schuldeisers waaronder banken moeten deels opdraaien voor de herstructurering van bestaande Griekse leningen. In augustus 2011 komt ook Italië onder druk op de financiële markten. Op de grafiek is duidelijk vast te stellen dat deze gebeurtenissen een negatieve invloed hebben op de Europese bankaandelen. In de daaropvolgende maanden blijven de financiële markten onrustig. Onder meer de politieke problemen in Italië spelen hierbij een niet onbelangrijke rol. Op de Europese top van 8 en 9 december 2011 worden afspraken gemaakt over het Begrotingspact om in de toekomst nationale begrotingstekorten te beperken. Op 21 december kondigt de ECB de eerste van twee LTRO’s aan. De bankaandelen leven hierdoor even op maar vanaf maart 2012 zien we dat ze terug in dalende lijn gaan. De kentering volgt op 26 juli 2012 met de speech van ECB-voorzitter Draghi waarin hij zegt dat de ECB alles zal doen om de euro te redden. 12 Op 6 september wordt dit in de praktijk gebracht met de bekendmaking van het OMT-programma. De figuur toont duidelijk dat Draghi’s woorden en OMT de Europese bankaandelen flink doen stijgen. Al deze gebeurtenissen moeten in het achterhoofd gehouden worden bij de interpretatie van de resultaten van de regressieanalyse. Figuur 5: Evolutie van de DJ Stoxx Europe 600 Banks van januari 2010 tot januari 2013 240

1) stresstest 23 juli 2010

220

2) stresstest 3) Capital exercise 4) Capital 15 juli 2011 8 december 2011 exercise 3 okt 2012

200 180 160 140 120 100 1/01/2010

1/01/2011

1/01/2012

1/01/2013

Bron: Eigen werk gebaseerd op gegevens van Datastream. Het gaat om de dagelijkse Prijsindex in euro. 12

Draghi zegt tijdens een speech in Londen letterlijk “Within our mandate, the ECB is ready to do whatever it takes to preserve the euro. And believe me, it will be enough.” (ECB, 2012)

32

4.2 Beschrijvende statistieken Tabel 1 geeft de resultaten weer van de beschrijvende statistieken. Tabel 1: Beschrijvende statistieken voor alle variabelen uit de regressies voor de 4 perioden Bankreturn Totale volatiliteit Marktbèta 1) GIIPS Core Totale activa Kapitaal

Obs. 45 45 45 45 45 45 45

Gemidd. 0,0042 0,0592 1,5053 3,7871 2,0146 12,2948 10,1566

Mediaan 0,0062 0,0567 1,459 4,1796 1,944 12,1068 9,9544

Std. Dev. 0,0099 0,0189 0,6191 1,5957 1,6724 1,4207 1,973

Min. -0,0323 0,0211 -0,0035 0 0 8,7349 7,0244

Max. 0,0265 0,1084 3,1722 6,694 5,1177 14,5371 17,0897

Bankreturn Totale volatiliteit Marktbèta 2) ΔGIIPS (2 tov 1) ΔCore (2 tov 1) Totale activa Kapitaal

45 45 45 45 45 45 45

-0,0358 0,0844 1,5818 12,8625 7,9225 12,321 10,3738

-0,0352 0,0747 1,5408 1,8102 0 12,1619 10,2841

0,0182 0,0349 0,5758 42,7055 23,3944 1,4364 2,3162

-0,0993 0,0241 -0,2137 -53,1224 -31,4821 8,7538 4,2878

-0,0046 0,2249 2,8884 184,59 74,0817 14,5077 18,4939

Bankreturn Totale volatiliteit Marktbèta 3) ΔGIIPS (3 tov 2) ΔCore (3 tov 2) Totale activa Kapitaal

37 37 37 37 37 37 37

0,0045 0,094 1,8696 -11,8679 0,5283 12,6146 11,7685

0,0076 0,1016 1,886 -4,2933 -0,0727 12,507 11,593

0,0135 0,0351 0,8424 29,5275 21,997 1,4335 2,8209

-0,0342 0,022 -0,2255 -122,458 -36,2816 8,7983 7,8109

0,0272 0,1718 4,0365 35,7809 109,8906 14,5875 20,2719

Bankreturn Totale volatiliteit Marktbèta 4) ΔGIIPS (4 tov 3) ΔCore (4 tov 3) Totale activa Kapitaal

36 36 36 36 36 36 36

0,0096 0,0594 1,8807 -2,8297 -0,2107 12,6145 12,4923

0,0102 0,0516 1,9357 -1,1292 -0,2619 12,507 12,2648

0,0099 0,0329 0,9932 38,333 27,2709 1,4335 2,7514

-0,0143 0,0219 -0,3439 -109,061 -67,2431 8,7983 6,0852

0,0254 0,1764 4,6671 123,8739 111,6451 14,5875 19,4561

Bron: Data afkomstig van Bankscope, Datastream en EBA Bankreturn, Totale volatiliteit en Marktbèta worden gemeten met een wekelijkse frequentie. Voor de variabelen Bankreturn, Totale volatiliteit en Marktbèta gaat het voor elke periode telkens om een tijdspanne van 16 weken. Periode 1 gaat van 28 mei tot 17 september 2010. Periode 2 van 20 mei tot 9 september 2011. Periode 3 loopt van 14 oktober 2011 tot 3 februari 2012 en periode 4 van 10 augustus 2012 tot 30 november 2012. Voor GIIPS en Core is periode 1 op 31 maart 2010. ΔGIIPS en ΔCore meten altijd de wijziging t.o.v. de vorige periode. Periode 2 is op 31 december 2010, periode 3 is op 30 september 2011 en periode 4 is op 30 juni 2012. Totale activa is op het einde van het boekjaar 2009 (1), 2010 (2), 2011 (3 en 4). Kapitaal is het Tier 1-kapitaal op 31 december 2009 (1), 31 december 2010 (2), 30 september 2011 (3) en 30 juni 2012 (4).

33

Om een beter overzicht te krijgen van de evolutie van elk van de variabelen over de vier perioden geven we ze weer in een staafdiagram. Figuur 6 toont ons dat in periode 1, 3 en 4 Bankreturn gemiddeld lichtjes positief is over alle banken. In periode 2 stellen we echter een opmerkelijk negatieve gemiddelde bankreturn vast. Mogelijk is dit het gevolg van de uitkomst van de stresstesten. Het Griekse reddingspakket van juli 2011 (supra, p.32) kan hier misschien ook een rol in gespeeld hebben. In figuur 7 vinden we terug dat gedurende de eerste drie perioden de Totale volatiliteit elke keer lichtjes stijgt om dan in de vierde periode terug te vallen tot op het niveau van de eerste periode. De almaar toenemende ongerustheid over de eurocrisis tot de zomer van 2012 is hier waarschijnlijk niet vreemd aan. Figuur 6: Het gemiddelde van Bankreturn Figuur 7: Het gemiddelde van Totale volatiliteit 0,02

0,10

0,01

0,08

0 -0,01

1)

-0,02 -0,03 -0,04

2)

3)

4)

0,06 0,04 0,02 0,00 1)

2)

3)

4)

Bron: Eigen werk op basis van gegevens van Datastream De gemiddeldes zijn de gemiddeldes over 16 weken voor alle banken die tijdens de periode opgenomen zijn in de dataset.

Figuur 8 geeft aan dat de banken tussen de eerste en de tweede periode nog obligaties van GIIPS-landen hebben bijgekocht, ook al was de eurocrisis al bezig. Acharya en Steffen (2013) wijzen als verklaring hiervoor op de carry trade-hypothese (supra, p.14). Pas toen de eurocrisis in volle hevigheid losbrak in de zomer van 2011, beslisten de banken blijkbaar om hun GIIPSportfolio’s af te bouwen. Tussen de derde en de vierde periode was er nog een verdere afname. Net zoals van de perifere landen kochten de banken ook van de Core-landen overheidspapier bij tussen de eerste en tweede periode (zie figuur 9). Daarna wijzigde de totale hoeveelheid overheidsobligaties van Core-landen op de balansen van de banken gemiddeld niet meer. 34

Figuur 8: Gemiddelde ΔGIIPS in %-punt

Figuur 9: Gemiddelde ΔCore in %-punt

15,00

10,00

10,00

8,00

5,00

6,00

0,00

4,00

-5,00

2)

3)

4)

2,00

-10,00

0,00

-15,00

-2,00

2)

3)

4)

Bron: Eigen werk op basis van gegevens van EBA De wijziging in periode 2, 3 en 4 is altijd de wijziging t.o.v. de vorige periode.

Tot slot illustreert figuur 10 dat banken gedurende de vier periodes hun Tier 1kapitaalratio’s stelselmatig hebben vergroot. Dit wijst erop dat banken extra kapitaal opgehaald hebben om bestand te zijn tegen schokken op de financiële markten (veroorzaakt door de eurocrisis). De nieuwe Basel III-regelgeving die banken verplicht om meer kapitaal aan te houden, zal hiertoe zeker ook hebben bijgedragen. Figuur 10: Gemiddelde Kapitaal in % over de 4 perioden 13,00 12,00 11,00 10,00 9,00 8,00 1)

2)

3)

4)

Bron: Eigen werk op basis van gegevens van EBA Kapitaal is het gemiddelde van de Tier 1-kapitaalratio ( i.f.v. risico gewogen activa) van de opgenomen banken op 31 december 2009 (1), 31 december 2010 (2), 30 september 2011 (3) en 30 juni 2012 (4).

4.3 Scatterplots en verwachtingen Om een eerste indruk te krijgen van mogelijke verbanden tussen de variabelen in het model geven we hierna enkele scatterplots. We zetten de afhankelijke variabelen Bankreturn 35

en Totale volatiliteit uit tegenover de verklarende variabelen ΔGIIPS en ΔCore. De scatterplots van de derde afhankelijke variabele Marktbèta zijn terug te vinden in bijlage 2. We beperken ons omwille van beknoptheid tot de scatterplots voor de tweede periode over de tijdspanne van zestien weken. Uit figuur 11 blijkt dat tijdens de tweede periode de bankreturns en de verandering in de blootstelling aan overheidspapier uit de perifere landen negatief gecorreleerd zijn. Hoe groter de stijging aan GIIPS-blootstelling, hoe negatiever de bankreturn. Deze relatie lijkt plausibel aangezien we verwachten dat banken die meer obligaties uit de GIIPS-landen in hun portefeuille hebben meer kans hebben om grotere verliezen te lijden. Uit figuur 12 kunnen we afleiden dat er geen relatie bestaat tussen bankreturns en wijziging in Core-blootstelling tijdens de tweede periode. De financiële markten geven blijkbaar geen gevolg aan het feit of banken al dan niet een grotere blootstelling hebben aan obligaties uit de Core-landen. Figuur 12: Scatterplot Bankreturn en

.00

.00

-.02

-.02

-.04

-.04 ln(return)

ln(return)

Figuur 11: Scatterplot Bankreturn en ΔGIIPS ΔCore

-.06

-.06

-.08

-.08

-.10

-.10

-.12 -100

-.12

-50

0

50

100

GIIPS2TOV1

150

200

-40

-20

0

20

40

60

80

CORE2TOV1

Bron: Eigen werk op basis van gegevens van Datastream en EBA Het gaat om gegevens voor de tweede periode voor de tijdspanne van zestien weken.

In figuur 13 is te zien hoe de wijziging in GIIPS tijdens de tweede periode de Totale volatiliteit van de bankreturns positief beïnvloedt. M.a.w. hoe sterker banken hun GIIPSportfolio opbouwen tijdens de tweede periode, hoe groter de volatiliteit van hun 36

aandelenkoersen. Ook dit verband lijkt niet onlogisch omdat we verwachten dat banken met meer GIIPS-obligaties op hun balansen risicovoller zijn. Het verband tussen ΔCore in de tweede periode en de volatiliteit van de bankreturns is licht negatief, zoals te zien is op figuur 14. Des te groter de opbouw in overheidsobligaties van de Core-landen, des te kleiner de volatiliteit. Banken worden dus blijkbaar als minder risicovol aanzien wanneer ze meer obligaties uit Duitsland, Nederland, Oostenrijk en Finland in hun bezit hebben. Dit lijkt aannemelijk aangezien deze landen tijdens de eurocrisis als stabiel worden gepercipieerd. Figuur 13: Scatterplot Volatiliteit en ΔGIIPS

Figuur 14: Scatterplot Volatiliteit en ΔCore .24

VOLATILITEIT

.20

.16

.12

.08

.04

.00 -40

-20

0

20

40

60

80

CORE2TOV1

Bron: Eigen werk op basis van gegevens van Datastream en EBA Volatiliteit staat voor de variabele Totale volatiliteit uit het empirisch model. Het gaat om gegevens voor de tweede periode voor de tijdspanne van zestien weken.

De scatterplots van de variabele Marktbèta (bijlage 2) tonen dat zowel ΔGIIPS als ΔCore een licht positieve invloed hebben op Marktbèta tijdens de tweede periode. Voor ΔCore is dit toch enigszins opvallend want dit betekent dat hoe groter de toename in Core-obligaties, hoe gevoeliger bankenreturns zijn voor schommelingen in de markt. De relatie tussen de grootte van de bank en Marktbèta is zoals verwacht (supra, p.28) positief.

37

5 Resultaten In de vorig hoofdstukken kwamen de onderzoeksmethodologie en de data die gebruikt worden voor de empirische studie van deze masterproef aan bod. Deze methode en gegevens wenden we nu aan om de vergelijkingen van ons empirisch model te schatten. De resultaten hiervan worden in dit hoofdstuk weergegeven. De resultaten worden op de volgende manier opgelijst: eerst worden de regressietabellen per periode voor de afhankelijke variabele Bankreturn gepresenteerd. Daarna volgen de tabellen per periode voor de afhankelijke variabele Totale Volatiliteit. Omwille van beknoptheid en overzichtelijkheid beperken we ons hier tot de resultatentabellen van de eerste twee afhankelijke variabelen. De resultatentabellen voor de vier periodes voor de derde afhankelijke variabele Marktbèta zijn terug te vinden in bijlage 3. De eerste kolom van iedere tabel bevat de bevindingen voor de tijdspanne van zestien weken. De resultaten voor de tijdspanne van acht weken vóór (na) de bekendmaking zijn telkens te zien in kolom twee (drie). Voor periode 1 geeft de vierde kolom altijd de bevindingen weer voor de subsample van non-GIIPS-banken. De vierde (vijfde) kolom voor perioden 2, 3 en 4 toont steeds de resultaten voor de subsample veel-(weinig-)GIIPS-banken. Er wordt tijdens de bespreking niet ingegaan op de grootte van de coëfficiënten. De waarde van de studie in deze masterproef ligt namelijk in de significantie en het teken van de parameters en niet in hun absolute waarde. Het vervolg van het hoofdstuk ziet er als volgt uit: eerst bespreken we de resultaten. Dit gebeurt per afhankelijke variabele. Daarna worden kort enkele robustness checks aangehaald. Ten slotte testen we de veronderstellingen van de kleinste kwadraten-methode. Het gaat meer bepaald om multicollineariteit, homoscedasticiteit, normale verdeling van de storingstermen en autocorrelatie.

38

5.1 Beschrijving en interpretatie resultaten 5.1.1 Resultaten voor Bankreturn Tabel 2 toont de resultaten voor de variabele Bankreturn tijdens periode 1. Zoals eerder vermeld (supra, p.21) is het belangrijk te weten dat voor periode 1 de verklarende variabelen iedere keer de blootstelling aan overheidsobligaties op zich is (GIIPS en Core) en dus niet de wijziging in de blootstelling t.o.v. de vorige periode (ΔGIIPS en ΔCore). Tabel 2: Regressieresultaten Bankreturn tijdens periode 1

cte GIIPS Core Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w non-GIIPS

-0,032498* (-2,014119) -0,001475 (-1,640709) -0,002434** (-2,333216) 0,002242* (1,943111) 0,001927*** (2,714614)

-0,015875 (-0,763628) -0,000006 (-0,005211) -0,001183 (-0,879978) 0,001692 (1,138018) 0,000547 (0,598261)

-0,049122** (-2,045180) -0,002944** (-2,199907) -0,003685** (-2,373207) 0,002792 (1,625730) 0,003307*** (3,129477)

-0,004182 (-0,357010) -0,001596* (-2,072837) -0,003810*** (-4,274484) 0,002524*** (3,226793) -0,000531 (-0,675404)

0,18 45

-0,06 45

0,24 45

0,53 24

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Non-GIIPS is een subsample met enkel banken uit landen die niet tot de GIIPS behoren.

De blootstelling aan GIIPS-schuldpapier heeft in alle vier de regressies een negatief teken. Het negatieve effect is wel slechts significant voor de tijdspanne acht weken na de bekendmaking en voor de subsample van non-GIIPS-banken. Deze resultaten bevestigen de verwachtingen dat banken met meer GIIPS-obligaties een lagere return hebben. Opvallend is dat ook banken met meer obligaties uit Duitsland, Nederland, Oostenrijk en Finland te maken krijgen met een lagere return. Dit effect is nu ook significant voor de termijn van zestien weken. Blijkbaar wordt er geen onderscheid gemaakt tussen de perifere landen en de landen die als relatief veilig worden aanzien.

39

Tabel 3 geeft de bevindingen weer voor periode 2. ΔGIIPS is zowel voor de termijn van zestien weken als voor de termijn van acht weken vóór de bekendmaking significant op het 1%-niveau. Ook de coëfficiënt van de subsample van banken met meer GIIPS-blootstelling dan de mediaanbank is significant op het 1%-niveau. De parameters hebben in de eerste vier regressies het verwachte negatieve teken. Aandelen van banken die tussen de eerste en de tweede periode obligaties uit de GIIPS-landen bijkochten, presteren slechter. Vele banken hebben tussen beide periodes trouwens GIIPS-obligaties bijgekocht (supra, p.34). We merken op dat voor de acht weken na de bekendmaking geen enkele coëfficiënt statistisch significant is. Dit is opvallend aangezien we net het omgekeerde verwachten. Deze vaststelling kan op twee manieren geïnterpreteerd worden. Het kan aangeven dat veel van de resultaten al uitgelekt waren vóór de bekendmaking, zodanig dat het effect ervan al vóór de bekendmaking in de beurskoersen verrekend zat. Een tweede mogelijke verklaring heeft te maken met de nasleep van de Europese top van 21 juli 2011 waarbij Griekenland een reddingspakket kreeg. Het vermoeden bestaat dat dit een zodanige impact heeft gehad op de financiële markten dat alle andere factoren die mogelijk een effect kunnen hebben op de bankreturns, niet meer in rekening gebracht werden. Tabel 3: Regressieresultaten Bankreturn tijdens periode 2

cte ΔGIIPS(2tov1) ΔCore(2tov1) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

-0,008934 (-0,358541) -0,000276*** (-4,199566) -0,000039 (-0,384919) -0,001116 (-0,660059) -0,000890 (-0,758888)

-0,044608 (-1,518815) -0,000457*** (-5,904114) -0,000046 (-0,382529) 0,001547 (0,776543) 0,000340 (0,246273)

0,026741 (0,655787) -0,000095 (-0,879683) -0,000032 (-0,194880) -0,003779 (-1,365968) -0,002120 (-1,104809)

0,029718 (0,481412) -0,000279*** (-2,989816) -0,001919** (-2,185917) -0,003929 (-0,925510) -0,001920 (-1,050006)

0,047183* (1,760917) 0,000082 (0,465908) -0,000059 (-0,831074) -0,003273** (-2,164316) -0,003061 (-1,698231)

0,27 45

0,54 45

-0,02 45

0,35 23

0,21 22

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

40

Het teken bij de variabele ΔCore is voor alle regressies negatief, wat er opnieuw op duidt dat er niet echt een duidelijk verschil is qua effect op de bankreturns tussen perifere en Corelanden. De mate van statistische significantie is wel verschillend tussen ΔGIIPS en ΔCore. Dit geeft aan dat de impact die uitgaat van de GIIPS-overheidsobligaties belangrijker is dan die van de Core-overheidsobligaties. Als we kolommen vier en vijf met elkaar vergelijken, zien we dat ΔGIIPS voor de banken met veel GIIPS-obligaties significant is op het 1%-niveau terwijl deze variabele voor de weinigGIIPS-banken helemaal niet significant is. Bovendien heeft de coëfficiënt in kolom vier een negatief teken daar waar de coëfficiënt in kolom vijf positief is. Dit wijst erop dat de financiële markten een toename van de blootstelling aan GIIPS-overheidspapier met meer argwaan benaderden voor banken die tijdens periode twee veel GIIPS-obligaties hadden. Wanneer we de verklaringskracht (gemeten via Adj R²) tussen de verschillende regressies vergelijken, stellen we vast dat er een enorm verschil bestaat tussen de acht weken vóór en de acht weken na de bekendmaking. In de acht weken vóór wordt 52% van de variantie in Bankreturn verklaard door het model. In de acht weken na daarentegen, is de Adj R² zelfs negatief. Als verklaring hiervoor zouden opnieuw de twee eerder vermelde redenen kunnen aangehaald worden die mogelijk verantwoordelijk waren voor de insignificantie van de parameters. De regressieresultaten voor de gemiddelde wekelijkse bankreturns tijdens periode 3 zijn terug te vinden in tabel 4. In deze tabel observeren we hetzelfde fenomeen met betrekking tot de verklaringskracht als in tabel 3. In tegenstelling tot de tweede periode echter is in de derde periode geen enkele parameter van ΔGIIPS en ΔCore statistisch significant. De hypothese van het uitlekken van de resultaten speelt hier dus waarschijnlijk geen rol want acht weken vóór de mededeling zijn deze variabelen ook insignificant. Een interpretatie die misschien wel een verklaring zou kunnen bieden is de volgende: financiële markten hadden tijdens de zestien weken rond de bekendmaking op 8 december 2011 hun ogen vooral op andere dingen gericht dan de uitslag van de derde stresstest. Op een Europese top eind oktober 2011 werden enkele belangrijke beslissingen genomen over de herkapitalisatie van de banken, de waardevermindering van Grieks schuldpapier en het 41

Europees noodfonds EFSF. In de maand november was er heel wat onrust vanwege de Griekse roep om een referendum i.v.m. de voorwaarden waaraan het land moet voldoen om aanspraak te kunnen maken op de EU-steun. Dit referendum zou immers belangrijke gevolgen kunnen gehad hebben voor Griekenlands eurolidmaatschap. Daarnaast waren er ook de politieke problemen in Italië. Op 8 en 9 december 2011 volgde er nog een Europese top waarbij afspraken worden gemaakt over een Europees Begrotingspact. Op 21 december 2011 kondigde de ECB de LTRO aan. Dit laatste zorgde voor een opleving op de markten (en zeker de bankaandelen) na enkele maanden van dalende koersen. Tabel 4: Regressieresultaten Bankreturn tijdens periode 3

cte ΔGIIPS(3tov2) ΔCore(3tov2) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

-0,045402** (-2,394728) -0,000013 (-0,175090) -0,000026 (-0,279543) 0,002022 (1,373895) 0,002062** (2,657509)

-0,103390*** (-3,130082) -0,000034 (-0,271017) -0,000056 (-0,349459) 0,003223 (1,256629) 0,004201*** (3,106974)

0,012586 (0,413685) 0,000009 (0,076020) 0,000005 (0,03103) 0,000822 (0,347996) -0,000076 (-0,061098)

-0,077778 (-1,587029) 0,000007 (0,053563) 0,000584 (0,692943) 0,003716 (0,962661) 0,003133 (0,969393)

-0,014103 (-1,051565) -0,000090 (-1,553364) -0,000053 (-1,191281) 0,001175 (1,332005) 0,000645 (1,155699)

0,19 37

0,24 37

-0,12 37

-0,07 19

0,31 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

Tabel 5 geeft een overzicht van de regressieresultaten van Bankreturn voor de vierde periode. Het effect van de wijziging in GIIPS-obligaties is dubbelzinnig. Tijdens de acht weken vóór de kennisgeving is het effect significant positief. Hiervoor is niet onmiddellijk een eenduidige verklaring te vinden. Voor de termijn van acht weken na de bekendmaking heeft ΔGIIPS, zoals verwacht, een negatieve invloed op Bankreturn. Hoe groter de opbouw van GIIPSobligaties, hoe kleiner de gemiddelde wekelijkse bankreturn.

42

Tabel 5: Regressieresultaten Bankreturn tijdens periode 4

cte ΔGIIPS(4tov3) ΔCore(4tov3) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

0,005707 (0,365751) 0,000033 (0,772269) 0,000006 (0,093363) 0,001681 1,474184 -0,001377** (-2,275335)

0,006178 (0,221146) 0,000191** (2,478738) 0,000072 (0,673970) 0,002091 (1,024208) -0,001182 (-1,090401)

0,005262 (0,246857) -0,000125** (-2,128996) -0,000061 (-0,750471) 0,001271 (0,819951) -0,001572* (-1,911603)

-0,005805 (-0,218636) 0,000003 (0,060235) 0,000161 (0,682025) 0,000974 (0,473577) 0,000420 (0,361922)

0,021486 (1,101348) -0,000053 (-0,185760) -0,000025 (-0,470476) 0,001640 (1,299557) -0,002542*** (-3,523126)

0,08 36

0,11 36

0,17 36

-0,22 18

0,41 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

Samenvattend kunnen we stellen dat over de vier perioden het effect van de variabelen ΔGIIPS (en GIIPS) op Bankreturn over het algemeen negatief is. Dit bevestigt onze verwachtingen dat banken die obligaties uit de GIIPS-landen bijkopen, meer kans hebben om grotere verliezen te lijden, wat in de beurskoers weerspiegeld wordt. De invloed die uitgaat van de Core-landen op de gemiddelde wekelijkse bankreturn is veel minder significant. Dit wijst erop dat globaal genomen de financiële markten meer aandacht hebben voor de wijziging in blootstelling aan GIIPS-obligaties dan voor de wijziging in blootstelling aan de overheidsobligaties uit Duitsland, Nederland, Oostenrijk en Finland. Deze vaststelling is aannemelijk aangezien tijdens de eurocrisis het vooral de GIIPS-landen zijn die in het centrum van de belangstelling staan. Bovendien stellen we vast dat, in tegenstelling tot onze verwachtingen, het teken van de coëfficiënten bij de variabelen ΔCore (en Core) in de meeste gevallen negatief is. We kunnen hieruit besluiten dat zowel een toename van GIIPS-schuldpapier als van Core-schuldpapier leidt tot lagere bankreturns, maar dat dit effect belangrijker is voor de toename in GIIPSschuldpapier.

43

5.1.2 Resultaten voor Totale Volatiliteit In deze paragraaf gaan we dieper in op de resultaten voor de verklarende variabele Totale volatiliteit. De Adj R² in tabel 6 geeft aan dat het empirisch model voor deze variabele een grote verklaringskracht heeft. De controlevariabelen Totale activa, Kapitaal en vooral Marktbèta spelen hierbij zeker een belangrijke rol. In de onderstaande tabel is te zien dat GIIPS en Totale volatiliteit positief gecorreleerd zijn. Dit verband verbaast niet omdat we verwachten dat banken met meer GIIPS-obligaties op hun balansen risicovoller zijn. De correlatie tussen Core en Totale volatiliteit is negatief. Ook dit is aannemelijk want de Core-landen worden tijdens de eurocrisis aanzien als veilige havens. Deze correlatie is wel niet statistisch significant. Het effect van de blootstelling aan GIIPSoverheidsschuld is daarentegen heel significant, meer bepaald op het 1%-niveau. Het duidt erop dat in de verklaring van de Totale volatiliteit van de bankreturns tijdens periode één de blootstelling aan GIIPS-obligaties een meer doorslaggevende rol speelt dan de blootstelling aan Core-obligaties. Ook deze vaststelling lijkt niet onlogisch. Tabel 6: Regressieresultaten Totale volatiliteit tijdens periode 1

cte GIIPS Core Totale activa Kapitaal Marktbèta

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w non-GIIPS

0,024168 (1,025121) 0,005035*** (3,878310) -0,001383 (-0,921491) -0,003759* (-1,956487) 0,003190*** (3,043307) 0,021630*** (5,629614)

0,024607 (0,989659) 0,005270*** (3,860359) -0,002088 (-1,322948) -0,002082 (-1,062311) 0,001536 (1,413671) 0,024785*** (7,392499)

0,007300 (0,238370) 0,004960*** (2,905365) -0,001412 (-0,703532) -0,002402 (-1,030715) 0,004741*** (3,410438) 0,005844 (1,530129)

0,037363** (2,473178) 0,002492** (2,627478) -0,000423 (-0,394257) -0,001902 (-1,598198) -0,000290 (-0,306874) 0,024419*** (7,927398)

0,54 45

0,64 45

0,29 45

0,81 24

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Non-GIIPS is een subsample met enkel banken uit landen die niet tot de GIIPS behoren.

44

In periode twee heeft wat het teken betreft de wijziging in blootstelling aan GIIPS– en Core-obligaties (tabel 7) dezelfde effecten op de Totale volatiliteit als de blootstelling op zich (tabel 6). Dit betekent dat hoe sterker banken hun GIIPS-portfolio opbouwen tijdens de tweede perioden, hoe volatieler hun aandelenkoersen. De volatiliteit wordt kleiner als banken meer overheidsobligaties van de Core-landen opbouwen. Wat de statistische significantie betreft, is de invloed van ΔGIIPS wel enkel maar significant op het 10%-niveau voor de volledige sample van banken voor de tijdspanne over zestien weken. ΔCore anderzijds is zowel voor zestien weken als voor de acht weken vóór de resultaten significant op het 5%-niveau. Uit tabel 7 kunnen we ook nog constateren dat er voor ΔGIIPS een significant verschil bestaat tussen de subsample veel-GIIPS-banken en weinig-GIIPS-banken. Dit wijst erop dat voor de volatiliteit de wijziging in GIIPS-obligaties vooral een rol speelt voor de banken die veel blootstelling hebben aan GIIPS-schuldpapier. Bij hen wordt er dus meer aandacht gegeven aan de toename in blootstelling aan de GIIPS-landen. Tabel 7: Regressieresultaten Totale volatiliteit tijdens periode 2

cte ΔGIIPS(2tov1) ΔCore(2tov1) Totale activa Kapitaal Marktbèta

Adj R² Observaties

(1) (a) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

0,096511*** (3,936383) 0,000289* (1,851669) -0,000205** (-2,599384) -0,008475*** (-4,296697) 0,002478** (2,162864) 0,040755*** (7,734610)

0,071350*** (3,282216) 0,000097 (1,521270) -0,000219** (-2,474772) -0,003963** (-2,684776) -0,001127 (-1,061286) 0,026498*** (13,424949)

0,107786** (2,607879) 0,000159 (1,447995) -0,000209 (-1,240929) -0,009280*** (-3,176475) 0,004283** (2,193989) 0,039832*** (6,656369)

0,072026 (0,750335) 0,000288* (1,979073) 0,000325 (0,235265) -0,008193 (-1,246793) 0,004665 (1,651715) 0,045152*** (3,834264)

0,034170* (1,945754) -0,000144 (-1,259649) -0,000064 (-1,367429) -0,000614 (-0,552299) -0,000690 (-0,587943) 0,032095*** (12,767706)

0,60 45

0,86 45

0,53 45

0,54 23

0,90 22

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie. (a) T-waarden aangepast voor heteroscedasticiteit via “White Heteroskedasticity-Consistent Standard Errors & Covariance” optie in Eviews (infra, paragraaf 5.2.2)

45

Als we de regressieresultaten voor periode drie in tabel 8 analyseren, stellen we vast dat het teken van de coëfficiënten bij de variabele ΔGIIPS tegengesteld is aan het teken in periode twee (tabel 7). Het negatieve teken betekent dat een grotere toename in GIIPS-obligaties leidt tot minder volatiliteit. Een verklaring hiervoor is niet onmiddellijk voorhanden. Deze bevinding wordt des te opvallender omdat ze voor de tijdspanne van acht weken na de bekendmaking significant is op het 1%-niveau. Een andere bevinding die we uit tabel 8 kunnen afleiden is dat ΔCore voor geen enkele regressie significant is. In periode twee was dit voor de termijn van zestien weken en acht weken vóór de resultaten wel nog het geval. Het teken blijft in vergelijking met periode twee wel gelijk. Tabel 8:Regressieresultaten Totale volatiliteit tijdens periode 3

cte ΔGIIPS(3tov2) ΔCore(3tov2) Totale activa Kapitaal Marktbèta

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

0,149825*** (4,302617) -0,000247* (-1,821555) -0,000104 (-0,632365) -0,007244** (-2,403523) -0,002740* (-1,994322) 0,034709*** (6,796309)

0,124838*** (3,159191) -0,000205 (-1,345964) -0,000122 (-0,672106) -0,005490 (-1,621624) -0,001246 (-0,820639) 0,033176*** (6,087801)

0,141571*** (3,400194) -0,000513*** (-3,219326) -0,000004 (-0,020646) -0,005220 (-1,532912) -0,004411** (-2,604810) 0,025990*** (6,140768)

-0,213152** (2,691169) -0,000027 (-0,131467) -0,001079 (-0,767270) -0,10435 (-1,708911) -0,003813 (-0,6448224) 0,030623** (2,957952)

0,077174*** (3,648596) -0,000571*** (-5,050606) -0,000026) (-0,367613) -0,003019 (-1,681612) -0,001557 (-1,658976) 0,031413*** (8,278657)

0,62 37

0,58 37

0,58 37

0,36 19

0,93 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

In tabel 9 worden de regressieresultaten weergegeven voor de Totale volatiliteit tijdens periode vier. Over het algemeen worden dezelfde bevindingen waargenomen als voor periode drie. Zowel wat betreft de statistische significantie als het teken van de parameters zijn de resultaten gelijkaardig. 46

Dit keer kan wel een mogelijke verklaring worden gegeven voor het negatieve teken bij de variabele ΔGIIPS. De Draghi-speech op 26 juli 2012 en de OMT-aankondiging op 6 september hebben er misschien voor gezorgd dat banken die hun GIIPS-portfolio’s uitbreidden t.o.v. de vorige periode deze keer niet meer zo risicovol aanzien werden door de markten. Met zijn woorden nam Draghi immers het risico weg dat de eurozone uit elkaar zou vallen. De vrees dat overheidsobligaties van de GIIPS-landen na het uiteenvallen van de eurozone in een andere munt zouden uitgedrukt worden, viel dus weg. Toch blijft het een merkwaardige vaststelling dat een toename van GIIPS-overheidsobligaties minder volatiliteit in de bankreturns teweeg brengt. Tabel 9: Regressieresultaten Totale volatiliteit tijdens periode 4

cte ΔGIIPS(4tov3) ΔCore(4tov3) Totale activa Kapitaal Marktbèta

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

0,128476*** (4,638810) -0,000174** (-2,603666) -0,000103 (-1,116179) -0,007383*** (-4,172015) -0,001525 (-1,292740) 0,022624*** (6,996940)

0,123749*** (5,049724) -0,000052 (-0,845630) -0,000078 (-0,935376) -0,005707*** (-3,569460) -0,002241** (-2,184323) 0,016185*** (10,176406)

0,173044*** (4,574615) -0,000340*** (-3,476543) -0,000081 (-0,590369) -0,007765*** (-2,983901) -0,003436** (-2,205511) 0,013178** (2,184950)

0,251911*** (4,217020) -0,000168* (-2,058964) -0,000195 (-0,518427) -0,013035*** (-3,907656) -0,003758 (-1,657944) 0,012319* (1,995605)

0,046799*** (3,099595) -0,000477 (-1,608534) 0,000001 (0,012815) -0,001227 (-0,973815) -0,000844 (-1,373684) 0,013909*** (4,024857)

0,80 36

0,87 36

0,56 36

0,79 18

0,85 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

Tot slot worden de controlevariabelen Totale activa, Kapitaal en Marktbèta over de vier perioden heen geanalyseerd. De coëfficiënt bij de variabele Totale activa is altijd negatief en in de helft van de regressies significant. Hoe groter de bank, hoe meer gediversifieerd en dus hoe lager de totale volatiliteit. Deze vaststelling is tegengesteld aan Baele et al. (2007). In hun studie domineert het bankgrootte-marktbèta-effect (positief effect op totale volatiliteit) het

47

bankgrootte-diversificatie-effect (negatief effect) waardoor het totale effect van bankgrootte op totale volatiliteit positief is. In ons onderzoek domineert kennelijk het negatieve bankgrootte-diversificatie-effect. Voor de variabele Kapitaal bekomen we voor de periode drie en vier wel hetzelfde resultaat als Baele et al. (2007). Hoe meer kapitaal een bank heeft, hoe lager de totale volatiliteit. Wanneer we de coëfficiënten van Marktbèta of het systematisch risico over de vier periodes analyseren, is het logisch dat ze in zowat alle regressies significant positief zijn op het 1%-niveau. De totale volatiliteit kan immers opgedeeld worden in systematisch en bedrijfsspecifiek risico (supra, p. 25). We kunnen concluderen dat voor de perioden drie en vier de resultaten voor de variabelen ΔGIIPS en ΔCore niet altijd aan de verwachtingen voldoen. ΔGIIPS heeft het tegenovergestelde teken dan verwacht. Hiervoor is moeilijk een logische interpretatie te vinden. ΔCore is dan weer niet significant voor beide perioden. Ook in paragraaf 5.1.1 zagen we al dat deze variabele een minder belangrijke rol speelt. In periode twee zijn de bevindingen meer zoals verwacht. Een toename van GIIPS-obligaties zorgt voor een stijging van de totale volatiliteit. Een toename van obligaties uit de Core-landen leidt tot minder volatiliteit. Ten opzichte van de regressies voor de afhankelijke variabele Bankreturn zien we dat de verklaringskracht nu groter is. De opname van Marktbèta als verklarende variabele is hierin van groot belang.

5.1.3 Resultaten voor Marktbèta In bijlage 3 bevindt zich voor de variabele Marktbèta een overzicht van de regressieresultaten per periode. Deze keer is Marktbèta de afhankelijke variabele. Over de resultaten tijdens periode één kunnen we kort zijn. Enkel de variabele Totale activa is significant. Deze variabele is voor bijna alle regressies in alle perioden significant. Hoe groter een bank dus is, hoe groter de marktbèta. Dit is consistent met de bevindingen in de literatuur (Baele et al., 2007; Schuermann & Stiroh, 2006; Stever, 2007; Stiroh, 2006). Tijdens de perioden twee, drie en vier is de variabele ΔGIIPS slechts in enkele regressies statistisch significant. Bovendien heeft de coëfficiënt alleen in de regressie voor periode twee over de tijdspanne van acht weken vóór de bekendmaking het verwachte positieve teken. 48

Banken die GIIPS-obligaties bijkochten tijdens deze periode, zijn gevoeliger voor marktschommelingen. De toename aan overheidsobligaties uit Duitsland, Nederland, Oostenrijk en Finland zorgt in geen enkele regressie voor een significant effect op de Marktbèta. Net zoals Baele et al. (2007) vinden we voor de vierde periode dat een hogere kapitaalratio gepaard gaat met een lager systematisch risico. Voor de andere perioden stellen we niet echt een significant effect vast.

5.1.4 Algemene conclusies Ten slotte formuleren we enkele algemene conclusies. Er wordt vastgesteld dat zowel een toename van GIIPS-overheidsobligaties als van Core-overheidsobligaties leidt tot lagere gemiddelde wekelijkse bankreturns, maar dat dit effect belangrijker is voor de toename van GIIPS-obligaties. Ook voor de Totale volatiliteit van de bankreturns en de Marktbèta is het effect dat uitgaat van de toename in GIIPS-obligaties veel significanter dan dat van de toename in obligaties uit de Core-landen. Dit wijst erop dat het bijkopen van GIIPS-obligaties zoals verwacht negatievere gevolgen heeft voor banken dan het bijkopen van Core-obligaties. De invloed die uitgaat van GIIPS-schuldpapier heeft echter niet altijd het verwachte teken. Vooral tijdens perioden drie en vier zijn de gevonden resultaten voor Totale volatiliteit en Marktbèta merkwaardig. Het is niet ondenkbaar dat tijdens deze perioden andere factoren dan deze opgenomen in ons empirisch model een belangrijke invloed hadden op deze afhankelijke variabelen. Dit wordt bevestigd door Petrella en Resti (2012). Zij maakten gebruik van een eventstudie en stellen dat bij de opstelling van de onderzoeksmethode rekening moet gehouden worden met de woeligheden die tijdens de eurocrisis plaats vonden. Hierbij aansluitend observeren Angeloni en Wolff (2012) dat de blootstelling aan staatsobligaties niet de voornaamste determinant is voor de prestaties van bankaandelen. In hun onderzoek blijkt de link tussen landenrisico en bankrisico ook door vele andere factoren verklaard te worden. Mogelijke factoren die tijdens periode drie een rol gespeeld hebben, betreffen de beslissing over de herkapitalisatie van de banken en de LTRO. Tijdens periode vier werd het OMT-programma aangekondigd. Door deze gebeurtenissen kijkt men misschien niet meer rationeel naar de hoeveelheid schuldpapier op de balansen van de banken. De rede op de 49

financiële markten is weg, objectieve maatstaven worden mogelijk niet meer in acht genomen. Ondanks dit alles blijft het opmerkelijk dat tijdens deze periodes een toename in GIIPSobligaties minder risico (Totale volatiliteit en Marktbèta) teweeg brengt. Voor periode twee bekomen we telkens de meest logische en verwachte effecten. Een toename van GIIPS-obligaties t.o.v. de vorige periode gaat gepaard met lagere bankreturns en meer risico. Een stijging van obligaties van de Core-landen t.o.v. de vorige periode leidt tot een lagere Totale volatiliteit. In deze periode verkrijgen we over het algemeen ook elke keer de meest significante resultaten voor wat betreft de variabelen ΔGIIPS en ΔCore. Een mogelijke verklaring voor de betere resultaten in periode twee is misschien de volgende: tijdens periode twee kreeg de bekendmaking van de informatie uit de stresstest veel aandacht. Het was immers de eerste keer dat men kon vergelijken met een vorige stresstest. Voor de bekendmaking in periode drie en vooral in periode vier, was er door de eerder vermelde gebeurtenissen minder belangstelling dan in periode twee. Mogelijk zorgde dit ervoor dat tijdens deze perioden de bankreturns minder of anders reageerden op de wijziging in blootstelling aan GIIPS-obligaties en Core-obligaties dan in periode twee. We wilden ook nagaan of er al dan niet een significant verschil bestaat tussen de acht weken vóór de bekendmaking en de acht weken erna. Dit is niet echt het geval. De resultaten zijn hierover dubbelzinnig. Als er enkel gekeken wordt naar de subsample van non-GIIPS-banken, vinden we dat voor de eerste periode voor alle drie de afhankelijke variabelen er geen andere effecten optreden. Ook Cardinali en Nordmark (2011) komen tot deze conclusie. De opdeling in veel-GIIPS-banken en weinig-GIIPS-banken levert wel enkele verschillen op. Voor Bankreturn is tijdens de tweede periode de parameter van ΔGIIPS bij de subsample van banken met veel GIIPS-schuldpapier significant op het 1%-niveau. Voor de banken met weinig obligaties uit de GIIPS-landen is de parameter niet significant. Dit bevestigt ons vermoeden dat bij veel-GIIPS-banken de bankreturns gevoeliger zijn aan een uitbreiding van GIIPS-obligaties dan bij weinig-GIIPSbanken. Hierbij moet wel vermeld worden dat dit effect enkel geldt tijdens de tweede periode. Voor de Totale volatiliteit is het effect voor de variabele ΔGIIPS ook anders tussen beide

50

subsamples. Maar hier zijn de effecten door de verschillende tekens niet eenduidig. Voor Marktbèta ten slotte is er tijdens de laatste twee perioden eveneens een verschil.

5.1.5 Robustness checks Om de robuustheid van de verkregen resultaten na te gaan, drukken we de overheidsobligaties uit als percentage van Core Tier 1-kapitaal i.p.v. Tier 1-kapitaal. Het Core Tier 1-kapitaal is van hogere kwaliteit omdat het kapitaal dat hierin zit aan strengere voorwaarden moet voldoen. Volgens de definitie van EBA (2011a) wordt als basis het Tier 1kapitaal gebruikt. Hiervan worden de hybride instrumenten zoals bijvoorbeeld preferente aandelen afgetrokken. Bestaande overheidssteun wordt wel gezien als Core Tier 1-kapitaal. De definitie is gebaseerd op bestaande EU-wetgeving aangaande de Capital Requirements Directive (CRD). We kozen ervoor om Tier 1-kapitaal als maatstaf te gebruiken voor het onderzoek omdat het Core Tier 1-kapitaal niet beschikbaar is voor de eerste stresstest. Er kon dan dus niet worden vergeleken tussen de eerste en de tweede periode. Vanaf de derde periode is vergelijken op basis van Core Tier 1-kapitaal wel mogelijk. De resultaten zijn niet significant verschillend van de resultaten die worden bekomen op basis van het Tier 1-kapitaal. Een tweede robustness check wordt uitgevoerd door de wijziging in overheidsobligaties t.o.v. de vorige periode uit te drukken in procent in plaats van in procentpunt. Ook dit levert geen significant verschillende resultaten op.

5.2 Veronderstellingen kleinste kwadraten-methode De coëfficiënten van de vergelijkingen uit het model worden geschat a.d.h.v. de kleinste kwadraten-methode. Deze methode berust op een aantal veronderstellingen. Indien aan deze veronderstellingen niet voldaan is, zijn de geschatte coëfficiënten en hun significantie niet altijd betrouwbaar. In deze paragraaf zullen we daarom nagaan of deze veronderstellingen al dan niet opgaan voor deze studie. Wegens bondigheid worden de veronderstellingen enkel nagegaan voor de tweede periode van elke afhankelijke variabele voor de regressie van zestien weken.

51

5.2.1 Multicollineariteit De eerste veronderstelling van de kleinste kwadraten-methode die wordt nagegaan is multicollineariteit. Multicollineariteit betekent dat een bepaalde graad van correlatie tussen sommige of alle verklarende variabelen aanwezig is. Het onderscheid moet gemaakt worden met perfecte multicollineariteit. Hierbij is er een exacte lineaire relatie tussen enkele of alle verklarende variabelen. De parameters kunnen dan niet geïdentificeerd worden. Perfecte multicollineariteit zal men in de praktijk echter niet vaak tegenkomen. Ook in het onderzoek van deze masterproef is er geen perfecte multicollineariteit. De parameters kunnen immers zonder problemen geschat worden. Een bepaalde graad van multicollineariteit is in de praktijk wel altijd aanwezig. Dit hoeft niet noodzakelijk een probleem te vormen. Het wordt slechts een probleem in de praktijk als de coëfficiënten insignificant worden omdat de schatters een grotere variantie en covariantie hebben. Dit doet de kans op het maken van een fout van type II stijgen (Everaert, 2011). Om na te gaan of er al dan niet sprake is van een multicollineariteitprobleem wordt de paarsgewijze correlatie tussen de verklarende variabelen berekend. Tabel 10 geeft een overzicht van de correlaties tussen de verschillende verklarende variabelen. We stellen vast dat er enkel tussen de variabelen ΔGIIPS en Kapitaal een grote mate van correlatie is. Tabel 10: Correlatiematrix tussen de verklarende variabelen voor periode 2 ∆GIIPS (2 tov 1) ∆GIIPS (2 tov 1) ∆Core (2 tov 1) Totale activa Kapitaal

1 -0,13 -0,25 -0,50

∆Core (2 tov 1) 1 0,09 0,09

Totale activa

1 0,10

Kapitaal

1

Een formele manier om een probleem van multicollineariteit op te sporen, wordt bekomen door aanvullende regressies uit te voeren. Daarbij wordt elke verklarende variabele op de overige verklarende variabelen geregresseerd. De Adj R² van deze regressies wordt vergeleken met de Adj R² van de oorspronkelijke regressies. Kleins vuistregel zegt dat de aanwezige multicollineariteit enkel een probleem vormt wanneer de Adj R² van de aanvullende regressies groter is dan de algemene Adj R². We vergelijken daarom de Adj R² in tabel 11 met de Adj R² van tabel 3 kolom 1 (0,27), van tabel 7 kolom 1 (0,60) en van de tweede tabel uit bijlage 3 52

kolom 1 (0,03). We constateren dat er enkel voor de afhankelijke variabele Marktbèta sprake is van een multicollineariteitsprobleem aangezien 0,25 en 0,20 groter zijn dan 0,03. Tabel 11: Adj R² van de aanvullende regressies van elke verklarende variabele voor periode 2 Verklarende variabele ∆GIIPS (2 tov 1) ∆Core (2 tov 1) Totale activa Kapitaal

Adj R² 0,25 -0,05 0,001 0,20

Een andere manier om na te gaan of er al dan niet sprake is van een probleem met multicollineariteit is door de variance inflation factor (VIF) per variabele te berekenen.13 De VIF’s voor ΔGIIPS, ΔCore, Totale activa en Kapitaal zijn respectievelijk 1,42; 1.02; 1,07 en 1,34. De kritieke waarde F3, 41 op het 5%-niveau is 2.84. De VIF’s geven dus aan dat er nergens sprake is van een multicollineariteitsprobleem. We besluiten dat de graad van multicollineariteit in dit onderzoek niet als problematisch kan beschouwd worden.

5.2.2 Homoscedasticiteit In deze paragraaf wordt gecontroleerd of de veronderstelling van homoscedasticiteit voldaan is. Homoscedasticiteit betekent dat de variantie van de storingstermen constant is. Als deze veronderstelling geschonden wordt, spreken we van heteroscedasticiteit (Gujarati & Porter, 2009).De kleinste kwadraten (KK) schatters blijven zuiver en consistent, maar ze zijn niet meer efficiënt. Ook de hypothesetesten zijn dan niet langer betrouwbaar. Mogelijke oorzaken van heteroscedasticiteit zijn specificatiefouten zoals het weglaten van relevante variabelen of de verkeerde functionele vorm (Everaert, 2011). Om op te sporen of er heteroscedasticiteit aanwezig is, maken we gebruik van de White’s General Heteroscedasticity test. Deze test is beschikbaar in het programma Eviews en de output vindt men terug in bijlage 4. De p-waarden zijn in de bijlage aangeduid in het vet en bedragen 0,1841 voor Bankreturn, 0,0015 voor Totale volatiliteit en 0,8541 voor Marktbèta. De nulhypothese van homoscedasticiteit kan dus enkel verworpen voor Totale volatiliteit. Voor deze variabele remedieerden we de heteroscedasticiteit door in Eviews de optie White’s 13

De VIF wordt op de volgende manier berekend: VIF = 1/(1-R²)

53

Heteroscedasticit-Consistent Standard Errors & Covariance in te schakelen. Hierdoor worden de t-waarden en de varianties aangepast, maar de coëfficiënten blijven gelijk.

5.2.3 Normale verdeling De voorwaarde van de normaliteit van de storingstermen wordt gecontroleerd door gebruik te maken van de geschatte storingstermen. We voeren een Jarque-Bera test uit via Eviews. Deze test veronderstelt een normale verdeling onder de nulhypothese. Voor Bankreturn vinden we een Jarque-Bera teststatistiek van 8,02. Dit is onder de χ²-kritische waarde van 9,21 op het 1%-siginificantieniveau, maar boven de kritische waarde van 5,99 op het 5%-niveau. We kunnen de nulhypothese van normaal verdeelde storingstermen dus verwerpen op het 5%-significantieniveau, maar niet op het 1%-niveau. De variabele Totale volatiliteit heeft een Jarque-Bera teststatistiek van 12,61. Deze keer kunnen we de nulhypothese ook verwerpen op het 1%-niveau. De KK schatter is dus niet normaal verdeeld. Asymptotische theorie stelt evenwel dat de KK schatter tendeert naar de normale verdeling indien het aantal observaties in de steekproef tendeert naar oneindig. De steekproef in deze studie bestaat uit 46 observaties. Dit is niet zo groot. De normale verdeling wordt daarom als benadering gebruikt. De t-test die gebruikt wordt om de significantie van de parameters na te gaan, moet voor Totale volatiliteit dus met de nodige voorzichtigheid worden geraadpleegd. De Jarque-Bera teststatistiek voor Marktbèta bedraagt 0,047. Dit is ver beneden de χ²kritische waarde van 5,99 op het 5% significantie-niveau waardoor we de nulhypothese, die stelt dat de storingstermen normaal verdeeld zijn, niet kunnen verwerpen.

5.2.4 Autocorrelatie Afwezigheid van autocorrelatie is ook een voorwaarde van de kleinste kwadratenmethode. Deze voorwaarde is geschonden wanneer de covarianties tussen de verschillende storingstermen niet allemaal gelijk zijn aan nul. Vermits we gebruik maken van cross-sectionele data zijn de verschillende storingstermen onderling onafhankelijk waardoor autocorrelatie niet echt relevant is (Verbeek, 2012). We zouden autocorrelatie formeel kunnen testen door de

54

Durbin-Watson test uit te voeren maar deze test berust op enkele voorwaarden die voor deze studie niet voldaan zijn. We beslissen daarom om deze test niet uit te voeren. Er kan besloten worden dat voor Bankreturn en Marktbèta de veronderstellingen van de kleinste kwadraten-methode voldaan zijn. Voor de variabele Totale volatiliteit ligt dit enigszins anders. De voorwaarden homoscedasticiteit en normale verdeling van de storingstermen zijn geschonden. De kleinste kwadraten-methode kan toch gehanteerd worden omdat we remediëren voor heteroscedasticiteit en de normale verdeling als benadering kan gebruikt worden.

55

6 Conclusie In deze masterproef werd geprobeerd om een beter inzicht te krijgen in de interactie tussen landenrisico en bankrisico. Er werd onderzocht hoe onrust over de financiële toestand van landen een impact heeft op banken. We onderzochten bijgevolg enkel de spillover effecten in de richting van landen naar banken. Daartoe werden aan de hand van de literatuur vijf transmissiekanalen besproken. Het gaat om het reële economie-kanaal, het onderpandkanaal, het garantiekanaal, het ratingkanaal en het activakanaal. Het reële economie-kanaal zorgt ervoor dat door besparingsmaatregelen van de overheid banken hun kredietrisico zien stijgen. Ten gevolge van de besparingen dalen consumptie en investeringen waardoor uitstaande leningen minder snel of niet volledig terugbetaald worden. Het onderpandkanaal geeft weer dat een hoger landenrisico de geschiktheid van overheidsschuld als onderpand vermindert, zodat de financieringscapaciteit van banken gereduceerd wordt. Het garantiekanaal houdt in dat een zwakkere overheid ertoe leidt dat banken voor hun financiering minder voordeel kunnen halen uit impliciete en expliciete overheidsgaranties. Dit komt op drie manieren tot uiting: via de impliciete bailout-garantie, via de garanties op obligaties die banken uitgeven en via de depositogaranties. Het garantiekanaal speelt hierdoor een zeer belangrijke rol in de transmissie van landenrisico naar bankenrisico. Het ratingkanaal drukt uit dat landenratings en bankenratings in nauwe wisselwerking met elkaar staan omdat een landenratingverlaging aangeeft dat de overheid minder garanties zal kunnen geven aan de financiële sector. We stellen dus vast dat transmissiekanalen elkaar zeker kunnen versterken. Ten slotte zorgt het activakanaal ervoor dat een dalende kredietwaardigheid van landen overslaat op banken omdat banken obligaties van deze landen op hun balans staan hebben. Vooral de home bias is van groot belang voor de besmetting van banken door landen. Deze transmissiekanalen wijzen erop dat vooral de invloed die uitgaat van het land waar de bank gevestigd is, doorslaggevend is bij de overdracht van risico van landen naar banken. Het empirisch onderzoek focuste op het activakanaal. We gingen voor vier periodes na wat de invloed is van de wijziging in blootstelling aan overheidsobligaties uit twee doelbewust gekozen landengroepen op de bankreturns, de totale volatiliteit en de marktbèta. Het gaat 56

meer bepaald om de GIIPS-landen en om de Core-landen Duitsland, Nederland, Oostenrijk en Finland. Zowel een toename van GIIPS-obligaties als van Core-obligaties leidt tot lagere bankreturns. Dit effect is wel meer uitgesproken voor de toename in GIIPS-obligaties. Ook voor de totale volatiliteit en de marktbèta is het effect dat uitgaat van de toename in GIIPSobligaties significanter. Dit wijst erop dat het bijkopen van GIIPS-obligaties zoals verwacht negatievere gevolgen heeft voor banken dan het bijkopen van Core-obligaties. Op de totale volatiliteit en de marktbèta heeft de verandering in GIIPS-schuldpapier echter niet altijd het verwachte effect. Vooral tijdens perioden drie (december 2011) en vier (oktober 2012) zijn de resultaten opmerkelijk. Het is niet ondenkbaar dat tijdens deze perioden andere factoren dan deze opgenomen in ons empirisch model een belangrijke invloed hadden. Mogelijke factoren zijn de beslissing over de herkapitalisatie van de banken en de LTRO in periode drie, en het OMT-programma in periode vier. Ondanks deze denkpiste, blijft het merkwaardig dat tijdens deze periodes een toename in GIIPS-obligaties minder risico teweeg brengt. De meest logische en verwachte effecten worden gevonden voor periode twee (juli 2011). Een toename van GIIPS-obligaties t.o.v. de vorige periode gaat in deze periode gepaard met lagere bankreturns en meer risico. Een stijging van Core-obligaties t.o.v. de vorige periode leidt tot een lagere totale volatiliteit. De betere resultaten in periode twee kunnen misschien verklaard worden door het feit dat in periode twee de bekendmaking van de resultaten van de stresstest veel aandacht kreeg. In periode drie en vooral in periode vier was dit al heel wat minder het geval. Factoren zoals LTRO en OMT kunnen hierbij een belangrijke rol gespeeld hebben. Er blijkt geen significant verschil te bestaan tussen de tijdspanne vóór de bekendmaking en de tijdspanne na de bekendmaking van de stresstesten. Dit suggereert dat de stresstesten niet echt hebben bijgedragen tot meer transparantie in de Europese bankensector. Bestaand onderzoek is het echter oneens met deze bevinding. De opdeling in banken met een grote blootstelling aan GIIPS-obligaties en banken met weinig blootstelling hieraan, levert wel enkele verschillen op. Voor de tweede periode heeft de 57

toename in GIIPS-obligaties een significant negatieve invloed op de bankreturns. Dit bevestigt ons vermoeden dat bij banken met een grote blootstelling aan GIIPS-obligaties, de bankreturns gevoeliger zijn aan een uitbreiding van GIIPS-obligaties dan bij banken met een lage blootstelling. Als we onze bevindingen uit het literatuuronderzoek met betrekking tot het bestaan van het activakanaal confronteren met onze resultaten, valt een opmerkelijke vaststelling te doen. Het activakanaal blijkt een belangrijke invloed te hebben op de CDS spreads van banken (Acharya et al., 2011; BIS, 2011; De Bruyckere et al., 2012). Wordt het activakanaal echter onderzocht door middel van bankaandelen in plaats van CDS spreads, staat de invloed van het activakanaal minder eenduidig vast (Angeloni & Wolff, 2012; Petrella & Resti, 2012). Deze masterproef maakt gebruik van bankaandelen als afhankelijke variabele en ook in ons onderzoek zijn de resultaten niet helemaal eenduidig. We vinden immers geen sluitend bewijs voor het bestaan van het activakanaal. In tegenstelling tot onze verwachtingen, hebben zowel GIIPS-obligaties als Core-obligaties (hoewel minder significant) namelijk hetzelfde effect op de bankreturns voor de vier periodes. Enkel via de totale volatiliteit vinden we in periode één en twee duidelijke aanwijzingen van het activakanaal. Banken die in deze periodes meer GIIPSobligaties en minder Core-obligaties hebben, zijn risicovoller. Er moet wel vermeld worden dat onze studie geconfronteerd werd met een aantal beperkingen. Daarom moeten bovenstaande conclusies met de nodige voorzichtigheid worden benaderd. Ten eerste is de dataset van banken gelimiteerd. Er worden slechts 46 banken opgenomen. Voor periode drie en vier daalt het aantal banken tot respectievelijk 37 en 36. Bovendien kunnen niet alle banken over de vier periodes worden geanalyseerd. Ten tweede zijn de tijdspannes om de gemiddelde wekelijkse bankreturns te berekenen arbitrair gekozen. Als we andere tijdspannes zouden kiezen, worden mogelijk andere resultaten bekomen. Factoren zoals LTRO en OMT zouden dan misschien minder de resultaten beïnvloeden. Ten slotte zijn voor de totale volatiliteit, niet alle veronderstellingen voldaan om de kleinste kwadraten-methode te mogen gebruiken als schatter. Omdat de resultaten in periodes drie en vier niet altijd aan de verwachtingen voldeden, zou verder onderzoek kunnen controleren voor factoren zoals LTRO en OMT die hiervoor mogelijk verantwoordelijk waren. Daarnaast zou een analyse die gebruik maakt van andere 58

tijdspannes om de gemiddelde wekelijkse bankreturns te berekenen ook nuttig kunnen zijn. Verder zou het verhelderend zijn om te weten of er een verschil bestaat tussen enerzijds de blootstelling aan overheidsobligaties op zich als verklarende variabele, en anderzijds de wijziging in blootstelling als verklarende variabele. Om af te sluiten volgen kort enkele beleidsaanbevelingen die kunnen getrokken worden uit de bevindingen van deze masterproef. Om de overdracht van risico van landen naar banken te verminderen, moeten overheden eerst en vooral zelf orde op zaken stellen. Naast begrotingsdiscipline en schuldafbouw kan een Europese begrotingsunie hiervoor een belangrijk hulpmiddel zijn. Om ervoor te zorgen dat onrust over de financiële toestand van landen niet langer overslaat op banken, is een bankenunie nodig. Dit zou de besmetting van banken door landen en de home bias aanzienlijk doen dalen. Er zou immers veel minder invloed uitgaan van het land waar de bank gevestigd is.

59

Literatuurlijst Acharya, V., Drechsler, I., & Schnabl, P. (2011). A Pyrrhic Victory? - Bank Bailouts and Sovereign Credit Risk. NBER Working Paper, 17136. Acharya, V., & Rajan, R. (2011). Sovereign Debt, Government Myopia, and the Financial Sector. NBER Working Papers, 17542. Acharya, V., & Steffen, S. (2013). The "Greatest" Carry Trade Ever? Understanding Eurozone Bank Risks. NYU Stern School of Business Working Paper. Aizenman, J., Hutchison, M., & Jinjarak, Y. (2011). What is the Risk of European Sovereign Debt Defaults? Fiscal Space, CDS spreads and Market Pricing of Risk. NBER Working Paper, 17407. Alter, A., & Schuler, Y. (2011). Credit spread interdependencies of European states and banks during the financial crisis. University of Konstanz Working Paper Series, 34. Angeloni, C., & Wolff, G. (2012). Are banks affected by their holdings of government debt? Bruegel Working Paper, 7. Arezki, R., Candelon, B., & Sy, A. (2011). Sovereign rating news and financial market spillovers: evidence from the European debt crisis. IMF Working Papers, 68. Avdjiev, S., & Caruana, J. (2012). Sovereign creditworthiness and financial stability: an international perspective. Banque de France Financial Stability Review, 16. Baele, L., De Jonghe, O., & Vander Vennet, R. (2007). Does the stock market value bank diversification? Journal of Banking & Finance, 31(7), 1999-2023. BIS. (2011). The impact of sovereign credit risk on bank funding conditions. Committee on the Global Financial System Papers, 43. Blundell-Wignall, A., & Slovik, P. (2010). The EU Stress Test and Sovereign Debt Exposures. OECD Working Papers on Finance, Insurance and Private Pensions, 4. Bolton, P., & Jeanne, O. (2011). Sovereign Default Risk and Bank Fragility in Financially Integrated Economies. IMF Economic Review, Palgrave Macmillan, 59(2), 162-194. Borensztein, E., & Panizza, U. (2009). The Costs of Sovereign Default. IMF Staff Papers, 56(4), 683-741. Brown, C. O., & Dinç, I. S. (2011). Too Many to Fail? Evidence of Regulatory Forbearance When the Banking Sector Is Weak. The Review of Financial Studies, 24(4), 1380-1405. Cardinali, A., & Nordmark, J. (2011). How informative are bank stress tests? - Bank opacity in the European Union (Ongepubliceerde Masterproef). Lund University, Zweden.

IX

Correa, R., Lee, K., Sapriza, H., & Suarez, G. (2012). Sovereign Credit Risk, Banks' Government Support, and Bank Stock Returns aroud the World. BoG of the Federal Reserve System, International Finance Discussion Papers, 1069. De Bruyckere, V., Gerhardt, M., Schepens, G., & Vander Vennet, R. (2012). Bank/sovereign risk spillovers in the European debt crisis. NBB Working Paper, 232. Demirgüc-Kunt, A., & Huizinga, H. (2010). Are Banks Too Big to Fail or Too Big to Save? International Evidence from Equity Prices and CDS Spreads. European Banking Center Discussion, 15. Diamond, D., & Rajan, R. (2011). Fear of Fire Sales and the Credit Freeze. Quarterly Journal of Economics, 126(2), 557-591. EBA. (2010a). Aggregate outcome of the 2010 EU wide stress test exercise coordinated by CEBS in cooperation with the ECB. http://www.eba.europa.eu/documents/10180/15938/Summaryreport.pdf. EBA.

(2010b). Questions & Answers 2010 EU-wide stress http://www.eba.europa.eu/documents/10180/15938/QAs.pdf.

testing

exercise.

EBA. (2011a). European Banking Authority: 2011 EU-Wide Stress Test Aggregate Report. http://www.eba.europa.eu/documents/10180/15935/EBA_ST_2011_Summary_Report _v6.pdf. EBA. (2011c). The EBA publishes Recommendation and final results of bank recapitalisation plan as part of coordinated measures to restore confidence in the banking sector. http://www.eba.europa.eu/documents/10180/15971/Press+release+FINALv2.pdf. EBA. (2012). Final report on the implementation of Capital Plans following the EBA's 2011 Recommendation on the creation of temporary capital buffers to restore market confidence. http://www.eba.europa.eu/documents/10180/15956/Finalreportrecapitalisationexercis e.pdf. ECB. (2012). Speech by Mario Draghi, President of the European Central Bank at the Global Investment Conference in London 26 July 2012. Verbatim of the remarks made by Mario Draghi. Everaert, G. (2011). Econometrie [Cursusslides]. Gent: Universiteit Gent. Frömmel, M. (2012). Beleggingsleer [Cursusslides]. Gent: Universiteit Gent. Gennaioli, N., Martin, A., & Rossi, S. (2013). Sovereign Default, Domestic Banks and Financial Institutions. Journal of Finance, Forthcoming. Available at SSRN: http://ssrn.com/abstract=2023428. Gropp, R., Gruendl, C., & Guettler, A. (2010). The impact of public guarantees on bank risk taking: evidence from a natural experiment. ECB Working Papers, 1272. X

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (fifth ed.). Singapore: McGraw-Hill. Hull, J., Predescu, M., & White, A. (2004). The Relationship Between Credit Default Swap Spreads, Bond Yields, and Credit Rating Announcements. Journal of Banking & Finance, 28(11), 2789-2811. IMF. (2010). Sovereigns, Funding and Systemic Liquidity. Global Financial Stability Report oktober 2010. IMF. (2011). Grappling with Crisis Legacies. Global Financial Stability Report september 2011. IMF. (2012). Restoring Confidence and Progressing on Reforms. Global Financial Stability Report oktober 2012. Jenkins, P., & Murphy, M. (2011, 18 juli). Quality of stress test disclosures a mixed bag. Financial Times Europe. Levy, A., & Schich, S. (2010). The Design of Government Guarantees for Bank Bonds: Lessons from the Recent Financial Crisis. OECD Journal: Financial Market Trends, 2010(1). Merler, S., & Pisani-Ferry, J. (2012). Who is afraid of sovereign bonds? Bruegel Policy Contribution, 2. Peersman, G., & Schoors, K. (2012). De Perfecte Storm. Gent: Borgerhoff & Lamberigts. Petrella, G., & Resti, A. (2012). Do Stress Tests Reduce Bank Opaqueness? Lesson from the 2011 European Exercise. Available at SSRN: http://ssrn.com/abstract=1968681 Popov, A., & Van Horen, N. (2013). The impact of sovereign debt exposure on bank lending: Evidence from the European debt crisis. DNB Working Papers, 382. Schuermann, T., & Stiroh, K. J. (2006). Visible and hidden risk factors for banks. Federal Reserve Bank of New York Staff Report, 252. Stever, R. (2007). Bank size, credit and the sources of bank market risk. BIS Working Papers, 238. Stiroh, K. J. (2006). A portfolio view of banking with interest and noninterest activities. Journal of Money, Credit and Banking, 38(5), 1351-1361. Verbeek, M. (2012). A Guide to Modern Econometrics (fourth ed.). New York: John Wiley & Sons Ltd.

XI

Bijlagen Bijlage 1: Overzicht van de banken opgenomen in de studie Land

Naam bank

EBA

Opmerkingen

Oostenrijk

Erste Bank

AT001

Oostenrijk

Raiffeisen Bank International

AT002

België

Dexia

BE004 In periode 3 en 4 niet opgenomen door ontmanteling in oktober 2011.

België

KBC

BE005

Cyprus

Marfin/ Cyprus Popular Bank

CY006

Cyprus

Bank Of Cyprus

CY007

Denemarken

Danske Bank

DK008

Denemarken

Jyske Bank

DK009

Frankrijk

BNP Paribas

FR013

Frankrijk

Crédit Agricole S.A.

FR014

Frankrijk

Société Générale

FR016

Duitsland

Deutsche Bank

DE017

Duitsland

Commerzbank

DE018

Griekenland

EFG Eurobank Ergasias

In periode 3 en 4 niet opgenomen omdat de GR030 blootstelling aan overheidsobligaties niet werd vrijgegeven. Dit geldt voor alle Griekse banken.

Griekenland

National Bank Of Greece

GR031 In periode 3 en 4 niet opgenomen.

Griekenland

Alpha Bank

GR032 In periode 3 en 4 niet opgenomen.

Griekenland

Piraeus Bank

GR033 In periode 3 en 4 niet opgenomen.

Griekenland

Agricultural Bank Of Greece

GR034 In periode 3 en 4 niet opgenomen.

Griekenland

Hellenic Postbank

GR035 In periode 3 en 4 niet opgenomen.

Ierland

Allied Irish Banks

IE037

Ierland

Bank Of Ireland

IE038

Italië

Intesa Sanpaolo

IT040

Italië

UniCredit

IT041

Italië

Banca Monte Dei Paschi Di Siena

IT042

Italië

Banco Popolare

IT043

Italië

UBI Banca

IT044

Malta

Bank Of Valletta

MT046

Nederland

ING

NL047

Nederland

SNS Bank

NL050

Portugal

Millennium BCP

PT054

Portugal

Espírito Santo Financial Group

PT055

Portugal

Banco BPI

PT056

Spanje

Banco Santander

ES059

Spanje

BBVA

ES060

XII

Land

Naam bank

EBA

Opmerkingen

Spanje

BFA-Bankia

Spanje

Banco Popular Español

Spanje

Banco De Sabadell

In periode 3 en 4 niet opgenomen omdat de ES065 blootstelling aan overheidsobligaties niet werd vrijgegeven.

Spanje

Bankinter

In periode 3 en 4 niet opgenomen omdat de ES069 blootstelling aan overheidsobligaties niet werd vrijgegeven.

Zweden

Nordea

SE084

Zweden

Skandinaviska Enskilda Banken

SE085

Zweden

Svenska Handelsbanken

SE086

Zweden

Swedbank

SE087

Verenigd Koninkrijk

The Royal Bank of Scotland

GB088

Verenigd Koninkrijk

HSBC

GB089

Verenigd Koninkrijk

Barclays

GB090

Verenigd Koninkrijk

Lloyds Banking Group

GB091

In periode 1 en 2 niet opgenomen omdat BFAES061 Bankia pas op 20 juli op de beurs genoteerd was. In periode 4 niet opgenomen omdat de blootstelling aan overheidsobligaties niet werd vrijgegeven. ES064

XIII

Bijlage 2: Scatterplots van Marktbèta t.o.v. ΔGIIPS, ΔCore en Totale activa tijdens de tweede periode (Marktbèta’s gaan over een tijdspanne van zestien weken) 3.0 2.5

MARKTBETA

2.0 1.5 1.0 0.5 0.0 -0.5 -100

-50

0

50

100

150

200

GIIPS2TOV1

3.0 2.5

MARKTBETA

2.0 1.5 1.0 0.5 0.0 -0.5 -40

-20

0

20

40

60

80

CORE2TOV1

3.0 2.5

MARKTBETA

2.0 1.5 1.0 0.5 0.0 -0.5 8

9

10

11

12

13

14

15

LNTOTALEACTIVA

XIV

Bijlage 3: Tabellen met regressieresultaten voor Marktbèta tijdens de vier perioden

Periode 1 cte GIIPS Core Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w non-GIIPS

-1,072136 (-1,122333) 0,029303 (0,550588) -0,003412 (-0,055249) 0,251796*** (3,685735) -0,061283 (-1,457984)

-1,433429 (-1,245969) 0,038215 (0,596225) 0,017417 (0,234201) 0,266600*** (3,240366) -0,049691 (-0,981628)

0,016006 (0,012623) -0,014801 (-0,209524) -0,087187 (-1,063739) 0,208263** (2,296765) -0,089443 (-1,603205)

-1,787206 (-1,705646) 0,068396 (0,993107) -0,021515 (-0,269830) 0,237345*** (3,392657) 0,008948 (0,127288)

0,27 45

0,22 45

0,09 45

0,33 24

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Non-GIIPS is een subsample met enkel banken uit landen die niet tot de GIIPS behoren.

Periode 2 cte ΔGIIPS(2tov1) ΔCore(2tov1) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

-0,176160 (-0,193453) 0,002767 (1,153123) 0,001946 (0,525635) 0,129309** (2,092903) 0,010964 (0,255860)

0,123679 (0,071027) 0,014129*** (3,079721) 0,002553 (0,360755) 0,032467 (0,274805) 0,144978* (1,769240)

0,041793 (0,038271) 0,001916 (0,665846) 0,001988 (0,447914) 0,136903* (1,847669) -0,028344 (-0,551540)

0,978975 (0,513240) 0,001629 (0,564618) 0,023116 (0,852188) 0,041673 (0,317719) 0,005287 (0,093557)

-0,820054 (-0,487366) 0,001531 (0,138978) 0,001609 (0,359348) 0,205644** (2,165419) -0,020650 (-0,182464)

0,03 45

0,12 45

0,01 45

-0,14 23

0,06 22

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

XV

Periode 3 cte ΔGIIPS(3tov2) ΔCore(3tov2) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

-1,839458 (-1,584836) -0,008017* (-1,795227) 0,000398 (0,070230) 0,297342*** (3,299523) -0,011652 (-0,245266)

-2,507562** (-2,084851) -0,009941** (-2,148120) 0,001068 (0,181913) 0,326983*** (3,501451) 0,005738 (0,116560)

-1,222200 (-0,708276) -0,002598 (-0,391304) -0,003010 (-0,357213) 0,270209* (2,016786) -0,020661 (-0,292521)

-1,677009 (-0,840628) -0,000592 (-0,111641) -0,044234 (-1,288537) 0,047805 (0,304259) 0,283816** (2,157550)

-1,027974 (-0,676515) -0,018032** (-2,741084) 0,003097 (0,614225) 0,306730** (3,069383) -0,095958 (-1,517464)

0,22 37

0,28 37

0,01 37

0,41 19

0,41 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

Periode 4 cte ΔGIIPS(4tov3) ΔCore(4tov3) Totale activa Kapitaal

Adj R² Observaties

(1) 16w

(2) 8w voor

(3) 8w na

(4) 16w veel-GIIPS

(5) 16w weinig-GIIPS

4,187233*** (3,119939) -0,001587 (-0,428081) 0,002019 (0,393712) 0,036404 (0,371159) -0,221718*** (-4,259303)

6,943805*** (2,810784) -0,006029 (-0,883277) -0,000213 (-0,022540) 0,014435 (0,079955) -0,362701*** (-3,785270)

2,226221** (2,114021) 0,000829 (0,285084) 0,003311 (0,822649) 0,050370 (0,654504) -0,122522*** (-2,999678)

7,065642*** (3,853006) 0,000513 (0,139850) -0,015941 (-0,978167) -0,171905 (-1,209907) -0,226769** (-2,831716)

-0,886445 (-0,747074) -0,058961*** (-3,415214) 0,0052387 (1,655107) 0,237226*** (3,091147) -0,081220* (-1,850712)

0,32 36

0,28 36

0,15 36

0,35 18

0,67 18

Het schatten van de vergelijkingen gebeurt volgens de kleinste kwadraten-methode. T-waarden worden weergegeven tussen haakjes. ***, **, * betekent statistisch significant op het 1%, 5% en 10%-niveau. 16w, 8w voor, 8w na betekent respectievelijk 16 weken, 8 weken voor de bekendmaking van de resultaten, 8 weken na de bekendmaking van de resultaten. Veel (weinig) GIIPS is een subsample met enkel banken die meer (minder) blootstelling hebben aan GIIPS-landen (als % van Tier 1-kapitaal) dan de mediaanobservatie.

XVI

Bijlage 4: White’s General Heteroscedasticity test voor de variabelen Bankreturn, Totale volatiliteit en Marktbèta voor periode 2 over 16 weken

Heteroskedasticity Test: White voor Bankreturn F-statistic Obs*R-squared Scaled explained SS

1.600661 6.209105 9.978424

Prob. F(4,40) Prob. Chi-Square(4) Prob. Chi-Square(4)

0.1930 0.1841 0.0408

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/23/13 Time: 09:02 Sample: 1 45 Included observations: 45

C GIIPS2TOV1^2 CORE2TOV1^2 LNTOTALEACTIVA^2 KAPITAAL^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

0.000903 -2.97E-09 -1.12E-08 -2.43E-06 -2.68E-06

0.000360 1.35E-08 4.74E-08 1.94E-06 1.35E-06

2.506818 -0.220813 -0.236042 -1.251133 -1.986612

0.0163 0.8264 0.8146 0.2182 0.0538

0.137980 0.051778 0.000426 7.27E-06 288.0045 1.600661 0.192969

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.000215 0.000438 -12.57798 -12.37724 -12.50314 1.212151

XVII

Heteroskedasticity Test: White voor Totale F-statistic Obs*R-squared Scaled explained SS

6.019241 19.60063 25.94646

volatiliteit

Prob. F(5,39) Prob. Chi-Square(5) Prob. Chi-Square(5)

0.0003 0.0015 0.0001

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/23/13 Time: 09:10 Sample: 1 45 Included observations: 45

C GIIPS2TOV1^2 CORE2TOV1^2 LNTOTALEACTIVA^2 KAPITAAL^2 MARKTBETA^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

0.000487 9.38E-08 -4.19E-08 -2.97E-06 3.87E-06 -7.10E-05

0.000543 2.09E-08 7.25E-08 3.02E-06 2.03E-06 5.61E-05

0.896696 4.496324 -0.578040 -0.980844 1.900763 -1.267142

0.3754 0.0001 0.5666 0.3327 0.0647 0.2126

0.435570 0.363207 0.000642 1.61E-05 270.1407 6.019241 0.000322

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.000424 0.000805 -11.73959 -11.49870 -11.64978 1.022475

XVIII

Heteroskedasticity Test: White voor Marktbèta F-statistic Obs*R-squared Scaled explained SS

0.307477 1.342370 0.997730

Prob. F(4,40) Prob. Chi-Square(4) Prob. Chi-Square(4)

0.8713 0.8541 0.9101

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/23/13 Time: 09:22 Sample: 1 45 Included observations: 45

C GIIPS2TOV1^2 CORE2TOV1^2 LNTOTALEACTIVA^2 KAPITAAL^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient

Std. Error

t-Statistic

Prob.

0.528142 -4.26E-06 -3.46E-05 -0.000877 -0.000687

0.347225 1.30E-05 4.57E-05 0.001871 0.001299

1.521038 -0.328346 -0.756036 -0.468579 -0.528745

0.1361 0.7444 0.4541 0.6419 0.5999

0.029830 -0.067187 0.410888 6.753156 -21.17755 0.307477 0.871267

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

0.286738 0.397744 1.163447 1.364187 1.238281 1.879038

XIX