Empirisch onderzoek naar liquiditeitspremie op de aandelenmarkten van de Benelux en Frankrijk

FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2001-2002

Empirisch onderzoek naar liquiditeitspremie op de aandelenmarkten van de Benelux en Frankrijk.

Scriptie voorgedragen tot het bekomen van de graad van: licentiaat in de economische wetenschappen Tom Van Laere onder leiding van Prof. Dr. J. Annaert

FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2001-2002

Empirisch onderzoek naar liquiditeitspremie op de aandelenmarkten van de Benelux en Frankrijk.

Scriptie voorgedragen tot het bekomen van de graad van: licentiaat in de economische wetenschappen Tom Van Laere onder leiding van Prof. Dr. J. Annaert

Ondergetekende Tom Van Laere bevestigt hierbij dat onderhavige scriptie mag worden geraadpleegd en vrij mag worden gefotokopieerd. Bij het citeren moet steeds de titel en de auteur van de scriptie worden vermeld.

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk

I

Woord vooraf Ik bedank Prof. Dr. Jan Annaert en het Ghent Finance Center voor hun medewerking aan mijn scriptie. Ik bedank verder mijn nonkel Omer Van Laere en tante Maria Van Dooren voor het financieren van mijn studies en mijn vriendin Marjolein Van Eynde voor de steun.

Universiteit Gent

2001-2002


II

Inhoudsopgave

INLEIDING

1

DEEL 1 :

DEFINITIE EN BELANG VAN LIQUIDITEIT

3

DEEL 2 :

DE INVLOED VAN DE INVOERING VAN DE EURO

8

2.1 2.2 2.3 2.4

INLEIDING ALGEMENE INVLOED VAN DE KOMST VAN EUROLAND OP DE LIQUIDITEIT CLUSTERING VAN LIQUIDITEIT . B EURSFUSIES ALS OPLOSSING.

DEEL 3 :

8 8 15 16

HET EMPIRISCH ONDERZOEK

19

3.1 INLEIDING 3.2 DRIE BEURZEN :B RUSSEL, AMSTERDAM EN PARIJS . 3.3 DE GEBRUIKTE AANDELEN . 3.4 DE PERIODE. 3.5 SAMENVATTENDE STATISTIEKEN VAN DE GEBRUIKTE AANDELEN . 3.6 HET MODEL 3.6.1 INLEIDING 3.6.2 P ANEL DATA 3.6.3 RISICO 3.6.3.1 Inleiding 3.6.3.2 Het SIM. 3.6.3.3 Het CAPM. 3.6.3.4 Risico in ons model. 3.6.4 DE LIQUIDITEITSMAATSTAVEN . 3.6.4.1 Inleiding. 3.6.4.2 Het gebruik van liquiditeitsmaatstaven. 3.6.4.3 De marktkapitalisatie. 3.6.4.4 Het volume. 3.6.4.5 De bid-ask spread. 3.6.4.6 Correlatie tussen de maatstaven. 3.6.4.7 Verschil in liquiditeitspremies per beurs. 3.6.5 DE SECTOR. 3.6.6 DE BEURS- EN TIJDSDUMMIES.

Universiteit Gent

19 19 25 27 28 36 36 37 38 38 39 40 42 52 52 52 54 55 56 57 58 59 61

2001-2002


III

3.7 DE RESULTATEN . 3.7.1 INLEIDING. 3.7.2 P ROBLEMEN . 3.7.3 DE RESULTATEN . 3.7.3.1 Regressie met marktkapitalisatie. 3.7.3.2 Regressie met omzet. 3.7.3.3 Maandelijkse regressies. 3.7.3.4 Andere studies. 3.7.3.4.1 De invloed van de euro. 3.7.3.4.2 De invloed van de beursfusies en verdere analyse omtrent de euro. 3.7.4 BESLUIT EN BLIK OP DE TOEKOMST .

62 62 62 65 65 69 71 74 74 77 77

ALGEMEEN BESLUIT

79

Universiteit Gent

2001-2002


IV

Lijst van Figuren

Figuur 1: Excess-marktrendement op het aandeel met spread nul. _____________________ 5 Figuur 2: Aandelenrendementen: Land-tegenover industrie-effect (MSCI Large caps). ____ 14 Figuur 3: Outputgap in % van het potentieel Bruto Binnenlands Produkt._______________ 23 Figuur 4: De efficiënte grens en de Capital Allocation Line. _________________________ 39 Figuur 5: De Security Market Line. ____________________________________________ 41 Figuur 6: Marktindex gebaseerd op maandrendementen. ___________________________ 43 Figuur 7: Maandelijkse afwijking ten opzichte van Parijs voor Brussel. ________________ 72 Figuur 8: Maandelijkse afwijking ten opzichte van Parijs voor Amsterdam. _____________ 73 Figuur 9: Samenstelling van aandelenportefeuilles van pensioenfondsen in Nederland. ____ 75 Figuur 10: Belgian all shares, CDAX, SBF 250 en DJ EURO STOXX General. _________ 76

Universiteit Gent

2001-2002


V

Lijst van Tabellen

Tabel 1: Totale marktkapitalisatie in miljoen € en aantal blue chips.___________________ 20 Tabel 2: Algemene statistieken Beurs van Brussel. ________________________________ 29 Tabel 3: Algemene statistieken Beurs van Amsterdam. _____________________________ 30 Tabel 4: Algemene statistieken Parijs. __________________________________________ 32 Tabel 5: Aantal aandelen per beurs en volgens soort. _______________________________ 35 Tabel 6: Rekenkundig gemiddelden van bovenstaande statistieken. ___________________ 36 Tabel 7: Beta en sector van aandelen genoteerd op beurs van Brussel. _________________ 44 Tabel 8: Beta en sector van aandelen genoteerd op beurs van Amsterdam. ______________ 45 Tabel 9: Beta en sector van aandelen genoteerd op beurs van Parijs.___________________ 47 Tabel 10: Rekenkundig gemiddelde van de excess-maandrendementen gecontoleerd voor risico, opgedeeld volgens periode en beurs. ______________________________ 51 Tabel 11: Standaardafwijking, maximum en minimum van de excess-maandrendementen gecontroleerd voor risico, opgedeeld volgens beurs, voor geheel de periode. ____ 51 Tabel 12: Rekenkundig gemiddelde van de gemiddelde marktkapitalisatie per aandeel, opgedeeld per beurs in miljoen €. ______________________________________ 55 Tabel 13: Het rekenkundig gemiddelde van de gemiddelde verhandelde hoeveelheid van elk aandeel per beurs in duizendtallen. _____________________________________ 56 Tabel 14: Rekenkundig gemiddelde van de gemiddelde bid-ask spread van elk aandeel per beurs in €. ________________________________________________________ 57 Tabel 15: Correlaties tussen de verschillende liquiditeitsmaatstaven. __________________ 58 Tabel 16: Rekenkundig gemiddelde van het belang dat elk aandeel gemiddeld in de marktkapitalisatie heeft. _____________________________________________ 59

Universiteit Gent

2001-2002


VI

Tabel 17: FTSE sectorindeling.________________________________________________ 60 Tabel 18: Waarnemingen van inkomen volgens opleiding en geslacht. _________________ 63 Tabel 19: Gemiddelde waarden en de berekende geschatte waarden. __________________ 64 Tabel 20: Basisregressie met marktkapitalisatie. __________________________________ 65 Tabel 21: Verschil ten opzicht e van de constante. _________________________________ 66 Tabel 22: Verschil ten opzichte van Parijs. _______________________________________ 67 Tabel 23: Basisregressie met volume.___________________________________________ 69 Tabel 24: Afwijking ten opzichte van Parijs. _____________________________________ 70

Universiteit Gent

2001-2002


1

Inleiding Vanaf 1999 waren er regelmatig berichten in het nieuws dat de beurs van Brussel het niet zo goed deed. Het is interessant om eens dieper te kijken naar de oorzaak van deze berichten. We weten dat de prestatie van een beurs afhangt van de aandelen die er op noteren. Het zou kunnen dat de bedrijven die deze aandelen hebben uitgegeven het allemaal slechter hebben gedaan ten opzichte van bedrijven in andere delen van Europa. Dit zou ervoor zorgen dat de uitgekeerde dividenden en de prijs, als verdiscontering van de verwachte toekomstige dividenden, het niet zo goed hebben gedaan, wat de prestaties negatief beïnvloed heeft. Een andere mogelijke verklaring zou het relatief grotere risico dat vanaf 1999 voor, in Brussel noterende, aandelen zou ontstaan zijn, waardoor de risicopremie omhoog moest. Hierdoor stijgt de verdisconteringrente, waardoor de prijzen van de aandelen negatief worden beïnvloed. Deze twee voorgaande verklaringen bieden evenwel geen voldoening, omdat er weinig aanwijzingen in deze richtingen waren. Toen kwam het woord liquiditeit op de proppen en misschien was het wel deze factor die de meeste invloed heeft gehad op het slechte presteren van de beurs van Brussel. De veranderende liquiditeitssituatie voor de beurs van Brussel in het algemeen zou wel eens kunnen te maken gehad hebben met de invoering van de euro, die een vooruitgang op het vlak van integratie tussen de eurolanden betekende. In het jaar 2000 kwam dan het bericht dat de beurs van Brussel ging fuseren met de beurzen van Amsterdam en Parijs. Het liquiditeitsaspect kwam ook hier sterk naar voor in de verklaring voor de totstandkoming van de fusie.

Het probleem is nu dat liquiditeit een moeilijk begrip is, waarvan de definitie misschien wel al op punt staat, maar een direct afleesbare, correcte maatstaf is nog niet beschikbaar. Verder moeten we ook kijken op welke manier liquiditeit de rendementseis beïnvloedt en in welke mate ze dit doet. Aan de hand van een zelf ontwikkeld model gaan we de invloed die liquiditeit heeft gehad op de prestaties van de drie gefuseerde beurzen ontleden. We gaan de liquiditeitspositie bekijken voor de beurs in het algemeen. Dit betekent dat we de liquiditeitspositie onderzoeken als een ruimer begrip dan de som van de liquiditeitsposities van de aandelen die op deze beurzen zijn genoteerd.

Universiteit Gent

2001-2002


2

We gaan met andere woorden in ons model controleren voor allerlei mogelijke factoren, waaronder ook liquiditeitsmaatstaven voor elk individueel aandeel, om zo de recente liquiditeitsevolutie voor de drie beschouwde te kunnen onderzoeken. We gaan de liquiditeitspositie analyseren aan de hand van de invloed die deze gehad heeft op de rendementsevolutie.

We hebben onze analyse nu in verschillende stukken opgedeeld. We proberen om eerst via een theoretische onderbouwing de verwachte evolutie van de rendementen te bekijken. We gaan hiervoor eerst na wat liquiditeit is en wat de invloed van liquiditeit is op het rendement dat een bepaald aandeel zal behalen. Vervolgens gaan we kijken naar de mogelijke invloed die de invoering van de euro kan gehad hebben op de de liquiditeitspositie in geheel de Eurozone. Verder onderzoeken we theorieën over de clustering van liquiditeit en wat hiervan het gevolg kan zijn voor kleinere beurzen. Tenslotte gaan we in op de recente ontwikkelingen op het vlak van beursfusies, die deels een reactie zijn op de verdere integratie door de euro en de clustering van liquiditeit. Na de theoretische beschouwing over de verwachte rendementsevolutie gaan we ons opgesteld model van naderbij bekijken. We gaan de factoren waarvoor we controleren analyseren en we bekijken hoe we ze in ons model kunnen opnemen. Ook onze eigen onderzoeksvariabelen gaan we analyseren. In een laatste deel gaan we de resultaten van ons model beoordelen en proberen ze te toetsen aan de verwachtingen die we vanuit onze theoretische beschouwingen hebben opgebouwd. Tenslotte werpen we ook een blik op de toekomst.

Universiteit Gent

2001-2002


3

Deel 1 : Definitie en belang van liquiditeit Het bestuderen van liquiditeit op aandelenbeurzen heeft de laatste jaren meer en meer aandacht gekregen. Dit kan verklaard worden door de komst van pensioen- en beleggingsfondsen en andere institutionele beleggers. Een liquide aandelenbeurs zorgt er namelijk voor dat alle transacties (groot en klein) snel, en met lage kost, kunnen worden uitgevoerd, zonder dat de prijs verandert. Doordat grote beleggers een groot kapitaal beheren, kunnen ze door een grote transactie te plaatsen op een illiquide aandeel, de prijs doen veranderen. Anderzijds is het ook zo dat indien ze in een bepaald aandeel hebben belegd, en het aandeel willen verkopen, ze dit bij illiquide markten niet onmiddellijk kunnen, omdat er te weinig kopers zijn en omgekeerd indien ze een groot kooporder willen plaatsen. Dit zorgt ervoor dat grote beleggers eerder geneigd zullen zijn om naar liquide aandelen te gaan. Verder is de derde factor in de definitie: de lage kost van transacties, ook belangrijk voor actieve beleggers, omdat zij in sommige gevallen door middel van het nagaan van marktinefficiënties, snel van aandeel zullen willen veranderen, als er nieuwe opportuniteiten gevonden worden. Dit brengt ons bij de uitleg over het ontstaan van een liquiditeitspremie voor aandelen, vergelijkbaar

met

de

liquiditeitspremie

die

vereist

is

voor

vastrentende

lange

termijnbeleggingen.

In 1986 brachten Amihud en Mendelson een artikel uit dat is uitgegroeid tot basiswerk voor de studie van liquiditeit op aandelenbeurzen. In dit onderzoek gaan ze uit van de negatieve correlatie die er is tussen liquiditeit (die gemeten werd door traditionele maatstaven zoals bijvoorbeeld handelsvolume) en de bid-ask spread. De bid-ask spread is een middel waarbij men de illiquiditeit kan meten door de kost te zien voor onmiddellijke uitvoering. “An investor willing to transact faces a tradeoff: He may either wait to transact at a favorable price or insist on immediate execution at the current bid or ask price. The quoted ask (offer) price includes a premium for immediate buying, and the bid price similarly reflects a concession required for immediate sale (AMIHUD Y. en MENDELSON H.,1986, blz. 223).”

Universiteit Gent

2001-2002


4

Ze ontwikkelen een model waarbij ze tot twee eigenschappen komen.

“Proposition 1 (clientele effect). Assets with higher spreads are allocated in equilibrium to portfolios with (the same or ) longer expected holding periods. Proposition 2 (spread-return relationship). In equilibrium, the observed market (gross) return is an increasing and concave piecewise-linear function of the (relative) spread (AMIHUD Y. en MENDELSON H.,1986, blz. 228).”

Ze geven verder nog aan hoe dit intuïtief kan aangetoond worden. De positieve correlatie tussen return en spread weerspiegelt de vergoeding die beleggers willen voor hun transactiekosten. De concaviteit van het resultaat volgt uit het cliënteeleffect waarbij bij langetermijnbeleggers de kosten over een langere holding period kunnen verdelen. Dit zorgt er dan verder weer voor dat hoe langer de holding period is, des te smaller de compensatie die vereist is voor een grotere bid-ask spread. Omdat het nu juist de langetermijnbeleggers zijn die in deze hoge spread aandelen stappen, stijgt de return vereist voor een grotere spread minder dan proportioneel mee met de stijging van de spread (AMIHUD Y. en MENDELSON H., 1986, blz. 228-229). We krijgen dus vergelijkbaar met de liquiditeitspremietheorie voor vastrentende effecten een stijgende en concave curve, waarbij voor een grotere bid-ask spread een grotere return is vereist. In onderstaande figuur bekijken we het resultaat van hun model met arbitrair gekozen waarden. Empirisch zullen ze dezelfde vorm voor de liquiditeitspremie bekomen. We zullen in ons onderzoek ook rekening houden met deze concaviteit voor het rendementsverloop wanneer we liquiditeitsmaatstaven in ons model gebruiken. Onderstaande figuur geeft het rendement weer dat de markt geeft op aandelen, bovenop het rendement dat een aandeel zou behalen met een spread van nul.

Universiteit Gent

2001-2002


5

Figuur 1: Excess-marktrendement op het aandeel met spread nul. Excess-marktrendement op het aandeel met spread nul. 0.18

0.16

Excess-marktrendement

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0 0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

0.045

Relatieve bid-ask spread

Bron: AMIHUD Y. en MENDELSON H., 1986, blz. 230.

We hebben door middel van voorgaand model nu ook een mogelijke verklaring voor een marktinefficiëntie die door Fama en French wordt naar voor gebracht: namelijk dat de grootte van een bedrijf negatief is gecorreleerd met de rendementseis. Dit wordt niet gevat door het CAPM (zie infra blz 40). (BODIE Z., KANE A. en MARCUS J, 2001, blz.393-397) Deze hogere rendementseis is nu geen goed nieuws voor het bedrijf dat zich financiert op de aandelenbeurs. Indien een bedrijf een illiquide aandeel heeft op de beurs, zal haar financieringskost stijgen, wat bijkomende investeringen minder aantrekkelijk maakt. De waarde van het bedrijf zal door deze gestegen financieringskost dalen, wat als negatief wordt ervaren (OOGHE H., 1998, blz. 125). Bedrijven kunnen dus door hun liquiditeit te verhogen een lagere financieringskost bekomen. Indien een bedrijf nog niet op de beurs noteert, kan het door een notering een hogere liquiditeit bekomen en dus voordeel doen. Nog andere mogelijkheden om liquiditeit te verhogen, indien ze al op de beurs zijn genoteerd, zijn bijvoorbeeld meer informatie verlenen en maar met één aandeel noteren in plaats van met verschillende aandelen.

Recent onderzoek heeft verder uitgewezen dat de variabele kost van liquiditeit een nietdiversifieerbare factor bevat, en het dus een deel uitmaakt van het marktrisico. Chordia, Roll en Subrahmayam vinden namelijk een gelijklopendheid in de variabele kost van liquiditeit. “Quoted spreads, quoted depth, and effective spreads co-move with market- and industrywide liquidity (CHORDIA T., ROLL R. en SUBRAHMANYAM A., 2000, blz.3).

Universiteit Gent

2001-2002


6

Dit betekent dus dat naast de hogere return, die vereist wordt door de hogere transactiekosten (zie supra blz. 4), ook een hoger rendement wordt vereist van aandelen die een hogere gevoeligheid hebben voor algemene liquiditeitsschokken.

Een heel andere kwestie is het verband tussen liquide aandelenmarkten en marktefficiëntie. De analyse die hierop volgt zal aantonen dat we voor liquiditeitsmaatstaven moeten oppassen. Het is namelijk zo dat aandelenmarkten misschien wel veel handel vertonen, maar dat dit enkel maar is door zogenaamde ‘noise-trading’. Markten die efficiënt zijn (hier geeft aandelenprijs direct alle beschikbare informatie weer) kennen noise-trading minder en zullen dus in feite ook minder liquide geacht worden. Daarvoor is het interessant om ook eens te kijken of er geen maatstaven bestaan die een onderscheid maken tussen liquiditeit die ontstaat door noise-trading en liquiditeit die ontstaat door de opname van nieuwe informatie. Noise trading ontstaat door personen die geen geïnformeerde transacties uitvoeren. Deze personen zorgen ervoor dat prijzen van hun evenwicht afwijken, waardoor de personen die geïnformeerde transacties uitvoeren de prijs terug naar het evenwicht duwen. Indien nu een markt volledig efficiënt werkt, zal er bij de komst van nieuwe informatie, maar pas kunnen gehandeld worden indien er noise-traders zijn, die toelaten aan de geïnformeerde traders om een tegenpartij te vinden. Marktefficiëntie vereist anderzijds ook dat de prijswijzigingen, die door noise-traders ontstaan indien er geen nieuwe informatie is, ook moeten worden vermeden. Hier zitten we dus met een paradox. Enerzijds hebben we noise-traders nodig die toelaten te handelen indien het evenwicht verandert en anderzijds wensen we zo weinig mogelijk de gevolgen te dragen van noise-traders, omdat zij de prijzen doen afwijken van hun evenwicht. In beide gevallen leidt een hogere liquiditeit evenwel tot betere resultaten. Prijsafwijkingen zullen snel worden goedgemaakt bij liquide markten en nieuwe informatie zal snel in de prijs vervat zitten. Het is nu gewoon zo dat we bij sommige maatstaven voor liquiditeit bekijken wat de verhandelde hoeveelheid is per procent afwijking van de prijs. We moeten hierbij dus opletten, want het kan dus zijn dat een zeer liquide aandeel met veel wijzigingen in de beschikbare informatie door zulke maatstaven als minder liquide zal worden beschouwd dan een ander aandeel dat weinig nieuwe informatie had te bieden en dus veel transacties voor weinig veranderende prijswijzigingen laat optekenen (BERNSTEIN P., 1987, blz.54-62).

Universiteit Gent

2001-2002


7

In dit hoofdstuk hebben we een definitie en een verklaring voor het belang van liquiditeit van aandelenmarkten gegeven. Het blijkt dat liquiditeit nodig is om de kapitaalkost van bedrijven onder controle te houden. Verder is liquiditeit belangrijk om markten efficiënt te laten functioneren. In een volgend hoofdstuk gaan we proberen na te gaan hoe de liquiditeitssituatie er,volgens theoretische overwegingen, door de komst van Euroland zou moeten uitzien.

Universiteit Gent

2001-2002


8

Deel 2 : De invloed van de invoering van de euro

2.1

Inleiding

We gaan in dit hoofdstuk na hoe de liquiditeitspositie evolueert en verder zal evolueren door de komst van de euro. We onderscheiden in dit hoofdstuk drie verschillende onderdelen. Eerst gaan we kijken hoe de liquiditeitspositie in het algemeen is geëvolueerd en zal evolueren voor Euroland. Vervolgens gaan we in op theorieën die nagaan hoe clustering en netwerkexternaliteiten ons een verschillende liquiditeitspositie voor grote en kleine beurzen doen vooropstellen. Tenslotte gaan we in op de komst van beursfusies die aan het probleem dat zich stelt voor de kleinere beurzen het hoofd wil bieden. 2.2

Algemene invloed van de komst van Euroland op de liquiditeit

De komst van Euroland heeft vele gevolgen voor de financiële wereld. Ik belicht hier enkel de invloed op de liquiditeit voor aandelenbeurzen. Hier gaan we in op de vraag wat er met de liquiditeitspositie in de Eurozone in het algemeen is gebeurd en hoe ze verder zal evolueren.

Het woord ‘euro’ wordt steeds in één adem uitgesproken met ‘integratie’. Het is nu dezelfde integratie die zou moeten leiden tot een grotere liquiditeit op aandelenmarkten. Integratie kan tot een grotere liquiditeit leiden op verschillende manieren. Ten eerste zijn de uitgevers van kapitaal heterogeen, en hebben ze dus belang bij de aanwezigheid van vergelijkbare bedrijven op de markt. Dit is nodig om een competitieve prijs te bekomen. Doordat er al vergelijkbare bedrijven op de markt aanwezig zijn, is het zo dat de markt zich sneller een beeld kan vormen wat betreft het andere bedrijf. Geïntegreerde markten zorgen er dus voor dat de gehele waaier van bedrijven aanwezig is op de beurs, wat meer bedrijven zal aanzetten tot het plaatsen van kapitaal op de beurs. Dit maakt de cirkel rond, want door de komst van meer bedrijven, zijn er ook weer meer bedrijven die vergelijkbare bedrijven op de beurs hebben. Deze evolutie verhoogt de aandacht die er is voor een beurs, wat de liquiditeitspositie ten goede komt (DUISENBERG W., 1999, blz. 4).

Universiteit Gent

2001-2002


9

De tweede reden waarom meer integratie leidt tot meer liquiditeit is de uitstraling die uitgaat van een groter gebied, met meer economische slagkracht. De uitstraling die Euroland op het buitenland (niet Euroland) heeft, zal groter zijn dan de som van de individuele landen. Dit zorgt er voor dat buitenlandse beleggers zich sterker aangetrokken zullen voelen, om in Euroland te beleggen. Dit verhoogt tevens de liquiditeitspositie door het grotere aantal participanten (DUISENBERG W., 1999, blz. 4). De derde reden waarom men meer liquiditeiten bekomt op grote, geïntegreerde markten, is door netwerkexternaliteiten en schaalvoordelen. Doordat een markt liquide is, zal ze kleinere transactiekosten kennen dan een minder liquide beurs. Dit zorg ervoor dat beleggers en uitgevers van krediet worden aangetrokken, wat er verder voor zorgt dat de markt meer liquide wordt. We krijgen hier dus een vicieuze cirkel (ECB, 1999, blz. 39). Deze vicieuze cirkel verklaart ook een structureel probleem voor de liquiditeit in Euroland. Het is namelijk zo dat in Euroland er veel meer indirect gefinancierd wordt dan in Angelsaksische landen. Dit zorgt ervoor dat er minder aandelenkapitaal wordt aangeboden, wat de liquiditeitspositie negatief beïnvloedt. Op deze manier is het ook moeilijker om de vicieuze cirkel aan te zwengelen. Een laatste reden die integratie van de aandelenmarkten tot gevolg kan hebben, is in feite een samenvoeging van de tweede en derde reden. Het gaat hierbij namelijk over de wisselwerking die bestaat tussen de liquiditeit op de wisselmarkten en de liquiditeit op de aandelenmarkten. Er kan tussen deze twee markten een vicieuze cirkel ontstaan op de volgende manier: indien de aandelenmarkten van Euroland meer liquide worden, worden ze aantrekkelijker voor buitenlandse beleggers. Dit zorgt ervoor dat buitenlandse beleggers meer transacties plaatsen op de wisselmarkten. Door deze grotere activiteit op de wisselmarkten, is het zo dat deze markt ook liquider wordt. Door deze evolutie wordt beleggen in het buitenland ook minder duur, doordat de transactiekosten voor wisselkoersomzetting ook goedkoper worden. Op deze manier werken wisselkoersmarkten en aandelenmarkten op elkaar in en vergroten elkaars liquiditeit. Portes gebruikt voor deze vicieuze cirkelgedachte de volgende uitspraak: “My entering the market increases its liquidity for you, and conversely” (PORTES R., 2001, blz. 9).

Universiteit Gent

2001-2002


10

Na het te hebben gehad over de mogelijkheden van integratie voor liquiditeit beginnen we met de vraag te stellen wat in het algemeen als vereiste wordt gesteld voor integratie. Een geharmoniseerd

regulerend

kader

evenals

geharmoniseerde

marktpraktijken

zijn

sleutelfactoren (DUISENBERG W., 1999, blz. 5). We kunnen hier verschillende zaken onder verstaan. De overheid moet, om integratie te bevorderen, bijvoorbeeld harmoniseren qua belastingen. Monetair moet er een marktvriendelijk beleid worden gevoerd. Op het vlak van marktpraktijken moeten er gelijkaardige handelssystemen worden ontwikkeld. Verder moeten de kosten en de termijn voor de uitvoering van een transactie voor een buitenlands beursorder (intra Euroland) gelijk zijn aan een binnenlands beursorder en tenslotte moet informatie over de grenzen heen makkelijk verkrijgbaar en interpreteerbaar zijn (Dit wordt bijvoorbeeld verkregen door een zelfde boekhoudkundig systeem) (DANTHINE J-P., GIAVAZZI F. en VON THADDEN E., 2000, blz. 13-15). Voor grotere liquiditeit zijn ook meer niet-Euroland beleggers nodig. De voorwaarden voor integratie die hierboven zijn opgesomd, gelden ook voor hen. Verder zijn er toch nog drie bijkomende voorwaarden voor buitenlandse beleggers. Ten eerste hechten zij extra belang aan in welke mate in de Eurozone de prijsstabiliteit kan gewaarborgd worden. Ten tweede is de correlatie tussen de rendementen van de financiële aandelen in Euroland en de rendementen van aandelen van buiten Euroland van belang. Tenslotte is de algemene economische performantie van de Eurozone van belang (ECB, 1999, blz. 40).

We gaan nu achtereenvolgens na wat in het voordeel speelt voor de integratie van de aandelenmarkten in Euroland en wat er in het nadeel speelt. Ten eerste is het zo dat Europese aandelenbeurzen verplicht zijn geweest om hun regelende en technische infrastructuur aan te passen, zodat ‘remote access’ mogelijk zou zijn. Dit betekent met andere woorden dat de aandelenbeurzen de mogelijkheid moeten bieden aan beleggers en financiële intermediairs uit niet-Euroland om zonder restricties over heel de Europese kapitaalmarkt te beleggen (ECB, 1999, blz. 36). De tweede reden die in het voordeel van meer integratie spreekt, is het feit dat meer en meer aandelenbeurzen allianties willen aangaan. Dit zorgt ervoor dat men een verdere aanpassing van de infrastructuur en een betere informatiedoorstroming ontwikkelt, zodat de integratie verder kan spelen (zie infra, blz. 16) (ECB, 1999, blz. 36).

Universiteit Gent

2001-2002


11

Een derde reden is het vrije kapitaalverkeer door het ‘Single Market Program’. Dit zorgt ervoor dat kapitaal vrij mag bewegen zonder kapitaalrestricties. Dit kan integratie ten goede komen door het feit dat barrières hiermee werden weggenomen tussen kapitaalmarkten in de Europese Unie (PORTES R., 2001, blz. 4). Een vierde reden is de komst van de euro zelf. Deze heeft ervoor gezorgd dat er op budgettair en monetair vlak veel verschillen tussen de landen zijn weggewerkt. Door het verdrag van Maastricht worden de overheden van de verschillende Eurolanden gedwongen om een gezond budgettair beleid te voeren. Aan monetaire zijde probeert de Europese Centrale Bank een beleid te voeren dat gericht is op prijsstabiliteit. Verder zijn door de komst van de euro, wisselkoersschommelingen en intrestverschillen weggewerkt. Deze budgettaire en monetaire maatregelen moeten ervoor zorgen dat het vertrouwen in de kapitaalmarkten door residenten en niet-residenten toeneemt, zodat grotere integratie en liquiditeit kan optreden (ROUWENHORST K., 1998, blz. 2).

Tevens zijn er ook nog vele factoren die de integratie van aandelenmarkten tegenhouden. Het grootste probleem blijkt de grote kost en moeilijkheid om, binnen Euroland, betalingen en transacties te doen over de grenzen heen. Het blijkt namelijk dat er in Euroland veel meer betalings- en handelssystemen zijn, in tegenstelling tot de Verenigde Staten. Een studie van Padoa-Schioppa uit 1999 komt hierbij tot het volgende: “…the euro area (split in 11 countries) has 18 large-value systems, 23 securities settlement systems an 13 retail payment systems. The United States has 2 large payment systems, 3 securities settlement systems and 3 retail payments systems.” (PADOA-SCHIOPPA T., 1999). Uit een andere studie van de ECB bleek dat kosten voor een binnenlandse transactie zelden meer dan € 0.10 of € 0.15 bedroegen. Transacties over de grenzen heen kostten daarentegen € 3.5 tot € 26 voor kleine transacties en van € 31 tot € 400 voor grote transacties. Verder bleek ook dat de termijn van uitvoering voor een bepaalde transactie in het binnenland zo’n drie dagen was, dit terwijl dit voor een transactie over de grenzen heen tot meer dan een week kon duren (DANTHINE J-P., GIAVAZZI F. en VON THADDEN E., 2000, blz. 13-15) Op het vlak van de aandelenmarkten zelf bleek dat een poging om tot één groot transactieplatform te komen mislukte onder invloed van individuele belangen. Er was bijvoorbeeld een groot plan waarbij de zes grootste aandelenbeurzen van de Eurozone, samen met de beurzen van Londen en Zurich, een pan-Europees platform zouden vormen voor de verhandeling van blue chips.

Universiteit Gent

2001-2002


12

Dit plan is samen met zovele andere pan-Europese plannen de vuilnisbak in gegaan doordat het echt wel moeilijk bleek om historisch onafhankelijke markten te integreren. Verder bleken ook individuele belangen bleken te sterk te spelen. Doordat gebleken is dat een sterke stap voorwaarts te veel tegenwind krijgt, is men dan maar gradueel beginnen werken naar de komst van een pan-Europese markt toe. Toch zijn er al initiatieven die niet op pan-Europees vlak, maar wel grensoverschrijdend vlak, de voordelen van integratie proberen te bereiken. Er waren de besprekingen tussen de London Stock Exchange en de Deutsche Börse, maar deze zijn ook gevallen over individuele belangen van brokers, die dachten dat hun belangen niet beschermd waren. Anderzijds was er de komst van Euronext, die in een eerste stadium de beurzen van Parijs, Amsterdam en Brussel samenbracht en nog verder aan uitbreiden denkt (zie bvb. overname beurs van Lissabon en de overname van Liffe). Bij de bespreking van de voordelen voor integratie bleken allianties, zoals die van Euronext, hier dan ook toe te behoren. (GALATI G. en TSATSARONIS K., 2001, blz. 17-18) Een andere reden waarom integratie negatief wordt beïnvloed, is het feit dat, naast het Verdrag van Maastricht, het heel moeilijk blijkt om belastingen te harmoniseren. We kunnen hiervoor bijvoorbeeld kijken naar de moeilijke onderhandelingen die er geweest zijn omtrent de harmonisatie van de roerende voorheffing.(DANTHINE J-P., GIAVAZZI F. en VON THADDEN E., 2000, blz. 13-15)

Nu we besproken hebben wat het belang is van integratie op liquiditeit en wat de voordelen en nadelen zijn van de Eurozone op deze integratie, gaan we aan de hand van sectoren landeffecten van aandelenrendementen na of de integratie al dan niet plaatsvindt. Ik bekijk hierbij eerst de onderzoeksmanier van Heston en Rouwenhorst. In hun onderzoek bekijken ze namelijk hoe de lage correlaties tussen landindexrendementen kunnen verklaard worden. Ze geven hiervoor twee mogelijke redenen. Ten eerste geven ze de sectorverklaring: “Because industries are imperfectly correlated, equity markets with different industry composition will also be imperfectly correlated (HESTON S. en ROUWENHORST K., 1994, blz. 4).” Ze bedoelen hiermee dat diversifiëren over landen vooral voordelen biedt, omdat er verschillen in industriële samenstelling zijn. Een tweede verklaring voor de lage correlatie is de volgende: “local monetary and fiscal policies, differences in institutional and legal regimes and regional economic shocks induce large country-specific variation in returns (HESTON S. en ROUWENHORST K., 1994, blz. 4).”

Universiteit Gent

2001-2002


13

Het komt er dus op neer dat landspecifieke factoren de lage correlatie tussen de landrendementen verklaren en niet de industriële samenstelling. In hun paper komen ze, na een econometrisch onderzoek op 12 Europese landen, tot het resultaat dat landspecifieke effecten de grootste invloed hebben op de lage correlatie tussen landen. Dit brengt ons tot een belangrijk gegeven. Door de lage correlatie tussen landen is het zo dat diversifiëren in één sector over verschillende landen interessanter is dan diversifiëren binnen één land over verschillende sectoren. “Diversification across industries within a single country only reduces portfolio variance to 38% of the average stock variance, but diversification across countries within a single industry reduces the portfolio variance to 20% (HESTON S. en ROUWENHORST K., 1994, blz. 20).” Hieruit blijkt dus dat beleggingsstrategieën die in het verleden meer landgericht waren, tot betere resultaten leidden. Het feit dat landspecifieke factoren het belangrijkste waren, wijst erop dat er in 1994 helemaal nog geen sprake was van integratie tussen de Europese staten. In 1998 heeft Rouwenhorst een nieuwe beschouwing gemaakt, waarbij hij de vraag stelt of de komst van Euroland tot meer integratie heeft geleid. Dit zou er voor zorgen dat sectorspecifieke factoren meer en meer de lage correlatie tussen landen verklaren. Tevens geeft hij hierbij nog een andere verklaring voor de lage correlatie tussen landrendementen: de ‘home bias’. Dit zorgt ervoor dat beleggers, meer dan optimaal, in eigen land beleggen. De redenen waarom de komst van de euro nu tot meer beleggingen in sectoren, in plaats van in landen zal leiden, hebben we hierboven gegeven (zie supra, blz. 8). Rouwenhorst kwam in zijn onderzoek van 1998 nog steeds uit dat landeffecten de belangrijkste verklaring gaven voor de lage correlatie (ROUWENHORST, 1998, blz. 4). In andere onderzoeken, die op latere datum zijn uitgevoerd, wordt er toch al enige invloed van de komst van de euro gezien. De Vijlder, Mackel en Praet zijn op dezelfde manier als Rouwenhorst te werk gegaan en zien vanaf midden 1998 het sectoreffect aan kracht winnen ten opzicht van het landeffect. Vanaf augustus 1999 komen ze uit dat het sectoreffect zelfs groter is geworden (DE VIJLDER W., MACKEL F. en PRAET P., 2000, blz. 168-170). Dit wijst erop dat beleggen in verschillende sectoren interessanter wordt. We kunnen de evolutie van het belang van landeffecten en industrie-effecten zien in onderstaande figuur. We zien hier dat het industrie-effect in de periode januari 1981-augustus 1998 kleiner was dan het landeffect, maar dat in de periode september 1998 tot en met augustus 1999 het industrieeffect, het landeffect domineert.

Universiteit Gent

2001-2002


14

Figuur 2: Aandelenrendementen: Land-tegenover industrie-effect (MSCI Large caps).

Bron: DE VIJLDER W., MACKEL F. en PRAET P, 2000, blz. 170)

De vraag blijft natuurlijk hoezeer de home bias blijft spelen en hoezeer men reeds geloofd in deze sectorbeleggingen. Verder zal het, zoals hierboven reeds aangegeven, van belang zijn hoe groot de transactiekosten zullen zijn. Dus we komen wel uit dat sectoriële beleggingen het logische gevolg zouden moeten zijn van de grotere integratie, maar door transactiekosten kunnen deze sectoriële beleggingen op korte termijn uitblijven. Andere studies wijzen toch op de komst van meer sectoriële beleggingen. In de paper van Danthine, Giavazzi en von Thadden wordt hierbij verwezen naar een paper van Malliaropoulos en Priestly. Zij komen uit dat het percentage van verwachte rendementen dat door landspecifieke factoren kan verklaard worden is gedaald van van 77% voor de periode 1991-1995 tot 34% voor de periode 1996-1998.Verder wordt er ook nog verwezen naar een survey van Goldman Sachs/Watson Wyatt voor fondsmanagers. Deze studie kwam tot resultaat dat door de komst van de euro 70% van de managers hun asset allocation gingen herzien, en 64% van de managers zei dat de nieuwe allocatie op sectoren in plaats van landen zou gebaseerd zijn. (DANTHINE J-P., GIAVAZZI F. en VON THADDEN E., 2000, blz. 2830) We moeten verder kijken naar de verschillende liquiditeitsposities die hieruit kunnen voortvloeien. Indien er dus grotere integratie optreedt zal over het algemeen de liquiditeitspositie verbeteren. Toch is het zo dat indien geen werk wordt gemaakt van de problemen omtrent de verschillende handelssystemen en de verschillende grootte van beurzen, de liquiditeitspositie van verschillende beurzen sterk kan wijzigen in positieve of negatieve zin. Ik werk dit verder uit in volgende paragraaf.

Universiteit Gent

2001-2002


2.3

15

Clustering van liquiditeit.

We weten uit het stuk over de invloed van de komst van de euro op liquiditeit, dat sectoriële beleggingen meer en meer van belang zijn. Deze sectoriële beleggingen zouden tot gevolg kunnen hebben dat de aandacht voor kleinere aandelen en kleinere aandelenbeurzen verslapt. Dit kan de liquiditeit van deze kleinere aandelen en beurzen in het gedrang brengen. Institutionele beleggers, die zo weinig mogelijk transactiekosten willen dragen, kunnen een voordeel behalen door zich vooral op liquide aandelen te concentreren uit verschillende sectoren. Door de werking van vicieuze cirkels kan de liquiditeit van reeds liquide aandelen nog verbeteren. Bij liquide aandelen denken we dan vooral aan blue chips op grotere aandelenbeurzen. Het is op basis van enkele theorieën dat we deze clustering van liquiditeit zullen proberen aan te tonen. 1.In de paper van Admati en Pfleiderer(1988) wordt de clustering van liquiditeit en handelsvolume gebruikt om de waarneming te verklaren dat handel zich op bepaalde momenten van de dag concentreert. “Their central result is that if traders have discretion over the timing of their trades, they all will tend to bunch at times when they expect the others to be trading as well, since that is the time at which liquidity is highest (PAGANO, 1989, blz. 256). 2.Een andere theorie van Pagano (1989) over de keuze van markt voor de verhandeling van een bepaald aandeel komt uit dat, indien de prijs voor de verhandeling gelijk is, de handel zal plaatshebben op één markt. In het geval dat de handelsprijs verschillend is zijn er evenwel meerdere evenwichten mogelijk. Enerzijds zijn er evenwichten waarbij de handel zich concentreert op één markt, anderzijds zijn er evenwichten waar grote beleggers op een aparte markt handelen of direct een handelspartner zoeken buiten de markt. De situatie waarbij de handel zich situeert op één markt is een uitzonderlijke situatie bij verschillende transactieprijzen. Verder is het dus mogelijk dat grote beleggers, los van de kleine beleggers, handelen indien de liquiditeit op de ene markt groter is dan op de andere markt. De transactiekosten op de meer liquide markt zijn hierbij wel groter dan op de minder liquide markt. Toch is het zo dat grote beleggers willen betalen voor de extra liquiditeit, die ervoor zorgt dat ze hun transacties sneller kunnen uitvoeren.

Universiteit Gent

2001-2002


16

Kleine beleggers hebben minder belang bij de liquiditeit en zullen hierdoor op de markt met kleinere transactiekosten beleggen. Op het vlak van welvaart komt Pagano uit dat concentratie op één markt voor de verhandeling van het aandeel over het algemeen meer voordelig is dan de fragmentering over twee markten (PAGANO, 1989, blz. 255-269). We komen dus voor beide theorieën uit dat handel onder normale omstandigheden zal clusteren. In ons empirisch onderzoek gaan we nu onderzoeken of grotere beurzen, door de komst van de euro, voordelen hebben gekend. De redenen waarom de euro clustering of verdere clustering zou toelaten door de grotere integratie hebben we in het voorgaande deel beschreven.

2.4

Beursfusies als oplossing.

In vorige paragraaf over de clustering van liquiditeit op grotere aandelen en beurzen, gingen we er vanuit dat het beurslandschap nog niet volledig is geïntegreerd. We hebben hierboven ook al aangetoond dat deze integratie een proces van lange duur is. In deze paragraaf leggen we het belang uit die beursfusies in dit integratieproces kunnen spelen. Het feit dat er nu nog zoveel verschillende manieren zijn om aandelen te verhandelen, is deel van de verklaring waarom beurzen in het algemeen een verschillende liquiditeitspositie kunnen ontwikkelen. Ik heb ook reeds aangetoond dat, door een endogene vicieuze cirkelwerking, het de grotere beurzen zijn die hierbij in het voordeel zijn, omdat zij de meeste blue chips hebben en dus de grootste aandacht krijgen. Het belang van de beursfusies zit hem nu in het creëren van de integratie die nodig is om de verschillen in de liquiditeitspositie tussen grote en kleine beurzen weg te werken. Er zijn nu twee zuivere vormen in het verhandelen van aandelen. Je hebt de dealer-market waarbij marktmakers als tegenpartij fungeren in elke transactie. Ze hebben dus twee prijzen voor elk aandeel. Enerzijds heb je de koopprijs (bid price) en anderzijds heb je de verkoopprijs (ask price). Dit houdt dus in dat er telkens een transactiekost is die gelijk is aan de spread tussen deze twee prijzen. Een tweede zuivere vorm van handel is de veilingmarkt. Dit is een markt waarbinnen beleggers met elkaar handelen zonder interventie van een marktmaker. Er zijn twee vormen: je hebt de call auction waarbij er als een echte veiling wordt gewerkt en je hebt een continue veiling, waar er wordt gewerkt via limietorders.

Universiteit Gent

2001-2002


17

Limietorders zijn orders die pas uitgevoerd worden indien de belegger kan handelen tegen een prijs die hij zelf heeft vastgesteld. Het probleem dat zich op deze markt stelt, is de onzekerheid omtrent de prijs van het aandeel. Het hangt nu af van belegger tot belegger op wat voor markt men wil terechtkomen. Handelaars die hun transacties direct willen zien uitgevoerd worden, moeten terecht op een dealer-markt waarop de marktmakers hun prijzen hebben geafficheerd. Kleinere of geduldigere beleggers verkiezen eerder de veilingmarkt waar ze, zonder verlies aan transactiekosten, al naar gelang hun limietorders gradueel hun order zien uitgevoerd worden. Institutionele beleggers willen nu ook meer en meer op ordergedreven beurzen handelen, omdat ze hier minder met transactiekosten worden geconfronteerd, wat hun resultaat sterk kan beïnvloeden. Ze willen dus zelfs onmiddellijke uitvoering laten schieten. In de praktijk wordt er meestal gebruik gemaakt van hybride vormen, die dan zoveel mogelijk op de noden van allerlei handelaars ingaan (DEGRYSE H. EN VAN ACHTER M., 2001, blz.3-4).

Is er nu een voordeel van integratie (fusies of overnames) van aandelenbeurzen op liquiditeit? Het antwoord op deze vraag is ja, indien de voordelen van integratie kunnen spelen en er verder een stok achter de deur zit tegen te hoge monopoliekosten. De voordelen van enerzijds integratie en anderzijds fragmentatie kunnen op een rijtje worden gezet: “Integratie (consolidatie): heeft onder de ceteris paribus veronderstellingen een superieure marktstructuur, want laat interactie toe van alle beschikbare orders in de markt en leidt zo tot een verbeterde kwaliteit van uitvoering van de orders. Fragmentatie: intermarkt-competitie zorgt voor een reductie van de uitvoeringskosten en creëert incentieven voor innovatie (DEGRYSE H. EN VAN ACHTER M., 2001, blz.8).” Fragmentatie heeft verder het nadeel dat het de liquiditeit vermindert en insider trading en fraude moeilijker opspoorbaar maakt (DEGRYSE H. EN VAN ACHTER M., 2001, blz.8-9). Integratie heeft dus onder bepaalde voorwaarden voordelen.

Universiteit Gent

2001-2002


18

Euronext is nu een voorbeeld van een beurs die, binnen een nog steeds competitieve omgeving (beschouw de druk van de omringende grote beurzen zoals de London Stock Exchange en de Deutsche Börse), probeert een integratie te creëren tussen ondertussen vijf verschillende beurshuizen (Amsterdam, Brussel, Lissabon, Parijs, Liffe). Het is de bedoeling van Euronext, om via een goede microstructuur (zie supra, p. 16-17) die rekening houdt met de belangen van de institutionelen en particuliere belegger, tot een goede liquiditeitspositie te komen. Euronext gebruikt een veilingstructuur met overdag continue handel en ’s morgens en ’s avonds een call auction. Om te voldoen aan de vraag naar een meer hybride vorm van handel, waar de voordelen van een dealer-markt met deze van een veilingmarkt

worden

gecombineerd, gebruikt men liquiditeitsverschaffers voor de kleinere aandelen.

Om de integratievoordelen uit te spelen zijn volgende maatregelen uitgevoerd of zitten in de pijplijn: 1. Alle leden van Euronext krijgen volkomen gelijke toegang tot alle producten die op Euronext worden verhandeld, ongeacht waar ze zijn gevestigd. Leden van één Euronextmarkt kunnen dus gemakkelijk in een andere Euronextmarkt opereren. 2. Handelsregels en handelsuren worden geharmoniseerd. 3. Clearing en netting van de transacties worden verzorgd door één bedrijf, wat operationele voordelen biedt voor de beleggers. 4. Een uniforme settlementomgeving zal bijdragen tot een vermindering van kosten en risico’s. 5. Informatie wordt zoveel mogelijk geïntegreerd. 6. Nieuwe indices, die marktsegmenten in de belangstelling moeten plaatsen, worden ontwikkeld (Euronext, 2001, blz. 1-7). 7. Euronext is ook de pioneer voor het Europese continent met betrekking tot de ontwikkeling van de Global Equity Market 1 (NYSE, 2001, blz. 1-2).

Het is nu de vraag of al deze maatregelen nu bijgedragen hebben tot een grotere liquiditeit. Op deze vraag zullen we in het empirisch deel een antwoord proberen te geven.

1

De equity market is een samenwerking tussen de New York Stock Exchange en negen andere beurshuizen in heel de wereld om tot een handelsmechanisme te komen waarbij handelaars de kans krijgen om wereldbedrijven 24 op 24 te verhandelen. (NYSE, 2001, blz 1-2) Universiteit Gent

2001-2002


19

Deel 3 : Het empirisch onderzoek

3.1

Inleiding

Voor het empirische stuk hebben we een model opgesteld dat tracht te bepalen hoe de verschillende Euronextbeurzen op de komst van de euro en de komst van Euronext hebben gereageerd. We bekijken dit aan de hand van de rendementsevolutie. We proberen in ons onderzoek alle mogelijke verklaringen voor de resultaten die we verkrijgen te analyseren. Op die manier zullen we tot een besluit komen omtrent de reactie van de beleggers op de veranderende omgeving. We hebben zelf een model opgezet waarbij we risicogecontroleerd rendement als afhankelijke variabele zullen uitzetten ten opzichte van allerlei verklarende variabelen. Hiertoe behoren ook de dummies die onze onderzoeksvragen zullen trachten te beantwoorden. We beginnen met eerst algemene informatie te geven omtrent de gebruikte beurzen, de gebruikte aandelen en de periode waarover ons onderzoek loopt.

3.2

Drie beurzen:Brussel, Amsterdam en Parijs.

We hebben er in ons onderzoek voor geopteerd om enkel onderzoek te doen op de beurzen die de Euronext N.V. hebben opgericht. Dit zijn dus de beurzen van Parijs, Brussel en Amsterdam. De voor- en nadelen van deze manier van werken leggen we hier uit. We beginnen bij de voordelen. 1. Ten eerste is het zo dat we voor onze analyse nood hebben aan een grote, middelgrote en een kleinere beurs. Bij de Euronext beurzen vonden we hierbij naar West-Europese normen een goede basis. Parijs kan doorgaan als een grotere beurs, Amsterdam heeft door de aanwezigheid van enkele blue chips de naam een middelgrote beurs te zijn en Brussel is door het tekort aan echt grote bedrijven eerder een kleinere beurs. Ook de lage free-float op de beurs van Brussel, door het relatief grotere belang van holdings, versterkt deze stellingname. Uit onderzoek van Timmermans(2000) blijkt, dat gemiddeld voor Brusselse aandelen, er eind 1998 maar 41% van de marktkapitalisatie direct wordt aangehouden.

Universiteit Gent

2001-2002


20

Het zijn echter enkel deze direct aangehouden aandelen die de activiteit op de tweede markt van een beurs in stand houden (TIMMERMANS T., 2000, blz. 49-50). Om verder de grootte van de beurzen aan te duiden gebruiken we informatie uit het onderzoek van Galati en Tsatsaronis(2001). Zij komen uit dat de marktkapitalisatie, in % van het Bruto Binnenlands Produkt, voor 2000 respectievelijk 104, 166 en 69 was voor respectievelijk Parijs, Amsterdam en Brussel. Parijs heeft door de grootte van de Franse economie de grootste totale marktkapitalisatie. Amsterdam heeft door de aanwezigheid van enkele blue chips een grote marktkapitalisatie ten opzichte van het Bruto Binnenlands Produkt van Nederland. Brussel blijkt ook uit deze studie het kleine broertje te zijn van de drie beurzen die we beschouwen.

We kunnen ook aan de hand van onze eigen dataset (zie infra p. 28) zien dat deze stellingname omtrent de grootte van de beurs en de aanwezigheid van blue chips klopt. Voor de bepaling van de grootte van de beurs gebruiken we de som van de marktkapitalisaties van de gebruikte aandelen in onze dataset op 31 januari 2002 (zie infra p. 54). Voor de bepaling van het aantal blue chips dat op elke beurs aanwezig is, hebben we het aantal aandelen genomen dat voor elke beurs in de Eurostoxx50 is opgenomen.

Tabel 1: Totale marktkapitalisatie in miljoen € en aantal blue chips.

Totale Marktkapitalisatie in miljoen €.

Aantal blue chips

Brussel

150386.3

2

Amsterdam

551360.5

7

Parijs 2

1074290.2

17

Bron:FET, www.abcbourse.com/marches/chiffres/eurostoxx50.html, eigen berekeningen en Datastream.

2

Aandelen in Eurostoxx50: Brussel: Electrabel, Fortis. Amsterdam: Aegon, Kon. Olie, ING, Unilever, Philips, Kon. KPN, Kon Ahold. Parijs: France Télécom, Totalfina, Canal+, Axa Uap, Vivendi, L’Oréal, Carrefour, Pinault Printemps, Sanofi-Synthelabo, Alcatel, LVHM, Suez Lyonnaise des Eaux, Société Générale, Aventis, BNP, Danone, Air Liquide.

Universiteit Gent

2001-2002


21

Als dus zou uitkomen wat we verwachten, zou door de invoering van de euro, en de daarbij horende clustering van liquiditeit op de grotere beurzen, het verwacht rendement in Brussel en deels ook in Amsterdam hoger moeten liggen. Dit zou er dus voor zorgen dat het rendement op de beurs van Brussel en Amsterdam sinds ongeveer 1999 slechter zou zijn dan op grotere beurzen. Een hoger verwacht rendement in de toekomst vereist namelijk dat bij dezelfde dividendverwachtingen, dat de prijs van het aandeel lager moet zijn. Dit zorgt ervoor dat in deze correctieperiode het rendement lager zal zijn.

2. Het feit dat Euronext nog niet bestond voor de komst van de euro, zorgt ervoor dat we een volledig beeld kunnen vormen omtrent de manier waarop Euronext de visie van de beleggerswereld, over kleine en grote beurzen, heeft kunnen veranderen. De fusie tussen de drie initiatief nemende beurzen is op 22 september 2000 getekend (EURONEXT N.V., 2001, blz. 31). We zijn met andere woorden in staat om, met de drie bestudeerde beurzen de evolutie te zien van de komst van de euro en de komst van Euronext voor elke beurs. Een mogelijk nadeel van deze manier van werken is wel dat, indien we een bepaald resultaat uitkomen bij de komst van Euronext, we dit niet onbetwistbaar kunnen afspiegelen op de komst hiervan. Indien we met andere woorden uitkomen dat de kleinere beurzen, na verwaarloosd te zijn geweest door de komst van de EMU, het opeens beter doen vanaf de komst van Euronext, kunnen we dit met onze steekproef niet volledig toeschrijven aan de komst van Euronext. Andere kleine beurzen kunnen namelijk hetzelfde effect hebben gehad zonder fusie. 3. Een derde reden waarom we enkel voor de Euronext beurzen kiezen, is het feit dat we hierdoor maar één marktportefeuille moeten opstellen voor de twee deelonderzoeken die we voeren. Dit zorgt ervoor dat we consequenter kunnen controleren voor andere beïnvloedende factoren en de twee onderzoeken in één regressie kunnen integreren (zie infra blz. 36)

Universiteit Gent

2001-2002


22

4. Ook het belang van groei en conjunctuur mag niet over het hoofd worden gezien. In ons geval gebruiken we drie landen, die samen één geheel vormen in de West-Europese regio. We bekijken eerst de produktiefunctie voor groei op lange termijn. Y=A.F(K, L), met Y de reële output, L het aantal werknemers, K de ingezette hoeveelheid kapitaal en A een factor die onder andere de stand van de technologie en het scholingsniveau van de werknemers omvat (HEYLEN F., 1999, blz. 702). Als we de economische groei op lange termijn uit elkaar rafelen, zien we dat technologie, scholing, arbeidsinzet en kapitaal van belang zijn. We gaan er nu vanuit dat de drie betreffende landen op dit vlak voldoende overeenkomen, zodat we verder in onze analyse verschillen in beursresultaten niet tot verschillen in lange termijngroei kunnen herleiden. Op het vlak van conjunctuur zijn er mogelijk toch nog significante verschillen. We weten dat aandelenkoersen een leading indicator zijn van conjunctuur.Verschillen in correlatie tussen de conjunctuurcyclussen kunnen een invloed uitoefenen op de risicogecontroleerde rendementen voor elke beurs. Zo kan het bijvoorbeeld zijn dat het risicogecontroleerde rendement van Parijs slecht is ten opzichte van Amsterdam, omdat in dezelfde periode er zich een recessie aankondigd in Frankrijk en hoogconjunctuur in bijvoorbeeld Nederland. Als de correlaties tussen de verschillende cyclussen overeenkomen, kan het toch nog interessant zijn om te kijken naar het teken en de grootte van de outputgap. In onderstaande grafiek zien we voor elk land de jaarlijkse afwijking van het Bruto Binnenlands Produkt ten opzichte van het potentiële BBP in % van het potentiële BBP voor het tweede kwartaal van 1995 tot en met 2002. We hebben betreffende informatie gezocht op Datastream.

Universiteit Gent

2001-2002


23

Figuur 3: Outputgap in % van het potentieel Bruto Binnenlands Produkt. Outputgaps 3

% afwijking van het potentieel BBP

2

1

0 1995

1996

1997

1998

1999

2000

2001

2002

-1

-2

-3

-4 jaartal Nederland

België

Frankrijk

Bron: Datastream.

We zien op de grafiek dat de correlatie tussen de cyclussen van de outputgap vrij goed meevalt en zeker tussen België en Frankrijk zeer groot is. Toch zien we op het vlak van niveauverschillen in outputgaps dat er in Nederland, in de periode voor 2001, heel de tijd een positieve outputgap is, terwijl dit in België en Frankrijk, tot in 2000, een negatieve outputgap is. Anderzijds weten we dat het verschil in outputgap grotendeels afhangt van de bepaling van het potentieel BBP of de lange termijn output. Omdat deze nu volgens ons vrij arbitrair ingevuld wordt, gaan we het niveau van de outputgaps niet in rekening nemen, maar enkel de correlatie tussen de outputgaps. Aangezien de correlatie tussen de outputgaps redelijk groot is, zullen we in onze analyse van de beursevolutie hier niet te veel aandacht aan besteden.

5. De Beurs van Lissabon, die ook reeds in de fusie van Euronext is betrokken, is nog niet in de steekproef opgenomen, omdat de fusie er pas is gekomen sinds 13 december 2001 (http://www.bvlp.pt/bvlp/start.jsp?lang=en&op=not_dest ). De periode van 13 december 2001 tot en met februari 2002 is waarschijnlijk te klein om reeds significante verschillen op te merken. Het duurt immers een tijdje voor er op het terrein iets te merken valt van zo’n fusie.

Universiteit Gent

2001-2002


24

Toch zijn er naast deze genoemde voordelen ook nadelen. 1. Het eerste nadeel hebben we reeds vermeld. Het is namelijk moeilijk om een mogelijke resultaatsverbetering voor kleinere beurzen na de komst van Euronext volledig aan de komst van Euronext toe te schrijven. 2. Ten tweede is het zo dat de fusie van Euronext nog niet volledig is afgerond. Dit zorgt ervoor dat we in ons empirisch onderzoek enkel een resultaat kunnen bekomen dat gerealiseerd is door een deels gefusioneerde beurs. Euronext wou haar handel in cash-produkten in de herfst van 2001 operationeel hebben. Dit betekent dat, indien we hiervan uitgaan, we enkel voor vijf maanden data beschikbaar zouden hebben voor het onderzoek omtrent de komst van Euronext, gegeven dat de dataset zich beperkt tot februari 2002 (EURONEXT N.V., 2001, blz. 109-110) Ook nieuwe indices zoals Next Economy en Next Prime waren maar gepland voor het derde kwartaal in 2001. Deze indices dienen om de zichtbaarheid van ondernemingen, en dan vooral middelgrote en kleine ondernemingen, te vergroten. Next Economy zal de ondernemingen omvatten die actief zijn in de high-tech sector. Next Prime zal op haar beurt bestaan uit ondernemingen uit de meer traditionele sectoren (EURONEXT N.V., 2001, blz. 71-72). Anderzijds zijn er wel al onderdelen van de fusie die reeds eerder gerealiseerd zijn. Vanaf 1 februari 2001 doet clearnet de geïntegreerde clearingdiensten met een centrale tegenpartij, dit zowel voor cash-produkten als voor derivaten (wat hier minder van belang is)(EURONEXT N.V., 2001, blz. 89-90). Verder zijn ook reeds eerder twee belangrijke nieuwe indices gecreëerd. De eerste is de Euronext 100. Deze index bevat de 100 grootste blue chips, geselecteerd op basis van van hun marktkapitalisatie en op basis van minimum liquiditeitsvereisten. De tweede index is de Next 150, die de volgende 150 grootste aandelen bevat qua marktkapitalisatie. Ook hier gelden minimum liquiditeitscriteria. Een voorbeeld van zo’n liquiditeitscriterium is dat tenminste 20% van de genoteerde aandelen verhandeld moet geweest zijn gedurende de laatste 12 maanden (EURONEXT N.V., 2001, blz. 74). Deze indices kunnen ervoor zorgen dat ook aandelen op kleinere beurzen meer aandacht krijgen.

Universiteit Gent

2001-2002


25

De drie originele indices voor blue chips voor de drie beurzen zouden ditzelfde effect niet kunnen bereiken. Als belegger zat je namelijk met het probleem dat, indien je in de drie landen wou beleggen in blue chips, je drie indices moest kopen, terwijl dit nu kan door één index te kopen. Vervolgens moeten we toch ook vermelden dat een deel van de fusie helemaal nog niet uitgevoerd was voor het einde van onze dataset. Ten eerste is het zo dat pas in het tweede kwartaal van 2002 Euroclear, dat instaat voor settlement en bewaring van financiële instrumenten, in werking zou zijn(EURONEXT N.V., 2001, blz. 110). Verder is het ook zo dat men nog vele plannen heeft om, naast de reeds gecreëerde indices, nog vele nieuwe indices te ontwikkelen, wat de informatieverspreiding voor de verschillende aandelen op alledrie de beurzen ten goede zal komen. In de toekomst wil men bijvoorbeeld een index

creëren voor ondernemingen met een middelgrote

marktkapitalisatie.(EURONEXT N.V., 2001, blz. 75). Al deze overwegingen duiden erop dat het onmogelijk zal zijn om al een volledig beeld te bekomen wat er nu empirisch zal zijn veranderd, door de komst van Euronext. Toch bestaat er een kans dat er iets waarneembaar is door reeds gerealiseerde stappen in de fusie en de grote publiciteit die er is geweest rond het ontstaan van Euronext.

3.3

De gebruikte aandelen.

We hebben ervoor geopteerd om de aandelen van de drie beurzen te nemen waarover we voldoende data zouden vinden om te gebruiken in ons onderzoek. We hebben de Financieel Economische Tijd geraadpleegd om te kijken welke aandelen er noteren op welke beurs. Voor Euronext Brussel hebben we ervoor geopteerd om enkel de binnenlandse aandelen te nemen die continu verhandeld worden. Voor Euronext Amsterdam en Parijs hebben we alle aandelen genomen die in de lijst van noterende aandelen vermeld staan. Door deze manier van werken hebben we niet het probleem dat buitenlandse aandelen in onze steekproef terechtkomen, want de liquiditeit van deze aandelen zit namelijk op andere beurzen. Verder zorgen we er ook voor dat we geen over-of ondervertegenwoordiging van kleine of grote aandelen krijgen voor een bepaalde beurs.

Universiteit Gent

2001-2002


26

In het geval er toch grote verschillen zijn in de grootte van de gemiddelde aandelen per beurs, wordt dit probleem opgelost, omdat we in onze regressie controleren voor het verschil in marktkapitalisatie tussen de aandelen en de daarbij horende verschillen in verwacht rendement (zie infra blz. 54). Toch zijn er aandelen die wel in de lijst van noterende aandelen staan, maar niet gebruikt zijn. Dit is te verklaren door het feit dat Datastream het niet toeliet om voor elk aandeel de benodigde informatie op te vragen (FET, 2002).

We kunnen onze dataset in drie soorten aandelen opdelen. Ten eerste heb je aandelen die over geheel de periode van de dataset (januari 1997- februari 2002) noteren. Ten tweede heb je aandelen die tijdens de periode van onderzoek zijn beginnen noteren. Tenslotte zijn er ook de aandelen die tijdens de periode van de dataset zijn gestopt met noteren, de zogenaamde ‘dead stocks’. Door de Financieel Economische Tijd te raadplegen bekomen we de aandelen die heel de periode noteren en de nieuw noterende aandelen. Voor de ‘dead stocks’ hebben we een beroep gedaan op de informatie van Datastream omtrent de ‘dead stocks’. Uiteindelijk zijn we tot een dataset gekomen van 347 aandelen (zie infra blz. 28). We willen er hierbij nogmaals op wijzen dat we volledigheid hebben trachten na te streven, maar dat het wegens informatiebeperkingen mogelijk is dat enkele aandelen niet zijn opgenomen.

We hebben nieuw noterende aandelen en dead stocks in onze dataset opgenomen, om eventuele scheeftrekkingen in ons eindresultaat te vermijden. Indien er op een bepaalde beurs veel aandelen zijn geweest die zijn gestopt wegens overname, dan kan het zijn dat deze beurs goed heeft gepresteerd wegens de overnamepremie die de overnemer moet betalen. Het niet opnemen van dead stocks zou hier dus een fout beeld kunnen geven. Nieuw noterende aandelen zijn ook opgenomen, omdat deze misschien tot uitzonderlijk slechte of goede resultaten

hebben

geleid.

Als

een

beurs

hier

dan

relatief

is

van

over-

of

ondervertegenwoordigd, kan dit een vertekend beeld geven, indien we ze niet zouden opnemen.

Universiteit Gent

2001-2002


3.4

27

De periode.

We hebben ervoor geopteerd om onze aandelen te beschouwen over een periode van vijf jaar en twee maanden We gebruiken hierbij maanddata. Op deze manier bekomen we voor elk aandeel 62 waarnemingen in de tijd. We beschouwen dus de periode januari 1997 tot en met februari 2002. We weten uit andere studies dat dit ideaal is om via het marktmodel een ideale β te schatten (zie infra blz. 39).

Deze periode laat het vervolgens ook toe om de twee onderzoeksvraag te analyseren. In de periode van januari 1997 tot en december 1998 hebben we te maken met de periode voor de komst van de Europese Muntunie. Er was hierbij reeds een zekere integratie tussen de drie landen waarin alledrie de beurzen actief zijn. Ten eerste was er de ‘Single European Act’ van 1985 die zorgde voor een geïntegreerde markt voor goederen, diensten, kapitaal en arbeid. Verder waren er ook op macro-economisch vlak, budgettair en monetair, maatregelen genomen. In het verdrag van Maastricht van 1992 stonden zowel maatregelen die op budgettair als monetair vlak de landen van de Muntunie dichter bij elkaar moesten brengen(PORTES R.,2001, blz. 5-14). Toch is de volledige integratie er pas kunnen komen toen de muntunie volledig van start ging in 1999. Ons tweede deel van de steekproef begint dan ook hier en start in januari 1999 en loopt tot en met december 2000. Verder proberen we ook te kijken of er reeds een resultaat is van de fusie die tot de komst van Euronext heeft geleid. We beginnen hier met de maand januari 2001 tot en met februari 2002, omdat er geen echt stipte datum is waarbij men kan stellen of de fusie nu al tot stand is gekomen, ja dan nee (zie supra blz. 19-25). We nemen de periode van januari 2001 tot en met februari 2002, omdat dit ons toch een redelijk aantal waarnemingen geeft. Verder laat dit ook toe om het mogelijke ‘kleine bedrijven in januari-effect’, dat in alle andere deelperiodes ook zit verwerkt, uit te sluiten.

Het januari-effect voor kleine bedrijven houdt in dat kleine bedrijven over de jaren heen telkens in de maand januari onverklaarbaar hoge rendementen behaalden. Vele onderzoekers geloven dat het januari-effect te wijten is aan het feit dat vele mensen aandelen verkopen voor het eind van het jaar om kapitaalverliezen te kunnen boeken, om zo minder belastingen te moeten betalen.

Universiteit Gent

2001-2002


28

Nadat hun belastingsjaar is afgesloten zouden ze dan begin januari hun aandelen die ze verkocht hebben terug kopen. Dit doet de prijzen in januari opveren, wat een hoger rendement met zich meebrengt. Toch zijn er veel factoren die tegen deze belastingshypothese spreken. Ten eerste het zo dat de rendementen in december volgens deze theorie telkens lager zouden moeten liggen, wat niet het geval is. Verder zouden er ook voldoende beleggers zijn die deze wetenschap zouden proberen uitbuiten, door in plaats van massaal te verkopen in december, massaal te gaan aankopen en zo deze uitzonderlijke resultaten in januari mee te pikken. Vervolgens is het ook nog zo dat niet in elk land kapitaalverliezen mogen geboekt worden en is het tenslotte ook nog zo dat niet overal het belastingjaar stopt op 31 december (BODIE Z., KANE A. en MARCUS A., 2002, blz. 360-361)

Omdat wij in onze dataset nu ook minder grote aandelen hebben opgenomen, is het goed om voor dit effect te controleren door een evenwichtige verdeling te hebben van de maanden januari.

3.5

Samenvattende statistieken van de gebruikte aandelen.

We gaan in dit deel nu dieper in op de gebruikte aandelen. We bekijken de samenvattende statistieken van de aandelen volgens de beurs waarop ze noteren of genoteerd hebben. We beginnen met algemene statistieken omtrent de periode waarin de aandelen noteren, over de maandrendementen van de aandelen en hun marktkapitalisatie. We beschouwen voor elke beurs een aparte tabel. In de eerste kolom van elke tabel staat de naam van het aandeel. In de tweede kolom staat de periode van notering van het aandeel. We bekijken wel enkel de periode van notering voor aandelen die binnen de periode van de steekproef zijn gestopt met noteren of zijn beginnen noteren. In de derde kolom staat het rekenkundig gemiddelde van de maandrendementen van de aandelen. In een vierde kolom staat de standaarddeviatie van de maandrendementen van elk aandeel. In de vijfde en zesde kolom staat respectievelijk het minimum en maximum maandrendement voor elk aandeel in de beschouwde periode. In de laatste kolom staat de gemiddelde marktkapitalisatie voor elk aandeel in miljoen euro.

Universiteit Gent

2001-2002


29

Tabel 2: Algemene statistieken Beurs van Brussel. Brussel Agfa Gevaert Almanij Anhyp Anhyp ‘B’ Arinso Int. B.v.D. Barco BBL Bekaert Bernheim Brederode CBR CMB Cobepa Cofinimmo Colruyt Crédit D’Ieteren Delhaize Dexia Dolmen Duvel Electrabel Fab. Fer. Fortis GBL New Gevaert GIB Glaverbel Immobel Interbrew IPTE IRIS KBC Koramic LSG Mitiska Mobistar Monceau Obourg Omega Petrofina Photo Hall Punch Int Q.for Growth Quick Real Software Royale Belge Sait Stento Sibeka Sioen Indus. Sofina Solvay Solvus Universiteit Gent

Periode Jun99-feb02 Jan97-feb02 Jan97-jan99 Jan97-jan98 Apr00-feb02 Jun99-feb02 Jan97-feb02 Jan97-juni98 Jan97-feb02 Jan97-juli98 Jan97-feb02 Jan97-jul00 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-mei98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Nov99-feb02 Jul99-feb02 Jan97-feb02 Jan97-maa98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Dec00-feb02 Jan97-feb02 Jun99-feb02 Jan97-feb02 Jan97-feb02 Jul97-feb02 Jun99-feb02 Nov99-feb02 Jan97-nov00 Jan97-feb02 Jul98-feb02 Jan97-dec00 Aug98-feb02 Apr99-feb02 Okt98-feb02 Jan97-feb02 Jul97-feb02 Jan97-feb99 Jan97-feb02 Jan97-jul97 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02

Gemm.Rend. -0.00712 0.011181 0.035465 0.04521 -0.03225 -0.01756 -0.00561 0.02257 0.002695 0.036184 0.006345 0.018066 0.007392 0.017462 0.006107 0.006839 0.041252 0.006686 0.005175 0.018117 0.008021 -0.01423 0.008056 0.090376 0.014487 0.019717 0.011406 0.01312 0.0134 0.003736 -0.00041 -0.05137 -0.01402 0.011456 0.001522 -0.0191 -0.02903 -0.0079 0.011811 0.015741 0.066739 0.025007 -0.01556 -0.01566 -0.00401 -0.01181 0.025547 0.059654 0.00461 0.077636 0.023585 0.014552 0.01302 0.026057

Stand.dev. 0.108141 0.084401 0.098401 0.103248 0.191856 0.163144 0.113 0.102067 0.088533 0.064834 0.080496 0.11417 0.090909 0.083613 0.029964 0.082611 0.083189 0.093805 0.072145 0.066725 0.157362 0.052895 0.055449 0.151278 0.079812 0.074867 0.095485 0.073323 0.090725 0.05567 0.076191 0.16199 0.094519 0.098875 0.076689 0.128821 0.124603 0.153401 0.067627 0.088433 0.146475 0.095092 0.128955 0.12276 0.103143 0.113683 0.232352 0.312171 0.132183 0.177757 0.106217 0.068482 0.077897 0.122352

Min. Rend -0.14169 -0.17907 -0.13023 -0.04702 -0.37416 -0.36207 -0.24018 -0.21215 -0.21061 -0.06867 -0.22037 -0.31373 -0.22415 -0.14378 -0.06804 -0.16 -0.08622 -0.29603 -0.19987 -0.13954 -0.2165 -0.13678 -0.14613 -0.07452 -0.19598 -0.13617 -0.21105 -0.19011 -0.17738 -0.11273 -0.19467 -0.47523 -0.14605 -0.22569 -0.15667 -0.28351 -0.35748 -0.26855 -0.15942 -0.19165 -0.15265 -0.30696 -0.33159 -0.21509 -0.19265 -0.31522 -0.51949 -0.29349 -0.26369 -0.09642 -0.28396 -0.17893 -0.21487 -0.19541

Max. Rend 0.236111 0.231718 0.269305 0.274448 0.513043 0.440806 0.235633 0.194506 0.193953 0.182502 0.266421 0.435527 0.225325 0.286163 0.093724 0.239918 0.240882 0.250001 0.14097 0.169023 0.62206 0.129771 0.147685 0.387019 0.200005 0.218648 0.326237 0.174475 0.361712 0.164706 0.125 0.201047 0.257193 0.2907 0.157724 0.227941 0.188547 0.499644 0.190856 0.245841 0.666667 0.214783 0.310577 0.314346 0.360487 0.289063 0.772141 1.482177 0.458455 0.434095 0.238878 0.16343 0.232096 0.409907

Marktkapitalis 2776.58 7948.70 427.11 270.22 223.51 71.82 1729.07 4262.87 972.07 126.46 677.53 1994.88 509.31 2181.47 625.21 1982.02 245.19 1572.13 3621.83 9654.40 132.96 130.16 14050.91 166.68 18408.62 4920.55 1287.71 1244.20 718.82 229.90 12946.63 87.21 46.10 12100.17 507.50 92.09 140.21 2225.44 545.68 1371.00 631.34 9645.42 54.80 47.62 63.78 132.12 613.70 4216.08 63.94 205.76 445.27 1486.02 5271.24 387.52 2001-2002


Brussel Spector Telindus Tessenderlo Tubize ‘A’ Tubize ‘B’ Ubizen UCB Umicore Unies de Phor VMS Key. VPK Pack.

Periode Gemm.Rend. Jan97-feb02 -0.01538 Jan97-feb02 0.010885 Jan97-feb02 0.002003 Jan97-feb02 0.016895 Jan97-feb02 0.014619 Okt00-feb02 -0.05633 Jan97-feb02 0.017192 Jan97-feb02 0.003416 Jan97-feb02 0.0086 Jan00-feb02 0.011304 Mei99-feb02 -0.0077 Bron: Datastream en eigen berekeningen.

Stand.dev. 0.116645 0.126612 0.087877 0.091225 0.100716 0.309193 0.082605 0.087629 0.048294 0.257019 0.059904

Min. Rend -0.27826 -0.2257 -0.18291 -0.24255 -0.16338 -0.61634 -0.18699 -0.24931 -0.14814 -0.34007 -0.11058

30

Max. Rend 0.31295 0.351053 0.251175 0.281089 0.402415 0.747604 0.199135 0.240918 0.157984 1.04712 0.173317

Marktkapitalis 163.43 615.76 1206.72 768.64 138.91 362.01 5597.74 1163.56 31.79 13.78 211.25

Max. Rend. 0.24568 0.3305 0.262184 0.195507 0.266332 0.497635 0.185969 1.056133 0.564181 0.404131 0.6125 0.310635 0.154976 0.282165 0.623566 0.195126 0.505653 0.159396 0.658314 0.161101 0.190478 0.428975 0.194271 0.26143 0.475419 0.098217 0.189676 0.272041 0.327799 0.207827 0.395253 0.167247 0.296589 0.330064 0.502071 0.27188 0.123288 0.261493 0.248065 0.30063

Marktkapital. 390.76 29943.34 42522.65 19712.83 12101.45 509.35 597.15 618.70 8320.69 234.84 50.61 2666.92 777.40 530.95 2033.76 902.28 3341.21 1152.73 279.68 1869.79 1906.70 811.08 3223.67 9248.68 1324.11 386.95 2286.97 13186.97 520.61 300.09 3573.33 166.76 1120.84 396.09 6376.46 3050.10 1016.75 347.17 14133.58 1480.23

Tabel 3: Algemene statistieken Beurs van Amsterdam. Amsterdam Aalberts ABN Amro Aegon Ahold Akzo Nobel Alpinvest Amstelland ASM Int. ASML Hold. Athlon Begeman Benckiser Bijenkorf Boskalis Buhrmann Calve CMG Corio Crucell CSM CSM Cert. Draka DSM Elsevier Endemol Eurocomm. Euronext Fortis Fugro Gamma Getronics Geveke Gist Grolsch Gucci Hagemeyer Haslemere Heijmans Heiniken Hoogovens

Universiteit Gent

Periode Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul97-jun00 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Dec97-jan00 Jan97-jul99 Jan97-feb02 Jan97-feb02 Jan97-mei99 Jan97-feb02 Jan97-feb02 Nov00feb02 Jan97-okt99 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-jul00 Jan97-feb02 Aug01feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-aug98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Aug99-feb02 Jan97-feb02 Jan97-feb02 Jan97-dec99

Gemm.Rend. 0.005656 0.014796 0.017647 0.011732 0.016077 0.020054 0.005911 0.052558 0.052646 0.017941 -0.00449 0.027502 0.010456 0.019976 0.011239 0.024039 0.032808 0.010428 -0.01782 0.004334 0.005397 0.016563 0.016083 0.007723 0.048069 0.009268 -0.00484 0.015321 0.030984 0.004778 0.001343 0.012234 0.013076 0.000795 0.019481 0.001387 0.015781 0.019251 0.018679 0.026488

Stand.dev. 0.095644 0.097 0.0999 0.072486 0.085901 0.108539 0.083375 0.28366 0.208801 0.108638 0.156626 0.105399 0.060495 0.100424 0.15993 0.083132 0.177894 0.041208 0.276576 0.064329 0.066343 0.126352 0.0827 0.089601 0.135627 0.037981 0.134529 0.086318 0.117805 0.08253 0.164956 0.085386 0.106012 0.08089 0.126131 0.111541 0.062257 0.101663 0.069037 0.123626

Min. Rend. -0.23962 -0.2867 -0.23462 -0.17115 -0.20058 -0.16716 -0.32093 -0.45199 -0.37528 -0.16875 -0.32482 -0.17187 -0.09187 -0.16667 -0.40583 -0.10526 -0.409 -0.0815 -0.44563 -0.11976 -0.11975 -0.28009 -0.2462 -0.22148 -0.20912 -0.06606 -0.15901 -0.18812 -0.21927 -0.2448 -0.54718 -0.29001 -0.23681 -0.15034 -0.28412 -0.30112 -0.13849 -0.20187 -0.09754 -0.30967

2001-2002


Amsterdam Hunter Doug IHC Caland ING groep Kas Bank KLM Kon. Olie KPN KPN Qwest Krasnapols Landis Laurus LCI Tech. MacIntosh Nagron Nat. Invest. Nedlloyd NPM Numico Nutreco Oce Opg Ordina Otra Pakhoed Petroplus Philips Pink Pirelli Polygram Randstad Rodamco Rodamco Simac Smit Stork TPG UNI Unilever Unit 4 Agr. United Serv. V.d. Moolen Van Leer Van Ommer. VanLanschot Vastned Off. Vastned Ret. Vedior Vendex Versatel VNU Vodafone Volker Wess Vopak Wegener Wereldhaven Wessanen Wolters Kluw

Universiteit Gent

Periode Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Dec99-feb02 Jan97-sep00 Mei98-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-jun99 Jan97-feb02 Jan97-okt00 Jan97-feb02 Sep97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-jun99 Jan97-nov99 Aug98-feb02 Jan97-feb02 Aug99-feb02 Jan97-apr97 Jan97-dec98 Jan97-feb02 Jan97-jul99 Aug99-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul98-feb02 Jan97-feb02 Jan97-feb02 Maa98-feb02 Jan97-feb02 Jan97-feb02 Jan97-okt99 Jan97-nov99 Jul99-feb02 Jan97-feb02 Jan97-feb02 Jul97-feb02 Jan97-feb02 Sep99-feb02 Jan97-feb02 Jul99-feb02 Jan97-feb02 Dec99-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02

Gemm.Rend. 0.011075 0.010104 0.016895 0.024576 0.006646 0.013613 0.015046 -0.03991 0.049628 -0.01274 -0.00535 -0.03519 0.003841 0.013606 0.036018 0.011147 0.021515 0.005387 0.01551 -0.00153 0.017172 0.018226 0.009241 0.009138 0.008714 0.030219 0.005926 0.023486 0.013291 0.001392 0.007831 0.007157 -0.00809 0.008438 -0.00645 0.004382 0.00619 0.014764 0.024196 0.016671 0.043118 0.006715 0.025262 0.006571 0.005498 0.004461 0.000615 0.01055 -0.02725 0.018187 -0.01789 0.01247 -0.00276 -0.00154 0.008664 0.001799 0.00475

Stand.dev. 0.107889 0.093035 0.089738 0.109158 0.134906 0.071825 0.209718 0.294615 0.128565 0.200884 0.118022 0.189697 0.10181 0.061634 0.100318 0.164239 0.052615 0.080048 0.09133 0.107258 0.096679 0.135833 0.093096 0.080709 0.097345 0.127932 0.168124 0.052142 0.084018 0.132664 0.051955 0.061445 0.17822 0.076529 0.099554 0.080935 0.042717 0.078352 0.209493 0.118899 0.155784 0.072537 0.113941 0.074227 0.045908 0.032711 0.135593 0.108304 0.42753 0.105992 0.137576 0.079339 0.080345 0.099202 0.045136 0.082676 0.090715

Min. Rend. -0.22307 -0.20757 -0.2756 -0.23151 -0.47303 -0.16682 -0.43143 -0.53381 -0.21938 -0.44437 -0.35435 -0.61664 -0.2243 -0.12338 -0.20559 -0.27711 -0.06658 -0.16605 -0.20338 -0.294 -0.18947 -0.20699 -0.17026 -0.27478 -0.24608 -0.28236 -0.4137 -0.01511 -0.11692 -0.26486 -0.09657 -0.12813 -0.42688 -0.21476 -0.25747 -0.12944 -0.09442 -0.15592 -0.22889 -0.26626 -0.32515 -0.19489 -0.17301 -0.17058 -0.12974 -0.07735 -0.31579 -0.29666 -0.55319 -0.16937 -0.29968 -0.1801 -0.13537 -0.19474 -0.07521 -0.20738 -0.35153

Max. Rend. 0.351763 0.27708 0.211251 0.432988 0.302612 0.231249 0.752202 0.779752 0.447091 0.651786 0.296498 0.334522 0.376793 0.221777 0.234316 1.033115 0.160623 0.155452 0.247532 0.225311 0.329007 0.485404 0.256905 0.101798 0.297189 0.337761 0.469183 0.114613 0.304473 0.332211 0.107027 0.125471 0.471358 0.170881 0.255211 0.257764 0.100077 0.220867 0.933226 0.286943 0.580034 0.180356 0.535777 0.235699 0.121639 0.074374 0.349418 0.276081 1.373347 0.326055 0.284232 0.275223 0.18543 0.344013 0.138707 0.201913 0.153035

31

Marktkapital. 1192.11 1320.91 52667.28 212.93 1567.89 115603.89 21144.26 1421.24 235.95 348.02 1375.24 121.72 169.16 179.24 1253.21 494.23 1101.24 5073.20 1064.32 1802.83 392.61 643.60 458.73 853.48 312.45 35314.00 839.75 1079.10 8221.49 4240.55 4106.59 2697.78 126.71 182.79 665.29 11869.83 627.50 35232.41 274.97 398.49 703.45 656.74 514.27 441.93 451.77 1059.06 1378.55 2336.28 1434.96 7921.63 4558.00 698.90 1220.92 546.72 880.55 1091.33 8586.29

2001-2002


Amsterdam Periode Gemm.Rend. World Onlin Apr00-jan01 -0.0828 Bron: Datastream en eigen berekeningen.

32

Stand.dev. 0.217681

Min. Rend. -0.36648

Max. Rend. 0.422481

Marktkapital. 3916.39

Stand.dev. 0.252191 0.090303 0.206295 0.068798 0.214304 0.058793 0.172319 0.118019 0.21246 0.14774 0.149431 0.089147 0.133874 0.284175 0.079814 0.365911 0.092578 0.105927 0.091033 0.138809 0.087498 0.105789 0.072555 0.314032 0.085177 0.136003 0.115825 0.094279 0.20111 0.198697 0.241881 0.150461 0.12197 0.120209 0.077408 0.077584 0.085646 0.098364 0.127243 0.093431 0.112102 0.088005 0.123579 0.08409 0.080425 0.120873 0.082897 0.167314 0.159055 0.150588

Min. Rend. -0.29156 -0.27607 -0.38987 -0.16048 -0.31779 -0.1823 -0.47856 -0.43954 -0.30744 -0.2 -0.20787 -0.2395 -0.2634 -0.43785 -0.17279 -0.04022 -0.27887 -0.24247 -0.03909 -0.33259 -0.23545 -0.29388 -0.1437 -0.31093 -0.19304 -0.23797 -0.29509 -0.21772 -0.30577 -0.42593 -0.28591 -0.3681 -0.31703 -0.10776 -0.18582 -0.13545 -0.20826 -0.14693 -0.11364 -0.15214 -0.21628 -0.25426 -0.31203 -0.22849 -0.23588 -0.41035 -0.17587 -0.31901 -0.28942 -0.26303

Max. Rend. 1.031674 0.204369 0.492138 0.29148 1.29726 0.139918 0.468492 0.210127 0.778 0.499998 0.655358 0.205422 0.403137 0.615092 0.319569 0.810781 0.224176 0.275009 0.262 0.375709 0.158474 0.308762 0.289243 1.010442 0.204413 0.383684 0.373582 0.385825 0.759717 0.554217 0.565851 0.43513 0.279851 0.250674 0.198444 0.239295 0.260514 0.157042 0.32 0.197729 0.430008 0.215373 0.389438 0.227812 0.210606 0.287066 0.220844 0.527 0.548006 0.32098

Marktkapital. 554.45 7457.77 1265.01 9041.03 3573.60 12237.00 34112.64 5615.40 721.69 3524.95 521.50 174.45 2347.57 796.80 34574.23 905.20 40751.91 255.75 986.24 459.97 2914.78 26476.73 1050.62 2042.77 207.97 9708.30 656.56 360.69 236.69 1161.51 2939.59 11854.24 495.79 779.64 35050.17 6477.74 6179.61 682.83 773.44 4671.59 2881.40 396.24 6858.56 1827.24 1516.24 1320.98 4435.86 1102.75 40.04 1707.77

Tabel 4: Algemene statistieken Parijs. Parijs A Novo Accor Agache AGF Air France Air Liquide Alcatel Alstom Alten Altran April Group Areva Atos Avenir Télé Aventis AXA AXA Bacou Beghin Beneteau Bic BNP Paribas Bollore Bon Marché Bonduelle Bouygues O. Bouygues P. Brioche Pas. Buitoni Bull Bus. Objects Cap Gemini Carbone Cardif Carrefour Casino Castorama Cereol Cerestar Cetelem CGIP Chargeurs Christian D. Ciments Fr. Clarins Club Med CNP Ass. Coface Coil Comm.Union

Universiteit Gent

Periode Mei99-feb02 Jan97-feb02 Jan97-dec98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul98-feb02 Feb99-feb02 Jan97-feb02 Nov97-feb02 Jan97-feb02 Jan97-feb02 Dec98-feb02 Jan97-feb02 Jan97-mei97 Jan97-feb02 Jan97-feb02 Jul01-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb98 Jul98-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-nov98 Jan97-feb02 Dec99-feb02 Jan97-feb02 Jan97-feb02 Jan97-mei98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul01-feb02 Jul01-feb02 Jan97-sep98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul01-feb02 Jan97-feb02 Jan97-feb02 Jan97-apr98

Gemm.Rend. 0.057107 0.01864 0.024119 0.017707 0.023357 0.011634 0.020393 -0.00806 0.041017 0.043788 0.043331 0.025189 0.018539 0.017594 0.023158 0.157198 0.015198 0.00828 0.049623 0.061841 -0.00129 0.029095 0.021383 0.052039 0.024021 0.03326 0.020356 0.012353 0.045137 -0.00715 0.040906 0.023637 0.011016 0.039625 0.007038 0.016467 0.013215 0.03183 0.039798 0.022863 0.019388 0.017501 0.01376 0.018737 0.008164 0.008964 0.010965 0.010921 -0.00073 0.040914

2001-2002


Parijs Crédit Lyonn Danone Dass.Electr. Dassault Sys Degremont Dexia Eads Eiffage Elior Entenial Equant Essilor Euler Eurazeo Eurodisney Eurofins Euronext Eurotunnel Exor Limited Faurecia Fimatex Financière Foncia Gr. Fourmi France France Télé Galeries Laf GAN Gecina Gemplus Géné. Santé Genesys Geophysique GFI Informat Gr. dela Cite Gr. Steria Grandvision Guy. & Gasc Havas Hermes High Imerys Immeubles Infogrammes Ingenico Investi Ipsos JC Decaux Lafarge Lagardere Locindus Louis Vuitton Luxyachting LVHM LVL M6 Mar. Wendel

Universiteit Gent

Periode Aug99-feb02 Jan97-feb02 Jan97-okt98 Jan97-feb02 Jan97-okt97 Dec99-feb02 Aug00-feb02 Jan97-feb02 Apr00-feb02 Jan97-feb02 Aug98-feb02 Jan97-feb02 Mei00-feb02 Jan97-feb02 Jan97-feb02 Nov97-feb02 Aug01-feb02 Jan97-feb02 Jan97-jan98 Jan97-feb02 Apr00-feb02 Jan97-dec98 Mei01-feb02 Jan97-mei97 Jan97-jun98 Nov97-feb02 Jan97-feb02 Jan97-jul98 Jan97-feb02 Jan01-feb02 Jul01-feb02 Okt98-feb02 Jan97-feb02 Jun98-feb02 Jan97-feb98 Jul99-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-dec98 Jan97-feb02 Jan97-feb02 Jan97-sep97 Jul99-feb02 Jul01-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-dec98 Okt01-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02

Gemm.Rend. 0.017612 0.018762 0.028268 0.028516 0.034175 0.006288 -0.0016 0.026761 -0.0002 0.006484 -0.00748 0.011498 -0.01102 0.016536 0.000946 0.067729 -0.00587 0.008438 -0.01602 0.016206 -0.055 0.043056 0.010494 0.063217 0.022597 0.01032 0.031034 0.034699 0.011368 -0.09595 -0.0206 0.028846 0.009901 0.036205 -0.01633 0.050537 -0.00228 0.009136 0.021217 0.017488 0.043262 0.007838 -0.00409 0.043892 0.04501 0.030534 0.033105 -0.0267 0.019133 0.024061 0.009714 0.015163 0.089161 0.014709 0.04482 0.036764 0.022164

Stand.dev. 0.106742 0.076747 0.100039 0.153137 0.104359 0.06216 0.125832 0.108906 0.12337 0.083893 0.161416 0.071595 0.084037 0.090585 0.107792 0.256842 0.123656 0.116189 0.106681 0.099727 0.225288 0.299975 0.047677 0.132876 0.095484 0.143031 0.102027 0.105347 0.038557 0.130933 0.072343 0.221635 0.15997 0.225194 0.091348 0.245849 0.097866 0.073196 0.12859 0.084724 0.211644 0.093863 0.080049 0.222281 0.260041 0.086046 0.17051 0.189028 0.091753 0.1413 0.042717 0.123544 0.121268 0.12994 0.200519 0.1488 0.120516

Min. Rend. -0.19853 -0.12966 -0.10707 -0.291 -0.10015 -0.16863 -0.37 -0.16466 -0.46718 -0.21053 -0.44978 -0.13877 -0.20266 -0.22001 -0.24632 -0.351 -0.16035 -0.17544 -0.19208 -0.1946 -0.39402 -0.27834 -0.04472 -0.04871 -0.25431 -0.34857 -0.12132 -0.14306 -0.07728 -0.21016 -0.11084 -0.53025 -0.43261 -0.36212 -0.14001 -0.24347 -0.21605 -0.13095 -0.34313 -0.20522 -0.252 -0.22387 -0.22037 -0.65551 -0.31872 -0.06392 -0.20591 -0.35732 -0.21799 -0.32954 -0.12529 -0.25889 -0.04884 -0.34706 -0.41705 -0.34483 -0.30725

Max. Rend. 0.368178 0.216248 0.3125 0.586691 0.215517 0.129712 0.208995 0.353552 0.184496 0.215686 0.328188 0.181622 0.213889 0.276141 0.316583 1.05256 0.162406 0.41573 0.20029 0.310492 0.287016 1.383721 0.102462 0.288217 0.252415 0.274554 0.325811 0.319588 0.098306 0.27451 0.107143 0.678168 0.470085 1.089286 0.266878 0.908418 0.220387 0.254766 0.410883 0.230886 1.077557 0.28132 0.125781 0.830865 1.607171 0.288169 0.554348 0.256311 0.234378 0.474036 0.121917 0.300418 0.231466 0.386453 0.509058 0.506591 0.331383

33

Marktkapital. 13186.78 17271.54 468.30 5468.39 487.25 16234.06 15511.50 777.84 1240.65 321.65 10723.99 3054.64 1769.82 2075.82 965.01 169.33 2284.03 1866.01 1065.05 966.82 532.97 566.47 270.58 522.37 525.37 85010.95 1589.82 2278.80 1426.23 2815.86 682.77 240.27 498.56 886.21 736.33 557.48 671.27 530.96 2121.37 4031.18 88.61 1863.83 882.51 1093.87 509.61 752.16 518.66 2642.06 9048.64 5765.39 245.48 8637.59 14.45 25354.56 221.53 3456.17 1275.13

2001-2002


Parijs Marrionnaud Medipep Michelin Navigation Neopost Nexans NRJ Groupe Oberthur OCP Orange P&V Paribas Penauille Pernod Peugeot Picheney Pinault Print Pinguely Provimi Publicis Gr. Rallye Remy Coin Renault Rhodia Rodriguez Royal Canin Rue Imperial SAFR Sagem Saint Gobain Saint-Louis Salomon Sanofi SCAC Schneider SCOR SEB Seche Envir SEPR Simco Sligos Soc. Général Sodexho All. Soitec Solving Sophia Sopra Spir SR Téléperf ST Microel. Suez SUEZ Synthelabo Technip Télémecaniq TF1 Thales

Universiteit Gent

Periode Aug98-feb02 Aug98-feb02 Jan97-feb02 Jan97-mei98 Ma99-feb02 Jul01-feb02 Jul00-feb02 Aug00-feb02 Jan97-mei98 Ma01-feb02 Jul99-feb02 Jan97-jan00 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan99-feb02 Jul01-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jul98-feb02 Jun98-feb02 Mei97-feb02 Jan97-feb02 Jan97-jun97 Jan97-feb02 Jan97-feb02 Jan97-jun97 Jan97-jan98 Jan97-feb02 Jan97-dec98 Jan97-feb02 Jan97-feb02 Jan97-feb02 Dec97-feb02 Jan97-jul97 Jan97-feb02 Jan97-jun98 Jan97-feb02 Jan97-feb02 Ma99-feb02 Aug98-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-feb02 Jan97-dec98 Jan97-feb02 Jan97-jan00 Jan97-feb02 Jan97-jun97 Jan97-feb02 Jan97-feb02

Gemm.Rend. 0.031215 0.062882 0.006161 0.039925 0.034337 -0.02007 -0.02215 -0.03728 0.033787 -0.01031 0.041512 0.032025 0.023228 0.017488 0.025352 0.01878 0.016367 0.071704 0.051336 0.033247 0.012043 0.01139 0.026876 -0.00699 0.052043 0.025754 0.017527 0.106196 0.018187 0.013859 0.009348 0.014754 0.025651 0.035265 0.015899 0.013175 0.000135 0.03023 0.217445 0.009954 0.019317 0.029246 0.013752 0.101101 0.04748 0.008191 0.040063 0.011467 0.036276 0.033891 0.043341 0.017277 0.025564 0.018803 0.15656 0.030825 0.012228

Stand.dev. 0.098609 0.154271 0.089192 0.127994 0.121814 0.179455 0.200706 0.238123 0.087211 0.143733 0.125354 0.131337 0.130182 0.07192 0.094552 0.105847 0.096904 0.217216 0.178466 0.129929 0.093569 0.117898 0.125726 0.145706 0.158634 0.081043 0.103902 0.130996 0.170094 0.085537 0.056728 0.077779 0.079941 0.070647 0.110702 0.090253 0.127595 0.139338 0.47449 0.054954 0.099184 0.119492 0.086474 0.300127 0.173469 0.064978 0.202591 0.121312 0.144174 0.163877 0.069755 0.070968 0.078958 0.103848 0.290909 0.127677 0.091962

Min. Rend. -0.20255 -0.25448 -0.23584 -0.06315 -0.28079 -0.43009 -0.34811 -0.44503 -0.00681 -0.20713 -0.27601 -0.39323 -0.51135 -0.13086 -0.22021 -0.21366 -0.22099 -0.21958 -0.29852 -0.29121 -0.2084 -0.34091 -0.29567 -0.40468 -0.25278 -0.16257 -0.1838 0.003421 -0.41157 -0.22338 -0.04169 -0.10532 -0.12816 -0.05931 -0.34425 -0.2842 -0.30877 -0.43221 -0.03523 -0.09505 -0.17379 -0.40401 -0.1803 -0.42411 -0.33603 -0.23878 -0.39848 -0.21348 -0.23368 -0.33331 -0.0765 -0.11636 -0.09608 -0.26015 -0.11211 -0.34353 -0.23943

Max. Rend. 0.324125 0.4 0.205416 0.510845 0.246238 0.14404 0.393593 0.495283 0.363693 0.225269 0.36373 0.352835 0.331693 0.19075 0.270461 0.456906 0.265692 0.897674 0.295125 0.373823 0.3294 0.46097 0.301703 0.356742 0.667695 0.257373 0.622155 0.312907 0.820587 0.195773 0.088023 0.221235 0.240961 0.178512 0.258586 0.206015 0.398272 0.438776 1.286251 0.195628 0.242643 0.350603 0.192329 0.893124 0.711937 0.188017 0.846371 0.528057 0.4927 0.616808 0.189638 0.163804 0.242049 0.222678 0.7 0.444459 0.190475

34

Marktkapital. 458.98 125.11 5572.02 2138.56 876.84 551.28 2469.33 1109.38 423.61 44820.99 404.72 12390.94 560.80 3468.44 8886.46 49.28 18158.53 423.22 444.30 2463.76 1369.50 927.89 9818.13 2782.96 412.95 781.35 897.71 720.07 3105.61 13004.84 1690.07 1065.54 27740.03 972.16 9612.18 1593.72 1376.98 327.86 273.59 1565.43 879.65 19666.68 5536.88 936.38 200.70 468.91 523.16 436.17 582.94 25087.57 8796.42 25200.35 35291.58 1956.86 1783.93 6277.63 5573.18

2001-2002


Parijs Thomson TotalFinaElf Transiciel TrediEnviron UAP UBI UFB Ugine UIS Unibail Unilog Valeo Vallourec Vinci Virbac Vivendi Env. Vivendi Univ Wanadoo Wavecom Zodiac

Periode Gemm.Rend. Dec99-feb02 0.037391 Jan97-feb02 0.021322 Apr98-feb02 0.043879 Sep00-feb02 0.033625 Jan97-dec98 0.041521 Jan97-feb02 0.034366 Jan97-okt98 0.016968 Jan97-dec97 0.015831 Jan97-jul98 0.019637 Jan97-feb02 0.02005 Jan97-feb02 0.047299 Jan97-feb02 0.007789 Jan97-feb02 0.015379 Jan97-feb02 0.029817 Jan97-feb02 0.01024 Aug00-feb02 0.007252 Jan97-feb02 0.011765 Aug00-feb02 -0.04576 Jul99-feb02 0.10983 Jan97-feb02 0.00539 Bron: Datastream en eigen berekeningen.

Stand.dev. 0.243023 0.0845 0.234991 0.117859 0.10863 0.195882 0.077257 0.092748 0.03033 0.057069 0.152417 0.108833 0.113771 0.093791 0.08809 0.067206 0.099455 0.155625 0.452173 0.095387

Min. Rend. -0.31106 -0.19716 -0.28231 -0.13004 -0.28538 -0.34555 -0.17158 -0.19241 -0.0266 -0.0942 -0.29561 -0.29432 -0.25703 -0.13365 -0.17866 -0.09035 -0.19609 -0.32523 -0.58989 -0.33731

Max. Rend. 0.783852 0.229959 0.803226 0.329486 0.221243 0.872644 0.152724 0.188415 0.079986 0.174991 0.397424 0.216454 0.290906 0.274955 0.255345 0.149903 0.171221 0.188 1.60061 0.182634

35

Marktkapital. 11562.62 65668.11 751.95 200.93 10292.52 439.08 458.86 1256.34 488.83 1706.67 667.21 4846.01 443.21 2438.62 163.76 15254.46 42515.86 11276.98 852.30 1090.68

Om de statistieken verder te verduidelijken hebben we de statistieken uit elke kolom nog eens verder samengevat. In onderstaande tabel zien we de opdeling van het aantal aandelen volgens beurs en soort.

Tabel 5: Aantal aandelen per beurs en volgens soort.

Beurs

Brussel

Amsterdam

Parijs

Totaal aantal

65

98

184

Dead stocks

11

19

34

1997-2002

36

63

97

Nieuw noterend

18

16

53

Bron: Eigen berekeningen.

We zien in bovenstaande tabel dat we voor Brussel 65 aandelen hebben gebruikt, voor Amsterdam 98 en voor Parijs 184. Verder kunnen we de indeling per soort van aandeel zien voor elke beurs. In de volgende tabel hebben we rekenkundige gemiddelden genomen van de aandelen die we hebben gebruikt, per beurs ingedeeld.

Universiteit Gent

2001-2002


36

Tabel 6: Rekenkundig gemiddelden van bovenstaande statistieken.

Gemiddelde\Beurs

Brussel

Amsterdam

Parijs

Rendementen

0.009321

0.010199

0.024052

Standaarddeviatie

0.110469

0.113677

0.132949

Minimale rendementen

-0.21813

-0.24065

-0.24473

Maximale rendementen

0.31921

0.336258

0.394589

Marktkapitalisatie in miljoen €

2257.89

5598.97

5754.72

Bron: Eigen berekeningen en datastream

We kunnen hierop zien dat het rekenkundig gemiddelde van de rekenkundige gemiddelden van de maandrendement voor Parijs 2.4% is. Voor Amsterdam is dit 1.0% en voor Brussel 0.9%. We merken hier dat, voor de gebruikte manier van berekenen, Parijse aandelen veel meer rendement hebben gegeven dan Brusselse en Amsterdamse aandelen. We zien dat de gemiddelde standaardafwijking in Parijs iets groter is dan in de andere twee beurzen, wat op een groter risico wijst en deels het grotere gemiddelde rendement kan verklaren. De grotere variabiliteit in de gemiddelde maandrendementen komt ook terug in de grotere waarden voor het gemiddelde minimum- en maximumrendement voor Parijs. Tenslotte zien we ook dat we voor Brussel gemiddeld kleinere aandelen hebben op het vlak van marktkapitalisatie dan voor de beurzen van Parijs en Amsterdam. Dit wijst dan weer op het aanwezig zijn van relatief meer blue chips in de dataset voor deze twee laatste beurzen.

3.6 3.6.1

Het model Inleiding

We hebben nu dus aangegeven welke data we gaan gebruiken en op welke manier we ze hebben gevonden. In deze paragraaf gaan we nu uitleggen hoe we onze onderzoeksvragen in een model, dat zoveel mogelijk informatie weergeeft hebben gegoten. We zijn begonnen vanuit de volgende basisvergelijking:

Universiteit Gent

2001-2002


37

Rit = f (risico, liquiditeit, sector, beurs, periode) Het excess-rendement 3 R van het aandeel i op tijdstip t is dus functie van het risico, van liquiditeitsfactoren, van de sector waarvan het achterliggende bedrijf deel uitmaakt, van de beurs waarop het noteert en van de periode waarin ze noteert. We gaan nu eerst bekijken met wat voor schatting we hier te maken hebben, vervolgens gaan we alle factoren waar het excess-rendement vanaf hangt van naderbij bekijken. Als laatste van deze factoren komen we bij onze onderzoeksdummies.

3.6.2

Panel data

Door het feit dat we met vele aandelen zitten op verschillende tijdstippen, is het zo dat we niet zomaar een multivariate kleinste kwadratenschatting kunnen uitvoeren via een tijdreeks (één aandeel over geheel de periode) of via een cross-sectie (alle aandelen op één tijdstip). We hebben hier dus nood aan een andere manier van werken: door middel van panel data. Johnston en DiNardo omschrijven panel data als volgt: “Repeated observations on the same set of cross-section units.” (JOHNSTON J. en DINARDO J., 1997, blz. 388) Bij een panel data schatting moet men telkens goed kijken hoe de data is gerangschikt. We beschouwen:

yit = de waarde van de afhankelijke variabele voor cross-sectie-eenheid i op het tijdstip t, waarbij i = 1,…,n en t = 1,…,T Xit,j = de waarde van de j-de verklarende variabele voor cross-sectie-eenheid i op tijdstip t. Er zijn K verklarende variabelen waarbij j = 1,….,K.

In matrixnotatie ziet dit er als volgt uit:

y

 i1     i2 i =    M   iT   

y y

y

X

   i =     

X i 1,1 X i1 , 2 X i 2,1 X i 2 , 2 M

M

X i T ,1 X iT , 2

L L O L

X i1, K  X i 2 , K    iT , K  M

X

ε

ε ε

 i1     i2 i =    M   iT 

ε

- waarbij ε it verwijst naar de storingsterm voor de i-de eenheid op het tijdstip t. Als we het voor alle eenheden samennemen, krijgen we: 3

Excess-rendement is het rendement dat wordt behaald zonder het risicoloze rendement.

Universiteit Gent

2001-2002


  y =    

y1  y 2 M   yn 

 X 1  X 2 X =   M     Xn 

ε

38

ε ε

 1    2 i =    M   n 

ε

- waarbij y een nT x 1 matrix is, X een nT x k matrix en ε is een nT x 1 matrix. Het standaard lineair model kan als volgt worden uitgedrukt: y = Xγ + ε - waarbij γ 1  γ 2 γ =  M    γ k  Het is nu naar deze γ ’s dat we op zoek gaan in ons onderzoek. We willen er wel op wijzen dat we hier met een model werken waar kleine en grote aandelen op dezelfde manier zullen behandeld worden. We controleren wel voor liquiditeit door middel van liquiditeitsmaatstaven (zie infra blz. 52), maar we willen hier toch eens de nadruk op leggen. Doordat ons model geen rekening houdt met de grootte van de aandelen geven we ook enkel informatie over de rekenkundige gemiddelden bij het bekijken van de statistieken.

3.6.3

Risico

3.6.3.1 Inleiding Het eerste waarvoor we gaan controleren, voor we aan onze feitelijke onderzoeksvariabelen beginnen, is risico. Om te zuiveren voor risico moeten we eerst over een bepaald model beschikken. We hebben hier geopteerd voor het marktmodel. Samen met het marktmodel bekijken we het SIM en we beschrijven welke de voor-en de nadelen zijn van beide modellen.

Universiteit Gent

2001-2002


39

3.6.3.2 Het SIM. Vroeger had men om met het model van Markowitz een efficiënte grens te berekenen teveel data nodig, en waren de computers te zwak. Men moest van elk aandeel het verwachte rendement weten en de standaardafwijking als maatstaf voor risico. Verder moest men voor elk aandeel de correlatie met alle andere aandelen hebben. Dit noopte tot een immense dataset en enorm veel berekeningen om, voor het risico (of standaardafwijking) van elke portefeuille, het hoogste verwacht rendement te komen. We zien in onderstaande figuur hoe men na de efficiënte grens te hebben bepaald, de CAL of de capital allocation line, bekomt. De CAL gaat door het punt op de efficiënte grens waar men het meeste rendement, gegeven de risicovrije rente, voor elke standaardafwijking kan bereiken. Het is dus zo dat de CAL het hoogst mogelijke rendement aangeeft dat elke belegger kan behalen door deels in de optimale portefeuille te beleggen en deels in de risicovrije rente, al naar gelang zijn risicoaversie en dus de standaardafwijking die hij wil dragen.

Figuur 4: De efficiënte grens en de Capital Allocation Line.

Bron: BODIE, CANE en MARCUS, 2002, blz. 207-319

Door de zware berekeningen is men op zoek gegaan naar makkelijkere manieren om het risico en het verwachte rendement van een aandeel in portefeuille te berekenen. De oplossing hiervoor werd gevonden in het meestal positief gecorreleerd zijn van aandelen. Dit betekent dat er een bepaalde gemeenschappelijke factor hiervoor verantwoordelijk moet zijn. Dit noemt men dan niet-diversifieerbaar risico.

Universiteit Gent

2001-2002


40

Op deze manier komen we bij de factormodellen uit. Deze stellen dat het rendement van een aandeel opdeelbaar is in drie stukken: een constant gedeelte, een gemeenschappelijk variabel gedeelte en een specifiek variabel gedeelte. Dit wordt bijgevolg: ri = E(ri) + mi + ei waarbij E(ri ) het verwacht rendement is zonder macro- en bedrijfsspecifieke schokken, mi is de impact van ongeanticipeerde macro-effecten en ei geeft de ongeanticipeerde bedrijfsspecifieke effecten weer. Als we nu het SIM of het Single Index Model van Sharpe bekijken, wordt het gemeenschappelijk variabel gedeelte door één factor vertegenwoordigd. Deze factor is de beursmarkt. We komen uit dat: ri – rf = α i + β i (rm – rf) + ei , waarbij ri het maandrendement is voor aandeel i en rf is het risicovrije rendement op maandbasis. Waaruit volgt dat: Ri = α i + β i Rm + ei. En dus verder: E(Ri) = α i + β i Rm + 0, waarbij α i het verwacht rendement van het aandeel is, als het excess-rendement van de markt Rm 0 is. β i bekijkt welke impact marktbewegingen op een individueel aandeel hebben en ei geeft het onverwacht bedrijfsspecifieke rendement weer.

3.6.3.3 Het CAPM. Omdat bij het SIM, de verwachte excess-rendementsbepaling nog een theoretische onderbouw mist, bespreken we hier ook het CAPM dat als evenwichtsmodel een betere theoretische onderbouwing biedt. Een evenwichtsmodel is een waarderingsmodel dat een verband legt tussen risico en verwacht rendement. Het CAPM, of het Capital Asset Pricing Model, gaat hierbij uit van sterke hypothesen. Het gaat hierbij om een ‘Perfect markt’ en om ‘Homogene beleggers’. Homogene beleggers gebruiken ook Markowitz voor de bepaling van hun efficiënte grensen en de CAL, maar ze verschillen wel in beginvermogen en risico-aversie.

Dit betekent met andere woorden dat, in evenwicht, iedereen deels de marktportefeuille aanhoudt, die alle mogelijke beleggingsactiva bevat, en deels een risicoloze belegging.

Universiteit Gent

2001-2002


41

De CAL, of de Capital Allocation Line, uit Markowitz wordt in het CAPM de CML, of de Capital Market Line. Deze geeft de relatie weer tussen risico en verwacht rendement, waarbij der prijs voor tijdsverloop wordt gegeven door de constante rf en de prijs voor risico wordt gegeven door de helling van de CML: (E(rm) – rf )/ σ

m.

Hetgeen we nu dus nog niet weten, is de risicopremie die er in evenwicht op M zal zijn. Als we de individuele afwegingen samenvoegen en er zeker van zijn dat de gehele marktportefeuille moet worden ingevuld, krijgen we: E(rm)-r f = gemidd.A* σ

2

M.

Dit betekent

dat het verwachte excess-rendement voor de markt proportioneel is met de gemiddelde risicoaversie en het totale risico van de marktportefeuille. In een laatste stap, bekijken we verder de risicopremie van individuele activa. In het CAPM wordt risico beschouwd als de bijdrage die het aandeel brengt in de marktportefeuille. In een gediversifieerde portefeuille is de bijdrage het systematisch risico. In het CAPM is het systematisch risico gelijk aan β en is dus de risicopremie proportioneel met β . Dit wordt: E(ri – rf) = β i E(rm - rf ). Op deze manier kunnen we dus de SML, of de Security Market Line, opstellen. Figuur 5: De Security Market Line.

Bron: BODIE, CANE en MARCUS, 2002, blz. 207-319

De SML geeft aan wat het verwachte rendement is voor elk aandeel naar gelang de grootte van zijn β . Wat betreft de α en het actief beheer, weten we vanuit het CAPM dat het verschil, verwacht versus vereist rendement, ex-ante 0 zal zijn (BODIE, CANE en MARCUS, 2002, blz. 207-319).

Universiteit Gent

2001-2002


42

3.6.3.4 Risico in ons model. Voor ons onderzoek is het nu zo dat we niet met verwachte rendementen en een volledige marktportefeuille kunnen werken. Hierdoor zitten we dus eigenlijk op basis van het SIM te werken. We schatten onze β aan de hand van de formule die bij het deel over het SIM is naar voren gekomen. We kunnen wel stellen dat de gerealiseerde rendementen en de portefeuilleindex een goede benadering kunnen zijn van de volledige marktportefeuille. Dit komt dan de theoretische onderbouwing ten goede. We hebben nu dus nood aan die welbepaalde α en het hierbij horende actief beheer dat we hiermee dus kunnen voeren. In het geval van ons onderzoek geeft dit een antwoord op de vraag welk actief beheer we best konden gevoerd hebben. We beginnen met het samenstellen van een marktportefeuille van onze 347 aandelen, die we hebben beschouwd. Het marktrendement per maand hebben we als volgt berekend:

n

Marktrendement voor maand t =

∑ i =1

( Marktkapitalisatiei , t − 1 * ri , t ) n

∑ Marktkapitalisatie

i, t − 1

i =1

We zijn, om tot het resultaat te komen van deze formule, begonnen met het verzamelen van alle marktkapitalisaties voor alle maanden in onze dataset. We hebben vervolgens voor elke maand de som genomen van alle marktkapitalisaties. Op deze manier bekomen we de totale marktkapitalisatie voor elke maand van al onze aandelen. Verder hebben we voor elk aandeel de return index voor elke maand op Datastream opgezocht. Met deze informatie bekomen we ons marktrendement voor elke maand door de return van het aandeel te vermenigvuldigen met het belang dat elk aandeel in de marktportefeuille heeft.

Universiteit Gent

2001-2002


43

Figuur 6: Marktindex gebaseerd op maandrendementen. Marktindex 300

250

Marktindex

200

150

100

50

jui l-0 1 se pt01 no v-0 1 jan v-0 2

juil00 se pt00 no v-0 0 jan v-0 1 m ar s-0 1 ma i-01

no v-9 9 jan v-0 0 m ar s-0 0 ma i-00

juil99 se pt-9 9

m ai99

no v-9 8 jan v-9 9 ma rs-9 9

m ai98 juil -98 se pt-9 8

no v-9 7 jan v-9 8 ma rs-9 8

m ai97 jui l-9 7 se pt97

jan v-9 7 ma rs-9 7

0

maand

Bron: Datastream + eigen berekeningen.

We zien in bovenstaande figuur de rendementsindex van onze eigen marktportefeuille met als basis 100, begin januari 1997 en als eindwaarde 196 voor eind februari 2002. Via e-views hebben we dan voor elk aandeel de individuele β geschat ten opzichte van onze zelf gecreëerde marktportefeuille. Dit hebben we gedaan aan de hand van volgende regressievergelijking: ri – rf = α i + β i (rm – rf) + ei , waarbij ri het maandrendement is van het aandeel i , rf is het maandrendement van de euribor op 3 maand, α i is de α zoals we die bij het SIM en het CAPM hebben gezien (zie supra blz. 39), β geeft de gevoeligheid ten opzichte van de markt weer en ei geeft het bedrijfsspecifieke rendement weer. We doen deze schatting nu voor tijdsreeksen met 62 maandwaarnemingen. Volgens onderzoek van Broquet en Capiau-Huart uit 1987 is een periode van vijf jaar de beste manier om verzoening te brengen tussen statistische en economische afwegingen. Om statistisch zo goed mogelijk te handelen is het best dat we zo lang mogelijke tijdsreeksen gebruiken, want dan kan de schatting het best worden gevoerd. Anderzijds is het zo dat in de economische realiteit bedrijven niet constant hetzelfde risicoprofiel ten opzichte van de markt bewaren wegens veranderende activiteiten en financiering. Dit betekent dat, hoe recenter de data zijn, des te beter de β overeenkomt met de huidige werkelijkheid. Uit hun onderzoek bleek dat een periode van vijf jaar deze twee tegenstrijdige gegevens kan verzoenen.

Universiteit Gent

2001-2002


44

We hebben nu onze β ’s geschat op basis van 62 waarnemingen in plaats van 60, maar we gaan er van uit dat het verschil hiervan nihil is. Tevens zorgt het er ook voor dat nieuw noterende aandelen twee extra waarnemingen hebben, zodat we de β hiervan beter kunnen schatten. In onderstaande 3 tabellen tonen we de resultaten van deze schatting voor elk aandeel, ingedeeld per beurs. Tevens hebben we het aantal waarnemingen vermeld (als dit aantal verschillend was van 62) en de sector van het aandeel. Deze twee factoren verklaren namelijk mee het resultaat van de schatting. Aandelen die minder waarnemingen hebben, kunnen moeilijker geschat worden en dit kan tot afwijkende resultaten leiden. Verder hebben we ook de sector vermeld. We hebben hier de sector via nummers weergegeven. Voor een legenda omtrent deze nummers verwijzen we naar het deel dat handelt over het belang van de sector. (zie infra blz. 59)

Tabel 7: Beta en sector van aandelen genoteerd op beurs van Brussel. Aandeel Agfa Gevaert Almanij Anhyp Anhyp ‘B’ Arinso Int. Barco BBL Bekaert Bernheim Brederode Bureau van Dijck CBR CMB Cobepa Cofinimmo Colruyt Crédit Générale D’Ieteren Delhaize Dexia Dolmen Duvel Electrabel Fab. Fer. Fortis GBL New Gevaert GIB Glaverbel Immobel Interbrew

Universiteit Gent

β 0.633675 0.772553 0.536945 0.06273 0.486021 1.138328 0.490623 0.896618 0.564511 0.744923 0.594977 0.758414 0.491929 0.694873 0.068491 0.358006 0.745116 0.823359 0.569078 0.584085 1.535208 -0.0404 0.155977 0.81278 0.928029 0.570385 0.871167 0.245333 0.524778 0.200286 0.177757

Aantal waarnemingen 33 25 13 23 18 9 33 43

17

28 32 15

15

Sector 4 8 8 8 9 2 8 2 8 8 9 1 5 8 8 6 8 5 6 8 9 4 7 1 8 8 8 6 1 8 4

2001-2002


Aandeel IPTE IRIS groep KBC Koramic LSG Mitiska Mobistar Monceau Obourg Omega Pharma Petrofina Photo Hall Punch Int. Quest for Growth Quick Real Software Royale Belge Sait Stento Sibeka Sioen Industries Sofina Solvay Solvus Spector Telindus Tessenderlo Tubize ‘A’ Tubize ‘B’ Ubizen UCB Umicore Uniesde Phorphyre VMS Keytrade VPK Packaging

β 1.378495 0.968348 0.999468 0.785754 0.29439 0.868725 1.338744 0.615777 0.575625 0.650038 0.776673 0.969309 -0.50736 0.881237 0.907598 1.301107 1.06603 1.091751 -0.66267 0.772196 0.7217 0.728433 0.84979 0.630496 1.131992 0.721989 0.84162 0.628295 2.63656 0.793578 0.74546 0.033233 2.698097 -0.10192

Aantal waarnemingen 33

56 32 40 47 44 48 43 35 41 56 26 7

17

26 34

45

Sector 2 9 8 1 2 5 6 2 4 4 0 5 2 8 5 9 8 2 0 3 2 1 5 5 9 1 4 4 9 4 1 1 5 1

Bron: Eigen berekeningen en datastream. Tabel 8: Beta en sector van aandelen genoteerd op beurs van Amsterdam. Aandeel Aalberts ABN Amro Aegon Ahold Akzo Nobel Alpinvest Amstelland ASM International ASML Holding Athlon Begeman Benckiser Bijenkorf Boskalis Buhrmann Calvé CMG Corio

Universiteit Gent

β

1.021492 1.23379 1.061215 0.646052 0.925581 0.745854 0.652602 2.589417 2.43661 1.027672 1.130664 0.700841 0.156302 0.300624 0.880283 0.892365 1.637146 0.247447

Aantal waarnemingen

34

25 31

29

Sector 2 8 8 6 1 8 1 9 9 3 2 4 5 1 5 4 9 8

2001-2002


Aandeel Crucell CSM CSM Cert. Draka DSM Elsevier Endemol Eurocommercial Euronext Fortis Fugro Gamma Getronics Geveke Gist Grolsch Gucci Hagemeyer Haslemere Heijmans Heiniken Hoogovens Hunter Douglas IHC Caland ING Groep Kas Bank KLM KPN KPN Qwest Krasnapols Landis Laurus LCI Technology Macintosh Nagron Nat. Investeringen Nedlloyd NPM Numico Nutreco Oce OPG Ordina Otra Pakhoed Petroplus Philips Pink Pirelli Polygram Randstad Rodamco Rodamco Royal Dutch Simac Smit Stork

Universiteit Gent

β

2.374644 0.426938 0.209324 1.027509 0.896707 0.385126 0.848111 0.26064 1.650712 0.99214 0.516735 0.746988 1.85197 0.8395 1.314707 0.20777 0.869188 1.261888 0.239343 0.699391 0.236561 1.380013 1.027271 0.133941 1.236103 0.66421 1.436291 2.352426 3.589528 0.901265 2.349354 0.654078 1.55545 0.4822 0.355625 0.982974 0.902869 0.208538 0.466799 0.378662 1.103877 0.791266 1.440052 0.312105 0.853455 0.827219 1.698578 0.744536 1.531472 0.410704 1.210396 0.663872 0.251988 0.602958 1.587917 0.532269 0.598094

Aantal waarnemingen 16 34

43 7

20

31

36

27 45 46

30 46 54

30 35 43 31 4 24 31 31

46

Sector 4 4 4 2 1 5 5 8 8 8 0 3 9 2 4 4 3 5 8 1 4 1 3 2 8 8 5 6 9 5 9 6 9 5 8 8 5 5 4 4 9 4 9 5 5 0 2 9 2 5 5 8 8 0 9 5 2

2001-2002


Aandeel TPG Uni Unilever UNIT 4 Agresso United Services Van der Moolen Van Lanschot Van Leer Van Ommeren Vastned Offices Vastned Retail Vedior Vendex Versatel VNU Vodafone Volker Wessels Vopak Wegener Wereldhaven Wessanen Wolters Kluwer World Online

β

0.45399 0.3632 0.612867 0.755223 0.753175 1.599239 0.754078 0.46652 0.759117 0.267194 0.224231 0.587543 0.628153 4.746366 1.139907 1.748866 0.524614 0.272509 0.593529 0.205144 0.798766 0.247644 2.73321


48

32 34 35

56 30 32 27

10

47

Sector 5 8 4 9 5 8 8 4 5 8 8 5 5 8 5 6 1 5 5 8 4 5 9

Bron: Eigen berekeningen en datastream.

Tabel 9: Beta en sector van aandelen genoteerd op beurs van Parijs. Aandeel A Novo Accor Agache AGF Air France Air Liquide Alcatel Alstom Alten Altran April Group Areva Atos Avenir Télé Aventis AXA AXA Bacou Beghin Beneteau Bic BNP Paribas Bollore Bon Marché Bonduelle Bouygues O. Bouygues P. Brioche Pas. Universiteit Gent

β

3.253822 1.118675 0.51153 0.370495 1.306258 0.36237 2.451898 0.774534 1.785769 1.698467 1.125049 0.610251 1.212626 3.539537 0.658752 -3.82251 1.206251 0.608253 0.20188 1.419022 0.714869 1.378142 0.441328 1.763809 -0.16203 1.610773 0.796525 0.248634


44 37 52

39 5

8

14 44

Sector 5 5 2 8 5 1 9 2 9 9 8 7 9 5 4 8 8 3 4 3 3 8 5 5 4 1 0 4 2001-2002


Aandeel Buitoni Bull Business Objects Cap Gemini Carbone Cardif Carrefour Casino Castorama Cereol Cerestar Cetelem CGIP Chargeurs Christian D. Ciments Fr. Clarins Club Med CNP Ass. Coface Coil Comm.Union Crédit Lyonn Danone Dass.Electr. Dassault Sys Degremont Dexia Eads Eiffage Elior Entenial Equant Essilor Euler Eurazeo Eurodisney Eurofins Euronext Eurotunnel Exor Limited Faurecia Fimatex Financière Foncia Gr. Fourmi France France Télé Galeries Laf GAN Gecina Gemplus Géné. Santé Genesys Geophysique GFI Informat Gr. dela Cite

Universiteit Gent

β

0.685525 2.087491 3.08604 1.50815 1.108879 1.071556 0.73906 0.399923 0.540096 1.081526 0.321931 0.4383 1.122678 0.596808 1.536365 0.770094 0.729307 1.314523 0.223887 1.9736 0.737943 -0.65572 1.122271 0.615945 0.481556 1.758821 0.350758 0.373061 1.377194 0.843858 1.165892 0.56755 1.230228 0.486357 0.685523 0.89677 0.15651 1.112257 1.680216 0.715933 -0.2766 0.753659 3.038834 0.276894 -0.04556 -0.56504 0.158625 1.70728 0.849911 0.972487 0.190246 0.917199 -0.26399 0.808839 1.260455 1.948022 0.317178


17

8 8 21

40 25 16 31 20 10 27 19 23 43 22

52 7 13 23 24 10 5 18 52 19 14 8 41 45 14

48

Sector 4 9 9 9 2 8 6 6 5 4 4 8 2 3 3 1 4 5 8 8 1 8 8 4 2 9 2 8 2 1 5 8 6 4 8 2 5 5 8 5 6 3 8 8 8 8 8 6 5 8 8 9 4 6 3 9 8

2001-2002


Aandeel Gr. Steria Grandvision Guy. & Gasc Havas Hermes High Imerys Immeubles Infogrammes Ingenico Investi Ipsos JC Decaux Lafarge Lagardere Locindus Louis Vuitton Luxyachting LVHM LVL M6 Mar. Wendel Marrionnaud Medipep Michelin Navigation Neopost Nexans NRJ Groupe Oberthur OCP Orange Paribas Penauille Pernod Peugeot Picheney Pierre & Vacances Pinault Print Pinguely Provimi Publicis Groupe Rallye Remy Coin Renault Rhodia Rodriguez Royal Canin Rue Imperial SAFR Sagem Saint Gobain Saint-Louis Salomon Sanofi SCAC Schneider

Universiteit Gent

β

2.95015 0.804656 0.48529 1.493568 0.855487 1.677218 0.874176 0.534547 2.218318 1.689416 0.400496 1.978735 2.62054 0.885195 1.559434 0.241599 0.575952 0.208183 1.650561 1.761572 1.830957 1.242512 0.879169 0.968796 0.782494 0.565965 0.587209 1.763758 3.030818 3.43467 0.286551 0.907036 1.410848 1.136229 0.236594 0.964019 0.93919 0.679226 1.181276 0.792795 2.713871 1.280787 0.752774 0.838557 1.102754 1.444389 1.09404 0.518756 0.466071 3.044025 1.722028 0.873967 1.337325 0.534683 0.236987 0.453107 1.453101


24

9 32 8

24 5

43 43 17 36 8 20 19 17 12 37

32 38 8

44 45 58 6

6 13 24

49

Sector 9 5 6 5 3 5 1 8 5 2 8 5 5 1 5 8 3 5 3 4 5 2 5 4 3 2 2 2 5 9 4 6 8 5 4 3 1 5 5 2 4 5 6 4 3 1 3 4 8 8 9 1 4 5 4 5 2

2001-2002


Aandeel SCOR SEB Seche Envir SEPR Simco Sligos Soc. Général Sodexho All. Soitec Solving Sophia Sopra Spir SR Téléperf ST Microel. Suez SUEZ Synthelabo Technip Télémecanique TF1 Thales Thomson TotalFinaElf Transiciel TrediEnviron UAP UBI UFB Ugine UIS Unibail Unilog Valeo Vallourec Vinci Virbac Vivendi Env. Vivendi Univ Wanadoo Wavecom Zodiac

β

0.57121 0.854502 0.946269 8.344801 0.329179 0.081538 1.434271 0.54062 3.691159 1.360928 0.133181 1.827659 0.748035 1.411325 1.810719 0.846664 0.630996 0.138569 1.004854 -0.79843 1.30717 0.736344 3.029231 0.547491 2.375949 -0.14125 1.177599 1.73538 -0.07548 0.20099 0.292571 0.080489 1.533334 0.943191 0.889083 0.633298 0.365832 -0.04948 1.13732 2.316486 6.135332 0.986997

Aantal waarnemingen

51 7 18

36 43

24 37 6

27 47 18 24 21 12 19

19 19 32

50

Sector 8 3 5 Niet Bekend 8 9 8 5 9 5 8 9 5 5 9 8 2 4 0 2 5 2 2 0 9 5 8 5 8 0 8 8 9 3 2 1 4 7 5 9 9 2

Bron: Eigen berekeningen en datastream.

We kunnen na de schatting van elke β , voor elk aandeel bepalen wat de α en de ei elke maand hebben gedaan. Dit bekomen we door van ri – rf , β x (rm – rf) af te trekken. We weten dat we, via diversificatiemogelijkheden, in het SIM en het CAPM vooropstellen dat E(ei) = 0. Uit het CAPM weten we verder ook dat de verwachte waarde voor α ook gelijk is aan 0. Toch zien we dat het zelden zo is dat we 0 uitkomen in onze dataset. De waarden van α en ei gaan we nu als afhankelijke gebruiken in onze panel data schatting.

Universiteit Gent

2001-2002


51

We gaan deze waarden ten opzichte van zoveel mogelijk verklarende variabelen zetten, met daarbij ook onze onderzoeksvariabelen. We bekijken nu eerst in volgende tabel het rekenkundige gemiddelde van de rekenkundige gemiddelden van de risicogecontroleerde maandredementen van elk aandeel volgens beurs. Dit doen we eens voor de gehele periode en voor de verschillende onderzoeksperioden. Tabel 10: Rekenkundige gemiddelde van de excess-maandrendementen gecontoleerd voor risico, opgedeeld volgens periode en beurs. Periode \ Beurs

Brussel

Amsterdam

Parijs

Geheel de periode

0.000355

-0.00304

0.010989

1997-1998

0.011278

-0.00509

0.002762

1999-2000

-0.02037

-0.00374

0.014265

2001-2002

0.001075

0.001772

0.009529


We zien in deze tabel dat door het controleren voor risico, de excess-maandrendementen veel kleiner geworden zijn. We zien dat, volgens het rekenkundig gemiddelde, Amsterdam over geheel de periode een negatief risicogecontroleerd rendement heeft van –0.3%. Brussel en Parijs hebben beiden over geheel de periode een positief risicogecontroleerd rendement van respectievelijk 0.04% en 1.1%. Als we de resultaten van de gemiddelden volgens deelperiode beschouwen, zien we dat voor Brussel de positieve waarden in het begin en einde van de onderzoeksperiode worden onderbroken voor de periode 1999-2000. Voor Amsterdam zien we dat we een positief evoluerende evolutie hebben. Voor Parijs valt de sterk positieve waarde op voor de periode 1999-2000. We kunnen uit deze tabel leren dat, rekenkundig gemiddeld gezien, Parijs in de periode van de invoering van de euro sterk heeft gepresteerd ten opzichte van de twee andere beurzen. Het verschil wordt in de periode 2001-2002 weggewerkt en zelfs omgedraaid. In de volgende tabel staan de statistieken vermeld, volgens beurs opgedeeld, voor de gehele onderzoeksperiode, voor de gemiddelde standaardafwijking en het gemiddelde minimum en maximum van het risicogecontroleerd maandrendement. Tabel 11: Standaardafwijking, maximum en minimum van de excess-maandrendementen gecontroleerd voor risico, opgedeeld volgens beurs, voor geheel de periode.

Beurs

Brussel

Amsterdam

Parijs

Standaardafwijking

0.100231

0.098974

0.11427

Minimum

-0.20445

-0.21151

-0.21028

Maximum

0.288262

0.291913

0.337173

Bron: Eigen berekeningen. Universiteit Gent

2001-2002


52

In bovenstaande grafiek zien we dat standaardafwijkingen van de risicogecontroleerde excessrendementen maar een beetje kleiner zijn dan bij de gewone maandrendementen. Dit betekent dat het controleren met betrekking tot risico niet direct tot een vermindering in de grilligheid van de rendementen leidt. Ook de gemiddelde waarden voor minimum en maximum risicogecontroleerd maandrendement zijn maar een fractie kleiner.

3.6.4

De liquiditeitsmaatstaven.

3.6.4.1 Inleiding. We hebben nu in onze regressie als afhankelijke variabele het risicogecontroleerd excessrendement per aandeel en per maand staan. Deze rendementen, gecontroleerd, voor risico plaatsen we nu ten opzichte van zoveel mogelijk verklarende factoren waaronder de variabelen die onze onderzoeksvragen beantwoorden. Voorbeelden van deze bepalende factoren zijn liquiditeitsmaatstaven, sectoren en de dummies voor ons onderzoek. We beginnen met de liquiditeitsmaatstaven.

3.6.4.2 Het gebruik van liquiditeitsmaatstaven. Liquiditeit heeft een bepalende invloed voor het rendement (zie supra blz. 4) We weten namelijk dat illiquide aandelen meer verwacht rendement zullen moeten geven, zelfs als men voor risico heeft gecontroleerd. Dit betekent met andere woorden dat de β niet alles omvat wat betreft het verwacht rendement. We weten nu wel dat men meer rendement verwacht voor een minder liquide aandeel, maar het probleem is nu dat je geen perfecte definitie of maatstaf voor liquiditeit kan aangeven. We hebben in de theoretische uiteenzetting al een paar belangrijke, sterk met liquiditeit gecorreleerde aandelen beschouwd. We gebruiken in onze regressie drie mogelijke manieren om liquiditeit te meten. De eerste is de marktkapitalisatie, de tweede is het volume of omzet in eenheden en de derde is de bid-ask spread. (zie infra, blz. 54)

Universiteit Gent

2001-2002


53

Verder zijn er nog vele andere mogelijke liquiditeitsmaatstaven waarvan we hier er nog een paar kort bespreken, maar die moeilijk te gebruiken waren voor ons onderzoek. Toch zullen ze in vele gevallen gecorreleerd zijn met de gebruikte maatstaven. 1. Ten eerste is het aantal analisten dat op een aandeel zit te werken van belang voor de liquiditeit. Hoe meer aandacht er is voor een aandeel, hoe sneller er zal gereageerd worden op bijvoorbeeld noise traders, die de prijs van het evenwicht duwen (zie supra blz. 6). Dit komt de liquiditeit ten goede. 2. Een andere mogelijke maatstaf is te bekijken wat de autocorrelatie is in de rendementen van een aandeel op korte termijn. Een aandeel dat een grotere autocorrelatie vertoont op korte termijn zal minder liquide zijn. Dit kan wijzen op het feit dat er mogelijk transacties gepland waren om onmiddellijk uit te voeren op zeer korte termijn, maar doordat men geen tegenpartij kon vinden, kan de transactie niet op deze termijn worden uitgevoerd. Dit alles heeft een grotere autocorrelatie op korte termijn tot gevolg. Deze maatstaf hebben we niet gebruikt omdat we over maanddata beschikken voor de aandelen, dit terwijl we data op dagbasis nodig hebben om deze maatstaf te gebruiken. 3. Een derde niet gebruikte liquiditeitsmaatstaf is de free-float. Dit is een maatstaf die meestal samen met marktkapitalisatie moet worden gebruikt, omdat ze weergeeft hoeveel van de aandelen op de beurs vrij verhandelt worden. Het geeft dus weer welk percentage van de marktkapitalisatie kan gekocht worden indien men naar de beurs stapt. Het is dus nu zo dat hoe hoger de free-float is, des te hoger de liquiditeitspositie is van een aandeel. Zo kan het dus bijvoorbeeld zijn dat een aandeel met een kleine marktkapitalisatie, toch een grotere liquiditeit vertoont, door een hogere free-float, dan een aandeel met een grotere marktkapitalisatie, maar met een kleine free-float. 4. Vervolgens zijn ook het aantal marktmakers of liquiditeitsverschaffers van belang. Deze zorgen ervoor dat handelen makkelijker wordt, omdat zij als tegenpartij optreden indien er op de markt niet onmiddellijk een tegenpartij wordt gevonden. 5. Tenslotte is het ook nog mogelijk om het aantal indexnoteringen te bekijken. Hoe meer een aandeel in een bepaalde index is vertegenwoordigd, hoe beter de liquiditeitspositie. Het is namelijk zo dat er indexfondsen bestaan die beleggen naar gelang de samenstelling van een index. Als een aandeel met andere woorden in deze index is vertegenwoordigd, zal dit ervoor zorgen dat er handel is, telkens er meer of minder belegd wordt in dit fonds. Ook zal de opname in een fonds tot een grotere kennis van een aandeel leiden, wat eveneens de handel zal doen opdrijven.

Universiteit Gent

2001-2002


54

We hebben hier nu vijf niet-gebruikte maatstaven voor liquiditeit opgesomd voor de volledigheid. We zijn er evenwel vrij zeker van dat onze drie gebruikte maatstaven reeds een goed beeld zullen geven wat betreft de premie die men krijgt voor de illiquideit van een aandeel. Ze hebben allemaal al bewezen een goede maatstaf te zijn voor liquiditeit. We rafelen hier de liquiditeitsmaatstaven uiteen. We proberen verder te achterhalen in welke onderzoeken ze reeds als liquiditeitsmaatstaven gebruikt zijn en we leggen uit hoe we ze in onze regressie hebben verwerkt.

3.6.4.3 De marktkapitalisatie. We beginnen met de marktkapitalisatie. Deze maatstaf gebruiken we, omdat we weten dat het in de meeste gevallen zo is dat indien een aandeel een grotere marktkapitalisatie heeft, de liquiditeitspositie beter is. Toch kan de free-float toch nog een verstorende factor zijn bij deze stelling (zie supra blz. 53) Het is intuïtief aan te voelen dat indien er potentieel een grotere kapitaalhoeveelheid is die kan verhandeld worden, dit in de meeste gevallen ook zal gebeuren, omdat er hier een vicieuze cirkelwerking voor liquiditeit kan ontstaan(zie supra blz. 8). Ook het feit dat bedrijven met grotere marktkapitalisatie over het algemeen meer publiciteit hebben, meer in indexen zijn opgenomen en meer beoordeeld worden door analisten, speelt in het voordeel voor de liquiditeitspositie. Marktkapitalisatie als maatstaf voor liquiditeit wordt gebruikt in het onderzoek van Reinganum(1990). Hij gebruikt deze maatstaf, niet zoals in ons onderzoek voor het bepalen van een liquiditeitspremie, maar om het verschil in liquiditeitspremies te bepalen tussen de NYSE en de NASDAQ voor aandelen met een marktkapitalisatie tussen een bepaalde marge. Reinganum verdeelt met andere woorden in zijn steekproef de aandelen volgens een het principe dat in elk van de 10 te onderscheiden groepen evenveel aandelen zitten van de NYSE. Vervolgens deelt hij volgens de marges in marktkapitalisatie, die hij op deze manier verkrijgt, ook de NASDAQ-aandelen in. Hij gaat nu na of er een verschil is in rendement tussen de NASDAQ en de NYSE gecontroleerd voor marktkapitalisatie. Het resultaat van het onderzoek is nu dat de NYSE meer rendement biedt voor de kleinere marktkapitalisaties en dat niet enkel het grotere risico hiervoor verantwoordelijk kan zijn (REINGANUM M., 1990, blz. 127-147). Wat van belang is, is dat Reinganum(1990) dus controleert voor liquiditeit aan de hand van de maatstaf marktkapitalisatie.

Universiteit Gent

2001-2002


55

Hij gebruikt dit nu wel om het verschil in rendement voor een verschillende microstructuur aan te duiden, maar toch geeft dit voor ons onderzoek ook aan dat de maatstaf van belang is. Voor ons onderzoek hebben we de marktkapitalisatie per maand en voor elk aandeel voor de periode van januari 1997 tot en met februari 2002 op Datastream gezocht (zie supra blz. 27). We hebben van deze marktkapitalisaties dan de logaritme genomen. Op deze manier wordt het verschil in rendement, door liquiditeitsverschillen, tussen de grotere aandelen als kleiner beschouwd dan voor kleinere aandelen, op het vlak van marktkapitalisatie. We gaan er hierbij dus vanuit dat de liquiditeitspremie dus logaritmisch verloopt, wat Amihud en Mendelsohn(1986) bij hun onderzoek naar liquiditeitspremies ook hebben teruggevonden (zie supra blz. 4). De gegevens die we op deze manier bekomen, maken dan ook deel uit van onze panel data.

Tabel 12: Rekenkundig gemiddelde van de gemiddelde marktkapitalisatie per aandeel, opgedeeld per beurs in miljoen €.

Beurs

Brussel

Amsterdam

Parijs

Gemiddelde marktkapitalisatie

2257.89

5598.97

5754.72


In bovenstaande tabel zien we dat de gemiddelde marktkapitalisatie voor Brussel nog minder dan de helft is van deze van Parijs en Amsterdam. We kunnen dit verklaren door het relatieve gebrek aan blue chips.

3.6.4.4 Het volume. Een tweede liquiditeitsmaatstaf die we gebruiken is het volume of de omzet in eenheden. We gaan er hierbij vanuit, vergelijkbaar aan de marktkapitalisatie, dat hoe meer aandelen van een bepaald aandeel er worden verhandeld, des te hoger de liquiditeit en hoe kleiner dus het verwachte rendement zal zijn. Intuïtief is ook aan te voelen dat hoe meer aandelen verhandeld worden, hoe groter de kans is dat grote orders ook snel en zonder prijsdruk kunnen worden uitgevoerd. In het onderzoek dat we in het deel van de marktkapitalisatie reeds gedeeltelijk hebben besproken, gebruikt Reinganum(1990) ook deze liquiditeitsmaatstaf om hiervoor te controleren. Hij doet dit om tot een conclusie te komen wat betreft het rendementsverschil dat men bekomt door het verschil in microstructuur.

Universiteit Gent

2001-2002


56

Enkel controleren voor risico en marktkapitalisatie achtte hij onvoldoende. Reinganum(1990) verwijst hierbij naar andere werken die aangetoond hebben dat volume negatief is gerelateerd is met de bid-ask spread (REINGANUM M., 1990, blz. 136). De gegevens omtrent volume hebben we ook op Datastream teruggevonden. Toch moeten we er hier op wijzen dat datastream vermeldt dat de informatie omtrent volume niet consistent is voor elk land. Dit kan mogelijks tot slechte resultaten leiden. In ons onderzoek gebruiken we net als bij de marktkapitalisatie de logaritme van het volume dat is verhandeld. De reden waarom we de logaritme hebben genomen hebben we hierboven reeds uitgewerkt (zie supra blz. 55)

Tabel 13: Het rekenkundig gemiddelde van de gemiddelde verhandelde hoeveelheid van elk aandeel per beurs in duizendtallen.

Beurs

Brussel

Amsterdam

Parijs

Gemiddeld Volume

1379.67

24485.17

9343.19

Bron: Eigen berekeningen en Datastream.

In bovenstaande tabel zien we dat de verschillen in verhandeld volume wel erg groot zijn. Amsterdam zou gemiddeld in volume zowat 17.7 keer meer verhandelen dan Brussel en 2.6 keer meer dan Parijs. Dit kan mogelijks wijzen op inconsistentie in de definitie van verhandeld volume tussen de drie beurzen, wat datastream reeds aangaf als mogelijk probleem.

3.6.4.5 De bid-ask spread. Tenslotte controleren we ook voor de bid-ask spread. Het onderzoek waarin deze maatstaf gebruikt is, hebben we reeds gezien bij de bespreking van Amihud en Mendelsohn(1986) (zie supra blz. 4). Het probleem dat zich hier nog stelt is het feit dat de eigenlijke bid-ask spread enkel maar op dealer-markten terug te vinden is. Het probleem is nu dat in Brussel en Parijs tijdens de periode van ons onderzoek er een order-driven systeem is geweest. Toch bleek er op Datastream ook voor aandelen, die op een order-driven beurs genoteerd staan, data te bestaan. In een interview met

John Crombez4 , kreeg de vraag of deze informatie

vergelijkbaar was, een bevestigend antwoord.

4

John Crombez is directeur van het Ghent Finance Center.

Universiteit Gent

2001-2002


57

We hebben nu voor onze dataset telkens voor het eind van de maand de bid-ask spread genomen. We gaan er vanuit dat de bid-ask spread vrij stabiel is, zodat we de informatie op dagbasis op maandbasis kunnen gebruiken. Bij het bekijken van onze verkregen informatie moeten we wel vermelden dat de informatie voor de beurs van Amsterdam het slechtst was (Dit wijst op het tegenovergestelde van wat we verwachtten). Het is veel het geval dat de spread de waarde 0 aanneemt. Dit uit zich in een lagere bid-ask spread voor Amsterdam dan in werkelijkheid het geval zou zijn. Tabel 14: Rekenkundig gemiddelde van de gemiddelde bid-ask spread van elk aandeel per beurs in €.

Beurs

Brussel

Amsterdam

Parijs

Bid-ask spread

1.35

0.28

0.88


We zien in deze tabel dat de bid-ask spread gemiddeld in Brussel het grootst is met een waarde van 1.35, voor Parijs is de spread 0.88 en voor Amsterdam is deze 0.28. We hebben er reeds op gewezen dat de informatie voor Amsterdam niet zo gedetailleerd was, wat tot een neerwaartse verbuiging leidt. 3.6.4.6 Correlatie tussen de maatstaven. We hebben nu drie verschillende maatstaven voor liquiditeit bekeken en hiervan data verzameld. We willen nu nagaan in welke mate de maatstaven onderling gecorreleerd zijn. Door dit eens te bekijken kunnen we zien of een bepaalde maatstaf liquiditeit op een andere manier benadert dan andere maatstaven. We moeten toch ook weer vermelden dat onze berekeningen niet volledig kunnen kloppen, omdat de informatie op datastream in dit verband niet consistent ( in het geval van volume) of niet gedetailleerd genoeg is ( in het geval van de bid-ask spread).

Universiteit Gent

2001-2002


58

In onderstaande tabel bekijken we de correlaties tussen de maatstaven berekend op basis van onze panel data. Tabel 15: Correlaties tussen de verschillende liquiditeitsmaatstaven.

Correlatiematrix

Marktkapitalisatie

Omzet

Bid-ask spread

Marktkapitalisatie

1

0.533718

-0.03407

Omzet

0.533718

1

-0.05133

Bid-ask spread

-0.03407

-0.05133

1


In bovenstaande tabel zien we dat de correlatie tussen omzet en marktkapitalisatie 0.53 is. De correlatie tussen bid-ask spread en marktkapitalisatie is respectievelijk omzet –0.034 en – 0.051. De tekens van deze waarden zijn overeenkomstig onze verwachtingen. Verder zien we dat de correlatie tussen omzet en marktkapitalisatie veel sterker is dan de correlatie die er is met de bid-ask spread. We zullen hiermee rekening moeten houden bij de schatting (zie infra blz. 62).

3.6.4.7 Verschil in liquiditeitspremies per beurs. De volgende factor waarvoor we controleren, gaat na of er een verschil is in de liquiditeitspremies tussen de verschillende beurzen. Het is misschien mogelijk dat de ene beurs wegens een bepaalde reden (verschil in microstructuur, onbekende liquiditeitsfactor) een grotere liquiditeitspremie heeft voor aandelen, met vergelijkbare marktkapitalisatie, die op een andere beurs noteren. (zie supra blz. 54) Om dit in onze panel data in te voegen gebruiken we relatieve waarden in plaats van absolute waarden. We werken op de volgende manier. Voor elke beurs hebben we via de aandelen die in onze dataset zitten de totale marktkapitalisatie berekend per beurs. Hierna hebben we de marktkapitalisatie van elk aandeel gedeeld door de som van de beurskapitalisatie. Deze waarden die we voor elk aandeel en voor elke maand hebben berekend, vermenigvuldigen we met een dummy voor de beurs in de regressie. Op deze manier bekomen we in onze regressie mogelijks de premie per beurs die nog niet vervat zit in de liquiditeitsmaatstaven die we reeds hebben voorgesteld (zie supra blz. 54-57).

Universiteit Gent

2001-2002


59

Indien we significante resultaten behalen, moeten we er wel rekening mee houden dat een aandeel met een marktkapitalisatie van 100 op de beurs van Brussel, een grotere waarde voor de onafhankelijke variabele zal hebben dan een aandeel met eveneens een marktkapitalisatie van 100 op de beurs van Parijs. We zullen hiermee dus ook rekening houden bij de beoordeling van de coëfficiënten.

Tabel 16: Rekenkundig gemiddelde van het belang dat elk aandeel gemiddeld in de marktkapitalisatie heeft.

Beurs

Brussel

Amsterdam

Parijs

Gemiddeld belang van de aandelen per beurs

0.018

0.011

0.007


We in bovenstaande tabel gebeuren wat we verwacht hadden. We zien namelijk dat de waarde voor Brussel de grootste is met 0.018, gevolgd door Amsterdam met 0.011 en Parijs met 0.007.

3.6.5

De sector.

Een volgende factor waarvoor we controleren, is de sectoropdeling. De reden waarom we hiervoor controleren is de mogelijkheid dat sommige beurzen beter of slechter gepresteerd zouden hebben wegens de relatief grotere aan- of afwezigheid van bepaalde goed of slecht presterende sectoren. Indien bijvoorbeeld de sector basisindustrie sterk zou gepresteerd hebben, tijdens de periode van de dataset, en Parijs heeft bijvoorbeeld relatief meer noteringen van basisindustrie-aandelen, dan krijg je hier een vertekening die in ons onderzoek tot een foutieve conclusie zou leiden. We controleren in onze regressie nu voor mogelijke scheeftrekkingen door verschillen in sectoropdeling. We delen de aandelen op door middel van de meest gebruikte sectoropdeling: namelijk de FTSE-opdeling. Dit is een opdeling die alle aandelen in 10 verschillende sectoren opdeelt.

Universiteit Gent

2001-2002


60

We geven hier de 10 sectoren weer:

Tabel 17: FTSE sectorindeling.

Sector

Beschrijving

Sector 0

Grondstoffen

Sector 1

Basisindustrie

Sector 2

Algemene industrie

Sector 3

Cyclische consumptiegoederen

Sector 4

Niet-cyclische consumptiegoederen

Sector 5

Cyclische diensten

Sector 6

Niet-cyclische diensten

Sector 7

Werktuigen

Sector 8

Financiën

Sector 9

Informatie-en communicatietechnologie

Bron: FTSE

FTSE is begonnen met het samenstellen van deze sectorindeling door de vraag die er was vanuit de analistenwereld naar een wereldstandaard(www.ftse.com). We hebben in de tabel, die de resultaten van de schatting van β voor elk aandeel weergeeft, reeds de sectorindeling van elk aandeel meegegeven, omdat dit ook gedeeltelijk de grootte van β kan verklaren. Omdat we hier te maken hebben met kwalitatieve informatie, moeten we werken met dummies om deze informatie in onze schatting op te nemen. We hebben 10 sectordummies genomen die voor elk aandeel ofwel respectievelijk de waarde 0 of 1 aannemen voor geheel de periode. Als de sectordummy overeenkomt met de sector van het aandeel zal de dummy de waarde 1 krijgen. In het andere geval zal dit de waarde 0 krijgen.

Het probleem dat zich nu stelt, is dat de sectorprestatie niet geheel de hele periode van onze dataset boven of onder de prestatie van de andere sectoren ligt. In onze regressie komt dit evenwel niet tot uiting. We zullen om dit op te lossen ook een regressie doen voor elke maand. Dit zal dit probleem oplossen en tevens laat het toe om ook een maandevolutie te zien in plaats van enkel de onderverdeling via de deelperiodes.

Universiteit Gent

2001-2002


3.6.6

61

De beurs- en tijdsdummies.

Onze onderzoeksvraag is nog steeds of er een verschil is in de verwachte rendementen van de aandelen, gecontroleerd voor risico, liquiditeit en sectorindeling, tussen de verschillende beurzen. Verder is het de bedoeling om te zien of er doorheen de tijd geen verandering is opgetreden door de wijzigende macro- en micro-economische toestand door de komst van de euro en de fusie tot Euronext. We maken, om tot een antwoord op deze vragen te komen, verschillende onafhankelijke variabelen aan die ofwel de waarde 0 of 1 aannemen, de zogenaamde dummy-variabelen. Voor de beursdummies (die we hiervoor reeds vermeld hadden voor het bepalen van de verschillen in liquiditeitspremie) maken we nu drie variabelen aan die voor elk aandeel over geheel de periode ofwel de waarde 0 of 1 aanneemt. Als we de dummy van de beurs van Brussel beschouwen, zullen we zien dat alle aandelen die op de beurs van Brussel noteren de waarde 1 aannemen. Alle andere aandelen nemen voor de dummy van de beurs van Brussel de waarde 0 voor geheel de periode. Dezelfde werkwijze hebben we nu gebruikt voor de beurzen van Amsterdam en Parijs. We hebben, om een evolutie doorheen de tijd te zien, nu ook nog nood aan tijdsdummies. We gebruiken drie tijdsdummies. Ten eerste hebben we de variabele VOOREMU, die de waarde 1 aanneemt voor alle aandelen in de periode januari 1997 tot en met december 1998. De tweede tijdsdummy, EMU, neemt de waarde 1 aan in de periode januari 1999 tot en met december 2000. De andere dummy voor EURONEXT neemt de waarde 1 aan voor de periode januari 2001 tot en met februari 2002. In onze regressie worden de beurs- en tijdsdummies gecombineerd door ze met elkaar te vermenigvuldigen. We bekomen aldus 9 nieuwe variabelen. Als voorbeeld kunnen we hierbij het volgende zeggen over de variabele AMSTDU*EMU: deze variabele geeft weer wat het rendement (gecontroleerd voor risico, liquiditeitsmaatstaven en sectoren), voor de aandelen genoteerd op de beurs van Amsterdam, heeft gedaan bij de komst van de euro.

Universiteit Gent

2001-2002


3.7

62

De resultaten.

3.7.1

Inleiding.

Nadat we de gebruikte werkwijze voor de gebruikte data en samenvattende statistieken van deze data hebben besproken, gaan we eerst de problemen bekijken die we voor onze regressie hebben. Vervolgens bekijken we de resultaten van de uitgevoerde regressies. Tenslotte zullen we ook proberen een verklaring te geven voor de bekomen resultaten aan de hand van andere studies.

3.7.2

Problemen.

We hebben nu een model opgesteld dat excess-rendementen, die gecontroleerd zijn voor risico, ten opzichte van allerlei verklarende variabelen stelt. Er waren echter nog enkele problemen die moesten worden opgelost. 1. Ten eerste is het zo dat we gezien hebben (zie supra, blz. 57) dat de liquiditeitsmaatstaven marktkapitalisatie en omzet in hoeveelheid, vrij sterk gecorreleerd zijn. Dit zorgt ervoor dat we ze beter niet beide in één regressie gebruiken, want anders kan er sprake zijn van multicollineariteit die leidt tot slecht geschatte resultaten. In Johnston en DiNardo wordt het fenomeen als volgt omschreven: ‘The more the X’s look alike, the more imprecise is the attempt to estimate their relative effects (JOHNSTON J. en DINARDO J., 1997, blz. 88-89).’ We zorgen voor een oplossing voor dit probleem door twee regressies te voeren, waarbij we de ene keer de marktkapitalisatie opnemen en de andere keer de omzet in hoeveelheden.

Universiteit Gent

2001-2002


63

2. Een tweede probleem is dat we te maken hebben met de perfecte multicollineariteit tussen de eenheidsvector van de constante, de matrix van de sectorindeling en de matrix van de onderzoeksvariabelen. Bij perfecte multicollineariteit kunnen we niet schatten, omdat de standaardfouten van de geschatte waarden dan naar oneindig gaan(JOHNSTON J. en DINARDO J., 1997, blz. 89). We komen tot deze perfecte multicollineariteit, omdat onze verklarende variabelen, voor elke waarneming van de te verklaren variabele, gegarandeerd drie keer de waarde 1 aannemen. We hebben telkens een constante die de waarde 1 aanneemt. Elk aandeel zal in 1 van de 10 sectordummies voor zijn 62 maandwaarnemingen de waarde 1 krijgen. Tenslotte wordt elke te verklaren waarneming ook ten opzichte van één van de 9 gecreëerde dummyvariabelen gesteld, omdat elke waarneming tot een periode en een beurs kan worden ingedeeld. Ook hiervoor bestaat er een oplossing. We weten namelijk dat, als we van elke matrix die tot een eenheidsmatrix leidt een bepaalde verklarende factor weglaten, we geen last meer hebben van perfecte multicollineariteit. We bekomen op deze manier een constante die ons aangeeft wat de gezamenlijke waarde is voor de twee weggelaten factoren. De andere factoren geven het verschil aan tussen de waarde van de verklarende factor met de constante. We kunnen dit nu als volgt schematisch uitleggen. We hebben in onderstaand voorbeeld te maken met het verklaren van inkomen op basis van opleiding en geslacht. We hebben hiervoor dus enkel maar kwalitatieve verklarende variabelen. We kunnen de data schematisch als volgt beschouwen: Tabel 18: Waarnemingen van inkomen volgens opleiding en geslacht.

Lager Onderwijs

Secundair onderwijs

Hoger Onderwijs

Mannelijk

8,10,12

12,14

20,22

Vrouwelijk

5,6

10,12

20,24

Bron: JOHNSTON J. en DINARDO J, 1997, blz.137

We laten in onze regressievergelijking nu de eerste dummyvariabele voor inkomen en geslacht weg. We doen nu de volgende regressie: Y = µ + α 2 O2 + α 3 O3 + β 2 G2 + u Hiervoor bekomen we het volgende resultaat: Y = 9 + 4 O2 + 13.5 O3 -2G2 We kunnen dit resultaat nu op de volgende manier interpreteren: lager geschoolde mannen hebben een geschat inkomen van 9.

Universiteit Gent

2001-2002


64

Een secundair geschoolde respectievelijk hoger geschoolde zal respectievelijk nog 4 en 13.5 meer verdienen. Vrouwen zullen volgens de schatting voor elk opleidingsniveau 2 minder verdienen dan de mannen. In de volgende tabel zullen we voor elke opdeling de gemiddelde waarden weergeven en de berekende geschatte waarden weergeven. Tabel 19: Gemiddelde waarden en de berekende geschatte waarden.

Lager onderwijs

Secundair onderwijs

Hoger onderwijs

Mannelijk

10(9)

13(13)

21(22.5)

Vrouwelijk

5.5(7)

11(11)

22(20.5)

Bron: JOHNSTON J. en DINARDO J, 1997, blz.137-138

We krijgen aan de hand van de geschatte waarden een goede benadering van de rekenkundige gemiddelden. In ons onderzoek werken we nu op dezelfde manier. Het verschil bij ons onderzoek met het voorbeeld is wel dat het ons niet echt interesseert hoe de verschillende sectoren hebben gepresteerd. Toch zal de weggelaten sector mede bepalen welke waarde de constante zal aannemen. In ons onderzoek komt het er nu op neer om het verschil te bekijken tussen de verschillende beurzen voor de drie deelperiodes die we hebben afgebakend. Toch behouden we de sectorindeling, omdat het toch nog steeds een controle blijft geven voor de verschillen in sectoropdeling. 3. Een derde probleem omtrent de variabele die de verschillen in liquiditeitspremie onderzoekt hebben we reeds vermeld. Het is namelijk zo dat gemiddeld de waarden voor Brussel hier veel groter zijn dan voor Parijs. We moeten hiermee rekening houden als we de bekomen resultaten willen analyseren. 4. Een ander reeds aangehaald probleem is het feit dat sectoren niet constant door de tijd beter of slechter presteren dan de markt. We lossen dit probleem op door geen echte panel data schatting meer te voeren, maar door cross-sectionele schatting te gebruiken voor elke maand. Doordat hierdoor onze dummies voor de afbakening van periodes irrelevant worden, laten we ze hieruit. Dit betekent dat we enkel nog beurs- en sectordummies invoeren samen met de liquiditeitsmaatstaven. Deze manier van werken laat ons ook toe om een maandevolutie te zien, en niet enkel een evolutie die door arbitrair gekozen periodes wordt afgebakend.

Universiteit Gent

2001-2002


65

5. Tenslotte moeten we er ook op wijzen dat onze resultaten telkens het gevolg zullen zijn van rekenkundige gemiddelden. Dit betekent dat, indien de kleinere aandelen meer uitzonderlijke waarden aannemen dan de grotere aandelen, zij toch evenveel invloed zullen uitoefenen dan de grotere aandelen. Anderzijds moeten we er hier wel bij vermelden dat we zoveel mogelijk voor dit probleem controleren aan de hand van de gebruikte liquiditeitsmaatstaven.

3.7.3

De resultaten.

3.7.3.1 Regressie met marktkapitalisatie. We beginnen met het bekijken van onze basisregressie, met de beperking dat we omzet niet gebruiken wegens het risico van multicollineariteit. We hebben om perfecte multicollineariteit te vermijden sector 7 voor de sectoren en pardu?*vooremu? voor de onderzoeksvariabelen weggelaten. In volgende tabel zien we het resultaat van onze regressie. Tabel 20: Basisregressie met marktkapitalisatie. Basisregressie Dependent Variable: REND? Method: Pooled Least Squares Date: 04/20/02 Time: 11:33 Sample: 1997:01 2002:02 Included observations: 62 Total panel (unbalanced) observations 12667 Cross sections without valid observations dropped Variable C BRUDU?*VOOREMU? AMSTDU?*VOOREMU? BRUDU?*EMU? AMSTDU?*EMU? PARDU?*EMU? BRUDU?*EURONEXT? AMSTDU?*EURONEXT? PARDU?*EURONEXT? SIZE? BIDASK? LIQDIF?*BRUDU? LIQDIF?*AMSTDU? LIQDIF?*PARDU? SECTOR1? SECTOR2? SECTOR3?

Universiteit Gent

Coefficient Std. Error 0.0288 0.002306 -0.008304 -0.022268 -0.004222 0.017911 -0.005263 8.28E-05 0.01168 -0.003625 0.00043 0.118174 0.116556 -0.03053 -0.004202 -0.006015 -0.0052

0.011403 0.005165 0.005337 0.004344 0.004157 0.003015 0.004915 0.004179 0.00345 0.000862 0.000302 0.075947 0.06848 0.117047 0.010619 0.010609 0.010721

t-Statistic

Prob.

2.525731 0.446383 -1.555955 -5.126208 -1.015669 5.941193 -1.070834 0.019817 3.385563 -4.204934 1.423972 1.555995 1.702046 -0.260832 -0.39571 -0.56697 -0.48508

0.0116 0.6553 0.1197 0 0.3098 0 0.2843 0.9842 0.0007 0 0.1545 0.1197 0.0888 0.7942 0.6923 0.5707 0.6276

2001-2002


SECTOR4? SECTOR5? SECTOR6? SECTOR8? SECTOR9? SECTOR0?

0.004932 -0.00417 -0.007331 -0.000215 -0.006019 -0.00178

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Bron: Eigen berekeningen en Datastream

0.011799 0.01008 0.110101 6.862362 0

0.010525 0.010377 0.010958 0.010262 0.010582 0.012216

0.468582 -0.401833 -0.669055 -0.020917 -0.568839 -0.145681

66

0.6394 0.6878 0.5035 0.9833 0.5695 0.8842

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

0.00317 0.11066 153.2738 1.945852

We zien in de tabel dat het gemiddelde van de afhankelijke variabele 0.00317 bedraagt. Dit getal is nu gelijk aan het rekenkundig gemiddelde van de risicogecontroleerde rendementen voor alle aandelen en voor alle beschikbare maanden, gecontroleerd voor risico door middel van de β van elk aandeel te vermenigvuldigen met de marktportefeuille. Het is dus logisch dat we zo een lage waarde terugvinden voor de afhankelijke variabele. Onze bekomen constante geeft het gemiddelde rendement weer dat Parijse aandelen van sector 7 tijdens de periode januari 1997-december 1998 hebben behaald, gegeven dat hun marktkapitalisatie,

hun

bid-ask

spread

en

hun

waarde

voor

het

testen

van

liquiditeitspremieverschillen gelijk is aan 0. We bekomen hiervoor een waarde die gelijk is aan 0.0288. De p-waarde, die de hypothese test of de waarde van de constante gelijk is aan 0, is gelijk aan 0.0116. Deze waarde is kleiner dan 0.05, wat betekent dat we nulhypothese verwerpen. In de volgende tabel bekijken we de verschillen die onze onderzoeksvariabelen ten opzichte van de constante hebben behaald. Ondanks het feit dat we volgens de p-waarden niet telkens de nulhypothese mogen verwerpen zetten we onze resultaten voor de coëfficiënten toch in een tabel. We bekijken telkens het verschil ten opzichte van de constante. Tabel 21: Verschil ten opzicht e van de constante.

Periode \ Beurs

Brussel

Amsterdam

Parijs

1997-1998

0.002306

-0.008304

0

1999-2000

-0.022268

-0.004222

0.017911

2001-2002

-0.005263

8.28E-05

0.01168

Bron: Eigen berekeningen en Datastream

We merken dat de Parijse aandelen gemiddeld een hoger risicocogecontroleerd rendement hebben behaald, op de periode voor de de komst van de euro op de Beurs van Brussel na.

Universiteit Gent

2001-2002


67

Toch bekomen we niet echt een duidelijk beeld van de evolutie van de beurzen ten opzichte van elkaar. Daarom kijken we in een volgende tabel naar wat de Brusselse en Amsterdamse aandelen gedaan hebben ten opzichte van de Parijse aandelen voor elke deelperiode. Tabel 22: Verschil ten opzichte van Parijs.

Beurs

Brussel

Amsterdam

1997-1998

0.002306

-0.008304

1999-2000

-0.040179

-0.022133

2001-2002

-0.016943

-0.01158

Bron: Eigen berekeningen en Datastream

We zien hier dat de verschillen voor de periode 1999-2000 en 2001-2002 slechter geworden zijn dan in de vorige tabel door de positieve waarden voor Parijs in deze twee periodes. We krijgen hier zeer grote verschillen voor risicogecontroleerde rendementen op maandbasis. We kunnen deze grote waarden gedeeltelijk verklaren door het feit dat we de rendementen hebben gecontroleerd voor risico, door hun β vermenigvuldigd met de marktrendement, hiervan af te trekken. Dit zorgt ervoor dat indien een aandeel een positieve β heeft en het marktrendement ook positief is, bij een negatief maandrendement dit maandrendement nog negatiever wordt als men de controle voor risico hiervan aftrekt. De opzet van het model zelf leidt waarschijnlijk ook tot grote waarden voor de variabelen. Toch kunnen we in bovenstaande tabel voor Brussel en Amsterdam ten opzichte van Parijs een duidelijke evolutie zien. Voor Brussel zien we dat door de komst van de euro het risicogecontroleerde rendement ten opzichte van Parijs sterk achteruitgaat. Voor de periode 2001-2002 zien we dat het risicogecontroleerde rendement reeds verbeterd is, maar het volledige herstel is er nog niet. Voor Amsterdam zien we dat er hier voor de komst van de EMU reeds een licht negatieve prestatie was ten opzichte van Parijse aandelen. De situatie verslecht hier ook door de komst van de euro en verbetert in de periode 2001-2002. We kunnen uit dit resultaat afleiden dat ons vooropgestelde effect vooral in Brussel heeft gespeeld. Hier zien we duidelijk dat sinds de komst van de euro het gemiddelde risicogecontroleerde rendement achteruit gaat, en dat sinds 2001 het risicogecontroleerde rendement is toegenomen. Wat we nu niet direct kunnen afleiden is, of de verbetering die we in Brussel en Amsterdam waarnemen vanaf 2001, te wijten is aan de komst van Euronext.

Universiteit Gent

2001-2002


68

Het kan natuurlijk ook zijn dat de correctie naar hogere verwachte rendementen in de periode 1999-2000 reeds in 2001 en begin 2002 tot effectief hogere rendementen hebben geleid. Ondanks de verklaring die we hebben voor de grote verschillen moeten we toch ook nog op zoek naar een andere verklaring dan liquiditeitsverschillen. We zullen later hier op ingaan, maar we kunnen reeds stellen dat de verandering van beleggingsstrategie van institutionele beleggers de resultaten van ons onderzoek toch tot hogere waarden heeft geduwd. We mogen toch ons besluit niet alleen trekken op basis van deze regressie. We zullen verder ook nog de resultaten bekijken voor de regressie met omzet in plaats van marktkapitalisatie en we zullen ook de cross-sectionele regressies voor elke maand bekijken. We gaan eerst verder met het bekijken van de andere verklarende variabelen. De coëfficiënt die we hiervan eerst bespreken is de coëfficiënt voor size ofwel marktkapitalisatie. We zien dat het teken dat we vooropstelden uitkomt. Het is duidelijk zo dat kleinere aandelen meer risicogecontroleerd rendement behaald hebben. De coëfficiënt is zeer significant, wat erop wijst dat het logaritme van de marktkapitalisatie weldegelijk een goede verklarende variabele is voor het rendementsverschil tussen grote en kleinere aandelen. Wat betreft de grootte van de coëfficiënt zien we bijvoorbeeld dat een aandeel als Koninklijke Olie met een logaritme van gemiddeld 11.6 ten opzichte van Unies de Phorphyre met een gemiddelde logaritme voor de marktkapitalisatie van 3.5, volgens de schatting maandelijks gemiddeld 2.9% minder risicogecontroleerd rendement geeft. We hebben hier weer te maken met vrij grote coëfficiënten. We hebben hierboven reeds een verklaring gegeven voor dit probleem(zie supra blz. 67). Vervolgens kijken we naar de coëfficiënt van de verklarende variabele bid-ask. We zien dat de coëfficiënt het juiste teken heeft, maar de waarde is enorm klein(rekening houdend met de kleine waarden van de verklarende variabele(zie supra blz. 56)) en insignificant. Hier blijkt dus dat in ons geval marktkapitalisatie een betere verklarende variabele is voor de rendementsverschillen die ontstaan door in liquiditeit verschillende aandelen. De laatste liquiditeitsmaatstaf die we hebben gebruikt, is het verschil in liquiditeitspremie tussen de verschillende beurzen voor even liquide aandelen. We kunnen in de tabel zien dat de p-waarden niet onder de 5% komen, wat betekent dat de waarden niet significant zijn. Als we hiermee geen rekening houden zien we dat de invloed op het risicogecontroleerd rendement klein is.

Universiteit Gent

2001-2002


69

Tenslotte zien we nog dat de coëfficiënten voor de sectoren zeer klein zijn en sterk insignificant. Dit hadden we reeds voorzien en hierdoor bekijken we verder ook de maandelijks uitgevoerde regressies. Als we nu verder naar de algemene statistieken kijken van de regressie, zien we dat de R2 waarde een zeer lage waarde van 1.2% heeft. Dit kunnen we verklaren door de extreme waarden die risicogecontroleerde rendementen kunnen aannemen, en door het feit dat we met maanddata werken. Deze twee zaken zorgen ervoor dat we een zeer grillige structuur krijgen van de afhankelijke variabele, wat ervoor zorgt dat het percentage dat verklaard wordt door de verklarende variabelen zeer klein is. 3.7.3.2 Regressie met omzet.

Tabel 23: Basisregressie met volume. Dependent Variable: REND? Method: Pooled Least Squares Date: 04/20/02 Time: 11:31 Sample: 1997:01 2002:02 Included observations: 62 Total panel (unbalanced) observations 12653 Cross sections without valid observations dropped Variable

Coefficient

Std. Error

t-Statistic Prob.

C BRUDU?*VOOREMU? AMSTDU?*VOOREMU? BRUDU?*EMU? AMSTDU?*EMU? PARDU?*EMU? BRUDU?*EURONEXT? AMSTDU?*EURONEXT? PARDU?*EURONEXT? TURNOVER? BIDASK? LIQDIF?*BRUDU? LIQDIF?*AMSTDU? LIQDIF?*PARDU? SECTOR1? SECTOR2? SECTOR3? SECTOR4? SECTOR5? SECTOR6?

-0.00326 0.007216 -0.01924 -0.0161 -0.01389 0.015173 0.003333 -0.00526 0.008394 0.002807 0.001276 -0.14213 -0.10131 -0.56317 -0.01453 -0.01579 -0.0155 -0.00361 -0.01393 -0.01967

0.010558 0.005203 0.005513 0.004403 0.004336 0.003005 0.004947 0.004281 0.003439 0.000568 0.000379 0.07328 0.064499 0.104714 0.010671 0.01067 0.010765 0.010558 0.010452 0.011024

-0.3089 1.386871 -3.48956 -3.65758 -3.20348 5.049124 0.673637 -1.22817 2.441176 4.940368 3.365934 -1.93955 -1.57076 -5.37819 -1.36145 -1.48012 -1.44008 -0.34165 -1.33219 -1.78462

Universiteit Gent

0.7574 0.1655 0.0005 0.0003 0.0014 0 0.5006 0.2194 0.0147 0 0.0008 0.0525 0.1163 0 0.1734 0.1389 0.1499 0.7326 0.1828 0.0743

2001-2002


SECTOR8? SECTOR9? SECTOR0?

-0.00907 -0.01713 -0.0039

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Bron: Eigen berekeningen en Datastream.

0.012388 0.010668 0.110115 7.201214 0

0.010279 0.010687 0.012228

-0.88204 -1.6029 -0.31929

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

70

0.3778 0.109 0.7495 0.003178 0.110707 153.1425 1.942184

We beginnen met het bekijken van de tabel die de verschillen tussen de Brusselse en Amsterdamse beurs weergeeft ten opzichte van Parijse aandelen, voor elke deelperiode. Tabel 24: Afwijking ten opzichte van Parijs.

Periode \ Beurs

Brussel

Amsterdam

1997-1998

0.007216

-0.01924

1999-2000

-0.031273

-0.029063

2001-2002

-0.005061

-0.013654


Als we de verschillen van de risicogecontroleerde rendementen bekijken ten opzichte van Parijs, zien we dat we een gelijkaardig beeld krijgen als in de regressie met marktkapitalisatie in plaats van omzet. We zien hier ook dat enkel in de periode 1997-1998 de risicogecontroleerde rendementen voor de Brusselse aandelen beter zijn geweest. Verder zien we dat de Amsterdamse aandelen in de periode 1997-1998 slechter gepresteerd hebben dan bleek in de vorige regressie. Voor de periode 1999-2000 zien we nog altijd slechtere resultaten voor beide beurzen dan in de periode 1997-1998. Ook de verbetering in de periode 2001-2002 zien we voor beide beurzen terugkomen. We zullen na de resultaten van de maandregressies deze resultaten verder analyseren. Wat betreft de coëfficiënt voor omzet in hoeveelheden zien we iets heel opmerkelijks. De coëfficiënt heeft een ander teken dan vooropgesteld en is significant. Dit resultaat valt dan ook moeilijk te verklaren. We weten anderzijds wel dat de informatie over omzet in eenheden niet zoveel waarnemingen oplevert als voor marktkapitalisatie. Dit kan misschien enige aanzet geven tot de verklaring van de waargenomen coëfficiënt. Ook het grote verschil in de gemiddelden van de omzet per beurs en per aandeel kan er misschien op wijzen dat de informatie op Datastream omtrent volume toch niet consistent is.

Universiteit Gent

2001-2002


71

We zien verder dat de coëfficiënt voor de bid-ask spread significant verschillend is van nul, maar de waarde is zeer klein. Een ander verschil bij deze regressie is de significantie van de coëfficiënt die het verschil in liquiditeitspremie weergeeft voor de Beurs van Parijs. Deze coëfficiënt is significant negatief. Dit geeft aan dat grote aandelen op de Beurs van Parijs toch niet zo een groot rendement krijgen dan door de coëfficiënt van de maatstaf omzet wordt aangegeven. Dit resultaat kan er ook op wijzen dat de gegevens omtrent volume toch niet zo betrouwbaar zijn. Bij de schatting met marktkapitalisatie was deze coëfficiënt immers nog insignificant Tenslotte zien we dat bij de sectoren dat de nulhypothese voor de coëfficiënten nog steeds niet kan worden verworpen.

3.7.3.3 Maandelijkse regressies. Om niet beperkt te blijven tot de drie deelperiodes en om een betere controle te krijgen voor de sectoren hebben we ook de regressies uitgevoerd voor elke maand. We hebben hierbij geopteerd om met de marktkapitalisatie als enige variabele te werken, omdat dit de meest betrouwbare liquiditeitsmaatstaf bleek te zijn in onze vorige regressies. Verder zijn de dummies voor de verschillende deelperiodes niet meer nodig. We hebben nu voldoende aan de dummies voor de beurs en sector. Omdat we toch nog altijd geconfronteerd worden met het probleem van perfecte multicollineariteit, hebben we terug een constante nodig die de schatting maakt voor de Parijse aandelen van sector 7. We bekijken hier de grafiek die de verschillen met de constante aangeeft tussen de dummies van de beurs van Brussel en de beurs van Amsterdam, voor elke maand. We hebben hier de grafiekvorm genomen om een beter overzicht te hebben, omdat het anders moeilijk is om een goed beeld te krijgen van de evolutie.

Universiteit Gent

2001-2002


72

Figuur 7: Maandelijkse afwijking ten opzichte van Parijs voor Brussel. Brussel 0.1

m ai97 jui l-9 7 se pt97 no v-9 7 jan v-9 8 ma rs98 m ai98 jui l-9 8 se pt98 no v-9 8 jan v-9 9 m ars -99 m ai99 jui l-9 9 se pt99 no v-9 9 jan v-0 0 ma rs00 m ai00 jui l-0 0 se pt00 no v-0 0 jan v-0 1 ma rs01 m ai01 jui l-0 1 se pt01 no v-0 1 jan v-0 2

0 jan v-9 7 m ars -97

Afwijking t.o.v. Parijs

0.05

-0.05

-0.1

-0.15

-0.2

Maand Brussel

Trend Brussel


We beginnen met het bekijken van de evolutie op de Beurs van Brussel. We merken de enorme volatiliteit op die er in de verschillende regressieresultaten is per maand. We kunnen hiervoor dezelfde redenen aanhalen die we hierboven hebben gegeven voor de grote waarden(zie supra blz. 67). Om tussen deze zeer volatiele waarden toch nog enige duidelijkheid te kunnen vaststellen hebben we een Hodrick-Prescott filter 5 gebruikt. In het resultaat van deze trendschatting, zien we terugkomen wat we in tabel 22 hebben waargenomen. In deze tabel staan namelijk de waarden met de afwijking ten opzichte van Parijs. Voor Brussel was deze afwijking voor de komst van de muntunie gelijk aan 0.002306. We zien aan de trendlijn dat de waarden voor de trendlijn ook juist positief zijn. Gelijk aan de tabel zien we ook dat door de komst van de euro de risicogecontroleerde maandrendement sterk terrein verliezen ten opzichte van Parijs. Begin 2000 zien we een opleving van deze risicogecontroleerde rendementen, maar het is pas sinds begin 2001 dat we een stelselmatige verbetering zien van de resultaten van Brusselse aandelen ten opzichte van Parijse aandelen. Deze evolutie is dus vrij gelijkwaardig aan de evolutie die we hebben vooropgesteld in onze theoretische onderbouwing. Het enige waar ons model niet toe leidt is tot realistische groottes voor de waarden van de maandrendementen.

5

We hebben voor deze figuur geopteerd om een Hodrick-Prescott filter te gebruiken met een uitvlakkingsfactor 100. De keuze voor deze lage waarde voor de uitvlakkingsfactor zorgt ervoor dat we toch nog snel reacties zien in de verandering van de trend, door de verandering van de waarden. Universiteit Gent

2001-2002


73

De grootte van de bekomen coëfficiënten is te hoog in absolute waarde om normaal te kunnen zijn (We spreken namelijk over risicogecontroleerde rendementen.). Toch zijn de tekens van de coëfficiënten overeenkomstig onze verwachtingen. Vervolgens bekijken we de grafiek van de resultaten voor Amsterdam. Figuur 8: Maandelijkse afwijking ten opzichte van Parijs voor Amsterdam. Amsterdam 0.08

0.06

0.02

no v-0 1

jan v-0 2

juil -0 1 se pt01

m ai01

no v-0 0

jan v-0 1 ma rs-0 1

jui l-0 0 se pt00

m ai00

no v-9 9 jan v-0 0 ma rs-0 0

jui l-9 9 se pt99

m ai99

no v-9 8 jan v-9 9 m ar s-9 9

juil -98 se pt98

m ai98

no v-9 7 jan v-9 8 m ar s-9 8

juil -97 se pt97

m ai97

0 jan v-9 7 m ars -97

Afwijking t.o.v. Parijs

0.04

-0.02

-0.04

-0.06

-0.08

Maand Amsterdam

Trend Amsterdam


We zien in deze grafiek dat het beeld voor de Beurs van Amsterdam niet zo duidelijk is. We zien dat de trendlijn vanaf oktober 1997 onder 0 duikt. Dit betekent dat we hier een indicatie hebben dat in Amsterdam de prestaties van de risicogecontroleerde rendementen al voor de komst van de EMU slechter ware, dan deze van Parijse aandelen. Toch zien we dat het echte dieptepunt van deze mindere prestaties ten opzichte van Parijs er pas komt in december 1999. Dit betekent dat we hier toch nog steeds onze theoretische veronderstelling kunnen verdedigen, die stelt dat door de grotere integratie tussen de eurolanden en de clustering van liquiditeit op grotere beurzen zoals deze van Parijs, de prestatie van de kleinere beurzen risicogecontroleerd slechter is. Het herstel van de prestaties ten opzichte van de Parijse beurs komt hier reeds op gang in het eerste half jaar van 2000. We krijgen hierdoor een indicatie dat het herstel dat we ook in Brussel zien, niet enkel te wijten kan zijn aan de komst van Euronext, maar ook aan een algemeen betere prestatie van de kleinere en middelgrote beurzen.

Universiteit Gent

2001-2002


74

Uit andere studies omtrent de beleggingsstrategieën van institutionele beleggers zullen we zien dat onze bekomen resultaten ook deels hierdoor kunnen verklaard worden. Toch zullen we in dit geval ook nog steeds kunnen spreken van een soort liquiditeitseffect.

3.7.3.4 Andere studies. 3.7.3.4.1 De invloed van de euro. We hebben in ons theoretisch deel het reeds gehad over de ideale diversificatiestrategie die zou ontstaan door de komst van de euro(zie supra blz. 12). We bekwamen hier het resultaat dat het interessanter zou zijn om te beleggen in sectoren in plaats van in landen. Tevens was het in landen zoals België niet meer nodig voor pensioenfondsen om 80% van de aangehouden aandelen in de toenmalige Belgische frank aan te houden om een currency mismatch6 te vermijden. In de veronderstelling die we nu maken omtrent de grotere liquiditeit en bekendheid die er is van de grotere beurzen, trekken de pensioenfondsen uit de kleinere landen met hun geld naar grotere beurzen en verzorgen hier hun diversificatiestrategie door in diverse sectoren te beleggen. Dit is dus een evolutie waarbij de pensioenfondsen en ook andere institutionele beleggers hun home bias deels achterwege laten. We kunnen deze analyse staven op basis van een studie van de ECB(2001) omtrent het aanhouden van binnenlandse aandelen door Nederlandse pensioenfondsen. Pensioenfondsen waren de eersten die hun geografische aandelenallocatie van hun portefeuille veranderden in een reactie op de introductie van de euro. Ze verminderden dus hun home bias als eerste. Als we de figuur bekijken die aangeeft welk percentage Nederlandse pensioenfondsen beleggen in binnenlandse aandelen, zien we dat vanaf 1998 dit percentage afneemt van ongeveer 40% tot en met 20% in 2000.

6

Een currency mismatch kan ontstaan indien men belegt in het buitenland in vreemde munt. Indien er een appreciatie is van de eigen munt ten opzichte van de munt waarin men heeft belegd, zorgt dit ervoor dat het rendement van de belegging negatief wordt beïnvloed. Dit kan men als belegger nu vermijden door te beleggen in eigen munt. Door de komst van de euro is dit probleem nu weg voor beleggingen in de eurozone. Universiteit Gent

2001-2002


75

Figuur 9: Samenstelling van aandelenportefeuilles van pensioenfondsen in Nederland.

Bron: ECB, 2001, blz. 31.

Wat we verder wel zien is dat het geld dat vrijkomt door de mindere beleggingen in het binnenland voor een groot stuk wordt belegd in andere Europese aandelen, wat kan geïnterpreteerd worden als een verruiming van de binnenlandse markt (ECB, 2001, blz. 3132). Hier kan onze analyse van de grotere liquiditeit op grotere aandelenbeurzen dan naar voren komen. Als andere beleggers uit andere landen ook een uitbreiding doen van hun thuismarkt, zullen ze, indien ze indien ze het liquiditeitsaspect achterwege laten, ook op bijvoorbeeld de Amsterdamse beurs beleggen. Toch blijkt uit het onderzoek dat de ECB(2001) heeft gevoerd, dat de sterke verkopen van binnenlandse aandelen door Nederlandse pensioenfondsen niet gecompenseerd zijn geweest door sterke aankopen vanuit het buitenland. De beurs van Amsterdam heeft nochtans sterke troeven door de meerdere blue chips (zie supra blz. 20), maar dit bleek niet op te wegen ten opzichte van de outflow(ECB, 2001, blz. 33). Deze analyse geeft aan dat ons onderzoek omtrent het bekijken van de liquiditeit van de beurs in zijn geheel interessant is. De resultaten van ons onderzoek (zie supra) geven ook duidelijk aan dat de prestatie van de Amsterdamse beurs zeer slecht is ten opzichte van deze van een grotere beurs zoals Parijs. We kunnen ook zien dat in ons eigen onderzoek de beurs van Amsterdam slechter is beginnen presteren ten opzichte van Parijs (zie supra blz. 73), wat overeenkomstig is met het wegtrekken van Nederlandse pensioenfondsen van de beurs van Amsterdam,. We bekomen zelf als resultaat dat vanaf oktober 1997 de Beurs van Amsterdam slechter was gaan presteren dan de Beurs van Parijs.

Universiteit Gent

2001-2002


76

Het onderzoek van de ECB(2001) stelde ook dat Belgische en Ierse beursindexen slecht hebben gepresteerd. Hier kan men de resultaten meer verklaren door het ontbreken van echte blue chips (ECB, 2001, blz. 33). Toch wijst dit onderzoek ook uit dat de prestatie van de beurs van Brussel ondermaats was, net zoals we in ons eigen onderzoek uitkomen. In een andere studie van Timmermans (2000), wordt de Belgian all shares index vergeleken met deze van andere belangrijke grote indexen. De CDAX index van Duitsland, de SBF 250 van Frankrijk en de DJ EUROSTOXX general. Op onderstaande figuur, waarin de indexen begin 1996 herschaald zijn tot 100, zien we dat de Belgische index vanaf 1999 de rol heeft moeten lossen ten opzichte van de Franse index en de DJ EUROSTOXX general. De Duitse index heeft vanaf midden 1998 de rol moeten lossen, maar hier kunnen we de traagheid van het economisch herstel als reden opgeven. Voor België geldt deze reden niet, want de Belgische economische indicatoren worden sinds een paar jaar gebruikt als leading indicator voor de gehele eurozone. Voor België haalt Timmermans dezelfde redenen aan voor het slechter presteren van de Brusselse beurs: sectorbeleggingen, het tekort aan blue chips en de te kleine free-float(TIMMERMANS T., 2000, blz. 50-52).

Figuur 10: Belgian all shares, CDAX, SBF 250 en DJ EURO STOXX General.

Bron: TIMMERMANS T., 2000, blz. 51.

Universiteit Gent

2001-2002


77

3.7.3.4.2 De invloed van de beursfusies en verdere analyse omtrent de euro. Wat betreft het herstel dat we uitkomen voor de periode 2001-2002, kunnen we onze theoretische verklaring gebruiken die stelt dat de fusie tot Euronext hiertoe heeft geleid. Ook het feit dat de mindere prestatie van de beurs van Brussel en Amsterdam in de periode 19992000 tot hogere verwachte rendementen en ook gerealiseerde rendementen in de volgende periodes leidt kan een verklaring zijn. Toch moeten we door de grote waarden voor de coëfficiënten die we uitkomen, naast de verklaring die we hiervoor reeds hebben gegeven, nog naar andere redenen kijken. Onderzoek van Adajouté en Danthine (2001) wees uit dat de optimale combinatie van diversifiëren, in tegenspraak met hun vorig onderzoek, zich niet enkel meer tot sectoren moest beperken, en dus ook landdiversificatie niet mocht negeren. Het bleek uit hun onderzoek dat een ideale beleggingsstrategie zich niet enkel tot sectorendiversificatie moet beperken. Het bleek nog steeds interessant te zijn om over landen te diversifiëren, omdat de correlatie tussen de landen toch nog altijd kleiner is dan verwacht door de komst van de euro(ADAJOUTE K. en DANTHINE J.P., 2001, blz. 13-14). Als we veronderstellen dat institutionele beleggers zich ook te veel door deze sectorstrategie hebben laten leiden en hiervan zijn terugkomen, kunnen we deels ook een verklaring krijgen dat de beurs van Brussel en Amsterdam zich zouden hersteld hebben.

3.7.4

Besluit en blik op de toekomst.

We hebben nu ons eigen model opgesteld dat poogt te bekijken wat de evolutie is van de liquiditeitspositie van de drie Euronextbeurzen. We hebben getracht om te kijken naar de evolutie van de

liquiditeitspositie van de beurzen in het algemeen. We hebben hiermee

gepoogd om de liquiditeit van een beurs als meer te beschouwen dan de som van de liquiditeitsposities van de aandelen die erop noteren. De resultaten van ons onderzoek zijn maar voor een stuk bruikbaar. De waarden die uit het model voortvloeien zijn veel hoger dan verwacht, wat ergens wijst op een probleem in het model. Het kan aan de grillige structuur van de afhankelijke variabele liggen, aan het evenwaardig beschouwen van aandelen die in marktkapitalisatie verschillen of aan een andere onbekende factor. Toch hebben we ook positieve elementen aan onze resultaten van ons onderzoek.

Universiteit Gent

2001-2002


78

We komen namelijk voor het grootste deel de tekens uit die we hebben vooropgesteld in onze theoretische onderbouwing. We zien in de resultaten van ons model dat de integratie die de euro met zich meebrengt niet voordelig is geweest voor een kleine beurs als Brussel. Ook een beurs met enkele blue chips, zoals de beurs van Amsterdam, heeft geleden onder de gevolgen van integratie die voor clustering van liquiditeit op de grotere beurzen heeft gezorgd. Deze clustering van liquiditeit heeft ervoor gezorgd dat kleinere beurzen minder in de belangstelling hebben gestaan wat hun prestaties negatief heeft beïnvloed. Theoretisch kan je hier dus stellen dat de mindere prestatie het gevolg is van de grotere rendementseis voor de toekomst, die tot mindere rendementen in de periode 1999-2000 heeft geleid. Door het feit dat het sectoreffect voor diversificatie in belang is toegenomen, kan deze clustering ook volop spelen. Men kan immers door in verschillende sectoren te beleggen op één beurs reeds een goede diversificatie bekomen. In de periode 2001-2002 komen we uit dat de achterstand op het vlak van prestaties voor de kleinere beurzen, kleiner is geworden, tot zelfs volledig omgebogen. Dit kan er op wijzen dat de beursfusie zoals verwacht de belangstelling voor de kleinere beurzen heeft vergroot en de clustering van liquiditeit zich heeft verspreid over de drie beurzen. Toch moeten we hier verder kijken dan de verklaring die we in de theorie hebben gegeven. Het blijvende belang van landeffecten voor diversificatie enerzijds en de hogere rendementen, die het gevolg zijn van de hogere rendementseis bij de invoering van de euro, anderzijds zijn ook mogelijke verklaringen voor het beter presteren van kleinere beurzen. Als we een blik op de toekomst werpen verwachten we dat de beursfusies zich verder zullen doorzetten, zodat de aandelen op de kleinere beurzen terug meer in de belangstelling gaan staan en liquiditeit zich kan spreiden. Verder zien we het blijvende belang dat landeffecten zullen hebben voor een zo goed mogelijke diversificatie. Deze twee aangehaalde redenen zullen er waarschijnlijk voor zorgen dat kleinere beurzen de lastige periode, waarin iedereen dacht dat sectorbeleggingen de enige nog mogelijke vorm van diversificatie waren en de liquiditeit hierdoor op enkele grotere plaatsen verzamelde, overwonnen hebben. Ook voor grotere beurzen zijn fusies niet slecht, want door de grotere integratiemogelijkheden, wegens de invoering van de euro, kan men ook een betere liquiditeitspositie ontwikkelen.

Universiteit Gent

2001-2002


79

Algemeen Besluit

Het was intrigerend dat de berichten, vanaf 1999, over de slechte prestaties van de beurs van Brussel niet gepaard gingen met berichten over grote problemen van Belgische bedrijven ten opzichte van andere West-Europese landen. Een andere mogelijke verklaring voor de slechte berichten zou de vergroting van het risico kunnen geweest zijn. Dit zou de verdisconteringrente voor de toekomstige dividenden hebben doen toenemen, wat de prijzen negatief zou hebben beïnvloed vanaf 1999. Verder waren er nog andere mogelijke verklaringen zoals de relatieve oververtegenwoordiging van slecht presterende sectoren, enzovoort. Toen werd het woord liquiditeit naar voren geschoven als mogelijke verklaring. De beurs van Brussel zou te weinig blue chips hebben en te veel last hebben van een te sterke holdingstructuur. De liquiditeitspositie zou door de komst van de euro beïnvloed geweest zijn. Normaal gezien zou je hierbij denken dat integratie ook voor de kleinere beurzen een voordeel kan bieden, maar clustering van liquiditeit kan hier roet in het eten gooien. Het is nu onze bedoeling om te kijken of deze clustering van liquiditeit geldt voor de beurs in het algemeen, als een ruimer begrip dan de som van de liquiditeitspositie van de aandelen die erop noteren. Door de mogelijke clustering van de liquiditeit op de grotere beurzen, zou de beurs van Brussel minder belangstelling hebben gekregen, wat de prestaties negatief zou beïnvloed hebben. Vervolgens was er in het jaar 2000 het bericht van de fusie tussen de beurzen van Brussel, Amsterdam en Parijs. Ook hier kwam het woord liquiditeit als reden naar voor. De fusie zou er voor moeten zorgen dat de liquiditeitspositie van de aandelen op alledrie de beurzen verbetert. We gaan nu na of het niet vooral de kleinere beurzen zijn die, door de achterstand die ze opgelopen hebben door de komst van de euro, hier de meeste vruchten van kunnen plukken. Om de twee effecten die een mogelijke invloed hebben gehad op de liquiditeitspositie van de beurzen te onderzoeken, hebben we een eigen model opgesteld dat evolutie van de algemene liquiditeitspositie van een beurs wil onderzoeken aan de hand van rendementen.

Universiteit Gent

2001-2002


80

We zijn hierbij aangekomen bij het belang van liquiditeit op de rendementseis. Uit andere onderzoeken weten we dat minder liquide aandelen een groter rendement vereisen en dit ook behalen. Het is namelijk zo dat bij illiquide aandelen ofwel de wachttijd voor een transactie bij een order-driven beurs veel langer is, ofwel bij een dealer-driven markt de kostprijs voor een transactie veel groter is, door de hogere bid-ask spread. Dit zorgt ervoor dat illiquide aandelen minder geliefd zijn bij beleggers met een kortere beleggingshorizon. Door nu meer rendement te bieden zijn de illiquide aandelen wel nog geliefd bij beleggers met een langere beleggingshorizon. Als we er van uit gaan dat de komst van de euro in 1999 tot meer integratie leidt, vermoed je dat ook alle beurzen, groot en klein, een gelijkaardige liquiditeitspositie innemen. Kapitaal kan volledig vrij vloeien, het wisselkoersrisico is weg en het risico van verschillen in inflatie is weg. Toch is er een addertje onder het gras dat clustering van liquiditeit heet. Liquiditeit heeft namelijk de neiging om zich te concentreren op bepaalde plaatsen. De reden dat de liquiditeit vooral op grotere beurzen zal zitten, is de grotere thuismarkt van deze beurzen, die automatisch tot een hogere beginliquiditeit zal leiden. Verder zijn er op deze beurzen ook meer blue chips aanwezig en is het kostenbesparend om als belegger om maar op één beurs te beleggen. Dit zorgt er allemaal voor dat de vicieuze cirkelwerking van liquiditeit hier sterker kan spelen dan op kleine beurzen. Verder hebben we in verband met het beleggingsaspect, dat ook invloed uitoefent, gekeken naar het belang van industrie- en landeffecten voor diversificatie. Het is namelijk zo dat door de komst van de euro, industrie-effecten voor diversificatie belangrijker geworden zijn dan landeffecten. Dit betekent dat de integratie, die de euro met zich mee heeft gebracht, er voor gezorgd heeft dat diversifiëren over verschillende sectoren binnen één land een betere diversificatie verzekert dan beleggen in dezelfde sector over verschillende landen van de eurozone. Als we dit beleggingselement naast de grotere ontwikkelingsmogelijkheden van liquiditeit op grotere aandelenbeurzen leggen, kunnen we theoretisch stellen dat beleggers er voor gekozen zullen hebben om hun geld te beleggen op grotere beurzen en hier een sectoriële beleggingsstrategie te ontwikkelen. Door deze evolutie neemt de belangstelling voor kleinere beurzen af, en door de werking van vraag en aanbod zullen de prijzen van de aandelen op de kleinere beurzen afnemen.

Universiteit Gent

2001-2002


81

Theoretisch kan je deze lagere prijzen ook verklaren door de verhoogde rendementseis die minder liquide aandelen hebben. Als de verwachte dividendenstroom in de toekomst even groot blijft en de verdisconteringrente neemt toe, dan is het zo dat de prijzen, als som van de verdisconteerde toekomstige rendementen, zullen dalen. Na de komst van de euro is de komst van de van de besprekingen omtrent beursfusies opvallend. De komst van de euro geeft namelijk de mogelijkheid om de liquiditeitspositie in het algemeen te verbeteren. Het eerste resultaat van deze besprekingen is de komst van Euronext, die de beurzen van Amsterdam, Brussel en Parijs samenvoegt. Eén van de redenen waarom nu juist deze fusie ontstaan is, is de liquiditeit op alledrie de beurzen te vergroten. Door de verschillen tussen de beurzen weg te werken, wat de kosten zou verminderen om op verschillende beurzen te beleggen, probeert men met deze fusie de liquiditeitspositie voor alledrie de beurzen te vergroten. Door het feit dat volgens onze theoretische overwegingen de liquiditeit van de beurzen nu vooral op de grotere beurzen zit, zoals deze van Parijs, zullen vooral de kleinere beurzen van deze fusie profiteren.

Om de theoretische uitwerking nu te ondersteunen door middel van de empirie, hebben we een eigen model ontwikkeld dat zal proberen de geschetste evolutie te ondersteunen. We zijn begonnen met het bekijken welke beurzen we nodig hadden. We hebben ervoor geopteerd om de aandelen op de drie Euronext beurzen te analyseren. Deze drie beurzen laten ons toe om de evolutie te zien voor de euro en voor de beursfusie door middel van één marktportefeuille. Het is namelijk zo dat de beursfusie pas na ongeveer twee jaar eurozone is doorgevoerd. Een mogelijk nadeel hiervan is wel dat de reactie die we op de Euronextbeurzen terugvinden vanaf de beursfusie, niet enkel te toewijsbaar is aan de beursfusies en dus mogelijk ook op andere beurzen tot uiting komt. Hiermee houden we dan ook rekening. De keuze voor de drie Euronext beurzen heeft verder vele voordelen. Ten eerste is het zo dat Brussel kan doorgaan als een kleinere beurs zonder veel blue chips, Amsterdam kan doorgaan als een middelgrote beurs door de aanwezigheid van meerdere blue chips en Parijs kan op basis van de marktkapitalisatie zeker doorgaan als een grotere beurs in West-Europa. Een ander voordeel van de keuze is dat de drie landen waarin de beurzen gesitueerd zijn, zich allemaal dicht bij elkaar in continentaal West-Europa bevinden. Dit zorgt er voor dat conjunctureel er weinig verschillen kunnen zijn die ervoor zouden zorgen dat de prestaties van de beurzen ten opzichte van elkaar sterk gaan verschillen.

Universiteit Gent

2001-2002


82

We hebben nu voor de keuze van onze aandelen de Financieel Economische Tijd geraadpleegd en hierbij alle continu verhandelde Belgische aandelen genomen en alle aandelen die vermeld staan bij de beurzen van Parijs en Amsterdam. We hebben niet al deze aandelen kunnen gebruiken, omdat niet alle data beschikbaar was op datastream Door deze werkwijze bekomen we de aandelen die over geheel onderzoeksperiode worden verhandeld en de aandelen die in onze onderzoeksperiode nieuw zijn beginnen noteren. We hebben verder op datastream nog informatie over dead stocks gevonden (aandelen die gestopt zijn met noteren tijdens onze onderzoeksperiode) en deze aandelen hebben we dan ook opgenomen. Op deze manier zijn we tot een som van 347 aandelen, noterend op de drie beurzen, gekomen. We hebben van al deze waarnemingen maanddata gezocht voor ons model. Deze maanddata hebben we gezocht op Datastream voor de onderzoeksperiode januari 1997-februari 2002. Deze periode laat het toe om de twee onderzoeksvragen te bekijken, omdat de euro is ingevoerd op 1 januari 1999 en de beursfusie van Euronext tot stand is gekomen op 22 september 2000. Alle gebeurtenissen situeren zich dus volledig in de periode die wij voor ons onderzoek hebben afgebakend. Toch moeten we hierbij opmerken dat de beursfusie van Euronext nog niet volledig was doorgevoerd voor het einde van onze dataset. Het fusieproces is namelijk een proces dat in verscheidene stappen gebeurt. Dit zorgt ervoor dat we nog geen volledig beeld van de invloed van een beursfusie kunnen krijgen.

We willen met ons model dus tot een afbakening komen van het liquiditeitseffect dat op de drie beurzen heeft gespeeld, door te kijken naar de effecten die het gehad heeft op de rendementen. We stellen hiervoor de excess-rendementen van de aandelen ten opzichte van allerlei mogelijke rendementsbeïnvloedende factoren, waaronder ook onderzoeksdummies die zullen moeten bekijken of er iets met de rendementsevolutie is gebeurd. We wijzen er op dat ons model ook controleert voor liquiditeit voor de individuele aandelen. Door deze manier van werken komen we tot het liquiditeitseffect van de beurs in het algemeen als een ruimer begrip dan de som van de liquiditeitsposities van de individuele aandelen. We wijzen er ook op dat we in ons model, behalve bij het controleren voor risico, de aandelen evenwaardig beschouwen,

ongeacht

de

marktkapitalisatie.

We

controleren

voor

eventuele

rendementsverschillen, die hierdoor mogelijks ontstaan, aan de hand van liquiditeitsfactoren die naar de individuele liquiditeit van een aandeel kijken.

Universiteit Gent

2001-2002


83

We hebben nu een model opgesteld dat werkt via panel data. Panel data laten toe om een cross-sectie voor allerlei aandelen op een zelfde tijdstip te combineren met tijdsreeksen van individuele aandelen. Door deze manier van werken kunnen we een effect in de tijd afbakenen voor de verschillende aandelen. Als afhankelijke variabele hebben we in onze panel data de risicogecontroleerde rendementen voor de 62 maanden opgenomen, voor elk aandeel. We hebben gecontroleerd voor risico door middel van het Single Index Model. We hebben hiervoor een marktportefeuille opgesteld die gewogen is volgens marktkapitalisatie. Als

verklarende

variabelen

hebben

we

in

ons

model

gebruik

gemaakt

van

liquiditeitsmaatstaven, de sectorindeling en onze onderzoeksvariabelen. We hebben drie liquiditeitsmaatstaven gebruikt: marktkapitalisatie, omzet in eenheden en de bid-ask spread. In onze dataset blijkt dat de variabelen marktkapitalisatie en omzet in eenheden vrij sterk positief gecorreleerd zijn en dat de correlatie tussen de bid-ask spread en de andere twee maatstaven zeer klein was en negatief. De tekens van de correlatie zijn overeenkomstig de verwachtingen. Verder hebben we ook nog een maatstaf genomen, die controleert of er door mogelijke verschillen in microstructuur geen verschil is in liquiditeitspremie voor de aandelen tussen de verschillende beurzen. We wijzen er op dat deze factor enkel bekijkt of er een verschil is in de liquiditeitspremie tussen beurzen voor de aandelen individueel gezien. We hebben ook gecontroleerd voor sectoren door middel van het invoeren van sectordummies. We hebben dit gedaan om te vermijden dat de resultaten van de beurzen niet positief

of

negatief

beïnvloed

zouden

worden

door

de

relatieve

over-of

ondervertegenwoordiging van goed of slecht presterende sectoren. Omdat zich hier het probleem stelt dat sectoren normaalgezien niet voor een periode van ongeveer 5 jaar over- of onderpresteren, zullen we ook eens door middel van cross-sectionele schattingen voor elke maand de rendementsevolutie bekijken. Het sectoreffect kan over de periode van een maand dan ook meer spelen. Tenslotte hebben we ook nog dummies ingevoerd voor ons onderzoek. We hebben hiervoor tijdsdummies en beursdummies nodig die we in combinatie gebruiken door ze met elkaar te vermenigvuldigen. We hebben drie periodedummies: 1997-1998 als periode voor de komst van de euro, 1999-2000 als de periode van de invoering, en 2001-2002 als de periode die we arbitrair hebben afgebakend voor het onderzoek naar de beursfusie.

Universiteit Gent

2001-2002


84

Verder hebben we ook nog drie beursdummies. Als we nu deze drie dummies met elke periode vermenigvuldigen bekomen we negen variabelen in ons model, waarbij we de evolutie die we onderzoeken kunnen waarnemen.

De resultaten van ons onderzoek zijn overeenkomstig de verwachtingen. We hebben twee regressies gedaan volgens de manier waarop we hierboven beschreven hebben. Door de kans op

multicollineariteit

tussen

de

liquiditeitsmaatstaven

omzet

in

hoeveelheid

en

marktkapitalisatie, hebben we twee regressies gevoerd. De ene is een regressie met enkel marktkapitalisatie en de andere is een regressie met enkel omzet in hoeveelheden. Het verschil voor onze onderzoeksvariabelen voor deze twee regressies is verwaarloosbaar. In beide regressies zien we voor de beurzen van Brussel en Amsterdam dezelfde evolutie. In de periode 1997-1998 is weinig verschil in risicogecontroleerd rendement tussen de beurzen. De beurs van Brussel doet het lichtjes beter dan de beurs van Parijs, en de beurs van Amsterdam doet het ten opzichte van Parijs lichtjes slechter. In de periode 1999-2000 zien we dat de risicogecontroleerde rendementen van de beurzen van Brussel en Amsterdam ten opzichte de beurs van Parijs sterk terrein verliezen. Dit geeft aan dat de prestaties van de kleinere beurzen slechter zijn voor de periode 1999-2000. Hiervoor hebben we de verklaringen hierboven reeds gegeven. We kunnen ze als volgt nog eens kort samenvatten: clustering van liquiditeit op grotere beurzen door de werking van vicieuze cirkels, verder ondersteund door het groter belang van sectorbeleggingen. In de periode 2001-2002 zien we dat de achterstand van de risicogecontroleerde rendementen niet meer zo groot is. Dit herstel kan het gevolg zijn van verschillende factoren. De eerste verklaring hebben we reeds aangehaald. De beursfusie tussen de drie onderzochte beurzen zorgt ervoor dat handelen op de drie beurzen makkelijker wordt. Verder is er de grotere publiciteit die hierdoor naar kleinere beurzen gaat. Uit andere studies blijkt verder ook dat, op het vlak van beleggingen, men toch nog steeds een belangrijk deel van de mogelijke diversificatie door landeffecten kan bereiken. Dit kan ook een verklaring zijn voor de verbetering van het risicogecontroleerd rendementen van de beurs van Amsterdam en Brussel. Door het belang van beleggingen in meerdere landen, komen ook de kleinere beurzen hierbij meer in zicht. Een derde verklaring vloeit voort uit de slechte prestatie in de periode 19992000. Doordat er in deze periode een correctie naar een hogere rendementseis is doorgevoerd, kan het zijn dat we in de periode 2001-2002 hier reeds de eerste resultaten van terugzien. Dit kan dus ook een verklaring zijn voor het rendementsherstel.

Universiteit Gent

2001-2002


85

Als we verder de resultaten van onze maandelijks uitgevoerde regressies bekijken, zien we ook hier dezelfde evolutie terugkomen, met dus ook dezelfde verklaringen.

Indien we een blik op de toekomst werpen, gaan we er van uit dat de echte golf van beursfusies nog moet beginnen. De liquiditeitsvoordelen die de Eurozone biedt door de groeiende integratie, zal het voor grotere en kleinere beurzen interessant maken om hier in te stappen. Kleinere beurzen, die door de komst van de euro in een klein hoekje werden gedrumd, kunnen zich terug in de belangstelling zetten. Grotere beurzen kunnen profiteren van de makkelijkere bereikbaarheid van hun markt. We hebben in ons eigen onderzoek deels kunnen aantonen dat een beursfusie voor kleinere beurzen zeker geen nadeel hoeft te zijn. Theoretisch hebben we ook voor grotere beurzen het voordeel kunnen aantonen.

Universiteit Gent

2001-2002


VII

Lijst van de geraadpleegde werken.

ABCBOURSE.COM, 1999-2001, URL:< http://www.abcbourse.com/marches/chiffres/eurostoxx50.html>. (12/04/02)

ADJAOUTE K. en DANTHINE J-P., 2001, Portfolio diversification: alive and well in Euroland, CEPR Discussion paper No. 3086, july 2001, 17 blz.

AMIHUD Y. en MENDELSON H., 1986, Asset pricing and the bid-ask spread, Journal of Financial Economics, 17, 1986, blz. 223-249.

BERNSTEIN P., 1987, Liquidity, Stock Markets and Market Makers, Financial Management, summer 1987, blz. 54-62

BODIE Z., KANE A. en MARCUS J., 2001, Investments, Mc Graw Hill, New York, 1015 blz.

CHORDIA T., ROLL R. en SUBRAHMANYAM A., 2000, Commonality in liquidity, Journal of Financial Economics, 56, 2000, blz. 3-28.

DANTHINE J-P, GIAVAZZI F. en VON THADDEN E., 2000, European Financial Markets After EMU: A First Assessment, CEPR discussion paper No. 2413, March 2000, 63 blz.

DEGRYSE H. en VAN ACHTER M., 2001, Beursfusies: motieven en uitdagingen, Maandschrift Economie, Jaargang 65, blz. 339-367

DE VIJLDER W, MACKEL F. en PRAET P., 2000, De euro en de beleggingen, EMU dé uitdaging, 24e Vlaams Wetenschappelijk Economisch Congres, Vereniging voor Economie vzw, blz. 159-188

Universiteit Gent

2001-2002


VIII

DUISENBERG W., 1999, Financing in the European capital markets, Speech delivered in Dutch by Dr. Willem F. Duisenberg, President of the European Central Bank, at the Waarborgfonds Sociale Woningbouw, URL:http://www.ecb.int/key/sp996014en.htm. (25/9/2001).

ECB, 1999, The international role of the euro, ECB Monthly Bulletin, August 1999, blz. 31-45

ECB, 2001, The euro equity markets, 45 blz. URL:< http://www.ecb.int/pub/pdf/euroequitymarket.pdf>(05/04/02).

EURONEXT LISBON, 2002, News, URL:< http://www.bvlp.pt/bvlp/start.jsp?lang=en&op=not_dest>. (10/2/02).

EURONEXT N.V., 2001, Voorlopig Prospectus, 321 blz.

EURONEXT, 2001, Implementatie van de Euronextstrategie: ‘think global, act local’. URL:< http://www.euronext.com/nl/euronext/impletation/ >(15/10/01).

FTSE, 1995, URL: < http://www.ftse.com > (10/03/02).

GALATI G. en TSATSARONIS K., 2001, The impact of the euro on Europe’s financial markets, BIS Working papers No. 100, july 2001, blz.37

HESTON S. en ROUWENHORST K., 1994, Does industrial structure explain the benefits of international diversification?, Journal of Financial Economics, 36, 1994, blz. 3-27 HEYLEN F., 1999, Macro-economie, Garant, Leuven-Apeldoorn, 771 blz.

JOHNSTON J. en DINARDO J., 1997, Econometric Methods, McGraw-Hill, New York, 531 blz.

NYSE, 2000, The Formation of a Global Equity Market, Newsletter Article, July 2000, URL: < http://www.nyse.com/content/articles/NT0001146A.html >(15/10/01).

Universiteit Gent

2001-2002


IX

OOGHE H., 1998, Bedrijfsfinanciering, ced.samson, Diegem, 459 blz.

PAGANO M., 1989, Trading volume and asset liquidity, The Quarterly Journal of Economics, mei 1989, blz.256-274

PORTES R., 2001a, A monetary union in motion: The European experience, CEPR Discussion Paper No. 2954, september 2001, 22 blz.

PORTES R. 2001b, The Euro and the International Financial System, CEPR Discussion Paper No. 2955, september 2001, 26 blz.

ROUWENHORST K., 1998, European Equity Markets and EMU: Are the differences between countries slowly disappearing?, Social Science Research Network Electronic Library, URL:< http://papers.ssrn.com/sol3/papers.cfm?abstract_id=137435> (20/11/2001).

PADOA-SCHIOPPA T., 1999, Payments and the Eurosystem, Speech delivered by Tomasso Padoa-Schioppa, member of the executive board of the ECB, Sibos, Munich, 13 september 1999, URL:< http://www.ecb.int/> (26/10/2001).

REINGANUM M., 1990, Market microstructure and asset pricing, Journal of Financial Economics, 28, 1990, blz. 127-147.

TIMMERMANS T., 2000, International diversification of investments in Belgium and its effects on the main Belgian securities markets, BIS Conference papers No. 8, maart 2000, blz. 37-56.

Universiteit Gent

2001-2002

Empirisch onderzoek naar liquiditeitspremie op de aandelenmarkten van de Benelux en Frankrijk

Recommend Documents