UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013
Hoe laat is het op de Investment Clock? Activa& Sectorrotatie doorheen de Business Cyclus Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur
Thibaut Oosterlinck
onder leiding van
Prof. Frömmel
UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013
Hoe laat is het op de Investment Clock? Activa & Sectorrotatie doorheen de Business Cyclus Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur Thibaut Oosterlinck
onder leiding van
Prof. Frömmel
VERTROUWELIJKHEIDSCLAUSULE
Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Thibaut Oosterlinck
I
WOORD VOORAF Graag had ik enkele mensen expliciet bedankt voor hun waardevolle bijdrage tot het realiseren van deze masterproef. Eerst en vooral wens ik Professor Frömmel te bedanken voor het aanreiken van dit uiterst interessante onderwerp en voor zijn geleverde bijstand over de laatste twee jaar. Verder zou ik graag Professor W. De Vijlder bedanken voor het verlenen van zijn deskundig advies. Ook had ik graag mijn dank betuigd aan Meneer G. Elaut voor de geleverde feedback met betrekking tot de business cyclus datering en de sectorrendementsberekening. Tot slot gaat mijn oprechte dank uit naar mijn jongere broer Guillaume Oosterlinck en goede vriend Dominique Van der Straeten voor het bereidwillig nalezen van deze masterproef.
II
INHOUDSOPGAVE 0.
INLEIDING ................................................................................................................................... 1
1.
LITERATUURSTUDIE ..................................................................................................................... 3 1.1 BUSINESS CYCLUS..................................................................................................................................... 3 1.1.1 Definitie ........................................................................................................................................ 3 1.1.2 Real-time identificatie .................................................................................................................. 8 1.2 SECTORROTATIE DOORHEEN DE BUSINESS CYCLUS ....................................................................................... 18 1.3 DOELSTELLINGEN VAN DIT ONDERZOEK ...................................................................................................... 27
2.
BUSINESS CYCLUS DATERING ..................................................................................................... 29 2.1 DATA ................................................................................................................................................... 29 2.1.1 Inleiding ...................................................................................................................................... 29 2.1.2 Vier Samenvallende maandelijkse indicatoren........................................................................... 30 2.1.3 Composite Leading Indicator ...................................................................................................... 31 2.2 METHODE ............................................................................................................................................. 33 2.2.1 Vier Samenvallende maandelijkse indicatoren........................................................................... 33 2.2.2 Composite Leading Indicator ...................................................................................................... 34 2.3 RESULTATEN.......................................................................................................................................... 37 2.3.1 Vier Samenvallende maandelijkse indicatoren........................................................................... 37 2.3.2 Composite Leading Indicator ...................................................................................................... 38 2.3.2.2 Eurozone-17............................................................................................................................. 42
3. SECTOR PERFORMANCE ................................................................................................................ 51 3.1 DATA ................................................................................................................................................... 51 3.1.1 Verenigde Staten ........................................................................................................................ 51 3.1.2 Eurozone ..................................................................................................................................... 52 3.1.3 Japan .......................................................................................................................................... 55 3.2 METHODE ............................................................................................................................................. 56 3.2.1 Regressie Steekproef .................................................................................................................. 56 3.2.2 Alfa’s ........................................................................................................................................... 56 3.2.3 Paired trades .............................................................................................................................. 60 3.3 RESULTATEN.......................................................................................................................................... 61 3.3.1 Verwachtingen vanuit de literatuur ........................................................................................... 61 3.3.2 Alfa regressies ............................................................................................................................ 68 3.3.3 Paired Trade regressies.............................................................................................................. 76 4. SIMULATIE SECTORROTATIE .......................................................................................................... 88 4.1 SIMULATIEOPZET .................................................................................................................................... 88 4.2.RESULTATEN ......................................................................................................................................... 91 4.2.1 VS ................................................................................................................................................ 91 4.2.2 Eurozone ..................................................................................................................................... 95 4.2.3 Japan.......................................................................................................................................... 97
III
4.2.4 Geografische diversificatie ......................................................................................................... 99 4.2.5 Grafische analyse...................................................................................................................... 100 4.2.6 Conclusie ................................................................................................................................... 103 5. ALGEMENE CONCLUSIE + SUGGESTIES VOOR VERDER ONDERZOEK .............................................. 105 BIBLIOGRAFIE .................................................................................................................................... IX BIJLAGE 1: PRING (2006) : CYCLUS OP BASIS VAN ACTUEEL MARKTGEDRAG EN SECTOR ALLOCATIE .. XIII BIJLAGE 2: BESPREKING BUSINESS CYCLUS FASES EMSBO-MATTINGLY ET AL.(2013) .........................XIV BIJLAGE 3: COMPONENTEN VAN DE OECD COMPOSITE LEADING INDEX .............................................XV BIJLAGE 4: VALSE ALARMEN DATERINGSMETHODEN ......................................................................XVII BIJLAGE 5: KENNETH FRENCH LIBRARY 12 INDUSTRY DEFINITIES: SIC CODES ..................................... XX BIJLAGE 6: SECTOR RANKINGS OP BASIS VAN ALFA REGRESSIES ..................................................... XXIII BIJLAGE 7:PAIRED TRADE TABELLEN .............................................................................................. XXXII BIJLAGE 8: SECTOR SIMULATIE VS ................................................................................................... XLII BIJLAGE 9: SECTOR SIMULATIE EUROZONE ..................................................................................... XLIV BIJLAGE 10: SECTOR SIMULATIE JAPAN .......................................................................................... XLVI BIJLAGE 11: TWEE MAAND LAG SHARPE RATIO’S VOOR ALLOCATIE MET TWEE MEEST SIGNIFICANTE KOPPELS ..................................................................................................................................... XLVIII BIJLAGE 12 : 2 MAAND LAG SHARPE RATIO’S VOOR ALTERNATIEVE ALLOCATIES ........................... XLIX BIJLAGE 13: GEOGRAFISCHE DIVERSIFICATIE SECTORROTATIES ............................................................ L
IV
LIJST MET AFKORTINGEN BPP: Best Performing Portfolios CEPR: Center for Economic Policy Research CLI: Composite Leading Indicator CPI: Consumenten Prijs Index CSRP: Center for Research in Securities Performance ESRI: Economic and Social Research Institute MEI: Monthly Economic Indicator MSCI: Morgan Stanley Capital International NBER: National Bureau of Economic Research OECD: Organisation for Economic Cooperation and Development OESO: Organisatie voor Economische Samenwerking en Ontwikkeling S&P: Standard & Poors VS: Verenigde Staten
V
LIJST MET TABELLEN EN FIGUREN T ABELLEN Tabel 1.Vaga’s aandelenmarktfases Tabel 2. Checklist voor business cycle turning points Tabel 3. Gemiddelde aandelenrendementen van S&P 500 Tabel 4. Business cycli in Dzikevicius en Vetrov (2012) Tabel 5. Sector performance doorheen business cyclus Tabel 6. Alternatieve Sectorrotatie Jacobsen, Stangl en Visaltanachoti, 2009 Tabel 7. Samenvallende maandelijkse indicatoren Tabel 8. Dateringsalgoritme Markov Switching model Tabel 9. CLI Vuistregel Tabel 10. Overzicht van de Stages Tabel 11. Recessieperiode overzicht Multivariaat Markov Switching Model Tabel 12. Recessieperiode overzicht CLI Vuistregel VS Tabel 13. Transition Probabilities VS CLI Markov Switching Model Tabel 14. Recessieperiode overzicht VS CLI Markov Switching Model Tabel 15. Recessieperiode overzicht VS Gecombineerde Staging Tabel 16. Recessieperiode overzicht Eurozone CLI Vuistregel Tabel 17. Transition Probabilities Eurozone CLI Markov Switching Model Tabel 18. Recessieperiode overzicht Eurozone CLI Markov Switching Tabel 19. Recessieperiode overzicht Eurozone gecombineerde staging Tabel 20. Recessieperiode overzicht Japan CLI Vuistregel VI
Tabel 21. Transition Probabilities Japan CLI Markov Switching Model Tabel 22. Recessieperiode overzicht Japan CLI Markov Switching Model Tabel 23. Recessieperiode overzicht Japan CLI Markov Switching Model Tabel 24. Frequentietabel Staging Verenigde Staten Tabel 25. Frequentietabel Staging Eurozone Tabel 26. Frequentietabel Staging Japan Tabel 27. Europese Sectorrendementen Tabel 28. Overzicht twee meest significante koppels VS Tabel 29. Alternatieve Sector allocatie VS Tabel 30. Overzicht twee meest significante koppels Eurozone Tabel 31. Alternatieve Sector allocatie Eurozone Tabel 32. Overzicht twee meest significante koppels Japan Tabel 33. Alternatieve sector allocatie Japan Tabel 34. Sharpe Ratio VS (geen lag) Tabel 35. Sharpe Ratio VS (1 maand Lag) Tabel 36. Alternatieve Sharpe Ratio VS (geen lag) Tabel 37. Alternatieve Sharpe Ratio VS (1 maand lag) Tabel 38. Sharpe Ratio Eurozone (geen lag) Tabel 39. Sharpe Ratio Eurozone (1 maand lag) Tabel 40. Alternatieve Sharpe Ratio Eurozone (geen lag) Tabel 41. Alternatieve Sharpe Ratio Eurozone (1 maand lag) Tabel 42. Sharpe Ratio Japan (geen lag) VII
Tabel 43. Sharpe Ratio Japan (1 maand lag) Tabel 44. Alternatieve Sharpe Ratio Japan (geen lag) Tabel 45. Alternatieve Sharpe Ratio Japan ( 1 maand lag) Tabel 46. Sharpe Ratio Geografische Diversificatie ( 1 maand lag)
F IGUREN Figuur 1.Business Cyclus van Jacobsen, (Ito & Mishkin)Stangl en Visaltanachoti (2009) Figuur 2.Business Cyclus van Emsbo-Mattingly, Hofschire en Betro (2013) Figuur 3. Hunt’ s fases van de General Economic Cycle Figuur 4. Relatieve Sector Prestaties (Bron: Emsbo-Mattingly et al. (2013) Figuur 5. Vergelijking Meest significante VS Lag 1 Sectorrotatie met de Markt Figuur 6. Vergelijking Alternatieve VS Lag 1 Sectorrotatie met de Markt Figuur 7. Vergelijking Alternatieve Eurozone Lag 1 Sectorrotatie met de Markt Figuur 8. Vergelijking Alternatieve Japan Lag 1 Sectorrotatie met de Markt Figuur 9. Vergelijking Alternatieve Geografische diversificatie Lag 1 Sectorrotatie met de Markt
VIII
0. INLEIDING In de literatuur blijkt er onenigheid te zijn over de aantrekkelijkheid van de sectorrotatie investeringsstrategie. Enerzijds bekomen Jacobsen Stangl & Visaltanachoti (2009) een mager rendement voor hun sectorrotatie op de Amerikaanse markt en stellen ze in hun werk geen significante verschillen in sector performance overheen de fases van de business cyclus vast. Anderzijds toont de sectorrotatie van Luk (2012) een hoog rendement op de Aziatische ex-Japan Markten. Volgens Weiss (1998) wint de sectorrotatie bovendien aan belang omwille van de dalende effectiviteit van geografische diversificatie door de toenemende globalisering. In deze masterproef zal getracht worden verheldering te brengen binnen deze discussie. De effectiviteit van een sectorrotatie op basis van de business cyclus zal geanalyseerd worden in simulaties voor drie ontwikkelde markten: de Verenigde Staten, de Eurozone en Japan. Het ontwikkelen van deze sectorrotatiesimulaties gebeurt via drie mijlpalen. Ten eerste zal een business klok opgezet worden die de fase van de business cyclus in real-time identificeert. Deze business klok zal op basis van een Markov Switching model de business cyclus onderverdelen in 5 stages. Ten tweede zal door middel van alfa maatstaf- en paired trade regressies de sector hiërarchie binnen de verschillende stages onderzocht worden. Elk van deze regressies wordt uitgevoerd voor de constructietijdsreeks van sector rendementen die loopt tot en met december 2001. Deze constructietijdsreeks is voor elk van de drie streken steeds minstens 168 maanden lang. De sectorindeling is echter wel verschillend overheen de drie regio’s. De resultaten van de geschatte regressies dragen in de volgende onderzoekstap dan bij tot de vorming van de allocaties van de sectorrotaties. Deze sectorrotaties worden dan voor elke regio gesimuleerd over de elfjarige periode januari 2002-december 2012. De hier uitgevoerde rotaties verschillen van eerder academisch onderzoek, in de zin dat er naast long posities ook short posities aangehouden worden. de Als afsluiter van het empirisch onderzoek zal ook een gelijk gewogen geografische diversificatie van de drie sectorrotaties uitgevoerd worden. Tijdens de evaluatie van de simulatieresultaten zullen de nominale rendementen en Sharpe ratio’s onder de loep genomen worden. Op het einde van deze masterproef zal een algemenen conclusie gemaakt worden die ook de beperkingen van het onderzoek vermeldt en aanbevelingen bevat voor verder onderzoek.
1
Voordat de bespreking van het eigenlijke masterproefonderzoek aangevat wordt, geeft een literatuurstudie wat achtergrondinformatie over de belangrijkste concepten. De literatuurstudie start met de business cyclus en zijn dateringsmethodes, gevolgd door een overzicht van eerder gevoerd sectorrotatieonderzoek.
2
1. LITERATUURSTUDIE Alvorens tot de essentie van dit masterproefonderzoek over te gaan, dient een idee gevormd te worden van de reeds geboekte vooruitgang in het onderzoeksdomein. In het licht van de hieronder gegeven literatuurstudie is het gemakkelijker de doelen en de beoogde meerwaarde van dit masterproefonderzoek te situeren. Deze literatuurstudie start met de definitie van het “business cyclus” dateringsconcept, gevolgd door een overzicht van de (real-time) dateringsmethoden die in de academische wereld te vinden zijn. Ten slotte wordt een bondige samenvatting gegeven van eerder uitgevoerd onderzoek over sectorrotaties.
1.1 BUSINESS CYCLUS 1.1.1 DEFINITIE Over de jaren heen is de business cyclus een essentieel aspect geworden van de economische wetenschap, dat door verschillende wetenschappers en in verschillende contexten onderzocht is geweest. De eerste noemenswaardige definitie werd geformuleerd door Burns & Mitchell(1946): “Business cycles are a type of fluctuation found in the aggregate economic activity of nations that organize their work mainly in business enterprises: a cycle consists of expansions occurring at about the same time in many economic activities, followed by similarly general recessions, contractions, and revivals, which merge into the expansion phase of the next cycle. “ (Burns &Mitchell, 1946, p.3) Met andere woorden, de business cyclus heeft twee essentiële karakteristieken. Vooreerst is er sprake van een samenvallende beweging tussen economische variabelen. Op basis van clusters van keerpunten in de individuele tijdsreeksen worden de keerpunten in de business cyclus gesitueerd. Ten tweede is er een duidelijke onderverdeling in afzonderlijke fases of regimes. De analyses behandelen recessies en expansies immers op een afzonderlijke manier (Burns & Mitchell,1946). Doorheen de tijd poogden verschillende wetenschappers een definitie op te stellen voor de business cyclus. Ondanks de wat meer modern geworden verwoording, werd hierin steeds teruggegrepen naar de twee essentiële karakteristieken van Burns & Mitchell (1946).
3
Zo definieert Pring (2006) de business cyclus als volgt: “The alternation of economic growth with contraction is known as the business cycle and it lasts approximately 41-42 months from trough to trough.” Pring (2006) merkt ook op dat iedere cyclus uniek is en verschilt inzake duur en magnitude. Hij geeft hiervoor drie verklaringen: 1. De business cyclus wordt gedomineerd door sterkere en langdurigere economische fluctuaties die simultaan de business cyclus onderhuids beïnvloeden. (bijv. Juglar 10 year cycle) 2. Economie bestaat uit vele delen en sectoren die onderling niet perfect gecorreleerd zijn. 3. Economie is blootgesteld aan structurele veranderingen over de tijd. (bijv. technologische vooruitgang)
Jacobsen, Stangl en Visaltanachoti (2009) volgen het voorbeeld van Stovall (1996) en delen de business cyclus in vijf fases: vroege expansie(stage I), middelexpansie(stage II), late expansie(stage III), vroege recessie(stage IV) en late recessie (stage V). Aangezien de expansie gemiddeld vijf jaar duurt en een recessie slechts tien maanden, is het aannemelijk om de expansie in drie gelijke delen te verdelen in plaats van in twee, zoals DeStefano (2004) doet in zijn vier-fase model. Deze vijfdelige indeling wordt grafisch weergegeven in Figuur 1.
4
Figuur 1.Business Cyclus van Jacobsen, Stangl en Visaltanachoti (2009)
Pring (2006) typeert de business cyclus door middel van zes fases. Hij baseert zich hiervoor op drie markten ( obligaties, aandelen en commodities) die elk een piek en een dal hebben. Pring’s uiteenzetting staat samengevat in bijlage 2. De overlapping van de activa gedragsfases met de expansie- en recessiefases komt aan bod in de real time-identificatie sectie. Emsbo-Mattingly, Hofshire en Betro (2013) tekenen de business cyclus bewegingen uit zoals in Figuur 2. Vier verschillende fases worden onderscheiden: vroege expansie, midden expansie, late expansie en recessie. In de late expansie is reeds een modererende groei vast te stellen waarin een inkrimpend beleid gevoerd wordt. De bespreking van Emsbo- Mattingly et al. (2013) van de verschillende fases is weergegeven in bijlage 2. Hier wordt later nog op teruggekomen in de hypothesevorming rond sector performance(cfr. Pagina 60). Cyclische activa (zoals aandelen)groeien het sterkste gedurende de vroege expansie, om een geleidelijk afzwakkende groei door te maken in de midden en late expansie, die negatief wordt in de recessie fase. Defensieve activa vertonen het omgekeerde patroon en presteren het best tijdens de recessie. (Emsbo-Mattingly et al., 2013)
5
Figuur 2.Business Cyclus (Bron: Emsbo-Mattingly, Hofschire en Betro ,2013)
De datering door The National Bureau of Economic Research( NBER) Business Cycle Dating Committee wordt algemeen beschouwd als de referentie met betrekking tot Amerikaanse business cyclus chronologie. Dit Committee onderscheidt twee verschillende fenomenen in zijn datering: expansies en recessies. Een expansie is gedefinieerd als een periode tussen respectievelijk een dal en een piek, terwijl een recessie een periode tussen een piek en een dal beslaat. Een recessie (expansie) wordt met andere woorden gekenmerkt door een substantiële daling (stijging) van de economische activiteit. Het is echter mogelijk dat de door de NBER gedateerde recessies (expansies) korte periodes van expansie (recessies) bevatten, die daarna terug overgaan in inkrimping (groei). The Business Cycle Dating Committee geeft aan geen vaste regel te hebben voor het beoordelen van deze korte periodes van tegengestelde evoluties. Of deze korte periodes een onderbreking zijn, dan wel een ommekeer inleiden wordt geval per geval bestudeerd. (NBER Business Cycling Committee, Website,2013)
6
The National Bureau of Economic Research (NBER) Business Cycle Dating Committee verklaart ook geen vaste definitie van de economische activiteit te hebben en vergelijkt de evolutie van verschillende maatstaven van brede activiteit: reëel bruto binnenlands product aan productie- of inkomenszijde, economische tewerkstelling en reëel inkomen. Daarnaast beschouwt het Committee soms ook indicatoren die niet de volledige economie beslaan zoals de Federal Reserve index van Industriële productie en reële verkopen. (NBER Business Cycling Committee, website). De NBER geeft aan maandelijkse indicatoren te prefereren ten einde een maandelijkse chronologie van de business cyclus te bekomen. In een NBER Business Cycle Dating Committee communiqué (2003) verklaart het Committee de volgende vier maandelijkse variabelen te bestuderen: (1) Tewerkstelling (2) Reëel persoonlijk inkomen min transferbetalingen, (3) Manufacturing & Retail Sales volume en (4) Industriële productie. Hierbij beslaan de eerste twee variabelen de gehele economie, terwijl de laatste de productie & goederen omgeving weerspiegelen. Logischerwijze beschouwen de auteurs de eerste twee variabelen als de belangrijkste. (NBER, Robert Hall et. al, 2003) Hoewel de business cyclus datering van de National Bureau of Economic Research( NBER) Business Cycle Dating Committee algemeen aanvaard wordt voor de datering van recessies en expansies, is deze informatie weinig waardevol voor investeerders. De NBER datering is immers een ex-ante datering die recessies en expansies tussen 6 en 21 maanden na datum vaststelt. Het comité wacht tot er geen twijfel bestaat over het bestaan van een piek of dal, alvorens het een datum publiceert. Er is dus geen vaste regel met betrekking tot publicatie timing. (NBER, FAQ) Voor beleggers is echter niet de economische toestand in het verleden relevant, maar wel deze in het heden en de toekomst. Daarom hebben deze nood aan een gelijktijdige of leidende business cyclus dateringsmethode. Een overzicht van dergelijke real-time dateringsmethoden uit de literatuur wordt behandeld in de hierop volgende paragraaf.
7
1.1.2 REAL-TIME IDENTIFICATIE Een betrouwbare en snelle identificatie van de huidige en toekomstige economische situatie laat de investeerder toe om in zijn portfolio allocatie snel te reageren en eveneens te anticiperen op marktbewegingen. Het verleden heeft meermaals aangetoond dat een goede market timing kan leiden tot benijdenswaardig hoge returns. Het hoeft dan ook niet te verbazen dat “real-time identificatie van business cycli” een veelbesproken onderwerp is in de economische literatuur. Deze sectie biedt een overzicht van de meest relevante real-time identificatiemethoden, die academici en economische instanties hebben over de jaren heen hebben opgebouwd. Chauvet & Hamilton (2005) vermelden twee voorwaarden voor het onderzoeken van real-time performance van business cyclus dateringsmethoden. Vooreerst mogen enkel indicatoren gebruikt worden die beschikbaar waren op het moment van de voorspelling. Ten tweede mogen enkel de data revisies in beschouwing genomen worden die beschikbaar waren op het moment van de voorspelling. Men dient dus te opteren voor een recursieve schatting die zich baseert op de eerste publicatie van de data. (Chauvet & Hamilton, 2005) Over de laatste 20 jaar hebben academici de datering van de business cyclus meer en meer als een statistisch vraagstuk beschouwd en minder als een subjectieve kwalitatieve beoordeling. James D. Hamilton(1989) was de eerste die met deze aanpak startte. Deze statistische methode heeft als doel in staat te zijn om dezelfde dateringen te produceren als de kwalitatieve NBER analyse en deze bovendien vroeger in de tijd te geven. Hamilton ontwikkelde een heel nuttig instrument voor het statistisch modelleren van regime verschuivingen in auto-regressieve tijdsreeksen. Hij voegde de mogelijkheid in dat de gemiddelde groeivoet parameterwaarde μ van het model afwisselt tussen twee regimes, die bestuurd worden door een state variabele St. Zelfs wanneer deze staatvariabele niet kan worden waargenomen, kan men de toestand nog steeds schatten indien men bereid is om restricties te plaatsen op de kansverdeling van deze staatsvariabele. Hamilton(1989) onderwerpt de schatting van de economische cyclus aan de restrictie van een eerste orde Markov Chain. Dit kan als volgt geformuleerd worden voor de economische staatsvariabele St:
P(St=2|St–1=2)=p P(St=2|St–1=1)=1–p 8
P(St=1|St–1=1)=q P(St=1|St–1=2)=1–q Met St=2=recessiefase St=1= expansiefase (Chauvet, Piger, 2003) Bovenstaande kansen worden gedefinieerd als de transition probabilities van het Markov Switching model. De hoofdeigenschap van dit model is dat de kans op een recessie op tijdstip t enkel afhangt (ceteris paribus) van de economische toestand op tijdstip t-1 en niet van de economische toestand op verder teruggaande tijdstippen. Gegeven de non-parametrische kennis van de verschillen in de distributie van BBP groei tussen expansie en recessie
f(yt|St = i) voor i = 1; 2; en gegeven hoe regelmatig de economie in hetzelfde regime blijft
Pr(St+1 = j|St = i) for i; j = 1; 2; onder de assumptie dat de economische toestand(recessie of expansie) de enige link is van het enige kwartaal op het volgende
Pr(St+1 = j|St = i) = Pr(St+1 =j|St = I,St-1 = k;…yt, yt-1….) f(yt+1|St+1 = j) = f(yt+1|St+1 = j, St = I,St-1 = k…yt,yt-1.…) kan men op basis van de BBP groeivoeten tot een datum t, een voorspelling maken of de economie zich in een recessie bevindt op een datum τ.
Pr(Sτ = i|y1,y2….. yt) Indien t<τ, definieert men deze kans als de “filter probabilities”. Als t>τ, spreekt men over de “smoothed probabilities”. (Chauvet & Hamilton, 2005)
9
Hamilton (1989) classificeert een keerpunt als een punt waar de voorwaardelijke kans op een recessie, conditioneel aan alle data in het model T (i.e. the smoothed probability), P(St=2| T) van kleiner dan 50 percent naar groter dan 50 procent beweegt of vice versa. Voor het dateren van recessies en expansies aan de hand van deze kansen wordt doorgaans volgende vuistregel aangewend:
Dt,m = recessie wanneer Pr(Sτ = i|y1,y2….. yt) > 50 % Dt,m = expansie wanneer Pr(Sτ = i|y1,y2….. yt) <50 % Dit algoritme wordt in de literatuur zowel voor de filter als voor de smoothed probabilities gebruikt en het werd zoals eerder gezegd voor het eerst geïntroduceerd door Hamilton (1989). Hamilton (1989) baseerde zich voor het beschrijven van de economische toestand slechts op één variabele, namelijk de groeivoet van het Reëel Bruto Binnenlands Product (RBBP). Data voor het RBBP zijn echter slechts op kwartaalbasis beschikbaar. Na het in rekening nemen van de vertraging in data verzameling en revisie, melden Chauvet & Hamilton (2005) een inherente vertraging van vijf maanden in de rapportering. Teneinde een betere real-time analyse toe te laten, is het dus aangewezen om een Markov Switching model te ontwikkelen met maandelijkse data. Chauvet & Piger (2003) gebruiken de maandelijkse tewerkstelling voor het dateren van pieken en dalen in de Amerikaanse business cyclus. Ze baseren zich hierbij op volgende regel:
Men veronderstelt dat een business cyclus piek plaatsvindt in maand t+1 als de economie in expansie was in maand t en P(St+1=1) ≥ 0,5.
Men veronderstelt dat een business cyclus dal plaatsvindt in maand t+1 als de economie in recessie was in maand t en P(St+1=1) < 0,5.
Chauvet & Piger (2003) vinden een nauwe overeenstemming tussen het Markov Switching model, dat toegepast werd op maandelijkse tewerkstelling en de NBER datering. Al is de overeenstemming wel iets minder goed dan bij een Markov Switching model gebaseerd op RBBP. De auteurs geven twee redenen voor deze mindere overeenstemming. Ten eerste zit er meer ruis op de maandelijkse tewerkstelling tijdreeks dan op de kwartaal RBBP reeks. Ten tweede blijkt tewerkstelling een ietwat laggende indicator te zijn voor de business cyclus. (Chauvet & Piger,2003)
10
Chauvet & Hamilton(2005) beschrijven in NBER working paper no. 11422 een multivariate Markov Chain. De variabelen van het model zijn de groeivoeten van de vier maandelijkse indicatoren, die het NBER Business Cycling Committee voor het meten van de economische activiteit aanwendt (cfr. Supra): (1) de groeivoet in manufacturing- en handelsverkopen, (2) de groei in het persoonlijk inkomen min de transferbetalingen, (3) de burgerlijke werkende bevolking, tewerkgesteld in niet-landbouw industrieën en (4) industriële productie. Als yt de (4 x1) vector voorstelt van deze variabelen, en H de variantie-covariantie matrix van deze groeivoeten vertegenwoordigt, dan kan de normale kansverdeling N(μ(2), H) als volgt worden geschreven (Chauvet & Hamilton, 2005):
Met μ(2) gelijk aan de verwachtingswaarde van yt in geval van recessie Nu kan men de vereenvoudigende assumptie, die de waarde van de vector yt enkel van de huidige economische toestand laat afhangen, versoepelen door de vorige economische toestand en de historische waarden van yt in de verdeling betrekken. Dit gaat als volgt (Chauvet & Hamilton, 2005):
Waar Yt-1 het verleden van de vectorwaarden omvat:
Onder de assumptie dat business cyclustransities de uitkomst is van een Markov Chain, die onafhankelijk is van voorafgaande realisaties, kan de transitiekans als volgt worden genoteerd:
11
De resultaten van het onderzoek van Chauvet & Hamilton(2005) tonen dat de current filter probabilities gewoonlijk het begin van een recessie enkele maanden later plaatsen dan de NBER, terwijl de bepaling van het einde van de recessie in grote mate samenvalt met de NBER datering. De smoothed probabilities, duiden de start van de recessie wel enkele maanden vroeger aan en vormen dus een betere match met de NBER recessie data. (Chauvet & Hamilton, 2005). Ten einde een accuraat statistisch keerpuntsignaalmechanisme te creëren, combineren Chauvet & Hamilton (2005) de filter probabilities met de one-month ahead smoothed probabilities in hun dateringsalgoritme. Formeel ziet dit er als volgt uit :
Waarbij Dt(m) = beslissingsvariable over de economische toestand op tijdstip t pt(m) = filter probability index= 100*(filter probability op tijdstip t) qt(m)= smoothed probability index= 100*( smoothed probability op tijdstip t) (Bron: Chauvet & Hamilton, 2005) Wanneer een recessie op tijdstip t-1 vastgesteld werd, zal een expansie op tijdstip t afgekondigd worden indien de filter probability index voor een recessie op tijdstip t kleiner is dan 35 en de 1 maand smoothed probability index kleiner is dan 35. Indien dit niet zo is, wordt een recessie afgekondigd. Op analoge wijze zal er indien een expansie op tijdstip t-1 vastgesteld werd, een recessie afgekondigd worden op tijdstip t indien zowel de filter probability index en smoothed probability index voor een recessie hoger is dan 65. Indien dit niet zo is, wordt een expansie afgekondigd. De toevoeging van de één maand smoothed probability leidt tot preciezere keerpuntsignalen maar boet in aan tijdigheid, aangezien de één maand smoothed probability nog één maand langer op zich laat wachten. Volgens Chauvet & Hamilton (2005) wordt het verlies aan tijdigheid meer dan gecompenseerd door de 12
winst in precisie. Men dient echter wel op te merken dat Chauvet & Hamilton (2005) als doel hebben de NBER methode tegelijk te repliceren en te verslaan door ze voor te blijven. Deze masterproef legt vooral de nadruk op tijdigheid en besluit daarom niet te wachten op de smoothed probabilities zoals later zal blijken.
Naast de hierboven besproken trend van statistische analyse, zijn ook enkele kwalitatieve technieken ingeburgerd voor de real-time identificatie van business cycli.
Het OESO Composite Leading Indicator (CLI) systeem werd geïntroduceerd in de jaren ’70 en groeide uit tot een belangrijke bron van informatie voor zowel economisten, bedrijven als beleidsmakers bij de real-time analyse van de huidige economische toestand en van deze op de korte termijn. De CLI wordt maandelijks gepubliceerd in de OECD Statistical Database. Gegevens voor maand t zijn doorgaans beschikbaar in de 2e week van maand t+2 (OECD, 2012). Deze wachttijd van vijf weken is ingegeven door het niet beschikbaar zijn van de input data voor deze datum. Desalniettemin betekent het gebruik van de maandelijkse CLI een verbetering ten opzichte van kwartaalgegevens, die doorgaans één tot twee kwartalen op zich laten wachten. De Composite Leading indicator is zo opgesteld dat deze gemiddeld zes tot negen maanden op voorhand informatie geeft over de economische situatie. Bovendien probeert men de variantie van deze lead time tot een minimum te beperken. De selectie van de componenten gebeurt volgens overeengekomen criteria (OECD, 2012) Eerst en vooral wordt geopteerd voor economische relevante gegevens. Economische significantie is in deze context immers een vereiste. Dit betekent dat de observatie van een leidende relatie tussen de kandidaat component reeks en de referentie datareeks (doorgaans industriële productie of maandelijks geschat BBP per capita) moet ondersteund worden door een economische justificatie. Bovendien verkiest men gegevens die een groot deel van de economische activiteit beslaan.
13
Naast economische relevantie worden ook nog volgende praktische overwegingen in acht genomen (OECD, 2012):
Frequentie : Maandelijkse data worden geprefereerd boven kwartaal data.
Herziening: Robuuste reeksen, die slechts weinig onderhevig zijn aan herziening, worden verkozen
Tijdigheid: Hoe vroeger de data beschikbaar zijn, hoe beter.
Lengte: lange tijdsreeksen, zonder onderbrekingen, krijgen de voorkeur.
Nawrocki (1997) gebruikt Hunt’s methode (1976) voor het identificeren van de fases. Het is een adaptieve methode die zich baseert op harde macro-economische variabelen, die na originele publicatie gewoonlijk niet herzien hoeven te worden: inflatie, industriële productie, non- farm payrolls… De beslissingsregels zijn weergegeven in figuur 3. De “ease off” en “plunge” fasen stemmen overeen met de vroege en late recessiefase terwijl de laatste drie fasen de expansiefases zijn. Hunt’s methode heeft ook een econometrisch luik dat de fases identificeert op basis van de verschillen in correlaties tussen de variabelen. (Nawrocki ,1997)
Figuur 3. Hunt’ s fases van de General Economic Cycle (Bron: Hunt (1976)) 14
Vaga (1990 en 1994) stelt zich als doel de fluctuaties in de aandelenmarkt te onderzoeken. Hij onderscheidt vier verschillende fases in de aandelenmarkt op basis van rendement, risico, scheefheid en kurtosis van de aandelenrendementen. Tabel 1 biedt een samenvatting van deze fases.
Tabel 1.Vaga’s aandelenmarktfases ( Bron: Vaga (1990)) De tabel toont dat investeerders het best af zijn tijdens de coherente en de random walk marktgedrag fasen. Transities worden gekenmerkt door grote onzekerheid, terwijl de chaotische markt de ongelukkige combinatie van lage return en hoog risico biedt. Onderzoek van Nawrocki (1997) wijst op sterk overeenstemming van Hunt’s fases met Vaga’s markt gedragsstadiums. Bijgevolg kan Vaga’s aandelenmarktmodel ook aangewend worden voor het onderzoeken van business cycli. ( Nawrocki (1997)) Pring (2006) heeft het over twee manieren waarop de business cyclus fasen kunnen geclassificeerd worden: environmental en actueel. De term environmental slaat op de monetaire en economische context. Pring stelde voor elk van de drie activa klassen ( obligaties, aandelen en commodities) een barometer op, die bestaat uit een set van economische en monetaire variabelen een overgang naar een bepaalde fase kunnen signaleren. Meer informatie over deze barometers vindt de lezer in hoofdstuk 7 van Pring (2006). Verder biedt Pring (2006) de investeerder een gebruiksvriendelijke checklist ( zie tabel 2) aan die toelaat op basis van twee tot vijf publiek verkrijgbare variabelen een idee te krijgen van de economische omgeving en zo de fase te identificeren. Deze checklist maakt een dagdagelijks gebruik van het barometerprincipe mogelijk.
15
Stage I
Stage II
Stage III
Commodity/Bond Ratio MA
First Discount Rate Cut (VE)
Coincident Indicators (MA)
Yield Curve crosses below 1.0(VI)
Lagging index
Commodity/Bond Ratio MA
Lead/Lag (VE)
Lead/Lag MA(VE)
Deflated M2 (II)
Leading Indicators (E) Vendor Performance (I)
Yield Curve (IV)
Commodity/Bond Ratio Stage IV
Stage V
Stage VI
Discount Rate Crosses MA (VL)
Leading Indicators (VE)
Coincident Ind (MA)
Lagging Ind (MA)
Stock/ Commodity Ratio
Stock/ Commodity Ratio (I)
Third DR Hike Yield Curve Inverts
Deflated M2 (V)
Coincident Indicators (VL) Vendor Performance (VI) Commodity/Bond Ratio(VI) Tabel 2. Checklist voor business cycle turning points ( Bron: Pring (2006)) In deze checklist worden de turning points van de desbetreffende variabelen aan de fases gelinkt. MA wijst op een moving average crossover die ofwel positief (opwaartse pijl) ofwel negatief (neerwaartse pijl) kan zijn. Indien een bepaalde gebeurtenis zich over meerdere fasen spreidt , wordt de alternatieve fase als Romeins cijfer tussen haakjes vermeld. Voorts wordt een onderscheid gemaakt tussen het moment van optreden van de gebeurtenis in de fase zelf: Very early (VE) , Early (E), Late (L) en Very Late (VL). Ten slotte verwijzen de leading, coincident en lagging indicators naar de drie gelijknamige indices, zoals maandelijks gerapporteerd door The Conference Board. Voor de samenstelling en bespreking van de indices verwijzen we de lezer door naar het “Business Cycle Indicators Handbook (2001)” van The Conference Board. Pring (2006) geeft te kennen dat de eerste van zijn zes stages zich voordoet in de late recessie. De tweede fase en de eerste helft van de derde fase vinden plaats tijdens de recovery. De tweede helft van Pring’s derde stage, stage 4 en de eerste helft van stage 5 duiden de expansie aan, terwijl de tweede helft van stage 5 en stage 6 deel uitmaken van de downturn en de vroege recessie. Men kan de business cyclus fases ook identificeren via het observeren van het actuele marktgedrag. Dit kan bijvoorbeeld gedaan worden door de drie markten (obligaties, aandelen en commodities te vergelijken met hun 12 maand voortschrijdend gemiddelde. De analyse van de relaties tussen de drie markten onderling is 16
ook een goed hulpmiddel bij het anticiperen van turning points. Zo zal de piek in de obligatiemarkt wijzen op een sterk groeiende aandelenmarkt (Pring ,2006). In deze context kan opnieuw verwezen worden naar de fase indeling van Pring in bijlage 1, die zijn identificatie baseert op de verschillen in performance tussen obligaties, aandelen en commodities.
17
1.2 SECTORROTATIE DOORHEEN DE BUSINESS CYCLUS Deze paragraaf zet de belangrijkste vaststellingen met betrekking tot sectorrotatie onderzoek op een rijtje. Deze sectie legt vooral nadruk op de sectorrotatie techniek zelf, eerder dan de relatieve sector rendementspatronen. De academische bevindingen met betrekking tot relatieve sector prestaties komen later, in de sector prestatie analyse sectie van deze scriptie, uitgebreider aan bod. Volgens Sassetti en Tani (2006) is systematische sectorrotatie gebaseerd op het feit dat de verschillende sectoren in de economie op een verschillende manier evolueren doorheen de tijd. Ze halen voor deze verschillen twee oorzaken aan. Eerst en vooral zijn er de geldende fundamentele economische principes die ervoor zorgen dat sommige sectoren relatief beter presteren ten tijde van sterke economisch groei, terwijl andere sectoren beter stand houden tijdens recessies. De tweede reden is ingegeven door de psychologie en omvat de mate waarin de vermoedens en verwachtingen van beleggers over de toekomstige performance van bepaalde sectoren. Door middel van een sectorrotatie techniek passen de investeerders de relatieve vertegenwoordiging van de verschillende sectoren in hun portfolio frequent aan en trachten ze de overtollige returns van bepaalde sectoren te capteren. (Sassetti en Tani,2006) Alvorens te distingeren tussen de verschillende sectoren, is het aangewezen om de performance van de aandelencategorie, op zich te beschouwen. DeStefano (2004) onderzoekt de variantie van de gemiddelde aandelenrendementen doorheen de vier fasen van de business cyclus: vroege expansie (stage I) , late expansie (stage II), vroege recessie (stage III) en late recessie(stage IV). Tabel 5 toont de nominale en reële returns van de S&P 500 voor de verschillende fases. Tussen haakjes staan de t-statistieken. Zowel het gemiddeld nominaal als reëel aandelenrendement neemt af doorheen de expansie om vervolgens negatief te worden in de eerste helft van de recessie. In de tweede helft van de recessie vertonen aandelen hun hoogste gemiddeld rendement. Deze piek in stage IV is ingegeven door de hoge verwachte opbrengsten, die de aandelenprijzen gunstig beïnvloeden. Alle nominale en reële returns blijken significant te zijn, behalve deze in Stage II. DeStefano besluit dat de hoge opbrengstverwachtingen in het begin van de fase en de stijgende interestvoeten elkaar compenseren in deze fase.(DeStefano, 2004)
18
Tabel 3. Gemiddelde aandelenrendementen van S&P 500 (Bron: DeStefano,2004) Yao en Alles (2006) gebruiken een multivariaat Bayesiaans dynamisch raamwerk voor het onderzoeken van de voorspelbaarheid van de Australische industriële stock returns. In tegenstelling tot voorafgaande studies, die de relatie tussen de economie en de financiële markten als constant veronderstellen, incorporeert deze methode de meest recente economische informatie in de modelcoëfficiënten. Deze coëfficiënten worden immers in elke maand van de steekproefperiode aangepast. De meest significante economische variabelen voor het verklaren van de surplus rendementen zijn in deze studie de afgeleide termijnstructuur (= 10 year government bond yield minus 90-day bank accepted bill rate) het geaggregeerde dividendrendement en de wisselkoers. Dit model wordt out-of sample getest door het uitvoeren van een industriegroep rotatie strategie. Door middel van het Bayesiaans dynamisch raamwerk worden voorspellingen opgesteld voor de relatieve industrie performance, waarna de best performing industry portfolios (BPP) worden opgesteld . Aangezien elk van deze ontwikkelde industrie portfolios significante Jensen’s alfa’s genereert, tonen Yao en Alles aan dat de industrierotatie de portfolioreturns verbetert. Bovendien hebben alle voorspelde BPP een hogere Sharpe ratio en Treynor measure dan de gelijk gewogen industrie index en de markt index. ( Yao en (Bouman & Jacobsen , 2002) Alles, 2006) Dzikevicius en Vetrov (2012) analyseren de prestaties van zes verschillende activasoorten doorheen de business cyclus: Amerikaanse aandelen, EAFE (Europe, Australasia and Far East) aandelen, obligaties, goud, vastgoed en commodities. De fases van de business cyclus werden op universeel vlak geïdentificeerd door middel van de OECD Composite leading Indicator (CLI) volgens het principe dat is weergegeven in tabel 4.
19
Business Cyclus fase OECD Composite Leading Indicator Expansie
stijgend en groter dan 100
Daling
dalend en groter dan 100
Vertraging
dalend en kleiner dan 100
Recovery
stijgend en kleiner dan 100
Tabel 4. Business cycli in Dzikevicius en Vetrov (2012)
Zoals verwacht, zijn de risico gewogen aandelenrendementen (= Return/standard deviation) het hoogst voor de recovery en de expansie fase. Rendement op vastgoedaandelen geven de hoogste risico gewogen return in de recoveryfase. Commodities vormen de best presterende categorie in de expansiefase, terwijl obligaties het beste risico gewogen rendement geven tijdens de dalings-en de vertragingsfase.
Jacobsen en Visaltanachoti (2009) bouwen verder op Bouman en Jacobsen (2002) en tonen aan dat aandelenrendementen nog steeds significant hoger zijn tijdens de winterperiode ( November-April) dan tijdens de rest van het jaar (Mei-Oktober). Dit fenomeen, beter bekend als het Halloween Effect, kwam duidelijk naar voor in elk van de 19 ontwikkelde markten, die getest werden over de periode van mei 1998 tot april 2007. Jacobsen en Visaltanachoti (2009) merken in hun onderzoek ook op dat de grootte en significantie van het Halloween Effect varieert over de 17 CRSP sectors. Consument-gerelateerde sectoren overtreffen de markt tijdens de zomer terwijl productie sectoren beter doen dan de markt tijdens de winter. Een sectorrotatie strategie van een gelijk gewogen portfolio van vijf consument-gerelateerde sectoren in de zomer en een gelijk gewogen portfolio van vijf productiesectoren in de winter, verslaat de CRSP marktwaarde gewogen index met een gemiddeld maandelijks rendementsoverschot van 0.27 procent. (Jacobsen en Visaltanachtoti, 2009)
20
Stovall(1996) classificeert de 49 Fama and French Industrieën in tien sectoren en wijst elk van deze toe aan de business cyclus fase waarin ze het best presteren. Een overzicht wordt weergeven in tabel 3.
Tabel 5. Sector performance doorheen business cyclus (Bron: Jacobsen, Stangl, Visaltanachoti, 2009)
Ook Emsbo-Mattingly et al. (2013) erkennen de invloed van de business cyclus fluctuaties op de sector aandelenrendementen:
The business cycle, which encompasses the cyclical fluctuations in an economy over many months or a few years, therefore can be a critical determinant of equity market returns and the performance of equity sectors. (Mattingly et al., 2013)
Het Fidelity research rapport van Emsbo-Mattingly et al. (2013) merkt ook op dat aangezien de business cyclus op de intermediaire termijn focust, een sectorrotatie op basis van de business cyclus praktisch beter realiseerbaar is dan kortere termijn tactische sector allocaties. Bovendien is de kans kleiner dat een plotse ommekeer van een korte termijn indicator het rendement van de strategie aantast.
21
Jacobsen, Stangl en Visaltanachoti (2009) voeren een sectorrotatie strategie uit, gebaseerd op conventionele marktwijsheid en perfecte kennis van de business cyclus stages. Ze realiseren een risico gecorrigeerde outperformance rate voor transactiekosten van 2.3 percent per jaar, over de periode januari 1948- december 2012. Wanneer transactiekosten in beschouwing genomen worden, blijkt het overtollig rendement snel te verwateren. Indien de assumptie van perfecte business cyclus identificatie verlaten wordt, daalt het rendement nog verder. De business cyclus met één en twee maanden anticiperen, dringt de return respectievelijk terug tot 1.9 en 1.0 percent. Als de sectorrotatie met een en twee maanden vertraagd wordt, daalt het rendementsoverschot respectievelijk naar 2.2 en 1.8 percent. Resultaten zijn gelijkaardig, onafhankelijk van de prestatiemaatstaven die gebruikt worden. Het Single Index model, het Fama en French Three-Factor model en het Carhart Four Factor model leiden allen tot dezelfde conclusie. Ook de keuze van de sectorrendementsdata verandert de resultaten niet (S&P Sector indices, Fama and French sectors, Fidelity sector select funds)(Jacobsen, Stangl en Visaltanachoti,2009).
Tabel 6. Alternatieve Sectorrotatie ( Bron: Jacobsen, Stangl, Visaltanachoti, 2009) Naast de sectorrotatie op basis van de conventionele sector keuze, voeren Jacobsen, Stangl en Visaltanachoti (2009) ook een alternatieve sectorrotatie uit. Hierbij worden sectoren gekozen die een gezamenlijke significante, Jensen’s Alfa, Fama & French alfa en Carhart alfa hebben tijdens een bepaalde business cyclus fase. De bekomen strategie wordt weergegeven in tabel 9. Aangezien tijdens stage 1 geen industrieën aan de boven gestelde voorwaarden voldoen, wordt de markt index aangehouden in deze fase. In de andere stages wordt een gelijk aandeel van de geselecteerde sectoren aangehouden. Zo wordt bijvoorbeeld in stage 4 een kwart van het portfolio aan Shipping Containers aandelen aangekocht. Jacobsen, Stangl en Visaltanachoti,2009). Over het algemeen, overleeft deze alternatieve strategie de robuustheid tests, zij het soms nipt. Het invoeren van subsamples, leads en lags, ontkracht de strategie weinig tot niet.
22
Of de superieure prestatie het gevolg is van data mining, dan wel van een verandering in de onderliggende fundamentals zal de toekomst uitwijzen. Het is één van de doelen van deze masterproef om hierover uitsluitsel te bieden Jacobsen, Stangl en Visaltanachoti (2009) sluiten de mogelijkheid niet uit dat er investeerders zijn die winst halen uit een sectorrotatie. Ze stellen echter wel dat de verklaring voor de winsten van deze investeerders weinig te maken heeft met wat de conventionele wijsheid aangeeft als de hoofdreden, namelijk de systematische variatie in sector returns doorheen de business cyclus (Jacobsen, Stangl en Visaltanachoti,2009). Een andere belangrijke bevinding van Jacobsen, Stangl en Visaltanachoti(2009), is dat voor de conventionele volgorde van sector outperformance, zoals gesteld door Stovall (1996) geen overtuigend statistisch bewijs was. Jacobsen et. al (2009) vonden enkele 1-maand lead-lag relaties tussen sectoren maar bij lags langer dan 1 maand, bleken significante resultaten echter willekeurig voor te komen. (Jacobsen, Stangl en Visaltanachoti,2009). Het empirisch onderzoek van Conover, Jensen, Johnson en Mercer (2008) toont ondubbelzinnig aan dat het monetair beleid van de FED een goede gids is tijdens het voeren van sectorrotatie strategie op de Amerikaanse aandelenmarkten. De steekproef van maandelijkse data voor dit onderzoek beslaat de 33 jaar lange tijdsperiode vanaf januari 1973 tot december 2005. De FED discount rate dient als maatstaf voor het identificeren van expansief en restrictief beleid. Het principe van deze sectorrotatie strategie bestaat uit het aanhouden van een gelijk gewogen portfolio van zes cyclische sectoren tijdens monetaire expansie en het overschakelen op een gelijk gewogen portfolio van vier non-cyclische sectoren tijdens periodes van restrictief monetair beleid. Deze werkwijze doet per jaar gemiddeld 3.4 % beter dan de DataStream waarde gewogen Markt index en heeft bovendien een lagere standaardafwijking. Vooral tijdens de restrictieve perioden blijkt de effectiviteit van deze rotatie. Dan doet de strategie gemiddeld 5.32 percent beter dan de benchmark.( Conover et al. ,2008) De studie van David Nawrocki (1997) gaat expliciet na of business cyclus informatie waardevol is voor een industrierotatie. Hiervoor verdeelt hij zijn tijdsreeks in twee delen. Op basis van de 1970-1986 periode gegevens wordt de relatieve performance van de sectoren in de verschillende business cyclus fases nagegaan en vervolgens een sectorrotatie strategie opgezet. Deze wordt dan getest over het tijdsinterval van 1988 tot 1995.Tijdens de constructiefase worden de S&P industry indices voor elke fase geordend volgens het rendement-tot-lager gedeeltelijk moment ratio (R/LPM).Deze ranglijsten zijn de input voor de
23
industrierotatiestrategie in de test fase. Deze strategie bestaat erin de 20 aandelen met de grootste R/LPM ratio te selecteren uit de best presterende industrieën. (Nawrocki, 1997) Nawrocki (1997) toetst zijn industrierotatiestrategie aan twee andere strategieën. De eerste is een buy-andhold van de S&P 500. De tweede is een portfolio bestaande uit de 20 aandelen met de beste R/LPM ratio uit de gehele database van 1510 aandelen. Voor deze portfolio is er geen industrie selectie. In elk van de fasen ( behalve fase 3- Early revival) vertoont de industrie de hoogste Return to semi-variability ratio. Met andere woorden, de industriereturn geeft de beste combinatie van hoge return en laag risico ten opzichte van de twee andere strategieën (Nawrocki,1997) Sassetti & Tani (2006) simuleren sectorrotaties op drie afzonderlijke indicatoren van relatieve sterkte met 3 verschillende rotatieperiodes: de rate of change, de Capital Asset Pricing Model alfa en de Moving Average Convergence Divergence (MACD) indicator op 30, 60 en 90 dagen. De hoogste return wordt verkregen door middel van de MACD op 90 dagen en bedraagt 238 procent. In een tweede fase voeren Sassetti & Tani dezelfde simulaties met de extra mogelijkheid tot investeren in de geldmarkt (Obligaties en cash equivalenten). Deze leiden tot de conclusie dat men tijdens strenge recessies beter opteert voor obligaties en cash equivalenten, terwijl een sectorrotatie superieure returns geeft tijdens expansie. Richard Weiss heeft het over het toenemend belang van de sectorrotatie strategie in Global Sector Rotation: New look at an old idea (1998). Door de golf van globalisering en de integratie van kapitaal- en financiële markten verliest geografische diversiteit aan effectiviteit. Steeds meer zal de belegger moeten overschakelen op sectorrotatie indien hij met diversificatie een hogere return voor zijn portfolio wenst te bereiken. Bijlage 2 geeft een voorbeeldstrategie weer die Pring (2006) uitschrijft. Tijdens stage 1 wordt een groot aandeel in obligaties en cash instrumenten aanbevolen. De aandelenbeleggingen dienen in deze fase te focussen op leidende sectoren zoals nutsvoorzieningen en financials. Aangezien voor aandelen stage 2 het meest winstgevend is van allemaal, krijgen deze instrumenten de hoofdfocus. Pring (2006) raadt voor deze stage een gespreide belegging over alle sectoren aan. Relatief gezien op sector schaal, doen discretionaire consumentengoederen en consumer staples het hier uitstekend. Tijdens Stage 3 behoudt Pring een representatie in alle sectoren, maar verlegt het zwaartepunt van de leidende naar de late sectoren. Deze late sectoren zijn energie, materialen en industrials. Tijdens Stage 4 vallen de sterke prestaties op van de earnings-driven sectoren zoals technologie en gezondheidszorg, terwijl de late sectoren stage 5 kleuren. Tijdens stage 6 doen zowel de aandelen-, commodities en obligatiemarkten het slecht en verkiezen
24
investeerders cash aan te houden. Eventueel kan munt geslagen worden uit de uitdeining van de heel late sectoren en het prille begin van de leidende sectoren. Doorheen zijn werk benadrukt Pring het belang van een geleidelijke, vloeiende rotatie in het portfolio. Doordat de markten al een substantiële beweging gemaakt hebben alvorens signalen ondubbelzinnig duidelijk worden, is het aangewezen voor de investeerder om te anticiperen. Door incrementeel de allocatie te verhogen of te verlagen, kan men ook uit deze oorspronkelijke bewegingen profijt halen ( Pring,2006). Luk (2012) voerde een sectorrotatie strategie uit voor de Asia ex-Japan markten uit. In deze door Standard & Poors gepubliceerde paper worden de maandelijkse CLI’s van China, India, Indonesië en Zuid Korea gebruikt om een marktkapitalisatie gewogen CLI te berekenen, die dienst doet als leidende indicator voor de regio. In hun economische datering maken ze hier een rudimentair onderscheid tussen 2 regimes expansies en groei. In tijden van expansie wordt het portfolio van alle cyclische sectoren aangehouden terwijl in de recessies in alle defensieve sectoren tegelijk belegd wordt. Over de periode december 1994augustus 2012 geeft deze strategie een jaarlijks nominaal rendement van 11.6 procent met een lagere volatiliteit dan de markt. Na het inrekening nemen van een 0,5% one-way transactiekost daalt dit rendement tot 10,2%. Anderson en D’Agostino (ECB Working Paper No. 876, 2008) onderzoeken de causaliteit in de tegengestelde richting door sector aandelenprijzen aan te wenden voor het voorspellen van de reële economische groei. In hun evaluatie van de voorspellingskracht van sector aandelenprijzen, formuleren de auteurs twee conclusies. Vooreerst verbeteren sector aandelenmarktprijzen de voorspellingskracht ten opzichte van een simpel autoregressief model. De meest opvallende verbeteringen werden hierbij genoteerd voor een voorspellingshorizon die langer is dan één jaar. Ten tweede blijkt de introductie van de Euro eenheidsmunt een positief effect gehad te hebben op de voorspellingskracht van financiële activa uit de eurozone. In het bijzonder is er een opvallende verbetering voor de aandelenmarkten sectoren van de eurozone, waar de mean square forecast error half zo groot is als in de pre-euro sample. De verklaring in ECB working paper No. 876 voor deze verbetering is drieledig. Ten eerste elimineerde de introductie van de gemeenschappelijke munt het wisselkoersrisico. Verder stimuleerde de monetaire eenmaking de integratie van de aandelenmarkt in de Eurozone. Aandelenrendementen worden nu in toenemende mate bepaald door gemeenschappelijke nieuwsfactoren en minder door land-specifieke factoren. Ten slotte is er sinds de introductie van de euro een sterkere focus op het vastankeren van de lange termijn inflatieverwachtingen. De drie bovenvermelde factoren leiden er samen toe dat houders van financiële activa uit de Eurozone lagere risicopremies eisen. Bijgevolg weerspiegelen de prijzen van financiële activa uit de Eurozone beter
25
informatie over de toekomstige macro-economische fundamentals in de post-euro sample (1999-2006) ( Anderson & D’Agostino,2008). De bovengenoemde ECB working paper trekt dus indirect de effectiviteit van een sectorrotatie strategie op basis van een business cyclus datering in twijfel. Aangezien de sector aandelenprijzen in de eurozone, volgens deze bron, een significante bijdrage leveren tot het voorspellen van de reële economische groei in de eurozone, vooral over een voorspellingshorizon van twee jaar (acht kwartalen), wordt een leidend karakter van de sector prijzen aangetoond. Met andere woorden, informatie omtrent de economische toestand is al geïncorporeerd in sector aandelenprijzen alvorens andere leidende economische indicatoren, zoals de zes maand leidende OECD Composite Leading Indicator (cfr. supra), een signaal geven. Bijgevolg is de verwachte return van een sectorrotatie op basis van macro-economische indicatoren laag. Deze Masterproef zal onderzoeken of het rendement van een dergelijke sectorrotatie effectief zo laag is in de aandelenmarkt van de Eurozone over de periode 2002-2012. Een compleet gelijkaardige studie zal ook uitgevoerd worden voor de Amerikaanse en Japanse aandelenmarkt.
26
1.3 DOELSTELLINGEN VAN DIT ONDERZOEK Na het voeren van de literatuurstudie kan een onderzoeksdoelstelling geformuleerd worden, die een interessante toevoeging kan zijn op het reeds gevoerde onderzoek. De onderzoeksdoelstelling van deze masterproef bestaat uit drie delen:
1) Een real-time business cyclusdatering ontwikkelen die toepasbaar is op een resem aan economische regio’s: Gegeven de recente succesvolle academische toepassingen van Markov Switching modellen op het vlak van business cyclus datering door onder meer Chauvet & Piger (2003) en Chauvet & Hamilton (2005), wordt in deze masterproef geopteerd om met deze methode een datering op te stellen. Er wordt hierbij een goede trade-off beoogd tussen de tijdigheid en precisie van de dateringsmethode. De dateringsopzet moet toelaten een snelle, maar tegelijk ook betrouwbare dateringsuitspraak te doen. De methode zal voor 3 globaal gespreide ontwikkelde economische markten uitgevoerd worden (VS, Eurozone en Japan) op basis van OECD data. Dit brengt het onderzoek in een meer globale context dan de reeds verschenen literatuur, die vooral focuste op de Amerikaanse business cyclus datering.
2) Sector performance vergelijken doorheen de business cyclus: Op basis van een regressieanalyse zal getracht worden binnen een constructiesteekproef de best presterende en slechtst presterende sectoren in elke fase te identificeren voor elk van de drie beschouwde regio’s afzonderlijk. Er zal afgetoetst worden of dit empirisch onderzoek een gelijkaardige sector prestatie chronologie opwerpt, als de eerder verschenen academische literatuur. In navolging van Kouzmenko & Nagy (2008) wordt verondersteld dat VS en de Eurozone dezelfde cyclische en defensieve sectoren hebben, die de dans leidden in de fases. Bij Japan worden enkele verschillen met betrekking tot de cyclische sectoren verwacht. Deze masterproef probeert echter, naar het voorbeeld van Stovall (1996) en Emsbo- Mattingly et al. (2013) een meer gedetailleerde sectordifferentiatie te maken dan het rudimentaire cyclische-defensieve onderscheid.
27
3) Sectorrotatie strategie evalueren: Met behulp van de eerder ontwikkelde beleggingsklok zal voor een testperiode een sectorrotatiesimulatie opgezet worden voor elk van de drie afzonderlijke regio’s. Deze sectorsimulatie houdt rekening met transactiekosten en met lags in de beschikbaarheid van de economische indicatoren. In tegenstelling tot onder meer Nawrocki(1997), Pring (2006), Sassetti & Tani (2006), Jacobsen, Stangl en Visaltanachoti (2009) en Luk (2012) zal de sectorrotatie niet enkel long gaan in sectoren, maar ook short posities toevoegen aan de strategie. Nyaradi (2010) beweert immers dat shorting de beste investeringsopportuniteiten aanreikt tijdens recessies. Door het toevoegen van het short aspect wordt in deze masterproef getracht een cash neutrale rotatie te voeren en tegelijk een beter rendement te verwezenlijken. De rendabiliteit van de sectorrotatie zal in elk van de geografische regio’s geëvalueerd worden. Hierbij zal de uitspraak van Weiss (1998) over het toenemend belang van de sectordiversificatie, als gevolg van de afnemende effectiviteit van geografische diversificatie getest worden. Tot slot wordt een combinatie van geografische diversificatie en sectorrotatie gesimuleerd. Bovendien is een real-time Markov Switching Regime dateringsmechanisme nog niet met een sectorrotatie gecombineerd in één en hetzelfde werk. Deze masterproef probeert een beter idee te geven over de aantrekkelijkheid en praktische uitvoerbaarheid van deze combinatie voor investeerders.
28
2. BUSINESS CYCLUS DATERING In dit deel van de scriptie wordt op zoek gegaan naar een goede real-time dateringsmethode voor de business cyclus die voor elk van de beschouwde geografische regio’s een aanvaardbare nauwkeurigheid biedt en onderlinge vergelijkbaarheid toelaat. De toenemende populariteit van Markov Switching Regime modellen geeft in deze masterproef aanzet tot het verder experimenteren met deze modellen. Dit masterproefonderzoek werkt hierbij twee verschillende soorten Markov modellen uit. Eerst worden voor de VS de prestaties voor een Multivariaat Markov model op basis van vier OESO proxies geanalyseerd. Verder wordt ook een alternatieve business klok opgezet die een univariaat Markov Switching Regime model op basis van de Composite Leading indicator combineert met de CLI vuistregel. Omwille van de gebrekkige overeenstemming tussen de OESO proxies en de NBER beslissingsvariabelen wordt verwacht dat de CLI de meest nauwkeurige datering zal realiseren. Deze sectie start met een bespreking van de aangewende data voor het dateringsonderzoek. Daarna worden de principes van beide dateringsmethodes uitgebreid behandeld in een afzonderlijke paragraaf. In een derde onderdeel worden de resultaten van de dateringsalternatieven gerapporteerd en vergeleken om vervolgens af te sluiten met een conclusie.
2.1 DATA 2.1.1 INLEIDING In deze masterproef worden data uit de OECD (OESO) database (OECD Stat website, 2013) gebruikt voor de business cyclus datering. Eerst wordt getracht om de NBER methode voor de VS te repliceren aan de hand van vier Coincident Monthly Economic Indicators. Deze vier indicatoren werden gekozen op basis van hun gelijkenis met de vier uitgangsindicatoren die gebruikt worden door het National Bureau of Economic Research (NBER). In een tweede stap wordt ook de OECD Composite Leading Indicator (CLI) gebruikt als input voor het dateren van de business cyclus. Zoals besproken in de literatuurstudie, toonden verschillende academici de effectiviteit van deze indicator reeds aan in voorafgaand onderzoek. Bovendien is deze indicator voor iedereen gratis toegankelijk op het statistisch portaal van de OESO (OECD Stat website, 2013) en is het gebruikte algoritme (cfr. Infra) relatief eenvoudig en intuïtief. Dit laat ook de particuliere belegger toe om de troeven van de CLI aan te wenden bij het beheren van zijn beleggingsportefeuille.
29
Deze data paragraaf gaat van start met een korte bespreking van de vier samenvallende indicatoren. Daarna volgen de definitie en kenmerken van de OECD Composite Leading Indicator, alsook een overzicht van zijn zeven samenstellende indicatoren voor elk van de regio’s.
2.1.2 VIER SAMENVALLENDE MAANDELIJKSE INDICATOREN In deze eerste dateringsopzet wordt doelbewust gekozen voor maandelijkse economische indicatoren. Dit geeft de mogelijkheid om een snellere real-time uitspraak te doen over de huidige economische toestand in de Verenigde Staten. Voor de vier maandelijkse variabelen die de NBER hanteert, wordt de best overeenstemmende variabele uit de OECD database gebruikt als proxy. Een overzicht van de indicatoren set is weergegeven in tabel 9. Net als in Chauvet & Hamilton (2005), wordt in deze masterproef de groeivoet van elk van de proxies berekend. Deze groeivoeten zullen later de input vormen voor het Markov Switching Regime model.
Tabel 7. Samenvallende maandelijkse indicatoren De OECD biedt op zijn statistische database gratis data aan van de bovenstaande vier variabelen. De tijdsreeksen gaan terug tot januari 1960 en de verst teruggaande editie is deze van februari 1999. Observaties worden doorgaans 5 weken na datum gepubliceerd. Hierdoor is voor de observaties die eerder in de tijd lagen dan februari 1999 de real-time voorwaarde niet voldaan. Er wordt immers uitgegaan van gereviseerde informatie die op het moment van de real-time datering. In deze masterproef wordt echter verondersteld dat voorspellingen op basis van gereviseerde informatie hoogwaardiger en accurater zijn dan voorspellingen op basis real-time informatie. Dus in deze thesis zal eerst de dateringscapaciteit van de
30
gereviseerde tijdsreeks getest worden. Indien deze onvoldoende is, zal ook de real-time informatie niet toelaten om de business cyclus accuraat te faseren. Observaties worden doorgaans 5 weken na datum gepubliceerd. Bijgevolg zal de datering van de business cyclus fase ook 5 weken na datum plaatsvinden. Voor observaties na februari 1999 worden logischerwijze de eerst gepubliceerde en niet-gereviseerde data gehanteerd. Voor meer details omtrent de definities en calculaties van deze OECD proxies wordt de lezer doorverwezen naar de OECD Statistical Database.
2.1.3 COMPOSITE LEADING INDICATOR De OESO Composite Leading Indicator (CLI) voor elk van de drie verschillende regio’s, die dit onderzoek in beschouwing neemt ( VS, Eurozone-17 & Japan) werd afgehaald van het online data portaal van de OESO1 Deze indicator is alom geïntegreerd als voorspellingsmaat voor economische fluctuaties. De CLI wordt maandelijks gepubliceerd en geeft een verwachting weer voor de economische situatie over gemiddeld 6 à 9 maanden. Gegevens voor maand t zijn doorgaans beschikbaar in de 2e week van maand t+2.(OECD, 2012) Ondanks de lag van 5 weken zijn er verschillende argumenten die het gebruik van de CLI voor real-time cyclus analyse rechtvaardigen:
Doordat de CLI toelaat, om gemiddeld zo een 6 tot 9 maanden op voorhand de economische situatie te schetsen, kan men op basis van deze index nog altijd vroeg genoeg anticiperen op faseovergangen. Bovendien presteert de CLI op dit vlak beter dan de indicatoren op kwartaalbasis, die vijf maanden op zich laten wachten (Chauvet & Hamilton,2005).
De CLI bevat robuuste componenten, die slechts zelden herzien worden. Hierdoor is de eerst gepubliceerde informatie in vele gevallen ook de definitieve. Dus, de CLI bevat als het ware een real time aspect (met 5 weken vertraging).1
De OECD statistical database stelt voor elk van de beschouwde geografische regio’s een reeks ter beschikking die minstens 40 jaar teruggaat. Bovendien zijn er geaggregeerde data voor de Eurozone-17 beschikbaar, wat voor het gros van de Maandelijkse Economische Indicatoren (MEI)
1
Er dient opgemerkt te worden dat een 60% drempel publiceerregel van component beschikbaarheid wordt toegepast(OECD,FAQ). O 2007) Nilsson en Guidetti(2007) toonde echter aan deze regel tot vrij smalle,
weinig noemenswaardige revisies leidt. 31
niet het geval is. Doordat elk van deze reeksen door de zelfde instelling en volgens een zelfde methodiek geconstrueerd werden, wordt een goede vergelijkbaarheid verkregen.
Het dateringsalgoritme voor de CLI is eenvoudig en kan zelfs door minder ervaren investeerders snel geïmplementeerd worden. (cfr. Infra)
Aangezien het OESO statistisch directoraat (OECD, 2007) aantoont dat de aangepaste amplitude reeks het meest geschikt is voor cyclische analyse, wordt deze ook gebruikt in dit onderzoek. Doordat de aangepaste amplitude reeks corrigeert voor de trend in de indicator, komen de economische fluctuaties duidelijker uit de verf. Een overzicht van de componenten van de OESO Composite Leading Indicators voor elk van de drie beschouwde geografische regio’s (VS, Europa en Japan) kan men vinden in bijlage 3. Meer informatie omtrent de selectiecriteria van de CLI componenten staat uitgeschreven in de literatuurstudie van deze masterproef. Hoewel de literatuur aantoont dat sets van samenvallende macro-economische indicatoren goede dateringen verwezenlijken, wordt dit onderzoek gevoerd op basis van de OECD CLI. Deze keuze wordt gerechtvaardigd door beschikbaarheid van een voldoende lange tijdreeks (> 40 jaar) voor elk van de drie geografische markten. Op basis van deze uitgebreide steekproef kan een grondiger en tegelijk een geografisch goed vergelijkbaar onderzoek gevoerd worden. Gebrekkige beschikbaarheid van data voor alternatieve macro-economische indicatoren maken van de OECD CLI het beste alternatief dat voorhanden is, voor het voeren van een geografisch gespreid onderzoek.
32
2.2 METHODE 2.2.1 VIER SAMENVALLENDE MAANDELIJKSE INDICATOREN De vier OECD variabelen dienen als input voor een Multivariaat Markov Regime Switching model met 2 regimes: recessie en expansie. Meer details omtrent het Markov Regime Switching model werden verleend in de literatuurstudie van deze masterproef (cfr.pag.8). Voor het implementeren van het Markov model deed deze thesis beroep op het Matlab Code pakket van Prof. Perlin (2012). Meer specifiek werd de code voor een univariaat Hamilton Markov model als uitgangspunt gebruikt. Door enkele aanpassingen aan de code, die het bewerken van datavectoren mogelijk maken, wordt dit programma dus omgevormd tot een Multivariate Markov model programma. Het programma onderscheidt de regimes, berekent de transition probabilities en geeft de filter probabilities als één van zijn outputs. Op basis van de transition en filter probabilities kunnen de ex-ante probabilities op een expansie berekend worden via de volgende formule:
Ex-ante probabilities= transition probabilities*filter probabilities (Klaassen, p.388) Deze ex-ante probabilities worden nu aangewend in onderstaand dateringsalgoritme, dat vier economische fases onderscheidt.
Tabel 8. Dateringsalgoritme Markov Switching Model
33
Er werd doelbewust gekozen voor het algoritme op basis van de ex-ante probabilities. Deze geven de kans op een expansie of recessie weer in de volgende maand. Aangezien investeerders vooral geïnteresseerd zijn in de economische situatie in de toekomst, is dit voor hen de meest relevante kans. Indien de ex-ante probability op een expansie hoger is dan 50% en steeg ten opzichte van de vorige maand, dan wordt een expansie besloten voor de betreffende maand. Een dalende ex-ante kans die hoger is dan 50%, stemt overeen met een downturn. Slowdowns worden gekenmerkt door een ex-ante probability lager dan 50%, die daalde ten opzichte van de vorige maand. Periodes met een stijgende ex-ante kans die lager is dan 50% worden bestempeld als recovery periodes.
2.2.2 COMPOSITE LEADING INDICATOR Deze masterproef voert ook een alternatieve business klok in die zich baseert op de OECD Composite Leading Indicator. Hierbij wordt de CLI vuistregel gecombineerd met de ex-ante probabilities van een univariaat Markov Switching model op basis van de CLI. Met deze combinatie wordt getracht de heuristische CLI vuistregel aan de objectieve statistische aanpak van het Markov Switching model te koppelen. Hierbij onderscheidt het Markov Switching model twee regimes op basis van de absolute waarde van de Composite Leading Indicator. De aard van de Amplitude Adjusted Composite Leading Indicator geeft aan de regimes een iets andere invulling. Guidetti & Nilsson (2007) vermelden in hun OECD working paper dat de Composite Leading Indicator eerder een kwalitatieve maatstaf is dan een kwantitatieve maatstaf. Niet zozeer het niveau van de indicator, maar wel de richting van de bewegingen in de CLI zijn het belangrijkste voor het identificeren van turning points. Een stijgende CLI geeft hierbij periodes van een expanderende economie aan, terwijl een dalende CLI recessieve periodes aanwijst. (Guidetti & Nilsson,2007) Wanneer de economische toestand zich in de nabijheid van een piek bevindt (Expansie of downturn) heeft de Amplitude Adjusted CLI volgens Dzikevicius en Vetrov(2012) een waarde hoger dan 100. Indien de waarde lager is dan 100, bevindt de economische toestand zich in de nabijheid van een dal (Slowdown of Recovery). (Dzikevicius en Vetrov,2012) Aangezien het Perlin Markov Switching MATLAB programma (2012) twee regimes identificeert die respectievelijk een gemiddelde substantieel hoger dan 100, en een gemiddelde substantieel lager dan 100 heeft, zijn de benamingen piek en dal zijn dus eigenlijk meer geschikt voor de regimes van dit model dan de benamingen recessie en expansie. Het dateringsalgoritme voor het univariaat CLI Markov Switching model is zoals in tabel 8. De CLI vuistregel is samengevat in tabel 9. Zo worden 16 verschillende combinaties bekomen die ondergebracht worden in
34
vijf stages. De reductie van 16 naar vijf stages volgt het voorbeeld van de eerdere academische literatuur die doorgaans vasthoudt aan vier tot vijf business cyclus stages (cfr. Literatuurstudie). Bovendien beperkt dit kleiner aantal fasen de invloed van transactiekosten op het rendement van rotatie-strategieën (cfr. Infra). Een overzicht van de vorming van de stages is weergegeven in tabel 10. Tijdens het samennemen van de combinaties werd getracht een gelijkaardige cyclusopbouw aan Emsbo-Mattingly et. al. (2013) op te stellen.
Dit resulteert in de onderstaande stage benamingen:
Stage 1: Recovery stage + Inleiding Expansie
Stage 2: Expansie
Stage 3: Einde expansie + Vroege Recessie
Stage 4: Recessie
Stage 5: Late Recessie
De fasering in deze scriptie heeft 1 fase meer dan Emsbo-Mattingly et al. (2013). Hiermee zal getracht worden verschillen in het sector gedrag te distingeren tussen de vroege en late recessie, naar het voorbeeld van Stovall (1996). Omwille van de robuuste aard van het Markov Switching Regime model (Hamilton, 1994) zal een regime switch iets later tot uiting komen in vergelijking met de CLI Vuistregel, die zich rechtstreeks op de absolute waarde van de CLI concentreert. Bijgevolg zal de CLI vuistregel iets meer leidend zijn, met betrekking tot business cyclus identificatie, dan het CLI Markov Switching algoritme. Deze lead-lag relatie wordt in rekening genomen tijdens de fasebenoeming. Zo wordt bijvoorbeeld verondersteld dat de combinatie van de CLI vuistregel Downturn en de Recovery van Het CLI Markov model zich in de recovery fase (= stage 1) bevindt. De precisie van deze onderverdeling wordt nauwkeurig geanalyseerd in de hiernavolgende paragraaf.
35
Tabel 9. CLI Vuistregel
Tabel 10. Overzicht van de Stages
36
2.3 RESULTATEN 2.3.1 VIER SAMENVALLENDE MAANDELIJKSE INDICATOREN Nu wordt de output van het Markov Regime Switching algoritme voor het multivariaat model afgewogen tegen de recessie datering van de National Bureau of Economic Research (NBER Website,2013). Tabel 11 toont een vergelijking van de geïdentificeerde recessieperiodes tussen januari 1960 en december 2012.
Recessie Start April 1960 December 1969 November 1973 Januari 1980 Juli 1981 Juli 1990 Maart 2001 December 2007
NBER Recessie Einde Februari 1961 November 1970 Maart 1975 Juli 1980 November 1982 Maart 1991 November 2001 Juni 2009
Multivariaat Markov Model Recessie Start Recessie Einde December 1960 December 1960 Geen Recessie Signaal Geen Recessie Signaal November 1974 Maart 1975 April 1980 Juni 1980 December 1981 Januari 1982 Geen Recessie Signaal Geen Recessie Signaal November 2001 November 2001 September 2008 Maart 2009
Tabel 11. Recessieperiode overzicht Multivariaat Markov Switching Model Bij het bekijken van bovenstaande tabel valt op dat het multivariaat Markov Switching model faalt in het geven van tijdige en voldoende sterke signalen voor de recessieperiodes. Het Markov Switching model geeft geen enkel sein voor de NBER dateringen tussen december 1969 en november 1970 en deze tussen juli 1990 en maart 1991. Voor de NBER recessies april 1960-februari 1961 en maart 2001-november 2001, geeft het Markov Switching mechanisme slechts een zwak recessiesein van één maand. Bovendien plaatst het Markov Switching algoritme de start van de andere recessieperiodes telkens substantieel later. De lag varieert van 4 maanden (januari 1980 ten opzichte van april 1980) tot 12 maanden (november 1973 ten opzichte van november 1974). Het einde van de recessie wijst het Markov Switching model dan weer stelselmatig vroeger of op hetzelfde moment aan als het NBER Business Cycling Dating Committee. De grootse lead bedraagt 10 maanden (januari 1982 ten opzichte van november 1982). Dus, het multivariaat Markov Switching model dateert aanzienlijk kortere recessies dan het NBER Business Cycling Dating Committee. Samengevat kan dus gesteld worden dat het Multivariaat Markov Switching model niet accuraat genoeg is voor het gebruik als business klok voor een beleggingsstrategie. Voor het mankement van dit model biedt deze masterproef twee mogelijke verklaringen. Ten eerste kan geargumenteerd worden dat het uurloon in manufacturing en het retail trade volume geen goede proxies zijn voor respectievelijk het persoonlijk inkomen min transfers en reële manufacturing en wholesale retail sales. Ook al is de OESO retail trade volume index aangepast voor de inflatie, het bevat geen informatie over
37
de reële manufacturing sales. De OESO MEI uurloon in manufacturing staat op het OECD statistisch portaal (OECD Stat, 2013) omschreven als het seizoen gecorrigeerde gemiddelde van de totale uitkering per tewerkgestelde persoon per uur, met inbegrip van overuurbetaling en frequent terugkomende cash supplementen. In tegenstelling tot het persoonlijk inkomen min transfers, neemt deze OESO variabele de sociale lasten, de inkomensbelastingen en de transfers niet in rekening. Deze beduidende afwijking kan mee aan de basis liggen van de gebrekkige dateringsresultaten.
2.3.2 COMPOSITE LEADING INDICATOR In deze paragraaf worden voor drie verschillende geografische regio’s (De Verenigde Staten, De Eurozone17 en Japan) eerst de prestaties van de OECD Composite Leading Indicator vuistregel geanalyseerd. Daarna wordt hetzelfde gedaan voor het univariaat Markov Switching model van de CLI. Zoals eerder al werd aangehaald in de methodebespreking, zijn de twee regimes van de Markov Switching modellen Piek en Dal. Het piek regime heeft telkens een gemiddelde waarde duidelijk hoger dan 100, terwijl het dal regime een gemiddelde kleiner dan 100 heeft. Ten slotte zullen de resultaten van beide algoritmes samen geanalyseerd worden om ze vervolgens te combineren tot een verbeterd algoritme, dat de troeven van beide aanpakken combineert. Een overzicht van de discrepanties tussen de real-time dateringsmethoden en de dateringen wordt weergegeven in de tabellen 12 tot en met 23. De opsommingen van de valse signalen zijn ter illustratie weergegeven in bijlage 4.
2.3.2.1 VS Tabel 12 vergelijkt de recessie datering van de NBER Business Cycle Dating Committee met de datering op basis van de CLI vuistregel voor de periode 1960-2012. In deze vuistregel duiden opeenvolgende “Downturn” en “Slowdown” maanden, recessie intervallen aan. (Dzevickius en Vetrov, 2012) Een opmerkelijke verbetering ten opzichte van het eerder besproken Multivariaat Markov model is dat de CLI voor elke NBER recessie een signaal geeft. Wat de startdatum van de recessie betreft, blijkt de CLI Vuistregel voor alle acht de recessie periodes een eerdere startdatum aan te geven dan de National Bureau of Economic Research. De einddata van de recessies plaatst de CLI vuistregel voor de eerst beschouwde recessieperiode ( april 1960-februari 1961) later en voor alle andere regressies duidt deze regel het einde op een eerder moment aan. Een numerieke vergelijking van de CLI vuistregel datering met de NBER Recessie data geeft een gemiddelde absolute afwijking van 6,625 maanden voor de startdatum en 4,25 maanden voor de einddatum. 38
NBER Recessie Start Recessie Einde April 1960 Februari 1961 December 1969 November 1970 November 1973 Maart 1975 Januari 1980 Juli 1980 Juli 1981 November 1982 Juli 1990 Maart 1991 Maart 2001 November 2001 December 2007 Juni 2009
CLI Vuistregel Recessie Start Recessie Einde Februari 1960 December 1961 Januari 1969 Juni 1970 Januari 1973 Januari 1975 Augustus 1978 April 1980 December 1980 Mei 1982 Maart 1990 December 1990 Februari 2000 September 2001 Juli 2007 Maart 2009
Tabel 12. Recessieperiode overzicht CLI Vuistregel VS
Bovendien geeft de CLI vuistregel 22 valse alarmen, waarvan er vier langer zijn dan één jaar. Zoals reeds aangegeven in de literatuurstudie gaat een snellere datering gepaard met een verlies aan precisie. Deze trade-off doet zich onvermijdelijk voor bij dateringsbeslissingen over business cycli. Op basis van de CLI vuistregel kan al een uitspraak gedaan worden na vijf weken, terwijl de datering door officiële instanties 6 tot 21 maanden op zich laat wachten. Dus, het verlies aan precisie wordt gecompenseerd door een korter wachttijd.
Uiteindelijk
Transition probabilities matrix
Piek
Oorspronkelijk Dal
Piek
0,98
0,02
Dal
0,02
0,98
Tabel 13. Transition Probabilities VS CLI Markov Switching Model
39
NBER Recessie Start Recessie Einde April 1960 Februari 1961 December 1969 November 1970 November 1973 Maart 1975 Januari 1980 Juli 1980 Juli 1981 November 1982 Juli 1990 Maart 1991 Maart 2001 November 2001 December 2007 Juni 2009
CLI Markov Model Recessie Start Recessie Einde December 1960 Maart 1961 Maart 1970 Augustus 1970 September 1974 Februari 1975 Maart 1980 Juni 1980 Oktober 1981 Juni 1982 Oktober 1990 Februari 1991 Mei 2001 November 2001 November 2008 April 2009
Tabel 14. Recessieperiode overzicht VS CLI Markov Switching Model
Deze thesis koos ervoor enkel de dalende ex-ante probabilities van het Markov Switching model op een piekperiode die kleiner zijn dan 50 procent als recessieperiodes te aanzien. De stijgende ex-ante probabilities die kleiner zijn dan 50 procent duiden immers een economisch herstel aan. Tabel 13 toont de transition probabiilities tussen de verschillende regimes. Zoals tabel 14 toont, plaatst de datering van het CLI Markov Switching model de startdatum van elke Amerikaanse recessie op een later moment dan de NBER Business Cycle Committee. De gemiddelde (absolute) afwijking bedraagt 5,25 maand ( ≈ 5 maanden en 1 week). De eindmaand situeert het Markov Switching model in één geval op een later moment dan de NBER, nl. voor de recessie van april 1960 tot februari 1961. Zes van de zeven overige eindmaanden dateert het Markov Switching model vroeger dan de NBER. Het recessie einde op november 2001 dateert het Markov Switching model juist. De gemiddelde (absolute) afwijking is 2 maand voor de einddatum. Het Markov Switching model geeft slechts drie valse signalen, waarvan het langste (augustus 2002- maart 2003) acht maanden bedraagt. Het licht nahinkend karakter van het Markov Switching model is in overeenstemming met het onderzoek van Stock & Watson (1993), die milde en vertraagde signalen bekwamen van het Markov Switching model op basis van hun experimentele leidende index. Samenvattend kan gesteld worden dat de CLI Vuistregel algemeen gezien een leidend karakter heeft, in de mate dat het zowel de start- als einddatum van de recessies eerder plaatst dan de ex-post dateringen van de plaatselijke business cycling committees. De CLI Markov Switching datering blijkt dan weer stelselmatig achterop te hinken op de officiële ex-post dateringen bij het bepalen van de startdatum. Met betrekking tot het einde van de recessie, dateren beide algoritmes dit moment meestal eerder dan de NBER. In deze masterproef wordt getracht van op basis van het leidend karakter van De CLI vuistregel en de vrij
40
nauwkeurige einddatumdatering van het Markov model, een preciezere dateringsmethode te ontwikkelen. De vijf stages van deze cyclus methode zijn terug te vinden in tabel 10 op pagina 36. Een maand wordt verondersteld deel uit te maken van de recessie als ze zich in Stage 4 of Stage 5 bevindt.
NBER Recessie Start Recessie Einde April 1960 Februari 1961 December 1969 November 1970 November 1973 Maart 1975 Januari 1980 Juli 1980 Juli 1981 November 1982 Juli 1990 Maart 1991 Maart 2001 November 2001 December 2007 Juni 2009
Combinatie Staging Recessie Start Recessie Einde Mei 1960 Maart 1961 Augustus 1969 Augustus 1970 April 1974 Februari 1975 Augustus 1979 Juni 1980 Mei 1981 Juni 1982 Mei 1990 Februari 1991 Oktober 2000 November 2001 Juli 2008 April 2009
Tabel 15. Recessieperiode overzicht VS Gecombineerde Staging
De vergelijkende tabel 15 voor deze gecombineerde staging toont dat deze investment clock vijf van de acht startdata op een vroeger moment plaatst , terwijl het drie starts op een later moment dateert. De gemiddelde absolute afwijking van de startdatum bedraagt 4,5 maand voor het gecombineerd algoritme en is dus lager dan de 5,25 maanden voor de CLI Markov Switching en de 6,625 maanden voor de CLI vuistregel. Bovendien anticipeert deze gecombineerde staging het NBER eindpunt van de recessie in zes van de acht gevallen. November 2001 wordt in beide dateringen als een recessie eindpunt aanzien. Het NBER recessie einde van februari 1960 wordt door de beleggingsklok in maart 1961, één maand later, gezet. De gemiddelde absolute afwijking van de einddatering van de recessie bedraagt slechts twee maanden voor het gecombineerd algoritme. Hiermee doet het ruimschoots beter dan de CLI vuistregel ( vier maanden afwijking) en presteert het evengoed als het Markov Switching model.
41
2.3.2.2 EUROZONE-17 De datering van het Euro Area Business Cycling Committee (2013) wordt als referentie gebruikt bij het evalueren van de drie eerder besproken dateringsmethoden over de periode januari 1970- december 2012.
CEPR Recessie Start Juli 1974
Recessie Einde Maart 1975
CLI Vuistregel
Recessie Start Maart 1973 Juli 1979 Januari 1980 September 1982 Januari 1982 Januari 1992 September 1993 Oktober 1991 Januari 2008 Juni 2009 Juni 2007
Recessie Einde Januari 1975 December 1980 September 1982 April 1993 Februari 2009
Tabel 16. Recessieperiode overzicht Eurozone CLI Vuistregel Op tabel 16 kan vastgesteld worden dat de CLI vuistregel alle vier de recessiestarts anticipeert. De gemiddelde absolute afwijking is 8,67 maanden. Het einde wordt ook stelselmatig later geplaatst en de gemiddelde (absolute) afwijking bedraagt 5,67 maand. Opvallend is dat de CLI vuistregel de recessie tussen januari 1980 en september 1982 niet als een periode signaleert, maar als twee kortere afzonderlijke inkrimpingsperioden identificeert. Die 12 maanden ( Januari 1981-december 1981) van de overeenkomstige NBER periode niet beslaan. Verder genereert de CLI vuistregel 14 valse signalen. Maar liefst 6 van deze veertien signalen zijn waargenomen in de zesjarige periode tussen 1984 en 1990. Collignon (2006) heeft het over een Europa geteisterd door eurosclerosis in de tweede helft van de jaren ‘80, voortvloeiend uit protectieve nationale regulering en onvoldoende integratie van de markten.
42
Transition probabilities matrix
Oorspronkelijk
Uiteindelijk
Piek
Dal
Piek
0,99
0,07
Dal
0,01
0,93
Tabel 17. Transition Probabilities Eurozone CLI Markov Switching Model
CEPR Recessie Start Juli 1974 Januari 1980 Januari 1992 Januari 2008
Recessie Einde Maart 1975 September 1982 September 1993 Juni 2009
CLI Markov Switching Recessie Start Augustus 1974 Augustus 1982 September 1992 Oktober 2008
Recessie Einde Januari 1975 November 1982 April 1993 Februari 2009
Tabel 18. Recessieperiode overzicht Eurozone CLI Markov Switching
De transition probabilities van het Eurozone Markov Switching model zijn terug te vinden in Tabel 17. Tabel 18 toont dat het CLI Markov Switching model de startdatum van de recessie later identificeert dan de maatstaf in de Eurozone. Hier is de absolute afwijking gemiddeld 12,25 maanden met een opvallende uitschieter van 31 maanden voor de crisis in het begin van de jaren ’80. De benadering van de einddatum is beter met een gemiddelde (absolute) afwijking van 3,25 maanden. De bepaalde einddata gaan in drie van de vier gevallen de CEPR datering vooraf.
43
CEPR Recessie Start Juli 1974 Januari 1980 Januari 1992 Januari 2008
Recessie Einde Maart 1975 September 1982 September 1993 Juni 2009
Combinatie Staging Recessie Start Maart 1974 Mei 1980 November 1991 Juli 2008
Recessie Einde Januari 1975 November 1982 April 1993 Februari 2009
Tabel 19. Recessieperiode overzicht Eurozone gecombineerde staging
Het gecombineerd staging algoritme, weergegeven in tabel 19, doet het ook in de Eurozone-17 het best. De gemiddelde absolute afwijking is zowel voor de startdatum als de einddatum minstens even laag als bij de alternatieve methoden. De gemiddelde absolute deviaties bedragen 4 en 3,5 maanden respectievelijk en zijn ook absoluut gezien laag voor een real-time methode. Er dient wel een randopmerking gemaakt te worden dat er nog steeds 12 valse alarmen geïdentificeerd worden bij de gecombineerde staging methode. De meeste van deze valse signalen zijn echter relatief kort. Slechts één signaal was langer dan 12 maanden en vier signalen waren langer dan zes maanden.
44
2.3.2.3 Japan De cyclus datering van de ESRI (2013) werd als uitgangspunt gehanteerd voor het Japanse business cyclus onderzoek. Deze instantie dateerde maar liefst 11 afzonderlijke recessies over de laatste 53 jaar ( 19602013).
ESRI Recessie Start Recessie Einde December 1961 Oktober 1962
CLI Vuistregel Recessie Start Recessie Einde Juni 1961 Oktober 1962 September Juni 1965 Oktober 1964 Oktober 1965 1963 Juli 1970 December 1971 Maart 1970 Maart 1971 November 1973 Maart 1975 Mei 1973 Januari 1975 Januari 1977 Oktober 1977 Augustus 1976 Juli 1977 September Juni 1979 1980 Februari 1980 Februari 1983 Januari 1982 Maart 1983 Juni 1985 November 1986 Januari 1984 Januari 1986 November Februari 1991 Oktober 1993 Mei 1990 1992 September Mei 1997 Januari 1999 1996 Augustus 1998 November November 2000 Januari 2002 Mei 2000 2001 Oktober 2007 Mei 2009 Mei 2008 Maart 2009
Tabel 20. Recessieperiode overzicht Japan CLI Vuistregel
Transition probabilities matrix
Uiteindelijk
Piek
Oorspronkelijk Dal
Piek
0,98
0,06
Dal
0,02
0,94
Tabel 21. Transition Probabilities Japan CLI Markov Switching Model 45
ESRI Recessie Start Recessie Einde December 1961 Oktober 1962
CLI Markov Model Recessie Start Recessie Einde Mei 1962 November 1962 November Juli 1965 Oktober 1964 Oktober 1965 1963 Juli 1970 December 1971 Oktober 1970 April 1971 November 1973 Maart 1975 Juli 1974 Februari 1975 Januari 1977 Oktober 1977 Geen Signaal Geen Signaal Augustus 1980 November 1980 Februari 1980 Februari 1983 Juli 1983 Juli 1983 Juni 1985 November 1986 April 1985 Maart 1986 Februari 1991 Oktober 1993 Oktober 1991 December 1992 September Mei 1997 Januari 1999 Januari 1998 1998 November 2000 Januari 2002 Augustus 2001 December 2001 November Oktober 2007 Mei 2009 2008 April 2009 Tabel 22. Recessieperiode overzicht Japan CLI Markov Switching Model
Zowel de CLI vuistregel als het CLI Markov Switching slagen er niet in de volledige recessie februari 1980februari 1983 te beslaan, maar duiden ze als twee afzonderlijke kortere recessies aan, die een grondig deel van de periode niet omvatten. Het Markov Switching model heeft ook geen signaal gegenereerd voor de recessie tussen januari 1977 en oktober 1977. Algemeen gezien plaatst de CLI vuistregel de start- en einddata van de Japanse recessies eerder dan de ESRI. De CLI Vuistregel wijkt gemiddeld gezien af met een absolute afwijking van 8,1 maanden voor het startsignaal en 5,3 maanden voor het eindsignaal. Bij het CLI Markov Switching model wordt de start eerder maar het einde later bepaald. De gemiddelde absolute afwijking is voor het startsignaal 7,56 maanden en voor het eindsignaal 4,1 maanden. De vuistregel wierp negen valse signalen op terwijl het CLI geen valse signalen genereerde. Beide methoden vertonen dus een vrij grote absolute afwijking voor het startsignaal, die wijst op een teleurstellende prestatie van beide methoden.
46
ESRI Recessie Start Recessie Einde December 1961 Oktober 1962 Oktober 1964 Oktober 1965 Juli 1970 December 1971 November 1973 Maart 1975 Januari 1977 Oktober 1977 Februari 1980
Februari 1983
Juni 1985 Februari 1991 Mei 1997 November 2000 Oktober 2007
November 1986 Oktober 1993 Januari 1999 Januari 2002 Mei 2009
Combinatie Staging Recessie Start Recessie Einde Januari 1962 November 1962 September 1963 Juli 1965 Juli 1970 April 1971 April 1974 Februari 1975 Mei 1977 Oktober 1977 April 1980 November 1980 December 1982 Juli 1983 September 1984 Maart 1986 Mei 1991 December 1992 Oktober 1997 September 1998 April 2001 December 2001 Augustus 2008 April 2009
Tabel 23. Recessieperiode overzicht Japan CLI Markov Switching Model
De gecombineerde staging methode, die samengevat is in tabel 23, is hierop een lichte verbetering. Ook al hinkt de methode systematisch achterop bij de startdatering, ze geeft voor elke recessie een duidelijk signaal. Voor de recessie tussen februari 1980 en februari 1983 wordt niet één langgerekt signaal maar twee kortere signalen gegeven die niet de volledige tijdsperiode beslaan. Bovendien geeft het gecombineerd algoritme aanleiding tot twee valse signalen van respectievelijk tien en vijfmaanden. De gemiddelde absolute deviatie voor de startdatum bedraagt 5,5 en 3,7. Deze set van afwijkingen is opnieuw lager dan deze van de twee andere methodes afzonderlijk. De mate van outperformance is echter niet zo hoog als bij de Verenigde Staten en Eurozone-17. Ook absoluut gezien, is deze afwijking groter dan bij de resultaten voor dezelfde methode in de twee andere regio’s. Een mogelijk verklaring is het volatiele economische klimaat over de laatste 50 jaar in Japan. Ito en Mishkin(2004) hebben het onder meer over een economisch wanbeleid van de Bank of Japan tussen 1983 en 2003 die er niet in slaagde de asset price bubble vorming in de tweede helft van de jaren ’80 af te remmen en bovendien faalde om zijn economie uit de deflationaire spiraal te halen in de jaren in de jaren 1990. Dit bracht heel wat stress en onzekerheid met zich mee op de
47
Japanse markt (Ito & Mishkin,2004) Deze hoge instabiliteit beïnvloedt de presentaties van real-time dateringsmethoden sterk in negatieve zin.
2.3.2.4 Frequentie van de fases Uit de hierboven besproken vergelijking van de dateringsmethodes komt de beleggingsklok die gebaseerd is op de gecombineerde staging als beste optie uit de bus. Nu kunnen voor elke regio eens de frequenties van de stages overlopen worden. Deze zijn uitgetekend in Tabellen 24, 25 en 26.
VSStage Frequency
Percent
Valid Percent
Cumulative Percent
Stage 1
77
12,1
12,1
12,1
Stage 2
213
33,5
33,5
45,7
Stage 3
174
27,4
27,4
73,1
Stage 4
150
23,6
23,6
96,7
Stage 5
21
3,3
3,3
100,0
635
100,0
100,0
Valid
Total
Tabel 24. Frequentietabel Staging Verenigde Staten EurozoneStage Frequency
Percent
Valid Percent
Cumulative Percent
Stage 1
46
8,9
8,9
8,9
Stage 2
119
23,1
23,1
32,0
Stage 3
189
36,7
36,7
68,7
Stage 4
157
30,5
30,5
99,2
Stage 5
4
,8
,8
100,0
515
100,0
100,0
Valid
Total
Tabel 25. Frequentietabel Staging Eurozone
48
JapanStage Frequency
Percent
Valid Percent
Cumulative Percent
Stage 1
165
26,0
26,0
26,0
Stage 2
180
28,3
28,3
54,3
Stage 3
126
19,8
19,8
74,2
Stage 4
148
23,3
23,3
97,5
Stage 5
16
2,5
2,5
100,0
635
100,0
100,0
Valid
Total
Tabel 26. Frequentietabel Staging Japan
De 120 missende waarden voor de staging in de Eurozone zijn te wijten aan het feit dat de OESO CLI tijdsreeks voor de Eurozone slechts terugloopt tot en met februari 1970, terwijl de reeksen voor de Verenigde Staten en Japan teruggaan tot februari 1960. Er zijn dus 120 missende maanden. Een eerste opvallend feit is dat de Amerikaanse en Japanse economie zich tijdens de beschouwde periode het vaakst in stage 2 bevonden. In de berekeningsspreadsheets, die op aanvraag bij de schrijver kunnen worden verkregen, blijkt deze stage ook de langste te zijn. Dit is in lijn met DeStefano (2004) en EmsboMattingly et al. (2013) die deze stage als de langste aanwijzen voor de Amerikaanse economie. In de Eurozone was stage 3 (late expansie) het meest vertegenwoordigd en tegelijk ook de langste. Verder is het lage aantal observaties van stage 5 in elk van de fases opmerkelijk. Zoals Cohen (1988) vermeldt kan dit enige problemen met zich meebrengen in de verdere regressieanalyse van de sectorrendementen. Het lage aantal observaties kan een lage power (i.e. de kans dat een foute nulhypothese verworpen wordt) met zich meebrengen, waardoor de geloofwaardigheid van de gevonden relatieve sector performance in stage 5 klein is. Voor de Eurozone werden er zelfs geen stage 5 observaties gedaan in de constructiesteekproef waardoor in deze regio geen sector ranking voor deze stage kan opgesteld worden.
49
2.3.2.5 Conclusie Voor elk van de drie geografische markten blijkt dat de zelf gecreëerde business klok het beste resultaat geeft voor de gegeven data input. Deze business klok determineert vijf business cyclus fases op basis van een combinatie van de CLI vuistregel en een CLI Markov Switching model. De superieure resultaten leiden tot de beslissing met deze business klok verder te gaan in het sectoronderzoek. Hierin zullen achtereenvolgens de sectorprestaties overheen de fases geanalyseerd worden en sectorsimulaties opgezet worden. De frequentietabellen van de stages wijzen op een laag aantal stage 5 observaties. Dit klein aantal observaties kan onnauwkeurige schattingen met zich meebrengen in de regressieanalyse voor deze stage. (Cohen, 1988)
50
3. SECTOR PERFORMANCE In deze sectie zullen de sector prestaties over de verschillende cyclusfases geëvalueerd worden en onderling vergeleken worden binnen een constructiesteekproef. De eerder besproken business klok zal gebruikt worden voor de real-time stage identificatie. Uiteindelijk zal de output van dit onderzoeksonderdeel aangewend worden voor de creatie van een sectorrotatiesimulatie in de volgende sectie. Aangezien een geografische vergelijking van de sectorrotatiestrategie één van de doelen van deze masterproef is, zal de geografische drieledigheid (VS, Eurozone-17 en Japan) ook in deze sectie toegepast worden.
3.1 DATA Hieronder volgt een uiteenzetting van de verzamelde data voor elk van de drie beschouwde regio’s. Luk (2012) kaart de trade-off aan die zich afspeelt bij het kiezen van de sector indeling. Een keuze voor een beperkt aantal sectors perkt het vermogen om een grote alfa risicomaatstaf te generen voor deze strategie. Als er anderzijds niet genoeg aandelen en liquiditeit zijn in een bepaalde sector, wordt de investeerder blootgesteld aan hoge liquiditeits- en aandelenconcentratierisico’s bij het uitvoeren van de sectorrotatie. (Luk,2012) Doordat het aantal sectoren voor de drie beschouwde steekproeven varieert tussen 10 en 19 sectoren, wordt hier voor een middenweg gekozen in de boven besproken trade-off. Deze aanpak wordt verondersteld een voldoende grote sectordiversiteit aan te bieden om een voldoende grote alfa te creëren terwijl tegelijk de liquiditeitsrisico’s minimaal gehouden worden. Aangezien het onderzoek uitgevoerd wordt op drie ontwikkelde en omvangrijke markten ( Verenigde Staten, Eurozone en Japan) zijn liquiditeitsrisico’s over het algemeen al klein.
3.1.1 VERENIGDE STATEN De datazoektocht wees uit dat de Kenneth French Data Library de beste informatiebron voor de Amerikaanse Sector Returns. Deze databibliotheek biedt een tijdsreeks van waarde gewogen maandelijkse sectorrendementen aan vanaf juli 1926 tot en met december 2012. Aangezien tijdens de cyclusdatering terug gegaan werd tot 1960, laat deze bron dus toe verder te gaan met een steekproef van dezelfde grootte. Alternatieve bronnen zoals DataStream beschikken niet over sectorrendementenreeksen van een vergelijkbare lengte en zouden een aanzienlijke steekproefverkleining met zich hebben meegebracht (i.e. slechts teruggaand tot eind jaren ‘80).
51
Er werd doelbewust gekozen voor de indeling op basis van twaalf sectoren. Deze indeling biedt het midden tussen een behoorlijke sector granulatie en tegelijk een doenbare sectorrotatie mogelijk. De sectorindeling is als volgt(Kenneth French, 2012):
Business Equipment: Zakelijke apparatuur: Computers, software en elektronische apparatuur
Chemicals and Allied Products: Chemicaliën en verwante producten
Consumer Non-Durables: Niet duurzame consumptiegoederen: Voeding, tabak, textiel, kledij, leer, speelgoed
Consumer Durables: Duurzame consumptiegoederen: Auto’s, tv’s, meubels, huishoudtoestellen.
Manufacturing: fabricage: Machinerie, Trucks, Vliegtuigen, Bureau Meubelen Papier, Computer Printing
Energy: Olie, gas en kool extractie en producten
Telecom: Telefoon en televisie transmissie
Health: Gezondheidszorg, medische apparatuur en drugs
Utilities: Nutsbedrijven
Money: Finance
Shops: Groothandel, retail en enkele diensten ( droogkuis, herstellingen)
Other: Mijnen, constructie, bouwmaterialen, transport, hotels, business services, entertainment
In de database van de Kenneth French Library wordt de Nasdaq als marktindex gebruikt en neemt men de one-month Treasury bill rate als de risicovrije rente.
3.1.2 EUROZONE Voor de Eurozone worden de 19 Euro Stoxx Supersector indices gebruikt. Volgens het Euro Stoxx factsheet2, vertegenwoordigen deze indices de grootste bedrijven uit de Eurozone in elk van de 19 supersectoren. Deze indices werden afgehaald van DataStream en beslaan de periode januari 1988-december 2012.
2
http://www.stoxx.com/download/indices/factsheets/stx_supersectors_fs.pdf 52
DataStream stelt ook de S&P Euro 350 indices beschikbaar maar deze gaan slechts 15 jaar terug. Gebruik van deze data impliceert dus een kleine constructiesteekproef van 4 jaar. Aangezien de constructiesteekproef bij de Euro Stoxx Supersectors tien jaar langer is, werden deze indices verkozen. De 19 supersectoren zijn de volgende:
Automobiles & Parts: Auto’s en onderdelen
Banks: Banken
Basic Resources: Basis materialen zoals ijzer, staal en papier
Chemicals: Chemicaliën
Construction & Materials: Constructiebedrijven en bedrijven die specifieke bouwmaterialen maken zoals cement.
Financial Services: Financiële diensten
Food & Beverage: Voeding & Drank
Health Care: Gezondheidszorg
Industrial Goods & Services: Industriële goederen en diensten
Insurance: Verzekeringen
Media: TV-en radiozenders, media agentschappen enz.
Oil & Gas: Olie en gas
Personal & Household Goods: Persoonlijke en huishoudelijke goederen
Real Estate: Vastgoed
Retail: Kleinhandel
Technology: Technologie
Telecommunications: Telecommunicatie
Travel & Leisure: Reis en vrije tijd 53
Utilities: Nutsvoorzieningen.
Deze sector indices zijn afgeleid van de Eurozone subset van de Stoxx Europe 600, die de 600 grootste Europese aandelen op basis van de marktkapitalisatie bevat. De volgende landen zijn vertegenwoordigd: België, Duitsland, Finland, Frankrijk, Griekenland, Ierland, Italië, Luxemburg, Nederland, Oostenrijk, Portugal en Spanje. Logischerwijze zijn de landen met kleinere aandelenmarkten zoals Cyprus, Estland, Malta, De Slovaakse Republiek en Slovenië niet vertegenwoordigd. De sector (prijs)rendementen werden bekomen door opeenvolgende waarden van de sector indices aan de volgende formule te onderwerpen:
Prijsrendement = (Pt1-Pt0)/ Pt0 Er dient opgemerkt te worden dat voor de Eurozone een meer gedetailleerde sectorindeling gehanteerd wordt met 19 sectoren in plaats van 12 en 10 voor respectievelijk de VS en Japan. Baca et al. (2000) stellen dat hoe fijner de industrie classificatie is, hoe groter de waargenomen industrievariatie zal zijn. Bij breed gedefinieerde sector classificaties hebben de bewegingen van de componentindustrieën de neiging om elkaar op te heffen, waardoor de resulterende waargenomen variatie kleiner is. (Baca et al., 2000) Grotere variatie impliceert een groter onderscheid tussen de rendementen van de verschillende industrieën onderling waarop de investeerder bijgevolg kan inspelen om er winst uit te halen. Hoe groter het onderscheid, des te effectiever een industrierotatie zal zijn. Een te hoge graad van granulatie kan echter ook leiden tot een complexe en onbeheersbare vorm van sectorrotaties, zeker voor kleine investeerders. Hoe meer verschillende industrieallocaties er in een portfolio zijn, hoe meer het gewicht van transactiekosten zal doorwegen, ten nadele van het uiteindelijke rendement van de sectorrotatie strategie. (cfr. Infra sectie 4). De Euro Stoxx doet dienst als marktbenchmark in de hierna volgende analyse, terwijl voor de risicovrije rente respectievelijk de 1 maand Duitse Interbankenrente (voor december 1998) en de 1 maand EURIBOR (vanaf januari 1999) gebruikt worden.
54
3.1.3 JAPAN De sectorrendementen voor de Japanse aandelenmarkt werden verkregen op basis van de S&P Topix 150 sectorprijsindices. Elke indexreeks loopt over de periode december 1987- december 2012. Deze masterproef maakt gebruik van de volgende S&P Topix 150 sector indeling:
S&P Topix 150 Consumer Discretionary: Discretionaire Consumentengoederen: Niet-essentiële cyclische consumentengoederen
S&P Topix 150 Consumer Staples: Essentiele consumentengoederen zoals eten, drinken, tabak en huishoudelijke producten
S&P Topix 150 Energy: Energie
S&P Topix 150 Financials: Financiële bedrijven
S&P Topix 150 Health: Gezondheidszorg
S&P Topix 150 Industrials: Industriële goederen en diensten
S&P Topix 150 Information Technology: Software, hardware (computer en randapparatuur)
S&P Topix 150 Materials: Materialen
S&P Topix 150 Telecom
S&P Topix 150 Utilities: nutsvoorzieningen
De sectorrendementen voor elk van deze 10 sector indices berekende men aan de hand van dezelfde prijsrendementsformule als voor de Euro Stoxx hierboven. (cfr. Supra) Als marktbenchmark wordt voor Japan de S&P Topix 150 gebruikt. De one month Gen-Saki interest vormt de risicovrije interestvoet.
55
3.2 METHODE In het tweede luik van het empirisch modelleren wordt de bekomen business cyclus informatie gebruikt voor het identificeren van verschillen in sectorrendementen doorheen de verschillende stages. Hierbij gebruikt deze thesis twee verschillende methodes: de alfa risicomaatstaven en de paired trades. Beiden worden berekend aan de hand van simpele lineaire regressies.
3.2.1 REGRESSIE STEEKPROEF Vooraleer het regresseren aangevat wordt, splitst men de beschikbare steekproef op in twee delen. Het splitsingspunt was hier januari 2002. Dus, alle beschikbare data die voorafgaat aan januari 2002 wordt gebruikt als constructiesteekproef voor het schatten van de regressiecoëfficiënten en het daaropvolgend analyseren van de sector prestaties. De tijdsreeks januari 2002- december 2012 wordt in deze sectie buiten beschouwing gelaten en zal in de sectie “simulatie sectorrotatie “gebruikt worden. De grootte van deze constructiesteekproef voor elk van de regio’s is:
Verenigde Staten: februari 1960- december 2001
Eurozone: januari 1988- december 2001
Japan: januari 1988- december 2001
3.2.2 ALFA’S Voor het bepalen van de alfa’s wordt een gelijkaardige methode aan Jacobsen, Stangl en Visaltanachoti(2009) toegepast. Ter navolging van deze paper worden drie risico gewogen prestatiemaatstaven berekend: de simple market outperformance, Jensen’s alfa en de Fama & French three factor alfa. Hiertoe worden respectievelijk de volgende 3 regressies uitgevoerd:
(1)
(2)
56
(3) Bron: Jacobsen, Stangl en Visaltanachoti(2009) Elk van deze maatstaven wordt uitvoerig behandeld in een afzonderlijke paragraaf binnen deze sectie. Dit onderzoek verschilt echter van de experimenten van Jacobsen, Stangl en Visaltanachoti(2009) in vier aspecten: 1. In deze thesis worden regressies uitgevoerd op sector niveau ( 10 tot 19 sectoren) terwijl Jacobsen et al. (2009) werkten op industrie niveau (48 industrieën). Het onderzoek op sector niveau heeft het voordeel een rotatie toe te laten die praktisch beter realiseerbaar is voor investeerders. Bovendien zullen de transactiekosten substantieel lager liggen, voor de meer geaggregeerde sectorrotatie. De lagere graad van specialisatie in de rotatie kan echter wel gepaard gaan met een meer afgevlakte en dus lagere return voor de best presterende sectoren in elk van de fasen. 2. Jacobsen et al. (2009) voeren enkel een analyse uit voor de Amerikaanse aandelenmarkt, terwijl deze thesis sectoren voor drie verschillende geografische aandelenmarkten onderzoekt, nl. VS, Europa en Japan. 3. Jacobsen et al. (2009) gebruiken de NBER business cyclus data voor de fase-indeling. Omdat deze data gemiddeld tussen 6 en 21 maanden3 na datum beschikbaar zijn, gaat het hier om een expost analyse. Deze thesis construeert zijn fasedummy’s op basis van een zelf geconstrueerd dateringsalgoritme dat snellere, identificatie toelaat (cfr. supra). Vijf weken na het einde van een maand kan de stage voor de desbetreffende maand geïdentificeerd worden. 4. Jacobsen et al. (2009) beperken zich voor elke fase tot een rapportering van de alfacoëfficiënten van de industrieën die volgens de conventionele wijsheid het best presteren in deze fase. Met conventionele wijsheid doelt men op de Stovall (1996) practitioner guide. Deze thesis onderzoekt de alfacoëfficiënten voor elke sector overheen elk van de 5 fases. Deze meer uitgebreide analyse heeft als doel een sector prestatie ranglijst op te zetten voor elk van de fases. Op deze manier
3
Zie FAQ NBER: www. nber.org/recessions_faq.html 57
wordt de evolutie van de verhoudingen tussen sectoren en de markt en tussen sectoren onderling beter in kaart gebracht.
3.2.2.1 Simple Market outperformance De eerste risico gecorrigeerde maatstaf die berekend wordt in dit onderzoek, is de simple market outperformance ratio. Deze bekomt men door het verschil tussen het sector en markt rendement ( ri – rmkt) te regresseren op de cyclus fase dummy’s. Het marktrendement wordt in deze thesis vertegenwoordigd door de waarde gewogen marktindex van de overeenkomstige geografische markt.
(1)
3.2.2.2 Jensen’s alfa Jensen’s alfa is waarschijnlijk de meest gebruikte prestatiemaatstaf in portfolio management (Frömmel, 2011, p.241) en werd voor het eerst ontwikkeld door Michael Jensen in 1969. Jensen’s alfa is een maat voor het verschil tussen de return van een portfolio en de theoretische return, ingegeven door het CAPM model. Een positieve Jensen’s alfa betekent dat de portfolio meer opbrengt dan het CAPM markt model. Dit impliceert dat het portfolio rendement hoger is dan de theoretische vergoeding voor het systematische, niet diversifieerbaar risico. Een negatieve Jensen alfa wordt bekomen indien het portfolio het slechter doet dan het CAPM benchmark model. (Jensen, 1969)
(2)
In de context van deze thesis wordt de Jensen ‘s alfa geconstrueerd door de sectorrendementsoverschotten boven de risicovrije rente ( rit- rf) te regresseren tegenover de fasedummy’s en de marktrisicopremie.
58
3.2.2.3 Fama & French regressie Fama & French (1992,1993) voegen twee extra risicofactoren toe aan het Capital Asset Pricing Model. Naast het marktrisico, moet ook gecompenseerd worden voor het size risk en het value risk. Deze worden in de onderstaande vergelijking (3) respectievelijk vertegenwoordigd door de termen β2,i,s SMBt en β3,i,s HMLt. De SMB en HML factoren werden berekend door het vormen van portfolio’s uit het gehele aandelenuniversum. SMB (Small minus Big) omvat het verschil tussen de rendementen voor portfolio’s van bedrijven met een kleine marktkapitalisatie en portfolio’s van bedrijven met een grote marktkapitalisatie. Banz (1981) toont in zijn onderzoek aan dat kleinere bedrijven gemiddeld gezien hoger risico aangepaste rendementen vertonen dan grotere bedrijven. Dit size effect is echter niet lineair en is het sterkst voor heel kleine bedrijven. Tussen middelgrote en grote ondernemingen is er slechts een klein verschil in return. Frömmel (2011) haalt in zijn boek enkele redenen voor het size effect aan. Kleine firma’s zijn kwetsbaarder voor externe schokken, over het algemeen jonger en hebben een volatielere cash flow. Klein & Kawa (1977) hebben nog een andere verklaring voor het size effect. Aangezien over kleine firma’s minder informatie publiek beschikbaar is, zullen investeerders minder graag in deze investeren. Banz (1977) toont aan dat effecten die slechts door een subgroep van investeerders beschouwd worden, een hoger risico aangepast rendement schenken. Bijgevolg zullen aandelen van kleine bedrijven een hogere return vertonen. In de context van dit onderzoek neemt deze term de grootte van de sector in rekening. Het value effect wordt uitgedrukt door de HML (High Minus Low) factor die het verschil tussen portfolio’s van bedrijven met hoge book-to-market ratio’s en lage book-to-market ratio’s aanduidt (Fama & French,1992,1993). Value aandelen (i.e. gekenmerkt door een hoge book-to market ratio) geven gemiddeld gezien een hoger rendement. Frömmel (2011) verklaart dit fenomeen vanuit het standpunt dat waarde aandelen kapitaalintensiever zijn en dus gevoeliger voor lagere earnings tijdens recessies. Bovendien zijn deze firma’s ook meer afhankelijk van schulden en hebben ze een hoger interestrisico ( Frömmel,2011).In de context van dit onderzoek zal deze term dus corrigeren voor de kapitaalintensiviteit van de sectoren.
(3)
59
Aangezien de Europese en Japanse F&F factors in de Kenneth French Data Library slechts teruggegaan tot januari 1990, werd in dit onderzoek enkel de F&F regressie uitgevoerd voor de Verenigde Staten. Deze Amerikaanse dataset beslaat het interval van 1960 tot nu.
3.2.3 PAIRED TRADES
Met oog op het uitvoeren van een sectorrotatiestrategie die long en short posities combineert, wordt ook een tweede vorm van regressies uitgevoerd. Formeel luidt de regressievergelijking als volgt.
ri,t – rj, t=
αi,j,s Ds,t
De sectoren worden dus twee aan twee als een verschil geregresseerd tegenover de fasedummy’s. Indien een koppel significant blijkt te zijn komt het in aanmerking voor een long en short positie in de sectorrotatiesimulatie. Omdat Jacobsen, Stangl en Visaltanachoti(2009) in hun onderzoek significantie niveaus vinden die slecht marginaal verschillen van deze die verwacht worden in het geval van afwezigheid van elke vorm van sector outperformance, kan deze alternatieve regressiemethode soelaas bieden voor het opzetten van een sectorrotatie indien de alfa regressies ook in de context van deze masterproef weinig significante resultaten produceren.
60
3.3 RESULTATEN Deze resultatensectie rapporteert de vaststellingen van de regressieanalyse en vergelijkt ze met de literatuur. Achtereenvolgens worden de alfa regressie en paired trade regresssieschattingen besproken voor de drie beschouwde geografische markten. Alvorens in de resultaten te duiken, wordt een korte paragraaf gewijd aan de verwachtingen vanuit de literatuur met betrekking tot dit empirisch onderzoek. Deze eerste paragraaf laat de lezer toe de resultaten van de sector regressies in de juiste context te zien.
3.3.1 VERWACHTINGEN VANUIT DE LITERATUUR
Ruban en Nagy (2011) beweren dat het onderscheid tussen cyclische en defensieve sector de basis vormt van de rotatiestrategieën, aangezien defensieve sectoren verwacht worden minder gevoelig te zijn voor macro-economische en economische fluctuaties. De meest populaire sector gids is waarschijnlijk deze van Stovall(1996). Tabel 5 vat zijn aanbevolen sector allocatie samen. In de vroege expansie, die overeenstemt met de eerste stage van deze thesis, stelde Stovall (1996) vast dat technologie en transport aandelen het best presteren. In de midden expansie zijn de basis materialen, kapitaalgoederen ( =duurzame consumptiegoederen en vaste activa) en de dienstensector het meest rendabel. In de late expansie wordt deze rol overgenomen door de essentiële niet duurzame consumptiegoederen (=Consumer Staples), de gezondheidszorg en energie. Nutsvoorzieningen en telecom slagen er het best in om het hoofd boven water te houden in de vroege recessie (= stage 4 van deze thesis). In de late recessie vertonen cyclische consumptiegoederen en financials de hoogste rendementen. Kouzmenko en Nagy (2009) onderzoeken in hun MSCI Barra research bulletin de samenhang tussen sector returns en de business cyclus. Het tracht cyclische en defensieve sectoren te identificeren door het meten van de correlatie tussen de relatieve sectorrendementen ten opzichte van de markt en de jaar-op jaar verandering in de OESO Composite Leading Index. Een cyclische sector wordt verondersteld positief gecorreleerd te zijn met de veranderingsgraad in de CLI. Defensieve sectoren worden gekenmerkt door een negatieve correlatie met fluctuaties in de CLI. In het MSCI Barra Research Bulletin werd de periode tussen 1976 en 2009 onder de loep genomen en op drie verschillende ontwikkelde markten werd de correlatie geanalyseerd: De Verenigde Staten, Europa en Japan. Het onderzoek van Kouzmenko en Nagy (2009) heeft homogene resultaten met betrekking tot de identificatie van de defensieve sectoren. Voor elk van de drie regio’s vormen niet duurzame
61
consumentengoederen (= consumer staples), gezondheidszorg en nutsvoorzieningen de drie meest defensieve sectoren. Volgens Jacobsen, Stangl en Visaltanachoti (2009) doet ook entertainment het goed in periodes van crisis. Deze auteurs stellen dat de hoge returns voor industrieën zoals voeding en entertainment erop wijzen dat consumenten zich verwennen met kleine pleziertjes in deze crisistijden. (Jacobsen, Stangl en Visaltanachoti,2009) Het plaatje is iets minder eenduidig voor de cyclische sectoren. Enkel de IT sector en materialen sector zijn duidelijk cyclisch overheen de regio’s. Voor de VS en Europa is industrials de derde cyclische sector in het rijtje. Voor Japan bekwamen Kouzmenko en Nagy(2009) echter een negatieve correlatie voor de industrials, wat een inferieur rendement ten opzichte van de markt aanduidt tijden economische expansie. In Japan wordt de financials sector als de tweede meest cyclische sector geïdentificeerd, na IT. In de Verenigde Staten en Eurozone heeft de financials sector ook een positieve correlatiecoëfficiënt met de CLI maar deze is vrij klein. Bovendien blijkt dat energie voor elk van de drie regio’s naar de defensieve kant neigt. De correlatiecoëfficiënten zijn negatief maar duidelijk kleiner dan de top drie van defensieve sectoren. (Kouzmenko en Nagy,2009) Verder is de telecom sector defensief voor de Verenigde Staten en Japan. In Europa wordt een correlatiecoëfficiënt van 0 gevonden met de CLI, wat deze sector noch in de cyclische groep noch in de defensieve groep onderbrengt. (Kouzmenko en Nagy,2009) De opzet van deze masterproef hoopt meer duidelijkheid te creëren over de fluctuaties van de telecom sector in de Eurozone. Ten slotte blijkt de consumer discretionary sector (vergelijkbaar met duurzame consumptiegoederen) een eerder cyclische sector te zijn in de Verenigde Staten en Europa omwille van zijn positieve correlatie. In Japan is deze sector dan weer defensief omwille van een negatieve correlatie. Emsbo–Mattingly et al. (2013) analyseren de relatieve sector prestaties in de Verenigde Staten overheen hun business cyclus die uitgetekend staat in figuur 2 (cfr. pagina 9). Zoals eerder gesteld in de dateringssectie, valt de business cyclus van deze masterproef grotendeels samen met deze van het Fidelity Research artikel van Emsbo-Mattingly et al. (2013). De eerst drie fasen zijn dezelfde en de ene recessiefase van Emsbo-Mattingly et al. (2013) omvat stage 4 en 5 van het dateringsalgoritme van deze scriptie. Emsbo–
62
Mattingly et al. (2013) komen ook voor de dag met een economische verklaring voor het goed of slecht presteren van de sectoren in de verschillende fases. Emsbo-Mattingly et al.(2013) beschrijven de recovery fase als de fase met de meest robuuste prestaties. Dit is de fase waar de aandelenmarkt op zijn geheel het best presteert. Ook DeStefano (2004) merkte dit feit op. Relatief gezien demonstreren sectoren, die het meest profiteren van een substantiële daling in interestvoeten en van de eerste signalen van economische heropbloei, hier een superieur rendementspatroon. Vooral interestgevoelige sectoren zoals duurzame consumptiegoederen en financials blijken het in deze fase goed te doen. De hoge return voor deze sectoren worden vooral gerealiseerd door de industrieën die gestimuleerd worden door toegenomen leenactiviteit, zoals de consumentenkredieten en de consument-gelinkte industrieën zoals auto’s en duurzame huishoudelijke goederen. (EmsboMattingly et al. ,2013) Bovendien krijgen ook de cyclische sectoren een boost bij de omslag van recessie naar recovery. Zo bevat de industrials sector enkele industrieën, zoals luchtvracht en truck & trein, die een stijging in de aandelenprijs ondervinden in de nabijheid van een economisch herstel. IT aandelen profiteren van de hernieuwde klantverwachtingen en van de toegenomen koopkracht van zowel particulieren als bedrijven. Binnen de materialen sector ondervinden vooral de container & verpakkingsindustrieën een positieve invloed van de toegenomen handelsactiviteit. (Emsbo-Mattingly et al. ,2013) De nutsvoorzieningen en de telecom sector kennen de minste groei tijdens de recovery fase. Beide sectoren zijn defensief en hebben een aanhoudende vraag overheen alle cyclusfases. Ook energie hinkt achterop tijdens stage 1, aangezien lage inflationaire druk ook lage energieprijzen met zich meebrengt. (EmsboMattingly et al. ,2013). Emsbo-Mattingly et al. (2013) typeren de tweede stage als de langste en tevens ook deze waarin de meeste aandelenmarktcorrecties plaatsvonden. Daarom is het sector leiderschap in stage 2 doorheen de geschiedenis vaak verschillend geweest. In de periode vanaf 1962 tot en met 2012, overtrof geen enkele sector de algemene markt twee derde van de tijd. Anderzijds deed ook geen enkele sector het systematisch slechter dan de markt voor meer dan twee derde van de tijd. Omwille van de afgekoelde groei in vergelijking met de recovery fase, is het niveau van de rendementen ook een stuk lager in fase 2. DeStefano (2004) doet een zelfde vaststelling in zijn onderzoek, waar hij voor elke cyclus fase significante gemiddelde aandelenrendementen vindt, behalve in fase 2. Emsbo-Mattingly et al.(2013) vinden dat IT doorgaans de meest winstgevende sector is tijdens deze fase. De verklaring hiervoor ligt in het feit dat IT industrieën
63
bevat, zoals software, computers en randapparatuur, die gewoonlijk floreren wanneer bedrijven meer vertrouwen krijgen in de stabiliteit van het economisch herstel. Bijgevolg zullen de bedrijven ook meer bereid zijn om kapitaal te spenderen. Hoewel de industriële goederensector geen consistente outperformance tentoon spreidt in fase, kennen enkele industriële goederenindustrieën, zoals vliegtuigen en industriële conglomeraten, substantiële groei omwille van het toegenomen vertrouwen. Volgens EmsboMattingly et al. (2013) leveren nutsvoorzieningen en materialen de zwakste prestaties in de tweede stage. De zwakke performance van materialen is in tegenstrijd met Stovall (1996) die materialen als een top performer aanzien in stage 2. Omwille van de onduidelijke hiërarchie raden DeStefano (2004), Pring(2006) en Emsbo-Mattingly et al. (2013) echter aan de sector investeringen tot een minimum te beperken in stage 2. In de late expansiefase (=stage 3) groeit de economie verder maar aan een trager tempo. De vraag blijft hoog en de inflationaire druk neemt toe. In dit klimaat gedijen de energie- en materialensector goed, aangezien de grondstoffenprijzen stijgen. Doordat de eerste seinen van een economische vertraging beginnen doorsijpelen, verhuizen de investeerders hun fondsen weg uit de cyclische, economisch gevoelige sectoren. De IT en discretionaire consumentengoederen lijden hier voornamelijk onder. Bijgevolg doen de sectoren die gericht zijn op basisbehoeftes en minder economisch gevoelig zijn, het goed in de late expansie aangezien deze nu relatief populairder worden. (Emsbo-Mattingly et al. ,2013) Tijdens de recessie fase (i.e. stage 4 en stage 5) zegevieren de defensieve sectoren. Deze sectoren produceren items, die de consument als essentieel ervaart en waarop hij dus minder snel geneigd is te bezuinigen. Voorbeelden zijn tandpasta, eten, drinken, elektriciteit, telefoondiensten en geneesmiddelen. De renderende sectoren zijn met andere woorden de consumer staples, de nutsvoorzieningen, telecom en gezondheidszorg. Logischerwijze zullen de cyclische sectoren die in de ogen van de consument minder essentiële producten aanbieden, het meest hinder ondervinden van de bezuinigende mentaliteit van consumenten tijdens recessies. Industrials, IT en discretionaire consumentgoederen zijn de sectoren die klappen krijgen. (Emsbo-Mattingly et al. ,2013) Een samenvattend overzicht van de relatieve sector prestaties volgens Emsbo-Mattingly et al. (2013) wordt gegeven in onderstaande figuur 4. De groene + teken vakjes geven een superieur sectorrendement van de sector in kwestie aan terwijl de rode –tekens een extreem laag sectorrendement aanduiden. Voor de licht blauwe vakjes is geen duidelijk patroon vastgesteld.
64
Figuur 4. Relatieve Sector Prestaties (Bron: Emsbo-Mattingly et al. ,2013) Wanneer de visie van Pring (2006) in de context van de business cyclus van deze thesis wordt gezien, raadt hij net als Stovall (1996) nutsvoorzieningen en financials aan in de latere recessiefase (stage 4 en 5). Tijdens stage 1 raadt hij een gediversifieerde belegging over alle sectoren aan met een nadruk op de consumentensectoren consumer discretionary en consumer staples. In de midden expansie wordt het aandeel in de leidende sectoren verlaagd, ten voordele van een stijgend belang in de late sectoren energie, materialen en industrials. In de late expansie (stage 3) opteert Pring voor earnings driven sectoren zoals de technologie en gezondheidzorg en voor de late sectoren. In de vroege recessie kan munt geslagen worden uit de uitdeining van de late sectoren, maar Pring houdt vast aan het conservatieve alternatief cash in de volle recessie. Wat betreft de volle recessie neemt Pring dus geen standpunt in wat de relatieve sectoraantrekkelijkheid betreft. (Pring,2006)
65
Nagy en Ruban (2011) nemen de prestaties van de Europese cyclische en defensieve sectoren onder verschillende marktomstandigheden onder de loep. Ze voeren hun onderzoek uit voor de tijdsperiode vanaf december 1995 tot november 2010. In navolging van Kouzmenko en Nagy (2009) classificeerden ze materialen, industrials, duurzame consumptiegoederen, financials en iT als cyclische sectoren. Energie, niet duurzame consumptiegoederen, gezondheidszorg, telecom en nutsvoorzieningen werden ondergebracht in de defensieve sectorgroep. Ze stellen vast dat de geaggregeerde defensieve groep zowel de MSCI Europe index als de geaggregeerde cyclische groep overtreft gedurende bull en bear markten. De relatieve outperformance is wel groter tijdens de bear markt. Het verschil tussen de defensieve groep en de markt bedraagt 1. 4 percent in de bull markten en 2 percent in de bear markten. De defensieve groep doet 1,2 percent beter dan de cyclische groep in de bull markten en 2,3 percent beter in de bear markten. In een tweede stap nemen Nagy en Ruban (2011) een meer gedetailleerde kijk naar de macroeconomische regimes en delen de macro-economische cyclus in in vier fases op basis van de GDP output gap en de Consumenten Prijs Index (CPI):
Recessie: output gap krimpt in en inflatie is onder de trend
Recovery: output gap groeit en inflatie onder de trend
Expansie: output gap groeit en inflatie boven de trend
Slowdown: output gap krimpt, inflatie ligt boven de trend
Nagy en Ruban (2011) tonen ook dat deze regimes gerelateerd zijn met de OECD CLI. Pieken in de CLI gaan de downturns vooraf, terwijl dalen recovery’s inleiden. Bijgevolg kunnen de sectorrendementsresultaten gemakkelijk vergeleken worden met de resultaten van de masterproef. Inderdaad, de recoveryfase uit Nagy en Ruban (2011) stemt overeen met Stage 1 van de datering in deze scriptie. De expansiefase en slowdownfase zijn respectievelijk vergelijkbaar met Stage 2 en Stage 3. Stage 4 en 5 beslaan de recessiefase van Nagy en Ruban (2011). Tabel 27 biedt de rendementen per sector en macro-economische fase die Nagy en Ruban (2011) bekwamen voor de 13-jarige periode vanaf 1997. Hier is vooral de rechterkolom met returns (bovenste rij) en Sharpe ratio’s van belang. De linkerkolom toont de stijlcontributies tot de sector returns en behoort niet tot de focus van deze masterproef.
66
Tabel 27. Europese Sectorrendementen (Bron: Nagy en Ruban,2011)
In de recoveryfase springt de hoge return van de materialen en de IT sector in het oog. De derde best presterende sector is de defensieve telecom sector. In fase 1 blijken respectievelijk gezondheidszorg, nutsvoorzieningen en financials de meest negatieve rendementen te realiseren.
67
In de expansiefase tonen de rendementen zich veel minder extreem. Dit is in overeenkomst met wat Emsbo-Mattingly et al (2013) stellen. Geen enkele haalt rendementen hoger dan 5 percent of lager dan -5 percent. De hoogste return werd genoteerd voor de defensieve sector nutsvoorzieningen, gevolgd door financials en industrials. Duurzame consumptiegoederen, telecom en gezondheidszorg laten de laagste rendementen optekenen. (Nagy en Ruban, 2011) In de slowdownfase tonen respectievelijk de niet-duurzame consumptiegoederen, gezondheidszorg en energie zich het sterkst. Ook nutsvoorzieningen blijven het goed doen in deze. IT en telecom spreiden dan weer zeer negatieve rendementen tentoon in de slowdownfase. (Nagy en Ruban,2011) In de recessiefase excelleren de telecom, nutsvoorzieningen en materialen. Financials en de duurzame consumptiegoederen vertonen ook een laag positief rendement. Industrials en energie laten hier een negatieve return zien. (Nagy en Ruban,2011). Nagy en Ruban (2011) merken tenslotte op dat hun waarnemingen globaal gezien in lijn zijn met Stovall (1996). Met andere woorden, zowel Nagy en Ruban (2011) als Stovall (1996) kunnen als een referentiepunt dienen voor de bespreking van de resultaten voor de Eurozone. De discussie van de resultaten zal echter aanduidden dat de conclusies van Nagy en Ruban (2011) en Stovall (1996) op sommige vlakken duidelijk verschillen. De bespreking van de waargenomen Eurozone sector resultaten in deze masterproef zal laten uitschijnen of de Eurozone een gelijkaardig sector prestatie patroon hebben als Europa.
3.3.2 ALFA REGRESSIES De tabellen in bijlage 6 geven een overzicht van de berekende sector prestatiemaatstaven voor elk van de drie geografische markten. Om de flow van de scriptietekst niet te doorbreken, zijn de talrijke sector ranking tabellen allen samengebundeld in deze bijlage. Deze worden bekomen door het uitvoeren van de regressies in vergelijking 1,2 en 3. Deze thesis gebruikt In elk van deze regressies werden de standaardfouten gecorrigeerd door middel van de White (1980) heteroscedastiteitscorrectie. Naast de maandelijkse rendementen worden ook hun p-waardes gerapporteerd. De coëfficiënten die significant zijn op het 10 procent significantie niveau staan gemarkeerd in het groen. Daarenboven wordt voor elke sector ook een Wald test uitgevoerd voor het testen van verschillen in alfa waarden doorheen de vijf fases van de business cyclus. De p-waarden voor deze test worden weergegeven onder de nulhypothese van gelijke outperformance doorheen de 5 fases. Indien men de nulhypothese kan verwerpen, treden er significante 68
verschillen op in de alfa van de sector doorheen de business cyclus. Dit impliceert dus dat een sectorrotatie praktisch zinvol en significant kan zijn. Als de nulhypothese echter niet kan verworpen worden, wordt het nut van een sectorrotatie al van bij het begin in vraag gesteld. ( Jacobsen et. al, 2009) De lezer dient er nogmaals aan herinnerd te worden dat deze regressies uitgevoerd werden voor de constructiesteekproef die reikt tot en met december 2001.
3.3.2.1 Verenigde Staten
Wanneer de Wald test p-waardes voor de simple market outperformance alfa onder de loep genomen worden, ziet men dat acht van de twaalf sectoren die significant zijn op het 10 procent significantieniveau voor de simple market outperformance: shops, telecom, nutsvoorzieningen, gezondheidszorg, duurzame consumptiegoederen, other, niet-duurzame consumptiegoederen en zakelijke apparatuur. Enkel de manufacturing, energy, chemicals en money sector zijn op dit niveau insignificant. Op het 5% significantieniveau zijn ook de zakelijke apparatuur sector en de non durables sectors insignificant. De shops sector voert het rijtje van significante sectoren aan, gevolgd door de Telecom sector. Voor de significante sectoren kan besloten worden dat significant hogere rendementen dan het marktrendement kunnen verkregen worden door het systematisch aanpassen van het gewicht van deze sectoren overheen de business cyclus fases. Een significante Wald-test voor de simple market outperformance alfa van een bepaalde sector leidt tot de conclusie dat na correctie voor het marktrisico, er zich nog steeds statistische significante sector outperformance voordoet doorheen de business cyclus. Analoog kan bij een insignificante Wald-test gesteld worden dat er geen statistisch verschil is in de risico gecorrigeerde sectorprestaties overeen de business cyclus. De aantrekkelijke allocaties voor de sectorrotaties moeten dus gezocht worden in het groepje sectoren met een significante Wald-test. Bij de Jensen’s Alfa is de Wald test significant op het 5% significantie niveau voor de gezondheidszorgsector, de shops en de telecom sector. Op het 10% niveau komen hier ook nog de niet-duurzame consumptiegoederen bij. Op basis van de Fama & French Alfa Wald test worden slechts twee significante sectoren geïdentificeerd op de Amerikaanse markt: other en telecom.
69
Nu kan bekeken worden welke sectoren significante overtollige rendementen realiseren in elk van de stages. In stage 1 hebben de Shops sector, de gezondheidszorgsector en de telecomsector significante p-waarden voor elk van de drie alfa’s. Hierbij zijn de alfa’s allen positief voor de shops sector en negatief voor de gezondheidszorgsector. Bij de simple market outperformance is ook de coëfficiënt van de nutsbedrijven significant en negatief. Deze observaties zijn in lijn met wat verwacht wordt vanuit de literatuur. Aangezien de recovery fase gekenmerkt wordt door een stijgende CLI (zowel in absolute waarde als ook in ons geval een stijgende exante probability op expansie), wordt verwacht dat cyclische sectoren het hier goed doen. Het hoeft dan ook niet te verbazen dat de shops sector een significant positieve outperformance laat zien. Deze sector bestaat uit groothandel, kleinhandel en enkele huishoudelijke services. Volgens Stovall’s sector guide (1996) Kouzmenko en Nagy (2009) en Emsbo-Mattingly et al. (2013) doet de technologie sector het uitstekend in de vroege expansie. De shops sector zal mee profiteren van de toenemende vraag naar computers, software en andere elektrische apparatuur en doet het bijgevolg ook uitstekend. Ook de significant negatieve coëfficiënten voor telecom, gezondheidszorg en nutsvoorzieningen zijn zoals verwacht. Dit zijn precies de drie meest defensieve sectoren die het MSCI Research Bulletin van Kouzmenko & Nagy (2009) identificeerde. Enkel de telecom sector heeft een significante p-waarde voor elke alfa in stage 2. De alfa is ook telkens positief. Verder vertoont de shops sector significante en negatieve waarden voor de simple market outperformance en de Jensen’s alfas. De Fama & French alfa van Shops is ook negatief maar net niet significant op het 10 procent significantieniveau. De p-waarde bedraagt immers 0,1089. De Jensen’s alfa en Fama & French alfa van de gezondheidszorgsector is significant en positief in stage 2. Verder is ook de Fama & French alfa significant en negatief voor de niet-duurzame consumptiegoederen. In de tweede expansiefase blijkt dat de cyclische sector Shops al sterk op terugweg is terwijl de defensieve sectoren gezondheidszorg en telecom al positieve returns vertonen. Dit is iets vroeger dan verwacht volgens de literatuur. Bovendien stroken de resultaten van deze masterproef niet met de door Stovall (1996) verwachtte outperformance voor Basis Materialen, kapitaalgoederen en services. Enkel de goede prestatie van de telecom service zou hiermee gelinkt kunnen zijn. Een mogelijke reden voor de niet significantie van deze sectoren is dat hier de sectoren op een te geaggregeerd niveau onderzocht worden waardoor tegengestelde bewegingen binnen een sector elkaar uitvlakken.
70
De alfa’s voor de gezondheidszorg en telecomsector blijken significant en positief te zijn in Stage 3 (late expansie + prille recessie). Ook de simple market outperformance alfa en Jensen’s alfa van shops zijn significant en negatief. Bij de simple market outperformance komen ook de nutsbedrijven sector erbij als een significante en positieve sector. Zoals deze resultaten dus tonen, is er weinig veranderd betreffende de significante sectoren ranglijst in vergelijking met stage 2. De sterke prestaties van deze defensieve sectoren nabij het einde van de expansie en de inleiding van de recessie zijn in lijn met Emsbo-Mattingly et al. (2013), met Kouzmenko & Nagy (2009) en met Stovall’s sector guide. Stovall’ s sector guide ( 1996) duidt gezondheidszorg als beste performer aan in de late expansie en dit wordt in deze thesis ook bevestigd. In de recessiefase stage 4 manifesteren, zoals verwacht volgens de bovenvermelde literatuur, de gezondheidszorgsector, de nutsvoorzieningensector en de telecomsector alfa’s zich opnieuw als positief en significant op het 5% significantieniveau. Stovall (1996) duidt telecom en nutsvoorzieningen immers aan als de top performers. Shops zijn opnieuw significant en negatief. De duurzame consumptiegoederen vervoegen het groepje van significante sectoren voor de simple market outperformance en de Jensen’s alfa. De coëfficiënt is in beide gevallen negatief. De zakelijke apparatuur sector heeft een negatieve en significante simple market outperformance alfa coëfficiënt op 5 % significantieniveau, terwijl de other sector tot het positieve en significante groepje behoort op 10 % significantieniveau. De povere prestaties van shops, duurzame consumptiegoederen en zakelijke apparatuur zijn in lijn met de zwakke rendementen van cyclische sectoren tijdens de recessie. Zowel particulieren als ondernemingen besparen op aankoop en investeringen in duurzame consumptiegoederen en duurzame zakelijke apparatuur tijdens deze moeilijke tijden. Bovendien schept het recessieklimaat weinig positieve verwachtingen voor de return on investment op deze goederen voor bedrijven. Bij Stage 5 werd geen significante Jensen’s alfa waargenomen. De financiële sector heeft een negatieve en significante simple market outperformance alfa op het 10 % significantieniveau. Volgens Kouzmenko en Nagy(2009) en Emsbo-Mattingly et al.(2013) is de financiële sector cyclisch waardoor een negatieve return ten opzichte van de markt verklaarbaar is. Stovall(1996) verwacht echter een positieve return voor de financiële sector, maar dit wordt niet weerspiegeld in de resultaten van deze masterproef. De other sector vertoont een positieve en significante Fama en French alfa. De positieve return van de other sector, die vooral onderdelen uit de bouw-, mijn- en transportomgeving kan te verklaren zijn door het leidend karakter van de bouwindustrie. Dit is ook wat Stovall(1996) stelt. Stovall identificeert de bouw- en mijnindustrie als toppresteerders in de late recessie.
71
3.3.2.2 Eurozone Bij de alfaregressies van de Eurozone zijn een kleiner aantal significante coëfficiënten waar te nemen. Voor de simple market outperformance zijn er zelfs geen significante coëfficiënten opgedoken tijdens de regressieanalyse. De substantiële kleinere lengte van de constructiesteekproeven kan hiervoor een deel van de verklaring zijn. Zoals eerder gezegd verkleint een kleinere steekproef de power van de hypothesetesten. (Cohen,1988) Omwille van de insignificantie van de simple market outperformance zal de bespreking zich voor de Eurozone beperken tot de Jensen’s alfa.
De Wald-test uitkomsten wijzen de volgende sectoren als significant aan: industrials, basis materialen, technologie, verzekeringen en bouw & materialen. Met andere woorden, deze sectoren hebben een significant verschillende Jensen’s alfa risicomaatstaf overheen de fases van de business cyclus. Deze significante verschillen kunnen uitgebuit worden door middel van een sectorrotatie, die precies de discrepantie in de returnpatronen gebruikt om winsten te genereren. Het is dan ook te verwachten dat vooral deze sectoren in de latere sector allocaties aanwezig zullen zijn. (Cfr. paired trades paragraaf p.79-80) In fase 1 merken we het grootste aantal significante sectoren op. Er zijn acht sectoren met significante Jensen’s alfa’s: basis materialen, telecom, chemicals, industrials, nutsvoorzieningen, retail, olie & gas en bouw & materialen. Deze waarnemingen stemmen allen overeen met de resultaten van Nagy & Ruban (2011) behalve de significant positieve return voor nutsvoorzieningen. Nagy en Ruban (2011) stellen immers een negatieve return vast voor de nutsvoorzieningen in de recovery fase. Bovendien wordt vanuit de theorie verwacht dat de nutsvoorzieningen tot de groep van relatief minder goed presterende sectoren behoort. Het toegenomen consumentenvertrouwen in deze fase zorgt er immers voor dat andere sectoren, die minder essentiële goederen en diensten verkopen, relatief sterker stijgen. (Emsbo-Mattingly et al., 2013) Tijdens Stage 2 worden geen significante alfa’s gevonden. Dit is in lijn met Nagy en Ruban(2011) en EmsboMattingly et al. (2013) die geen uitspringende sectoren opmerken in deze fase. Met betrekking tot fase 2, kan er dus geen sectorhiërarchie geformuleerd worden op basis van de alfa risicomaatstaven. In Stage 3 zijn er zes significante Jensen’s alfa’s, namelijk voor basis materialen, telecom, industrials, nutsvoorzieningen, auto’s & onderdelen en bouwmaterialen. Alle returns zijn in lijn met de verwachtingen van Nagy en Ruban (2011) behalve de negatieve Jensen’s alfa voor nutsvoorzieningen. Nagy en Ruban(2011) merken immers een positieve return op voor nutsvoorzieningen in de late expansie. Ook de literatuur biedt geen verklaring voor deze observatie.
72
In de recessiestage stage 4 zijn slechts 2 significante sectoren waargenomen: de basis materialen en de telecom sector. Deze hebben beiden een negatieve Jensen’s alfa. De negatieve Jensen’s alfa voor basis materialen in de recessie is logisch vanuit Stovall (1996) en Emsbo-Mattingly et al. (2013). Tijdens de recessie zal de vraag naar basis materialen immers lager liggen, aangezien de industriële productie op een lager pitje staat. Als slotopmerking dient nog vermeld te worden dat de telecomsector zich opmerkelijk als een cyclische supersector blijkt te gedragen in de Eurozone. Bijgevolg lost deze alfa regressieanalyse de besluiteloosheid van Kouzmenko & Nagy (2009) omtrent de aard van de telecomsector deels op.
3.3.2.3 Japan Tijdens het uitvoeren van de simple market outperformance regressies werden geen significante p-waardes gevonden voor de Wald test. De Jensen’s alfa regressie toonden echter wel statistisch significante verschillen overheen de business cyclus aan voor de volgende sectoren: IT, Materialen en duurzame consumentengoederen. Voor stage 1 is de enige significante observatie de Jensen’s alfa voor de IT sector. De coëfficiënt heeft een waarde van 0,0375 en de bijhorende p-waarde bedraagt 0,0564. Dit is in lijn met zowel Stovall (1996) en Emsbo-Mattingly et al. (2013) die IT een rooskleurig bestaan toedichten in de vroege expansie. Er werden geen significante sectoren waargenomen voor stage 2. Dit strookt met de theorie van Emsbo-Mattingly et al. (2013) die zegt dat er in stage 2 geen systematische outperformance of underperformance is van een sector. Tijdens stage 3 is de simple market outperformance alfa voor de gezondheidssector positief en significant. Dit is in lijn met de verwachting dat gezondheidszorg zich defensief gedraagt. Verder is in deze fase ook de Jensen’s alfa voor de telecom sector negatief en significant op het 10% niveau. Dit staat in schril contrast met de positieve coëfficiënt voor telecom in de Verenigde Staten voor dezelfde stage. Mogelijks overweegt het late expansie effect op het vroege recessie effect in Japan, wat een slechte return veroorzaakt voor de defensief veronderstelde telecomsector. In stage 4 is de simple market outperformance alfa enkel significant en positief voor de nutsvoorzieningen sector. De sterke prestatie van de nutsvoorzieningen sector is in lijn met de literatuur. De coëfficiënt bedraagt 0,037614 en de p-waarde is 0,0886. De Jensen’s alfa heeft een set van 5 significante sectoren in stage 4: IT, financials, Consumer discretionary en telecom en industrials. Deze zijn bovendien allen negatief. De financiële sector bestempelen Kouzmenko en Nagy (2009) als cyclisch in Japan, maar de correlatiecoëfficiënten van dit zelfde rapport identificeren industrials, telecom en Consumer discretionary
73
als acyclisch in de Japanse markt. Voor deze drie sectoren zijn de resultaten dus niet in lijn met Kouzmenko en Nagy (2009). De slechte prestaties van industrials en consumer discretionary zijn wel in lijn met de Stovall ‘s Sector guide (1996) en Emsbo-Mattingly et al. (2013). De producten van deze beide sectoren zitten immers in de set van uitgaven waarop de consument neigt sterk te besparen ten tijde van recessies.
De negatieve return voor de telecom sector is echter in tegenstrijd met deze bronnen. Stovall Sector guide (1996) identificeert telecom als een top presteerder ten tijde van recessie.
De Japanse ranglijst voor Stage 5 toont 2 significante en positieve sectoren voor de simple market outperformance: gezondheid en materialen. Hun p-waarden bedragen respectievelijk 0,0068 en 0,0598. De goede prestatie van de defensieve gezondheidssector is te verwachten, maar de positieve return van de materialensector is vroeger dan verwacht. Mogelijks ondervindt de Japanse materialensector al de eerste tekenen van herstel in de late recessie. In de recovery fase is de materialensector immers een topsector volgens de literatuur. Wat betreft de Jensen’s alfa is enkel IT significant en daarenboven ook negatief. De coëfficiënt bedraagt -0,07136 en de bijhorende p-waarde is 0,0031. Aangezien IT als een cyclische sector bekend staat, strookt dit met de verwachtingen van een lage return in de late recessie.
3.3.2.4 Conclusie Samenvattend kunnen de sectorpatronen van de verschillende regio’s met elkaar vergeleken worden. In stage 1 zijn de goede prestaties van Shops in de Verenigde Staten en Retail in de Eurozone met elkaar vergelijkbaar. In Japan is de IT sector een significant positieve performer. Aangezien de stijgende vraag naar IT items mee aan de basis liggen van de bloei in retail kan dit met elkaar verzoend worden. Tijdens de tweede fase van de beleggingsklok wordt in slechts een klein aantal significante alfa’s vastgesteld. In de Eurozone en Japan worden zelfs geen significante alfa’s voor stage 2 vastgesteld. Dit strookt met de hypothese van minieme verschillen tussen sector rendementen in deze fase, die DeStefano (2004) Nagy & Ruban (2011) en Emsbo-Mattingly et al. (2013) delen. In de Verenigde Staten wordt opgemerkt dat de defensieve sectoren reeds op de voorgrond treden in fase 2. Dit is iets vroeger dan verwacht. Tijdens stage 3 is in elk van de drie beschouwde markten de suprematie van de defensieve sectoren duidelijk in Japan en de VS. Health heeft een significante alfa op het 10 procent significantieniveau in de VS en Japan. In de Eurozone werden geen significant positieve jensen’s alfa’s
74
vastgesteld. Ook in stage 4 doen dezelfde defensieve sectoren het goed. De alfa nutsvoorzieningen is significant in fase vier in de Japan en de VS. In de Eurozone hebben basis materialen en telecom een significant negatieve Jensen’s alfa. De vergelijking van stage 5 tussen de VS en Japan toont geen gelijkenissen. In de VS zijn financials significant negatief. In Japan tonen de gezondheids- en materialensector significant positieve alfa’s en de IT een significant negatieve alfa. Omwille van het lage aantal stage 5 observaties kan hier sprake zijn van een steekproeffout. (Cohen, 1988) De opmerkelijke cyclische trekjes van de telecomsector in de Eurozone en Japan kunnen verklaard worden vanuit Noam (2006). Deze merkt immers op dat telecom steeds meer evolueert van een defensieve naar een cyclische, meer volatiele sector. Omwille van de hoge vaste kosten gaan elk van de telecombedrijven op zoek naar schaalvoordelen door agressief uitbreidingsinvesteringen te doen om zo omvangrijke klantennetwerken te verwerven. Recent blijkt echter dat de vraaggroei in de telecomsector algemeen aan het afzwakken is, wat de sector kwetsbaarder maakt voor economische fluctuaties. Omdat in de regressieanalyse kleinere constructiesteekproeven aangewend worden voor Japan en de Eurozone, die enkel de meer recente sectordata bevatten, is dit effect duidelijker te zien in deze twee regio’s dan in de VS. (Noam ,2006) Algemeen toont dit empirisch onderzoek een laag aantal significante alfa’s. Dit is in lijn met Jacobsen, Stangl en Visaltanachoti(2009) die ook weinig significante alfa’s vonden in hun onderzoek. Jacobsen, Stangl en Visaltanachoti(2009) leidden hieruit af dat er weinig systematische variatie is tussen sectoren onderling. Deze masterproef wil echter nog een stap verder gaan in het onderzoeken van sectorrendementen door de paired trades van sectoren te regresseren. Dit staat toe de discrepanties binnen sectorkoppels dieper te analyseren. De resultaten van de paired trade analyse staan uitgeschreven in de volgende paragraaf.
75
3.3.3 PAIRED TRADE REGRESSIES
De vorige paragraaf toonde aan dat in sommige stages slechts een klein aantal significante risicomaatstaven waargenomen wordt voor de sectoren, in het bijzonder voor Japan en Europa. Dit bemoeilijkt het prioriteren van sectoren binnen de fases. De paired trade regressieresultaten tonen hoe de sectorreturns zich tussen de sectoren onderling verhouden en als dusdanig significante long- short koppels blootleggen. Deze informatie zal dan in de volgende sectie gebruikt worden voor het opstellen van een long-short sectorrotatiestrategie.
3.3.3.1 Verenigde Staten
Bijlage 7.1 geeft de paired trade regressieresultaten weer voor de vijf fases van de Amerikaanse business cyclus. De tabellen geven voor elk sectorkoppel de coëfficiënt voor het verschil in rendement binnen de fase weer, alsook de bijhorende p-waarde. Als de coëfficiënt zowel een significante p-waarde als een positief teken vertoont, leidt een investering van long de eerste sector en short de tweede sector tot significant positieve returns voor de fase in kwestie. Indien de coëfficiënt negatief en significant is, betekent dit dat de combinatie van short de eerste sector en long de tweede sector een significant rendabele investeringscombinatie is. In Stage 1 manifesteert telecom zich als een short sector. Niet minder dan acht van de elf koppels, waarin telecom geshort wordt, blijken significant te zijn op het 5 percent significantieniveau. Daarnaast blijkt de gezondheidszorg als short sector significant te zijn op het 5 percent significantieniveau in vier van de elf sectorkoppels. Op het 10 percent niveau, sluiten ook de koppel duurzame consumptiegoederengezondheidszorg en overige-gezondheidszorg zich bij het significante groepje aan. Ook de nutsvoorzieningssector toont zes significante en positieve gevallen, wanneer het als een short sector uitgespeeld wordt in de eerste fase. Wanneer de literatuur erop nageslagen wordt, hoeft de significantie van de drie bovengenoemde sectoren in de short positie niet te verbazen. Eerder onderzoek typeert deze drie sectoren immers als sterk defensief. Ten tijde van recovery zal het gespendeerde budget aan deze essentiële producten relatief laag zijn in verhouding tot de totale uitgaven. Zowel consumenten als bedrijven zullen in dit klimaat van soepele kredietverlening en toegenomen consumentenvertrouwen zich meer laten verleiden tot het kopen van niet-
76
essentiële producten en diensten, alsook kapitaalgoederen. Ten tijde van algemene economische recuperatie (= recovery) zal het speculeren op een prijsdaling van de aandelen uit defensieve sectoren dus logischerwijze rendabel zijn. Als long sector manifesteert één sector zich zeer duidelijk, namelijk de shops . Dit ligt, zoals eerder al vermeld, in de lijn van de verwachtingen die de voorgaande literatuur geschapen heeft. Shops zal mee profiteren van de toenemende vraag naar IT-producten en doet het bijgevolg ook uitstekend in de recuperatiefase. In stage 2, de midden expansiefase, komt de telecomsector als een long sector naar voor. Zeven van de elf koppels tonen telecom als significant long op het 10 procent niveau. Dit is iets vroeger dan verwacht, aangezien de defensieve telecom sector vooral in de late expansiefase 3 en de recessiestage 4 als aantrekkelijke long positie verwacht wordt. Daarnaast toont shops zich als een significant short sector in stage 2. In de midden expansiefase blijkt shops dus al over zijn hoogtepunt heen te zijn. Opnieuw blijkt dat fase 2 al het sectorpatroon vertoont die in de late expansie verwacht worden volgens de literatuur. Dit geeft een indicatie dat de beleggingsklok reeds een deel van de late expansie capteert. De literatuur duidt ook aan dat de rendementsverschillen tussen de sectoren in de expansie het kleinst zijn en de hiërarchie onduidelijk is. De resultaten van de paired trade regressies op de Amerikaanse data bevestigen dit. Gemiddeld is de coëfficiënt lager in stage 2 dan tijdens de andere stages. Tijdens Stage 3, de late expansiefase, tonen telecom, gezondheidszorg en nutsvoorzieningen zich als significante long posities met elk minimaal zeven significante koppelreturns op 10 procent significantieniveau. Shops en in mindere mate de other en financiële sector tonen zich significant wanneer ze short aangehouden worden in het koppel. Dit stemt overeen met Stovall (1996) en Emsbo-Mattingly et al.(2013) die gezondheidszorg en de overige defensieve sectoren hoge returns toedichten in de late expansiefase. De stage 4 regressiecoëfficiënten blijken talrijk significant te zijn. Samengevat blijken volgende sectoren zich als significant long te gedragen tijdens de volle recessie fase op 10 procent significantieniveau: energie, telecom, gezondheidszorg, nutsvoorzieningen. De volgende sectoren komen het meest voor als short onderdeel in de significante koppels: zakelijke apparatuur, duurzame consumptiegoederen, manufacturing en shops. Deze vaststellingen zijn zoals verwacht volgens de literatuur, die de defensieve sectoren zien floreren in de recessiefase terwijl de cyclische sectoren het slecht doen.
77
Samenvattend biedt tabel 28 een overzicht van de twee meest significante en mutueel exclusieve koppels in elke stage voor de Verenigde Staten. De Long 1 en Short 1 sector vormen samen het meest significante sectorkoppel, terwijl Long 2 en Short 2 samen het tweede meest significante koppel vormen. De afkorting “Busin Equip” staat voor Business Equipment ofwel Zakelijke Apparatuur. “Duurzame Cons” betekent duurzame consumptiegoederen en “Niet Duurz” vertegenwoordigt de niet-duurzame consumptiegoederen.
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Long 1
Short 1
Long 2
Short 2
Shops Telecom Hlth Telecom Duurzame Cons
Health Shops Shops Shops Telecom
Busin Equip Health Telecom Health Health
Telecom Niet Duurz Other Busin Equip Utilities
Tabel 28. Overzicht twee meest significante koppels VS
Deze meest significante koppels stroken niet altijd met de literatuur. Daarom wordt een alternatieve allocatie opgesteld in tabel 29 met koppels die te verzoenen zijn met de theorie en nog steeds zo significant mogelijk zijn.
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Long 1
Short 1
Long 2
Short 2
Shops Telecom Energie Telecom Duurzame Cons
Health Shops Shops Shops Telecom
Busin Equip Health Health Health Other
Telecom Financials Duurzame Busin Equip Utilities
Tabel 29. Alternatieve Sector allocatie VS
In stage 2 werd het koppel gezondheidszorg- niet duurzame consumptiegoederen vervangen door het koppel gezondheidszorg- financials. Beide koppels zijn significant op het 5 percent significantieniveau, maar het verschil in return wordt verondersteld groter zijn tussen een cyclische en een defensieve sector dan tussen 2 defensieve sectoren. Dit is ook wat de regressiecoëfficiënten in deze thesis aantonen. De coëfficiënt voor het koppel gezondheidszorg-financials is 1,23 percent terwijl deze voor gezondheidszorgniet duurzame consumptiegoederen 0,91 percent is.
78
In stage 3 zien Emsbo-Mattingly et al.(2013) een hoge return voor energie en gezondheidszorg. Daarom worden koppels met deze long sectoren gekozen in de alternatieve allocatie. De koppels energie-shops en gezondheidszorg- duurzame consumptiegoederen zijn significant op het 5 percent significantieniveau en hebben beiden maandelijkse rendementscoëfficiënten die groter zijn dan 1,9 percent. De slechte prestatie van shops en duurzame consumptiegoederen is ook in Nagy en Ruban(2011) en Emsbo-Mattingly et al.(2013) terug te vinden. Tijdens stage 5 zijn geen significante koppels waargenomen op het 10 procent. Het heel klein aantal waargenomen observaties is hier wellicht de reden voor. Slechts 21 observaties ofwel 3,3 percent van het totale aantal observaties bevonden zich in stage 5. De twee meest significante koppels zijn duurzame consumptiegoederen- telecom en gezondheidszorg-nutsvoorzieningen met respectievelijke p-waardes van 0,1198 en 0,125. Het koppel duurzame consumptiegoederen-telecom wordt gestaafd door de literatuur. Op het einde van de recessie wordt verondersteld dat duurzame consumptiegoederen stilletjes aan uit het dal kruipen en telecom begint te dalen. Overtuigende staving voor de gezondheidszorg-nutsvoorzieningen relatie in de late recessie, biedt eerder academisch onderzoek echter niet. De gezondheidszorgsector kent volgens eerder onderzoek geen spectaculaire groei in de late recessie. We zullen in een tweede simulatie dan ook voor een ander koppel kiezen, dat gerechtvaardigd is vanuit de literatuur. Het in rekening nemen van het leidend karakter van de sectorrendementen en in overeenstemming met Stovall (1996) is het koppel other-nutsvoorzieningen aangewezen. De coëfficiënt is 1,37 percent en p-waarde 0,1968. De restsector “other” bestaat immers vooral uit constructie industrieën die verondersteld worden een heropleving door te maken in de late recessie. De nutsvoorzieningensector is in de late recessie reeds over zijn hoogtepunt heen volgens Stovall (1996). De allocaties voor stages 1 en 4 zijn in lijn met de literatuur en hoeven niet aangepast worden.
3.3.3.2 Eurozone
De tabellen van bijlage 7.2 vatten de belangrijkste resultaten van de Eurozone paired trades regressies samen. Merk op dat er geen tabel is voor stage 5, aangezien geen enkele maand over het interval januari 1988- december 2001 zich in stage 5 bevond. Er was dus bijgevolg ook geen empirische informatie over de returns in deze stage. In de tabel voor stage 1 valt op dat de basis materialen supersector zich manifesteert als een long sector. In 7 van de 18 koppels maakt het deel uit van een significant koppel als een long sector op het 10 procent
79
significantie niveau. Hiervan zijn vijf koppels ook significant op het 5 percent significantieniveau. De overige 11 koppels zijn niet significant op het 10 procent significantie niveau. Telecom manifesteert zich ook als een long sector in de recoveryfase. In elk van de zes significante telecomkoppels wordt deze sector uitgespeeld als een long sector. Beide observaties zijn in lijn met wat Nagy en Ruban (2011) vaststellen. Ook zij zien dat de defensief veronderstelde telecomsector een hoge return vertoont in de recovery fase. Eten & drinken, media en banken komen het vaakst voor als significante short sector. Eten & drinken is significant short in 4 koppels, terwijl media en banken elk significant short zijn in 3 koppels. In Nagy en Ruban (2011) vertonen de niet-duurzame consumptiegoederen een negatieve gemiddelde jaarlijkse return van -5,4 percent. Dit rechtvaardigt het feit dat deze masterproef eten & drinken en media identificeert als aantrekkelijke short sectoren in Stage 1. Kouzmenko & Nagy (2009) duiden deze sectoren immers ook aan als defensief. Ook het sterk negatief waargenomen rendement voor financials in Nagy en Ruban (2011) strookt met het shorten van de Banken supersector. Tijdens stage 2 ziet men dat Verzekeringen, Technologie en Media aantrekkelijke long sectoren zijn. Ze zijn allen een significant long onderdeel in 7 van de 18 mogelijke koppels op het 10 percent significantie niveau. Volgens Stovall (1996) doen services het vrij goed in de midden expansiefase. Dit rechtvaardigt het long gaan in verzekeringen. Ook niet-duurzame consumptiegoederen doen het goed, wat het long gaan in Media (i.e. filmindustrie, tv en dergelijke) verklaart. Voor technologie stelden Nagy en Ruban (2011) een lichtjes negatieve return van -0,1 vast. Dit strookt niet met wat in deze thesis geobserveerd wordt voor de Eurozone. Anderzijds is IT wel geïdentificeerd als een cyclische sector door Kouzmenko R. & Nagy Z. (2009). Cyclische sectoren floreren normaliter ten tijde van expansie. Zoals eerder is vermeld, wijst het Fidelity research report van Emsbo-Mattingly et al. (2013) er echter op dat in stage 2 geen ondubbelzinnige, altijd geldende ranglijst voor sectoren geldt. De sectorrendementen verschillen onderling slechts weinig en de ranking is sterk afhankelijk van de op het moment optredende marktcorrecties. Basis materialen, auto’s en onderdelen en nutsvoorzieningen dient men eerder te shorten in stage 2 volgens de resultaten van deze masterproef. Auto’s en onderdelen en basis materialen wordt short aangehouden in 6 van de 18 koppels, nutsvoorzieningen in 5 van de 18 koppels. Ook al identificeren Kouzmenko & Nagy(2009) en Emsbo- Mattingly et al.(2013) nutsvoorzieningen als een defensieve sector die het minder goed doet in fase 2, het shorten van nutsvoorzieningen botst met Nagy en Ruban (2011) die een sterk positieve return voor Europese nutsvoorzieningsaandelen in stage 2 zien in hun onderzoek. Duurzame consumptiegoederen demonstreren ook een negatieve return in de expansiefase van Nagy en Ruban (2011). Dit ondersteunt dus het shorten van auto’s en onderdelen in stage 2., maar Kouzmenko en Nagy
80
(2009) Stovall (1996) en Pring (2006) duiden aan dat auto’s en onderdelen het normaal goed doen in fase 2 Het shorten van basis materialen is niet in lijn met Stovall (1996) die deze sector als een top presteerder prijzen tijdens de midden expansie. Het stemt echter wel overeen met Nagy en Ruban (2011) en EmsboMattingly et al.(2013). Klaarblijkelijk ondervinden basis materialen al snel een neerwaartse invloed na het einde van de recovery fase. In stage 3 komen de basis materialen nog meer naar voor als short sector, met een aanwezigheid in zeven significante sector koppels op het 10 procent significantieniveau. Deze sector toont echter een positieve return tijdens de late expansie in Nagy en Ruban (2011). Het shorten van basis materialen wordt dus niet door deze paper ondersteund. Stovall (1996) en Kouzmenko & Nagy (2009) duiden de basis materialen echter wel als een cyclische sector aan, die naar het einde van de expansie reeds een neerwaartse beweging start. Als long sector is eten en drinken het meest vertegenwoordigd in de paired trades tabel, aangezien het zeven keer de long zijde vormt in een significant koppel. Dit stemt overeen met de topprestatie die waargenomen wordt voor de niet duurzame consumptiegoederen in Stovall(1996) en Nagy & Ruban (2011). In stage 4 is het shorten van basis materialen nog steeds aangewezen volgens de regressieresultaten. Deze sector vormt het short deel in 8 significante koppels. Wat betreft long sectoren is media vertegenwoordigd in vier significante koppels en eten & drinken in drie koppels. Het long gaan in Media en Eten & drinken wordt gedeeltelijk gesteund door Nagy & Ruban (2011), die een licht positieve return voor niet duurzame consumptiegoederen observeren in de recessiefase. Het shorten van de basis materialen is in lijn met Stovall (1996) en Kouzmenko en Nagy (2009) maar opnieuw in conflict met Nagy en Ruban (2011) die een positieve return vinden voor materialen in de recessiefase. Samenvattend geeft onderstaande tabel 30 de twee meest significante koppels weer voor elke stage. “Pers Goed” staat voor persoonlijke en huishoudelijke goederen terwijl “Basis Mat” de basis materialen zijn.
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Long 1 Basis Mat Tech Eten & Drink Media Markt
Short 1 Bank Chem Basis Mat Basis Mat Markt
Long 2 Utilities Media Bank Pers Goed Markt
Short 2 Eten & Drink Utilities Telecom Auto Markt
Tabel 30. Overzicht twee meest significante koppels Eurozone
81
Deze keuze bevat enkele conflicten met de literatuur. Zo is het long gaan in nutsvoorzieningen in stage 1 niet aangewezen volgens Stovall (1996) en Nagy & Ruban (2011). Technologie is een beter alternatief. In de resultaten van deze masterproef is Technologie enkel een significante long sector in het koppel Technologie-Banken. Banken zijn echter een cyclische sector volgens Kouzmenko en Nagy (2009) en EmsboMattingly et al. (2013) die niet optimaal is als short sector in de recovery fase. Nagy en Ruban (2011) geven echter wel een sterk negatieve return aan voor de financiële sector in de recovery fase. In Stage 3 anticipeert de literatuur hoge returns voor de olie & gas supersector en de eten & drinken supersector. De duurzame consumptiegoederen zoals de auto’s zijn in fase 3 en 4 steeds minder in trek, aangezien consumenten vooral op deze goederen gaan bezuinigen in minder welvarende tijden. Het long gaan in de meer essentiële sector gezondheidszorg vindt ook meer gehoor in de literatuur dan het long gaan in de media sector. Tabel 31 offert een alternatieve sector allocatie die beter verzoenbaar is met het eerder onderzoek van Stovall (1996), Nagy & Ruban (2011) Emsbo-Mattingly et al. (2013) en nog steeds uitsluitend significante koppels bevat op het 10 percent significantieniveau. De allocaties van tabel 34 en 35 zullen beiden getest worden in de sector simulatie sectie.
Stage 1 Stage 2 Stage 3 Stage 4
Long 1 Basis Mat Tech Eten & Drink Health
Short 1 Eten& Drink Telecom Auto Basis Mat
Long 2 Tech Industrials Olie&Gas Pers Goed
Short 2 Banks Basis Mat Basis Mat Auto
Tabel 31. Alternatieve Sector allocatie Eurozone
3.3.3.3 Japan
Bijlage 7.3 bevat de paired trade tabellen voor de sectoren van de Japanse aandelenmarkt. IT is, zoals verwacht volgens Stovall(1996) en Kouzmenko en Nagy (2009), een significante long sector over de gehele lijn in. Elk van de koppels is significant en telkens levert het long aanhouden van IT een positieve return. De resultaten schuiven enkel de defensieve nutsvoorzieningssector als significante short sector naar voor in stage 1.
82
Geen van de regressiecoëfficiënten blijkt significant te zijn op het 5 % significantie niveau voor de Japanse aandelenmarkt in stage 2. Dit is in lijn met DeStefano (2004), Nagy & Ruban (2011) en Emsbo-Mattingly et al.(2013) die geen duidelijke sector hiërarchie vaststellen Op het 10% niveau zijn de koppels duurzame consumptiegoederen- telecom en IT-telecom significant. Aangezien duurzame consumptiegoederen en IT bekend staan als cyclische sectoren en telecom als een defensieve sector(Kouzmenko & Nagy, 2009), strookt deze vaststelling met de literatuur. In stage 3 treden gezondheidszorg en nutsvoorzieningen naar voor als preferabele long sectoren. Ze zijn respectievelijk significant als long positie in 5 en 4 gevallen. Op het einde van de expansie is de sterke prestatie van deze defensieve sectoren in lijn met de verwachtingen. Telecom, IT en Materialen zijn de meest voorkomende short onderdelen in de significante koppels op 10 % significantieniveau. Telecom vormt de short zijde van 4 significante sectorkoppels terwijl IT en materialen dit zijn voor drie significante koppels. Het shorten van de cyclische sectoren IT en materialen lijkt logisch vertrekkend vanuit de literatuur. Het shorten van de meer defensieve telecom sector is dat niet volgens Kouzmenko & Nagy(2009), maar wel volgens Noam(2006). De regressies van stage 4 bieden een vrij gelijkaardig beeld. Gezondheidszorg en nutsvoorzieningen werpen zich opnieuw op als significante long sectoren met aanwezigheid als long onderdeel in respectievelijk vier en vijf significante koppels. Niet duurzame consumptiegoederen sluiten zich in fase 4 aan bij dit groepje, aangezien zij de long zijde vormen in de drie significante koppels van de in totaal negen mogelijke koppels. Deze vaststellingen zijn geen verrassing, aangezien de literatuur (Kouzmenko en Nagy,2009) deze aanduiden als defensief. Wat betreft de short sectoren krijgen we exact hetzelfde beeld als in stage 3. Telecom, IT en materialen treden als significante short onderdelen naar het voorplan. In stage 5 zijn er zoals in de VS slechts een klein aantal significante koppels, namelijk vier. De volgende koppels zijn significant:
Financials- Telecom
Financials- IT
Gezondheidszorg- Niet duurzame consumptiegoederen
Gezondheidszorg- Nutsvoorzieningen
De goede prestaties van de financials in de late recessie, evenals het slecht presteren van IT worden bevestigd door de S&P Sector gids van Stovall (1996) en het MSCI rapport Kouzmenko en Nagy (2009). De
83
slechte performance van telecom en nutsvoorzieningen en de goede performance van gezondheidszorg vinden echter geen ondersteuning in deze bronnen. Het is nodig de randopmerking te maken dat het klein aantal observaties in stage 5 een minder betrouwbaar beeld heeft voor de regressieresultaten. (Cohen,1988) Tabel 32 biedt een overzicht van de twee meest significant, mutueel exclusieve sectorkoppels in elk van de vijf stages voor Japan. De afkorting “Niet Duurz” staat hierbij voor niet-duurzame consumptiegoederen.
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Long 1
Short 1
Long 2
Short 2
IT Duurz Cons Utilities Utilities Health
Duurz cons IT Industrials IT Niet Duurz
Telecom Utilities Health Niet Duurz Financials
Utilities Telecom IT Telecom Telecom
Tabel 32. Overzicht twee meest significante koppels Japan
Stage 1 Stage 2 Stage 3 Stage 4 Stage 5
Long 1
Short 1
Long 2
Short 2
IT Duurz Cons Utilities Utilities Duurz Cons
Health Telecom Industrials IT Niet Duurz
Industrials Industrials Health Niet Duurz Financials
Utilities Telecom IT Financials Telecom
Tabel 33. Alternatieve sector allocatie Japan
Wanneer Emsbo-Mattingly et al. (2013) erop nageslagen wordt, is het beter om in het koppel industrialsnutsvoorzieningen te beleggen in stage 1 dan in telecom-nutsvoorzieningen. In de recoveryfase worden immers voor de telecom sector weinig rendabele returns voorspeld door Kouzmenko & Nagy (2009) en Emsbo-Mattingly et al. (2013). Voor de cyclische industrials sector wijzen zij echter wel een winstgevend rendement aan. De p-waarde is 0,0448 voor het koppel Industrials-nutsvoorzieningen nog steeds significant
84
op het 5 percent significantieniveau. Op basis van hetzelfde principe wordt het koppel IT-duurzame consumptiegoederen vervangen door IT- gezondheidszorg. Ook dit koppel is nog steeds significant op het 5 percent niveau. Bovendien is een combinatie van een cyclische en niet cyclische sector verondersteld meer return op te brengen dan een long-short koppel van twee defensieve sectoren. In de constructiesteekproef blijkt de coëfficiënt in absolute waarde en toont een hoger te zijn voor IT- gezondheidszorg in vergelijking met IT-duurzame consumptiegoederen. Het koppel Industrials-nutsvoorzieningen heeft echter wel verrassend een lagere coëfficiënt dan het koppel telecom-nutsvoorzieningen. Er dient echter wel opgemerkt dat de telecomsector in Japan een cyclisch karakter vertoont. (cfr. pagina 75) Het koppel duurzame consumptiegoederen- telecom strookt ook beter met de eerder geformuleerde theorie dan het koppel duurzame consumptiegoederen-IT. Het eerste koppel is immers de combinatie van een cyclische en defensieve sector, die onderling verondersteld worden een groter rendementsverschil te hebben dan de combinatie van twee cyclische sectoren. De keuze voor een tweede koppel dat significant is en met de theorie verzoenbaar is, is moeilijker. De defensieve sectoren gezondheidszorg en nutsvoorzieningen vertonen immers een positieve return wanneer ze als long sector met cyclische sectoren gekoppeld worden. De koppels zijn telkens wel insignificant op het tien percent niveau. Aangezien geen enkele short sector zich significant als short manifesteert, behalve telecom, zal deze masterproef in stage 2 een uitzondering maken en volledig in de telecom sector short gaan. De stellingen uit de literatuur over mogelijke andere short kandidaten komen immers niet tot uiting in de regressies. Het koppel industrialstelecom wordt hier gekozen met een p-waarde van 0,1204. Dit is niet significant op het 10 percent niveau, maar wel het vierde meest significante koppel in stage 2. In stage 4 is het shorten van telecom ook moeilijk te staven vanuit de theorie. Daarom wordt het koppel niet duurzame consumptiegoederen-financials verkozen boven niet duurzame consumptiegoederen-telecom. Zoals eerder besproken gaat de allocatie short in telecom en nutsvoorzieningen in stage 5. Klaarblijkelijk blijken deze defensieve sectoren al over hun hoogtepunt heen te zijn in deze late fase van de recessie en de eerste tekenen van recovery zijn hier al duidelijk. De interestgevoelige sectoren beginnen in de late recessie al de opkomende recovery te anticiperen en de defensieve sectoren beginnen te verzwakken. Dit is in lijn met Stovall (1996). Deze trend indachtig, opteert de alternatieve allocatie voor de combinatie voor het insignificante koppel duurzame consumptiegoederen -nutsvoorzieningen (p-waarde= 0,2633) en niet het significante koppel gezondheid-nutsvoorzieningen (p-waarde= 0,0212). Duurzame consumptiegoederen worden in Stovall (1996) en Emsbo-Mattingly et al (2013) immers als een interestgevoelige sector
85
beschreven, die profiteert van de goedkope kredietverlening aan consumenten. Door dit gemakkelijk te verkrijgen krediet, zijn consument sneller geneigd te investeren in duurzame consumptiegoederen.
3.3.3.4 Vergelijking van de Alternatieve Allocaties
Samenvattend kunnen de theoretische gerechtvaardigde allocaties van tabel 29, 31 en 33 eens samen bekeken worden. De drie allocaties bevatten elk een long positie in IT In Stage 1. De sector zakelijke apparatuur vertegenwoordigt IT op de Amerikaanse markt omdat het computers, software en elektronische apparatuur omvat. In stage 1 wordt short gegaan in de algemeen aanvaarde defensieve sectoren. De gezondheidszorgsector is zowel een short sector in de Amerikaanse en Japanse stage 1. Als tweede short sector wordt geopteerd voor telecom in de VS en nutsvoorzieningen in Japan. Eten & drinken en de meer defensief geworden bankensector wordt gekozen in de Eurozone. In fase 2 wordt vastgesteld dat de Amerikaanse markt dient long te gaan in defensieve sectoren en short in de cyclische sectoren, terwijl voor de Eurozone en Japan net het omgekeerde beeld naar voren komt. In de Verenigde Staten worden telecom en gezondheidszorg long aangehouden, terwijl shops en financials geshort worden. De allocaties van de Eurozone en Japan gaan echter beiden long in IT en industrials. Telecom vormt een short onderdeel in de tweede fase van zowel de Eurozone als Japan, terwijl de basis materialen geshort worden in de Eurozone. Deze laatste sector is echter ook cyclisch maar krimpt volgens de literatuur in fase 2. Vanaf fase 3 krijgen we weer een meer gelijkaardig beeld overheen de drie regio’s, aangezien overal long gegaan wordt in defensieve sectoren en short in cyclische sectoren. De gekozen sectoren zijn wel niet volledig hetzelfde. Energie maakt deel uit van de long allocatie in de VS en de Eurozone maar niet in Japan, waar nutsvoorzieningen een hogere significantie heeft. De VS en Japan hebben dan weer de long positie in de gezondheidszorg gemeenschappelijk, terwijl eten & drinken de meest significante keuze blijkt te zijn. Er zijn ook twee overlappingen vast te stellen langs de short zijde in fase 3. De Amerikaanse allocatie aan duurzame consumptiegoederen is vrij samenvallend met de Eurozone allocatie in de Auto’s en onderdelen supersector. Ten tweede gaan zowel de VS en Japan short in een IT gerelateerde sector aangezien het rendement van Shops sterk gecorreleerd is met de vraag naar IT. Ook in stage 4 wordt in elk van de drie allocaties aangeraden long te gaan in defensieve sectoren en short te gaan in cyclische sectoren. De keuze van de sectoren zelf is echter opnieuw licht verschillend. In de Verenigde Staten en Eurozone wordt de gezondheidszorg aangekocht, terwijl in Japan de nutsvoorzieningen
86
gekocht worden. De Eurozone en Japan hebben beiden een long stake in niet -duurzame consumptiegoederen (i.e. persoonlijke goederen voor de Eurozone) terwijl in de Verenigde Staten voor telecom gekozen wordt. Wat betreft de short posities, is zowel in de Verenigde Staten (i.e. zakelijke apparatuur) en Japan de IT sector vertegenwoordigd. De allocaties van de Eurozone en Verenigde Staten zetten beiden in op het shorten van een sector in de duurzame consumptiegoederen sfeer. In de Verenigde Staten neemt de shops sector ( groothandel en kleinhandel) die rol op zich. In Japan wordt de cyclische financiële sector geshort terwijl in de Eurozone basis materialen verkocht worden in de Eurozone. Algemeen kan gesteld worden dat elke allocatie overheen de fasen vasthoudt aan de logische long short combinatie van cyclisch met defensief. In alle stages is de verdeling cyclisch-defensief dezelfde behalve in de tweede fase. Daarin worden in de VS long posities aangenomen in de defensieve sectoren, terwijl in de Eurozone en Japan defensieve sectoren geshort worden. Verder blijken ook de gekozen vertegenwoordigers binnen de cyclische en defensieve groep vaak verschillend te zijn overheen de beschouwde markten.
87
4. SIMULATIE SECTORROTATIE Deze sectie beschrijft de sectorrotatiesimulaties die gevoerd worden in dit masterproef onderzoek. Achtereenvolgens worden simulaties uitgevoerd voor de Amerikaanse aandelenmarkt, de aandelenmarkt van de eurozone en de Japanse aandelenmarkt. Een afsluitende simulatie bestaat uit een combinatie van de sectorrotatie met een geografische diversificatie. Deze sectie start met het specifiëren van de simulatieopzet, gevolgd door een verslag en vergelijking van de waargenomen rendementen.
4.1 SIMULATIEOPZET Zoals eerder vermeld, worden de simulaties uitgevoerd voor het elfjarig tijdsbestek vanaf januari 2002 tot en met december 2012. Deze masterproef kiest ervoor een positie van 2 sectoren long en 2 sectoren short aan te houden. Deze keuze wordt bewust genomen ten einde een soort van cash neutrale positie (combinatie van long en short) te bekomen in elke fase. Voor elk van de drie geografische markten worden twee soorten allocaties gesimuleerd. De eerste groep allocaties investeert in de twee meest significante sector koppels, die de paired trade regressies aanwezen voor elke fase. Hierbij werd voor een 50%-50% verhouding tussen de tweede koppels geopteerd. De tweede groep allocaties tracht een vanuit de literatuur verantwoorde sectorkeuze te maken die nog steeds de significanties van het empirisch onderzoek respecteert. Deze masterproef verwacht dat de theoretisch verantwoorde sectorkeuze een beter rendement zal realiseren. Naast de gelijktijdige simulatie, werden simulaties uitgevoerd die de stage datering met één maand lag en twee maand lag vernemen. Aangezien de OESO CLI indicator gemiddeld vijf weken na het einde van de betreffende maand gepubliceerd wordt, zal in de resultaatbespreking de meeste aandacht aan het één maand lag scenario geschonken worden. De twee maand lag strategieën worden niet besproken in de schrijftekst van deze scriptie maar zijn ter illustratie toegevoegd aan bijlage 8, 9 en 10. De gevoerde sectorrotatiesimulaties nemen ook vier verschillende transactiekosten scenario’s in rekening: nul procent, 0.5 procent, 1 procent en 2 percent. Ter navolging van Jacobsen, Stang en Visaltanachoti (2009) worden in deze masterproef round-trip transactiekosten ingecalculeerd. Volgens Nasdaq (2013) bevatten deze commissies, bid-ask spreads, markt impact en belastingen. Met andere woorden, dit is de kost die voor zowel de koper als verkoper geldt. (Nasdaq, 2013). Aangezien in een rotatie van de ene op de andere sector voor respectievelijk de long (short) positie eerst de oude sector verkocht (gekocht) wordt waarna een
88
andere gekocht (verkocht) wordt, zijn de round trip transactiekosten geschikt. Deze nemen immers de twee delen van de transactie in rekening. Het aanwenden van de long-short combinatie in de sectorrotatie maakt de strategie cash neutraal. In deze scriptie wordt er verondersteld dat de investeerder het long en short zijn in een sector bekomt door in zijn portfolio respectievelijk overwogen en onderwogen te zijn in deze sector. Indien de markt index bijvoorbeeld voor 5% bestaat uit aandelen van nutsvoorzieningsbedrijven, dan is een investeerder die 8 percent van zijn totale portfoliowaarde belegt in de nutsvoorzieningssector, long de nutsvoorzieningssector. Op een zelfde manier is een investeerder die 3 procent van zijn totale portfoliowaarde in nutsvoorzieningen belegt, short de nutsvoorzieningssector. Een investeerder, die vasthoudt aan dit principe, is niet blootgesteld aan interestkosten die samengaan met het ontlenen van aandelen om ze vervolgens te shorten. Bijgevolg zullen deze interestlasten dus ook geen deel uitmaken van de beschouwde transactiekosten in deze masterproef. Lesmond, Schill & Zhou (2004) schatten in hun studie de round-trip transactiekosten van de meeste largecap transacties tussen de één en twee procent. Keim & Madhavan (1998) gaan echter uit van totale round trip transactiekosten van slechts 0,2 percent. In deze scriptie wordt voor een middenweg gekozen die veronderstelt dat transactiekosten gemiddeld 0,5 procent bedragen in realiteit. In deze context kan ook de assumptie van Luk (2012) beschouwd worden die een one-way transactiekost van 0,5 procent aanrekenen in hun rotatie voor de Aziatische Ex-Japan sectoren. Deze Aziatische ex-Japan landen zijn echter kleiner en minder liquide dan de ontwikkelde markten die beschouwd worden in deze scriptie. Daarom is een 0,5 procent round-trip transactiekost, die de transactiekosten voor beide partijen in rekening neemt, ook langs deze weg te rechtvaardigen. Logischerwijze zal het 0,5 procent scenario dan ook het meest aandacht krijgen in de evaluatie van de resultaten.
De evaluatie van de sector simulatie gebeurt op twee manieren. Vooreerst worden de absolute returns van de simulaties met deze van de betreffende markt index. In een tweede stap worden ook de ex-post Sharpe ratio’s van de simulaties en de markt indices met elkaar vergeleken. Zo wordt bij het vergelijken van de portfolio’s ook rekening gehouden met het risico. Sharpe (1994) definieert de Sharpe ratio, die hij 25 eerder introduceerde, als een rendement-tot-variabiliteit ratio die een idee heeft van het rendement dat een portfolio biedt per eenheid risico. De formule voor de historische Sharpe ratio luidt als volgt (Sharpe, 1994):
89
In de teller staat het rekenkundig gemiddelde van volgend verschil:
RFt duidt hierbij het rendement op het betreffende portfolio aan terwijl RBT het rendement op de benchmark portefeuille vertegenwoordigt. Als benchmark rendement zal het risicovrije rendement genomen worden. Voor de Amerikaanse markt is dit de one-month T-bill rate. Voor de eurozone wordt de één-maand EURIBOR gebruikt en voor de Japanse markt de één-maand Gen-saki rente. Voor de vergelijking van de geografische diversificatie strategie zal de one-month T-bill rate als risicovrije interestvoet gehanteerd. De noemer van de Sharpe ratio is niets anders dan de standaardafwijking van het verschil tussen het betreffend portfolio en de risicovrije benchmark:
90
4.2.RESULTATEN 4.2.1 VS 4.2.1.1 Twee meest significante koppels
De resultaten voor de eerste sector simulatie op de Amerikaanse aandelenmarkt zijn weergegeven in bijlage 10.1 Hierbij werd een portfolio aangehouden, zoals weergegeven in tabel 28. Dus in elke stage worden de twee meest significante paired trade sectorkoppels aangehouden, dus 2 sectoren long en 2 sectoren short. Bij een opgemerkte stageovergang wordt het portfolio gerealloceerd naar de 2 meest significante koppels van de nieuwe stage. Wanneer de staging onmiddellijk op het eind van de maand in kwestie uitgevoerd kan worden, biedt de sector simulatie een maandelijkse return, voor transactiekosten, van 0,478 percent over de elfjarige periode januari 2002- december 2012. Het doet hiermee 0,085 procent beter dan de S&P 500 markt index. Op jaarbasis is de correspondeerde return 5,39 procent, wat 0,973 procent beter is dan de markt. Wanneer transactiekosten in rekening worden gebracht, verwateren de simulatierendementen vrij snel. Een simulatie met 0,5% transactiekosten doet nog 0,146 percent beter dan de markt op jaarbasis maar de 1% transactiekosten en 2% transactiekosten simulaties doen respectievelijk 0,679 percent en 2,320 percent slechter op jaarbasis. De maandelijkse Sharpe ratio’s tonen dat de drie simulaties met 0%, 0.5% en 1% transactiekost een hoger rendement per eenheid risico bieden dan de markt index. Zo heeft de 0.5% transactiekost rotatie een Sharpe ratio die 0,03 hoger is dan deze van de S&P 500 markt index. De hogere beloning voor het aangegane risico is op zich een positief verschijnsel.
VS Geen Lag Markt Sector Simulatie Markt Index 0% transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio 0,0797 0,1352 0,1098 0,0841 0,0325 Tabel 34. Sharpe Ratio VS (geen lag)
Zoals eerder opgemerkt tijdens de bespreking van de OECD Composite Leading Indicator wordt deze CLI gemiddeld slechts zo een 5 weken na datum beschikbaar gesteld. Hierdoor is de bovenbesproken simulatie eigenlijk praktisch niet realiseerbaar. Hieronder wordt dezelfde simulatieopzet herhaald, maar met een lag
91
van één maand. In deze strategie zal de informatie over de business cyclus fase slechts een maand na het einde van de maand in kwestie bekomen worden en zullen de sectorrotaties ook 1 maand in de tijd opgeschoven worden. Resultaten zijn opnieuw weergegeven in bijlage 10.1. Er is een drastische daling in rendement in vergelijking met het scenario zonder lag. Voor transactiekosten is het rendement op jaarbasis 1,638 percent wat 2,895 percent lager is dan de S&P return van 4,532 percent. Voor de 0,5 en 1 percent transactiekosten scenario’s bedraagt de jaarlijkse return respectievelijk 0,825 percent en 0,014 percent. Tabel 35 toont dat ook de Sharpe ratio van de één maand lag sectorrotatie ruim onvoldoende is. Enkel de sectorsimulatie zonder transactiekosten heeft een positieve Sharpe ratio, maar ook deze is duidelijk lager dan de Sharpe Ratio van 0,0825 voor de S&P 500.
VS Markt Sector Simulatie 1 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio 0,0825 0,0178 -0,0101 -0,0371 -0,0869 Tabel 35. Sharpe Ratio VS (1 maand Lag)
Vergelijking VS Lag 1 met markt 1,80 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20
Markt
dec/12
jul/12
feb/12
sep/11
apr/11
nov/10
jun/10
jan/10
aug/09
mrt/09
okt/08
mei/08
dec/07
jul/07
feb/07
sep/06
apr/06
nov/05
jun/05
jan/05
aug/04
mrt/04
okt/03
mei/03
dec/02
jul/02
feb/02
0,00
Sector 1 lag
Figuur 5. Vergelijking Meest significante VS Lag 1 sectorrotatie met de markt
92
Figuur 5 zet het rendement van de sectorrotatie met één maand lag uit t.o.v. het S&P prijsrendement. De figuur toont dat het rendement van de sector simulatie stabieler maar tegelijk ook veel conservatiever is. Zoals de Sharpe ratio aanduidt, weegt de kleinere volatiliteit niet op tegen het mislopen van de extremere returns en is zelfs het risico gewogen rendement van de sector simulatie lager dan dat van de markt. Het probleem ligt vooral in de periode juni 2009- december 2012, waar de één maand lag sectorsimulatie er niet in slaagt de algemene markt expansie te capteren. Een mogelijke reden hiervoor is de in deze thesis gehanteerde sector ranking op basis van de kleinste p-waardes. Aangezien p-waardes in sommige gevallen slechts enkele tienduizendste verschillen, is de allocatie ietwat arbitrair. Daarom probeert deze scriptie de allocatie te verbeteren door de eerdere bevindingen van andere academici over de sector performance doorheen de business cyclus in het allocatieproces te betrekken. De resultaten van deze alternatieve strategie wordt besproken in de volgende paragraaf.
4.2.1.2 Alternatieve allocatie Deze alternatieve allocatie werd eerder besproken in de paired trades bespreking en is gegeven in tabel 29. Deze masterproef veronderstelt dat de staving vanuit de theorie tot een beter rendement leidt voor de strategie. Dit blijkt ook zo te zijn. Bijlage 10.2 geeft een overzicht van de rendementen voor het gelijktijdig en de twee beschouwde lag scenario’s. De gelijktijdige rotatie doet in elk van de transactiekosten scenario’s beter dan de markt over de elfjarige periode januari 2002-december 2012. Zo is er een rendementsoverschot van 3,255 percent in geval van 0,5% transactiekosten. Onderstaande tabel toont dat ook de Sharpe ratio’s beduidend hoger zijn dan deze van de marktindex.
VS Geen Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek 0,0797 0,1767 0,1580 0,1391 0,1008 Tabel 36. Alternatieve Sharpe Ratio VS (geen lag)
93
In de praktisch realiseerbare rotatie met één maand lag is er voor transactiekosten een jaarlijks nominaal rendement van 5,051 percent. Dit is een jaarlijks overschot van 0,518 percent tegenover de S&P 500 die jaarlijks 4,532 percent opbrengt. Het realistisch veronderstelde scenario met 0,5 percent transactiekosten geeft jaarlijks een nominaal rendement van 4,212 procent en doet hiermee -0,320 percent slechter dan de markt. De Sharpe ratio van de rotatie met 0,5 transactiekosten is echter wel hoger dan deze van de markt. Dit staat weergegeven in tabel 41. Deze rotatie geeft met andere woorden een hoger rendement voor eenzelfde hoeveelheid risico.
VS Markt Sector Simulatie 1 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio 0,0825 0,1095 0,0874 0,0656 0,0233 Tabel 37. Alternatieve Sharpe Ratio VS (1 maand lag)
In vergelijking met Jacobsen, Stangl en Visaltanachoti (2009), die een 1,9 percent Jensen’s alfa realiseerden in een industrierotatie op basis van de 48 industrieën van Fama en French, is het gerealiseerde rendement van de Amerikaanse Sectorrotatie in deze masterproef nog lager dan verwacht. Er dient echter wel opgemerkt te worden dat Jacobsen, Stangl en Visaltanachoti (2009) van een perfecte ex-post cyclus datering uitgingen, die in een real-time context niet realiseerbaar is. De hindsight bias van de perfecte expost NBER datering geeft dus aanleiding tot een hoger rendement dan hetgene in praktische omstandigheden mogelijk is. Desalniettemin blijkt de Amerikaanse sectorrotatie van deze masterproef onvoldoende rendabel te zijn. Eenvoudige market timing strategieën leveren volgens Jacobsen, Stangl en Visaltanachoti (2009) een superieur rendement. Zo gaf een strategie, die in de markt belegt gedurende elke fase behalve de vroege recessie en in de vroege recessie cash aanhoudt, een Jensen’s alfa van 2,5 percent over de periode januari 1947-december 2007.
94
4.2.2 Eurozone 4.2.2.1 Twee meest significante koppels De toegepaste sector allocatie voor de Eurozone is zoals weergegeven in tabel 30. Bijlage 9.1 vat de sectorsimulatieresultaten voor de Eurozone samen. Op jaarlijkse basis leverde de Eurozone sectorrotatie zonder lag en 0,5% transactiekosten een rendement van -1,219 percent Hiermee doet het 0,329 percent beter dan de Euro Stoxx index die op jaarlijkse basis een negatieve return vertoonde van -1,548 percent. Op maandelijkse basis bedroeg de outperformance 0,03 percent. De Sharpe ratio was negatief, wat erop wijst dat een risicovrije belegging aan de 1 maand EURIBOR een betere keuze was dan deze rotatiestrategie Deze rotatie is met andere woorden een slechte beleggingsoptie.
Eurozone Markt Sector Simulatie Geen Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio -0,0303 -0,0344 -0,0508 -0,0669 -0,0980 Tabel 38. Sharpe Ratio Eurozone (geen lag)
De meer realistische 1 maand lag strategie met 0,5 procent transactiekosten biedt een negatief rendement op jaarbasis van -1,211 percent over de elfjarige testperiode januari 2002- december 2012. Ten opzichte van de markt doet deze strategie 0,152 percent beter. Vanaf het 1% transactiekosten scenario doet de sectorrotatie slechter dan de markt. De simulatie met 1% transactiekosten doet jaarlijks 0,270% minder goed dan de markt. Tabel 39 wijst er opnieuw op dat de Sharpe ratio negatief is. Ook het 1 lag scenario van de meest significante allocatie is dus een slecht beleggingstactiek.
Eurozone 1 maand Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek -0,0270 -0,0311 -0,0460 -0,0608 -0,0895
Tabel 39. Sharpe Ratio Eurozone (1 maand lag)
95
4.2.2.2 Alternatieve Allocatie De op hypotheses gebaseerde allocatie van tabel 31 blijkt zoals verwacht veel lucratiever te zijn dan deze op basis van de twee meest significante koppels. Bijlage 9.2 geeft een beeld van de resultaten. De gelijktijdige sectorrotatie met 0,5 percent transactiekosten geeft een return van 4,632 percent per jaar, terwijl de Euro Stoxx een negatief rendement van -1,548 procent vertoont. Dit impliceert een rendementsoverschot van 6,179 percent per jaar over de testperiode van elf jaar. Op maandbasis is 0,554 percent. Ook de hogere transactiekosten scenario’s doen jaarlijks minstens drie percent beter dan de marktindex. Deze gelijktijdige rotatie op basis van de alternatieve allocatie heeft een duidelijk positieve Sharpe ratio, wat erop wijst dat deze strategie beter presteert dan de risicovrije belegging aan de 1 maand EURIBOR. Bovendien is de rendement-tot-risico verhouding ook duidelijk beter dan de markt die een negatieve Sharpe ratio realiseert over de elfjarige testperiode.
Eurozone Markt Sector Simulatie Geen Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio -0,0303 0,0735 0,0580 0,0426 0,0124 Tabel 40. Alternatieve Sharpe Ratio Eurozone (geen lag)
Tegen de verwachtingen in doet de één maand lag sectorrotatiestrategie zelfs beter dan de gelijktijdige strategie. De 0,5 transactiekost rotatiestrategie geeft op jaarbasis een rendement van 7,322 percent over de testperiode terwijl de markt met 1,554 percent inkrimpt. Er is dus een overtreffingsgraad van 8,685 procent per jaar. Ook de overige beschouwde transactiekostenscenario’s doen op jaarbasis minsten 6,4 percent beter dan de benchmark. De Sharpe ratio’s zijn positief en verslaan de markt en de risicovrije belegging duidelijk.
Eurozone 1 maand Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek -0,0274 0,1397 0,1255 0,1112 0,0821 Tabel 41. Alternatieve Sharpe Ratio Eurozone (1 maand lag)
96
4.2.3 Japan 4.2.3.1 Twee meest significante koppels De allocatie voor de sectorrotatie op de Japanse aandelenmarkt verloopt zoals weergegeven in tabel 32. De resultaten zien er rooskleuriger uit dan de resultaten van de sectorrotatie met de twee meest significante koppels op de aandelenmarkt van de Eurozone en de Verenigde Staten. Over de elfjarige periode tussen januari 2002 en februari 2012, deed de sectorrotatie zonder lag 4,511 percent beter dan de S&P Topix 150 markt index. Ook alle transactiekostenscenario’s van deze gelijktijdige simulatie doen meer dan 1 percent beter dan de marktindex op jaarbasis. Alle uitgevoerde gelijktijdige sectorrotaties hebben bovendien een positieve Sharpe ratio, die hoger is dan marktindex. Dit betekent dus dat de sectorrotaties een hogere vergoeding bieden voor het aangegane risico dan de risicovrije belegging en de buy-and-hold market strategie.
Japan Markt Sector Simulatie Geen Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio -0,0357 0,0331 0,0175 0,0019 -0,0289 Tabel 42. Sharpe Ratio Japan (geen lag)
Ook de Japanse sectorrotatie met één maand lag doet het aanzienlijk beter dan de Japanse aandelenmarkt. Zonder transactiekosten levert de rotatie een jaarlijkse return van 0,726 procent over de elfjarige testperiode. Hiermee laat het de markt achter zich met 3,182 procent, aangezien de markt een negatief jaarlijks rendement realiseert van -2,457 percent. Ook de rotaties met 0,5 transactiekosten en 1% transactiekosten overtreffen de markt, respectievelijk met 2,379 en 1,578 procent. De sectorrotatie met 2% transactiekosten doet echter 0,018 procent slechter dan de markt.
De één maand lag sectorrotatie heeft enkel voor transactiekosten een positieve Sharpe ratio. Dit wijst erop dat de meer realistische transactiekostenscenario’s van 0,5 procent en hoger een minder goede investeringsalternatief vormen dan een belegging in de one- month Gen Saki rate over de elfjarige testperiode.
97
Japan Markt Sector Simulatie 1 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiek Sharpe Ratio -0,0392 0,0063 -0,0084 -0,0229 -0,0516 Tabel 43. Sharpe Ratio Japan (1 maand lag)
Samenvattend kan men dat de bovenstaande Japanse sectorrotatie niet rendabel genoeg is om als een goede investeringsoptie te dienen op de Japanse markt. Ook al doet de investeringsstrategie beter dan de marktindex, ze dient toch haar meerdere te herkennen in de risicovrije belegging.
4.2.3.2 Alternatieve Allocatie De vergelijking met de literatuur leidde tot de allocatie in tabel 37. In lijn met de verwachtingen doet de op de literatuur afgestemde rotatie het ook in Japan stukken beter dan de meest significante koppels allocatie. De gelijktijdige rotatie levert een nominale jaarlijkse return voor transactiekosten van 9,548 % over de elfjarige testperiode januari 2002-december 2012. Ze doet hiermee 11,805 procent beter dan de markt, die op jaarbasis met 2,258 percent inkrimpt. Ook de overige transactiekosten scenario’s doen met minstens 8 percent per jaar beter. De Sharpe ratio’s zijn ook beduidend groter dan deze van de markt en bovendien positief.
Japan Markt Sector Simulatie Geen Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio -0,0357 0,1727 0,1563 0,1399 0,1069 Tabel 44. Alternatieve Sharpe Ratio Japan (geen lag)
Een zelfde beeld is er voor de praktisch uitvoerbare één maand lag sectorrotatie. Ook al is de mate van markt outperformance iets kleiner, ze is nog steeds aanzienlijk en aanwezig voor alle beschouwde transactiekostwaarden. Het realistische scenario met 0,5 percent transactiekosten doet op jaarbasis 3,589 % beter dan de markt en brengt 1,132 percent per jaar op over de teststeekproef. De markt krimpt over deze periode in met 2,457 percent in per jaar. Tabel 45 toont dat ook de rendement-tot risico verhouding van de 1 maand lag sectorrotatie telkens beter is dan de markt. 98
Japan Markt Sector Simulatie 1 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek Sharpe Ratio -0,0392 0,0271 0,0109 -0,0052 -0,0366 Tabel 45. Alternatieve Sharpe Ratio Japan ( 1 maand lag)
4.2.4 GEOGRAFISCHE DIVERSIFICATIE Dit afsluitende deel van het empirisch onderzoek tracht een strategie op te stellen die geografische en sectorgewijze diversificatie combineert. Het rendement van de strategie zal geëvalueerd worden in het licht van de MSCI World index. Deze index omvat large-cap en mid-cap vertegenwoordiging in 23 ontwikkelde landen. Met 1604 bestanddelen beslaat het ongeveer 85% van de marktkapitalisatie in elk land(MSCI World Index Factsheet,2013). Voor meer details over de sectorgewichten alsook de geografische verdeling binnen deze index wordt de lezer doorverwezen naar het MSCI World Index Factsheet, dat online beschikbaar is. In deze paragraaf wordt enkel de meest realistische vorm van de sectorrotatie geëvalueerd. Dit is de sectorrotatie met 1 maand lag en 0,5% transactiekosten. De overige transactiekostscenario’s zijn ook weergegeven in bijlage 13. Bij de geografische diversificatie wordt om het eenvoudig te houden uitgegaan van een gewicht van 1/3 in de overeenkomstige sectorrotatie van elk van de regio’s. De resultaten tonen aan dat de geografische diversificatiestrategie een nominaal rendement van 4,56% genereerde op jaarbasis over de periode januari 2002- december 2012. Hiermee doet de strategie ongeveer 1,85% beter dan de MSCI World index die op jaarbasis 2,70 percent als rendement had. Onderstaande tabel toont dat ook de Sharpe Ratio van de geografisch gediversifieerde sectorrotatie beduidend hoger dan deze van de MSCI World. De 0,5% transactiekost heeft een Sharpe ratio van 0,1885 terwijl de Sharpe ratio van de MSCI World index 0,0772 is. Dus ook wanneer het risico in acht wordt genomen, is deze rotatie aantrekkelijk. In de berekening van de Sharpe Ratio wordt de one- month T-Bill rate als risicovrije rente gebruikt. De verklaring hiervoor is dat het gewicht van de Verenigde Staten in de MSCI World index met 56 % het grootste is van alle landen. De risicovrije interestvoet van de Verenigde Staten zal dus een goede benadering zijn voor de globale risicovrije interestvoet.
99
Geograf Div Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% transactiek 0,0772 0,2192 0,1885 0,1578 0,0971 Tabel 46. Sharpe Ratio Geografische Diversificatie ( 1 maand lag)
De geografische gediversifieerde sectorrotatie doet ook beter dan de Amerikaanse en Japanse sectorrotatie. Het surplusrendement bedraagt 0,34 procent en 3,423 procent ten opzichte van respectievelijk de Amerikaanse en Japanse rotatie. Voor Amerikanen is het hoger rendement echter zodanig klein dat de extra inspanning van het geografische uitbreiden en opvolgen van de rotatie niet voldoende vergoed wordt. Voor Japanse investeerders brengt de overstap van de Japanse naar een globale sectorrotatie echter een voldoende hoge rendementsvergoeding met zich mee om de extra inspanningen te vergoeden. Aangezien de diversificatie een gelijk gewogen gemiddelde is van de drie sectorrotaties doet de geografische combinatie het logischerwijze minder goed dan de sectorrotatie in de Eurozone. Bovendien doet deze strategie beter dan de marktindices van de afzonderlijke regio’s. De Euro Stoxx en S&P Topix 150 worden respectievelijk overtroffen met een nominaal jaarlijks rendementsoverschot van respectievelijk 5,92 en 6,85 procent over de elfjarige teststeekproef. De Amerikaanse S&P 500 wordt nipt verslaan met 0,02% nominale voorsprong.
4.2.5 GRAFISCHE ANALYSE
In deze paragraaf zal nagegaan worden of de simulatierendementen al dan niet het resultaat zijn van lucky shots. Hiertoe wordt het grafisch verloop van de simulaties samen bekeken met de marktindex. Op de startdatum wordt in elke grafiek gestart van een waarde één die verder fluctueert naargelang de variatie in het rendement van de gegeven strategie. Figuren 6 tot en met 9 geven het verloop weer van de vier verschillende simulaties. Het betreft telkens de strategie met een maand lag en 0,5 procent transactiekosten.
100
Vergelijking VS Lag 1 met Markt 2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2
Markt
dec/12
jul/12
feb/12
sep/11
apr/11
nov/10
jun/10
jan/10
aug/09
mrt/09
okt/08
mei/08
dec/07
jul/07
feb/07
sep/06
apr/06
nov/05
jun/05
jan/05
aug/04
mrt/04
okt/03
mei/03
dec/02
jul/02
feb/02
0
Sector één maand lag (O,5% TC)
Figuur 6. Vergelijking Alternatieve VS Lag 1 sectorrotatie met de markt
Vergelijking Eurozone Lag 1 met Markt 3 2,5 2 1,5 1 0,5
Markt
dec/12
jul/12
feb/12
sep/11
apr/11
nov/10
jun/10
jan/10
aug/09
mrt/09
okt/08
mei/08
dec/07
jul/07
feb/07
sep/06
apr/06
nov/05
jun/05
jan/05
aug/04
mrt/04
okt/03
mei/03
dec/02
jul/02
feb/02
0
Sector één maand lag (O,5% TC)
Figuur 7. Vergelijking Alternatieve Eurozone Lag 1 sectorrotatie met de markt
101
Vergelijking Japan Lag 1 met Markt 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 feb/12
jul/12
dec/12
jul/12
dec/12
sep/11
apr/11
nov/10
jun/10
jan/10
aug/09
mrt/09
okt/08
mei/08
dec/07
jul/07
feb/07
feb/12
Markt
sep/06
apr/06
nov/05
jun/05
jan/05
aug/04
mrt/04
okt/03
mei/03
dec/02
jul/02
feb/02
0
Sector één maand lag (O,5% TC)
Figuur 8. Vergelijking Alternatieve Japan Lag 1 sectorrotatie met de markt
Vergelijking Geografische Diversificatie Lag 1 met Markt
Markt
sep/11
apr/11
nov/10
jun/10
jan/10
aug/09
mrt/09
okt/08
mei/08
dec/07
jul/07
feb/07
sep/06
apr/06
nov/05
jun/05
jan/05
aug/04
mrt/04
okt/03
mei/03
dec/02
jul/02
feb/02
2 1,8 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0
Sector één maand lag (O,5% TC)
Figuur 9. Vergelijking Alternatieve Geografische diversificatie Lag 1 sectorrotatie met de markt
102
Indien het rendementspatroon van een simulatie het gevolg zou zijn van een lucky shot zou het verloop een plotse piek kennen, gevolgd door een constante daling. Dit blijkt voor geen enkele simulatie het geval te zijn. Er is voor elke simulatie een vloeiend verloop waar te nemen, dat telkens minder grillig is dan het verloop van de overeenkomstige benchmark. Dit leidt tot de vaststelling dat het verschil in rendement met de benchmark niet gecreëerd is door een Lucky shot maar door een systematische verschillende variatie van het rotatierendement overheen de fases.
4.2.6 CONCLUSIE
Ter conclusie kan gesteld worden dat de één maand lag sectorrotatie, die in de twee meest statistisch significante sector koppels belegt, geen goede investeringsstrategie blijkt te zijn in elk van de drie ontwikkelde markten over de testperiode januari 2002- december 2012. In de Verenigde Staten doet de strategie beduidend slechter dan de S&P 500, terwijl in de Eurozone en Japan de risicovrije beleggingen hogere rendementen bieden. Wanneer de informatie uit de academische literatuur bij de sector allocatie betrokken wordt, worden beduidend betere rendementen verwezenlijkt. Vooral in de Eurozone en Japan vormen de rotaties een aantrekkelijke investeringstactiek. In de Eurozone realiseert de één maand lag sectorrotatie met 0,5 procent transactiekosten een nominale outperformance van 8,685 procent per jaar een Sharpe ratio van 0,1255. Dezelfde strategie doet in Japan per jaar 3,6 procent beter dan de markt en heeft een positieve Sharpe ratio van 0,0109. De Amerikaanse sectorrotatie toont in deze masterproef een matige winstgevendheid. De één maand lag rotatie met 0,5 procent transactiekosten geeft een 0, 32 procent lager nominaal rendement dan de S&P 500 maar heeft een Sharpe ratio die 0,05 hoger is dan deze van de markt. In vergelijking met Jacobsen, Stangl en Visaltanachoti (2009) en het rendement van eenvoudige market timing strategieën is de sectorrotatie niet winstgevend genoeg. De geografische diversificatie van de sectorrotatie met één maand lag en 0,5 procent transactiekosten geeft een return van 4,6 procent per jaar en een geruststellende Sharpe ratio van 0,1885. Zowel de MSCI World Index als de drie betreffende markt indices worden verslaan.
103
Het gevoerde empirisch onderzoek leidt tot de conclusie dat sectorrotaties nog steeds tot significante surplusrendementen leidden in de ontwikkelde markten. In Japan, de Eurozone en op globaal vlak toont deze strategie zich als een waardige beleggingskeuze. De rendementen blijken echter lager uit te vallen dan de 10,2 procent jaarlijkse nominale return die Luk (2012) voor haar sectorrotatie in de Asia ex Japan Markets realiseert.
104
5. ALGEMENE CONCLUSIE + SUGGESTIES VOOR VERDER ONDERZOEK In deze masterproef werden drie verschillende maar onderling gerelateerde concepten onderzocht. Vooreerst werd getracht een eenvoudig en algemeen toepasbare business klok op te zetten die een realtime uitspraak doet over de business cyclus status. Hierbij werd het steeds populairder wordende Markov Switching Regime concept toegepast op OECD data van drie ontwikkelde markten: Verenigde Staten, Eurozone en Japan. Een coincident multivariaat Markov Switching Regime model blijkt een te zwakke en onnauwkeurige datering te genereren. De combinatie van de CLI vuistregel met een univariaat CLI Markov Switching Regime model geeft echter een goede mix tussen tijdigheid en precisie. Gemiddeld vijf weken na datum brengt deze klok de economische situatie in één van vijf stages onder. Over de drie regio’s gezien bedraagt de gemiddelde absolute afwijking ten opzichte van de ex-post dateringen 4,66 maanden voor de startdatum en iets minder dan 3 maanden voor de einddatum. In vergelijking met het eerder gevoerd realtime business cyclus onderzoek blijkt deze afwijking eerder laag te zijn. In de tweede pijler van dit onderzoek werden op basis van de bovenvermelde business klok de verschillen in sectorrendementen overheen de business cyclus geanalyseerd. Hiertoe werden alfa maatstaf en paired trade regressies uitgevoerd. In lijn met de literatuur, wordt in de recovery fase een sterke return voor de IT sector vastgesteld overheen de drie markten. Ook al zijn de zwakst presterende sectoren niet dezelfde in de drie regio’s, elk van deze blijkt zich te gedragen zoals de literatuur dat verwacht. De literatuur omschrijft deze sectoren allemaal immers als defensief. Overeenstemmend met het voorgaande onderzoek wordt geen algemene sector hiërarchie vastgesteld in de volle expansiefase. In de Eurozone en Japan blijkt het long gaan in cyclische sectoren aangewezen, maar in de Verenigde Staten tonen defensieve sectoren de hoogste rendementen. In de late expansie leveren de defensieve sectoren in elk van de drie markten de hoogste rendementen. Zoals verwacht geven energie, consumer staples en gezondheidszorg significant positieve returns in deze fase. De VS en de Eurozone delen de goede prestatie van de energiesector, terwijl de gezondheidszorg zowel in Japan als de VS een topper is in de late expansie. De eten & drinken supersector blijkt zeer winstgevend te zijn in de Eurozone en nutsvoorzieningen presteren sterk in Japan. Duurzame consumptiegoederen blijken in de VS en Eurozone tot de twee relatief zwakst presterende sectoren te behoren, terwijl IT één van de twee minst renderende sectoren is in Japan en de VS. De basis materialen en industrials zijn de cyclische sectoren die het koppel slechtst presterende sectoren vervolledigen in respectievelijk de Eurozone en Japan tijdens de late expansie. In de (vroege) recessiefase volgen de resultaten van dit empirisch onderzoek globaal gezien de literatuur, die stelt dat defensieve
105
sectoren de beste prestaties laten noteren terwijl de cyclische sectoren een zwak rendement realiseren. De vertegenwoordiging van de cyclische en defensieve groep verschilt wel overheen de geografische regio’s. De hoge en significante returns van persoonlijke en huishoudelijke goederen in de Eurozone en van consumer staples in Japan stemmen met elkaar overeen. De uitstekende performance van de gezondheidszorg in deze fase treedt op in zowel de VS als de Eurozone. De Telecomsector is de tweede topperformer in de Amerikaanse recessie, terwijl nutsvoorzieningen de ranglijst aanvoeren in Japan. De slechte return van IT wordt zowel in de Verenigde Staten als in Japan waargenomen. Financials is een andere zeer zwakke performer in Japan terwijl shops het slecht doen in de VS. De Euro Stoxx supersectoren “Basis materialen” en “Auto’s en onderdelen” maken barre tijden door in de recessiefase van de Eurozone. Voor de late recessiefase (i.e. stage 5) zijn slechts een klein aantal observaties gedaan over de drie regio’s. In de Eurozone kon omwille van een gebrek aan observaties in de constructiesteekproef geen analyse uitgevoerd worden voor de vijfde fase. In de VS stemt de significantie van het sectorkoppel duurzame consumptiegoederen-telecom overeen met Stovall (1996) die duurzame consumptiegoederen en telecom respectievelijk als goede en slechte performance identificeert. In Japan wordt enkel de geobserveerde goede return voor financials ondersteund door de literatuur. Het derde en afsluitende onderzoeksdeel testte de winstgevendheid van de sectorrotatie strategie in de VS, Eurozone en Japan. De praktisch realiseerbare één maand lag strategie met 0,5 procent transactiekosten toont een onvoldoende hoog jaarlijks nominaal rendement van 4,2 procent en een lage Sharpe Ratio in de in de Verenigde Staten. Dezelfde rotaties genereert in Japan een nominaal rendement 1,13 procent op jaarbasis. Ook al is dit rendement absoluut gezien laag, de S&P Topix 150 wordt met 3,6 procent overtroffen. Bovendien is de Sharpe Ratio positief en bijgevolg groter dan de negatieve Sharpe Ratio voor de markt. In de Eurozone blijkt de één maand lag sectorrotatie met 0,5 procent transactiekosten het meest rendabel. Het nominaal rendement op jaarbasis bedraagt 7,32 procent en is 8,685 procent hoger dan de Euro Stoxx benchmark. Bovendien is de Sharpe ratio positief en duidelijk groter dan deze van de markt. Dus ondanks het feit dat Anderson en D’Agostino (2008) een gestegen voorspellingskracht van sectorprijzen voor het voorspellen van de macro-economische situatie vaststellen sinds de invoering van de euro, blijft een sectorrotatie op basis van de macro-economische Composite Leading Indicator nog steeds tot een genoegzaam rendement. Ten slotte is ook een geografische diversificatiestrategie die één derde belegt in de bovenvermelde sectorrotaties vrij rendabel. De sectorrotatie met één maand lag en 0,5 procent transactiekosten levert een rendement van 4,6 procent per jaar en een hoge Sharpe ratio van 0,1885. Zowel de MSCI World Index als de 106
drie betreffende markt indices worden verslaan. Vooral voor Japanse investeerders is de toepassing van geografische diversificatie interessant. Dit leidt tot de conclusie dat de sectorrotatie een te overwegen investeringsstrategie is in de Eurozone in Japan. Voor de Japanse investeerder is echter een geografische gediversifieerde rotatie aantrekkelijker dan een binnenlandse rotatie. Er dient opgemerkt te worden dat dit onderzoek niet van real-time data gebruik maakt in de eigenlijke zin van het woord. De eerst gepubliceerde CLI ’s worden immers niet ter beschikking gesteld op de OECD Statistical Database (2013). Ook al is de CLI een robuuste indicator die aan weinig en slechts minimale herzieningen onderhevig is, deze masterproef baseert zijn beleggingsklok op deze licht gereviseerde data. Volgens Luk (2012) heeft deze hindsight bias een positieve invloed op de gerealiseerde rendementen. Om het real-time aspect nog verder te verhogen zou onderzoek op basis van de eerst gepubliceerde OECD CLI een interessante aanvulling zijn op dit onderzoek. De selectie van de sectorrendementen data werd gedaan op basis van de lengte van de desbetreffende tijdsreeks. Om een zo sterk mogelijk empirisch onderzoek te voeren werden in deze masterproef voor elk van de drie beschouwde regio’s constructiesteekproeven gehanteerd die minstens 14 jaar (168 maanden) lang waren. De zo ontstane sector indeling was echter niet dezelfde overheen de verschillende markten wat tijdens de geografische vergelijking wat heterogeniteit teweeg bracht. Aangezien DataStream en andere media geen tijdsreeksen aanbieden met een constructiesteekproef langer dan 8 jaar ( 96 maanden), werd in deze masterproef noodzakelijkerwijze deze keuze gemaakt. In verder onderzoek is het echter aan te raden een uniforme sector indeling toe te passen overheen de geografische regio’s, die ver genoeg terug gaat in de tijd. Op deze manier kunnen de sector rankings nog beter met elkaar vergeleken worden. Tot slot kan in een volgende onderzoeksstap de rendabiliteit van een dergelijke sectorrotatie in de emerging markets nagegaan worden. Luk (2012) voerde een sectorrotatie reeds uit in de Asia ex-japan markten op basis van een marktkapitalisatie gewogen CLI index. Het zou interessant zijn de opzet van deze masterproef te herhalen voor de Asia ex-Japan markten en deze te vergelijken met Luk (2012). Verder kunnen sectorrotaties geëvalueerd worden in andere emerging markets zoals Brazilië en Rusland.
107
BIBLIOGRAFIE Anderson, M., & D'Agostino, A. (2008). Are Sectoral Stock Prices Useful for Predicting Euro Area GDP? Working Paper, European Central Bank. Baca, S., Garbe, B., & Weiss, R. (2000). The Rise of Sector Effects in Major Equity Markets. Association for Investment Management and Research. Banz, R. (1978). Limited Diversification and Market Equilibrium, an Empirical Analysis. Ph D. Dissertation, University of Chicago, Chicago. Banz, R. (1981). Relationship between Return and Market Value of Common Stocks. Bouman , S., & Jacobsen , B. (2002). The Halloween indicator, sell in May and go away: Another puzzle. American Economic Review (92), 1618-1635. Burns, A., & Mitchell, W. (1946). Measuring Business Cycles. New York: National Bureau of Economic Research. Chauvet , M., & Hamilton , J. (2005, Juni). Dating Business Cycle Turning Points . National Bureau of Economic Research Working Paper 11422 . Chauvet , M., & Piger , J. (2003, Maart). Identifying Business Cycle Turning Points in Real Time . Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences . Collignon , S. (2006). Why Europe is not becoming the World's most dynamic Economy, The Lisbon Strategy, Macroeconomic Stability and the Dilemma of Governance with Governments. Conover , C., Jensen , G., Johnson, R., & Mercer, J. (2008, Spring). Sector Rotation and Monetary Conditions. Journal of Investing . Dzikevicius, A., & Vetrov, J. (2012). Analysis of Asset Classes through the Business Cycle. Business, Management and Education (10(1)), 1-10. Economic and Social Research Institute. (sd). Japanese Business Cycle Dates. 2013, The Cabinet Office Website: < http://www.esri.cao.go.jp/en/stat/di/111019rdates.html> Emsbo-Mattingly, L., Hofshire, D., & Betro, M. (2013, Juni). How To Invest in Sectors using The Business Cycle. Fidelity :
Euro Area Business Cycling Committee. (2013). Centre For Economic Policy Research Website. O Fama, E., & French, K. Common Risk Factors in The returns on Stocks and Bonds. Journal of Financial Economics (33), 3-56. Frömmel , M. (2011). Portfolios and Investments .
IX
French, F. E. (1992). The Cross Section of Expected Stock Returns. Journal of Financial Economics (49), 283-306. French, K. R. (sd). Kenneth R.French Data Library. Maart 2013, Hall , R., Feldstein, M., Frankel , J., Gordon , R., & Mankiw, G. (2003). The NBER's Business Cycle Dating Procedure. NBER Business Cycle Dating Procedure. Hamilton , J. (1989). A New Approach to the Economic Analysis of Nonstationary Time Series and The Business Cycle. Econometrica (57(2)), 357-384. Hamilton, J. D. (1994). Time Series Analysis . Hunt, L. (1976). Dynamics of Forecasting Financial Cycles: Theory, Technique and Implementation. Greenwich, CT, US: JAI Press. Ito, T., & Mishkin, F. (2004)Two Decades of Japanese Monetary and the deflation problem. NBER Working paper 10878 . Jacobsen, B., & Visaltanachoti, N. (2009). Haloween Effect in The U.S. Sectors. The Financial Review (44), 437-459. Jacobsen, B., Stangl, J. S., & Visaltanachoti, N. (2009). Sector Rotation Across The Business Cycle. Jensen, M. (1968). The Performance of Mutual Funds in the Period 1945-1964. Journal of Finance (23), 389-416. Keim, D., & Madhavan, A. (sd). The Cost of Institutional Equity Trades. Financial Analysts Journal 54, , 50-69. Klaassen, F. Improving GARCH Volatility Forecasts with regime-switching GARCH. University of Amsterdam, Department of Economics. Klem , R., & Viljay , S. (1977). The Effect of Limited Information and Estimation Risk on Optimal Portfolio Diversification. Journal of Financial Economics (5), 89-111. Kouzmenko, R., & Nagy, Z. (2009, November). Sector Performance Across Business Cycles. MSCI Barra Research Bulletin . Lesmond, D., Schill , M., & Zhou, C. The Illusory Nature of Momentum Profit. Journal of Financial Economics (71), 349-380. Luk, P. (2012). Is There Value in Asia ex-Japan Sector Rotation Strategies? . S&P Dow Jones Indices . McGraw Hill Financial . MSCI. (sd). Global Industry Classification.2013,
X
MSCI. (2013). MSCI World Index Factsheet. Opgehaald van MSCI Website: Nasdaq. (sd). Definition Round-trip transaction costs (2013,). National Bureau of Economic Research Business Cycling Committee. (sd). FAQ. National Bureau of Economic Research Business Cycling Committee website: Nilsson , R., & Guidetti, E. (2007, 01). Current Period Performance of OECD Composite Leading Indicators(CLIs): Revision Analysis of CLIs for OECD Member Countries. OECD Statistics Working Papers: Noam, E. (2006). Fundamental Instability: Why telecom is becoming a cyclical and oligopolistic industry. Information Economics and Policy (18), 272-284. Nyaradi , J. (2010). Super Sectors, How to outsmart the Market using Sector Rotation and ETFs. Wiley Trading. OECD. (sd). Changes to the OECD's Composite Leading Indicator. (2013) OECD Website: OECD. (2013). OECD FAQ. Opgehaald van OECD Website: , OECD. (sd). OECD Statistics. Opgeroepen op 2013, Organisation For Economic Co-operation and Development: <Stats.OECD.Org> OECD. (2012). OECD System of Composite Leading Indicators . OECD. Perlin, M. (2012). MS_Regress-The MATLAB Package for Markov Regime Switching Models. Federal University of Rio Grande Do Sul. Pring, M. (2006). The Investor's Guide to Active Asset Allocation. McGraw Hill. Ruban , O., & Nagy, Z. (2011). Does Style Make the Sector? . MSCI Quantitative Insights . S&P Dow Jones Indices. (2010). S&P European Indices Methodology. Standard & Poors. Sassetti , P., & Tani, M. (2006, Spring). Dynamic Asset Allocation Using Systematic Sector Rotation. Journal of Wealth Management , 59-69. Sharpe, W. F. (1994, Winter ). The Sharpe Ratio . The Journal of Portfolio Management . Stock , J., & Watson, M. (1993). A Procedure for Predicting Recessions with Leading Indicators: Econometric Issues and Recent Experience. In J. Stock, & M. Watson, Business Cycles, Indicators and Forecasting (pp. 255-284). Chicago: University of Chicago Press for NBER.
XI
Stovall, S. (1996). Standard & Poor's Guide To Sector Investing, McGraw Hill. Stoxx, E. (2003). Euro Stoxx Factsheet. The Conference Board . (2001). The Business Cycle Indicators Handbook. Vaga, T. Coherent Market Hypothesis. Financial Analysts Journal (46), 36-49. Vaga, T. Profiting from Chaos . New York , NY: McGraw Hill. Weiss, R. (1998, Mei). Global Sector Rotation: New Look at an Old Idea. Yao, J., & Alles, L. (2006). Industry Return Predictability, Timing and Profitability,. Journal of Multinational Financial Managemeent (16), 122-141.
XII
BIJLAGE 1: PRING (2006) : CYCLUS OP BASIS VAN ACTUEEL MARKTGEDRAG EN SECTOR ALLOCATIE
Business Cyclus Fase Omschrijving Obligaties Stage I Stage II Stage III Stage IV Stage V Stage VI
Opmerking
Enkel obligaties bullish Enkel Commodities bearish Alles is bullish Obligaties starten bear market en rest bullish Enkel Commodities bullish Alles is bearish
50% 30% 20% 10% 10% 20%
Aanbevolen allocatie (neutrale investeerder) Cash Commodities Aandelen Beschrijving aandelen 20% 0 30% Leidende sectoren 5% 0 65% Alle sectoren (Consumentensectoren =uitschieters) 5% 10% 65% Alle sectoren( leidende verlagen, late verhogen) 10% 10% 70% earnings-driven sectoren 40% 15% 35% Late sectoren 50% 0% 30% heel late en heel vroeg leidende sectoren: Energie en Utilities
Leidende sectoren= utilities, financials en consumer staples late sectoren= commodity sectoren= Industrials, materialen en Energie Earnings-driven sectoren= technologie, gezondheidszorg en consumer staples
XIII
BIJLAGE 2: BESPREKING BUSINESS CYCLUS FASES EMSBO-MATTINGLY ET AL.(2013)
EARLY-CYCLE PHASE: A “V-SHAPED,” SHARP RECOVERY FROM RECESSION, MARKED BY AN ABOVE-AVERAGE ACCELERATION IN ECONOMIC ACTIVITY (E.G., GROSS DOMESTIC PRODUCT, INDUSTRIAL PRODUCTION, EMPLOYMENT). CREDIT BEGINS TO GROW AMID EASY MONETARY POLICY, CREATING A HEALTHY ENVIRONMENT FOR RAPID PROFIT GROWTH. BUSINESS INVENTORIES ARE LOW, WHILE SALES GROWTH IMPROVES SIGNIFICANTLY.
MID-CYCLE PHASE: TYPICALLY THE LONGEST PHASE OF THE BUSINESS CYCLE. THE MID CYCLE IS CHARACTERIZED BY A POSITIVE BUT MORE MODERATE RATE OF GROWTH THAN THAT EXPERIENCED DURING THE EARLY-CYCLE PHASE. ECONOMIC ACTIVITY GATHERS MOMENTUM, CREDIT GROWTH BECOMES STRONG, AND PROFITABILITY IS HEALTHY AGAINST AN ACCOMMODATIVE—THOUGH INCREASINGLY NEUTRAL—MONETARY POLICY BACKDROP.
INVENTORIES AND SALES GROW, REACHING EQUILIBRIUM RELATIVE TO EACH OTHER. LATE-CYCLE PHASE: EMBLEMATIC OF AN “OVERHEATED” ECONOMY POISED TO SLIP INTO RECESSION AND HINDERED BY ABOVE-TREND RATES OF INFLATION. ECONOMIC GROWTH RATES SLOW TO “STALL SPEED,” AGAINST A BACKDROP OF RESTRICTIVE MONETARY POLICY, TIGHTENING CREDIT AVAILABILITY, AND DETERIORATING CORPORATE PROFIT MARGINS. INVENTORIES TEND TO BUILD UNEXPECTEDLY AS SALES GROWTH DECLINES.
RECESSION PHASE: FEATURES A CONTRACTION IN ECONOMIC ACTIVITY. CORPORATE PROFITS DECLINE AND CREDIT IS SCARCE FOR ALL ECONOMIC ACTORS. MONETARY POLICY BECOMES MORE ACCOMMODATIVE AND INVENTORIES GRADUALLY FALL DESPITE LOW SALES LEVELS, SETTING UP THE NEXT EXPANSION.
BIJLAGE 3: COMPONENTEN VAN DE OECD COMPOSITE LEADING INDEX Bijlage 3.1: VS Component Dwellings started (number) Net new orders for durable goods (us dollar - million) Share prices: NYSE composite (2005=100)
Bron Bureau of the Census Bureau of the Census Bureau of the Census
Consumer sentiment indicator (normal = 100)
University of Michigan
Weekly hours of work : manufacturing (hours)
Bureau of Labor Statistics
Purchasing managers index (BS) (% balance)
Institute of Supply Management
Spread of interest rates (% per annum)
Federal Reserve
Bijlage 3.2: Eurozone 17 De Eurozone 17 omvat volgende landen: België, Cyprus, Duitsland, Estland, Finland, Frankrijk, Griekenland, Ierland, Italië, Luxemburg, Malta, Nederland, Portugal, Oostenrijk, Slovaakse Republiek, Slovenië & Spanje. Ter illustratie worden hieronder de componenten van de OECD Composite Leading Index voor Duitsland weergegeven. Component
Bron
Ifo business climate indicator (% balance)
Ifo Institute for Economic Research
Orders inflow/demand: tendency (manufact.) (% balance)
Ifo Institute for Economic Research
Export order books : level (manufacturing (% balance)
Ifo Institute for Economic Research
Total new orders (manufacturing) (2000 = 100)
Federal Statistical Office
Finished goods stocks: level (manufacturing) (% balance) inverted4
Ifo Institute for Economic Research
Spread of interest rates
European Central Bank
(% per annum)
4
“Inverted” duidt aan dat het omgekeerde van de variabele wordt gebruikt in de berekening van de index XV
Bijlage 3.3: Japan
Component Inventories to shipments ratio (mining and manufacturing) (2005=100) Inverted5 Ratio imports to exports (2000=100),
Bron
Ratio loans to deposits (%) Inverted5
Bank of Japan
Monthly overtime hours (manufacturing) (2000=100)
Statistics Japan
Construction: dwellings started (2000=100)
Ministry of Construction
Share price index (TOPIX) Tokyo (2000=100) Spread of interest rates (% annual rate)
Bank of Japan Bank of Japan Japan Finance Corporation for SMSE
Small business survey: Sales tendency (% balance)
Statistics Japan Statistics Japan
5
“Inverted” duidt aan dat het omgekeerde van de variabele wordt gebruikt in de berekening van de index XVI
BIJLAGE 4: VALSE ALARMEN DATERINGSMETHODEN Bijlage 4.1: VS
VS Vals Alarm CLI Vuistregel Start Einde December 1961 September 1962 Juli 1963 November 1963 April 1965 Juli 1965 Maart 1966 Februari 1967 Januari 1968 Mei 1968 Februari 1995 Januari 1997 Juli 1971 Juli 1971 Juni 1976 September 1976 Juni 1977 Januari 1978 Januari 1984 September 1985 Maart 1986 Oktober 1986 Augustus 1987 Februari 1988 November 1988 Augustus 1989 Oktober 1991 December 1991 Juli 1992 Augustus 1992 Februari 1993 Juli 1993 Juli 1994 November 1995 Mei 2002 Februari 2003 April 2004 Mei 2005 April 2006 Augustus 2006 Mei 2010 Augustus 2010 April 2011 September 2011
VS Vals Alarm CLI Markov Switching Start Einde April 1967 Mei 1967 Oktober 1995 Maart 1996 Augustus 2002 Maart 2003
VS Vals Alarm Combinatie Staging Start Einde Juni 1962 November 1962 September 1966 Mei 1967 Juli 1985 November 1985 Juni 1986 December 1986 Mei 1989 Oktober 1989 April 1993 September 1993 Februari 1995 Maart 1996 Juli 1998 November 1998 Juli 2011 November 2011
XVII
Bijlage 4.2: Eurozone-17 Eurozone Vals Alarm CLI Vuistregel Start Einde Februari 1970 September 1971 Juni 1976 Juli 1977 Februari 1984 Juni 1984 Oktober 1984 April 1985 November 1985 Januari 1986 Augustus 1986 Januari 1987 Februari 1989 Mei 1989 Augustus 1989 November 1989 April 1990 April 1991 December 1994 Mei 1996 Maart 1998 Februari 1999 Juni 2000 November 2001 Juni 2002 April 2003 Oktober 2004 Mei 2005 Eurozone Vals Alarm CLI Markov Switching Start Einde December 1970 September 1971 Maart 2003 Juni 2003
Eurozone Vals Alarm Combinatie Staging Start Einde April 1970 September 1971 December 1976 Augustus 1977 Februari 1984 Juni 1984 Oktober 1984 April 1985 November 1985 Januari 1986 Augustus 1986 Januari 1987 Februari 1991 April 1991 Oktober 1995 Augustus 1996 Oktober 1998 'Februari 1999 Mei 2001 Januari 2002 Augustus 2002 Juni 2003 December 2004 Mei 2005
XVIII
Bijlage 4.3: Japan
Japan Vals Alarm CLI Vuistregel Start Einde April 1960 Mei 1960 Maart 1967 November 1967 Juli 1983 Juli 1983 Jan 1988 Maart 1988 Juli 1988 November 1988 April 1989 Augustus 1989 November 1994 Juni 1995 Augustus 2004 Mei 2005 Mei 2006 September 2006 Voor het CLI Markov Model van Japan werden geen valse signalen vastgesteld.
Japan Vals Alarm Combinatie Staging Start Einde Maart 1967 Januari 1968 Augustus 2002 Januari 2003
XIX
BIJLAGE 5: KENNETH FRENCH LIBRARY 12 INDUSTRY DEFINITIES : SIC CODES Bron: Kenneth French Library 1 NoDur :Consumer NonDurables -- Food, Tobacco, Textiles, Apparel, Leather, Toys 0100-0999 2000-2399 2700-2749 2770-2799 3100-3199 3940-3989 2 Durbl : Consumer Durables -- Cars, TV's, Furniture, Household Appliance 2500-2519 2590-2599 3630-3659 3710-3711 3714-3714 3716-3716 3750-3751 3792-3792 3900-3939 3990-3999 3 Manuf: Manufacturing -- Machinery, Trucks, Planes, Off Furn, Paper, Com Printing 2520-2589 2600-2699 2750-2769 3000-3099 3200-3569 3580-3629
XX
3700-3709 3712-3713 3715-3715 3717-3749 3752-3791 3793-3799 3830-3839 3860-3899 4 Enrgy : Energy- Oil, Gas, and Coal Extraction and Products 1200-1399 2900-2999 5 Chems: Chemicals and Allied Products 2800-2829 2840-2899 6 BusEq : Business Equipment -- Computers, Software, and Electronic Equipment 3570-3579 3660-3692 3694-3699 3810-3829 7370-7379 7 Telcm: Telecom Telephone and Television Transmission 4800-4899 8 Utils: Utilities 4900-4949
9 Shops: Wholesale, Retail, and Some Services (Laundries, Repair Shops) 5000-5999 7200-7299
XXI
7600-7699 10 Hlth: Healthcare, Medical Equipment, and Drugs 2830-2839 3693-3693 3840-3859 8000-8099 11 Money : Finance 6000-6999 12 Other: Other -- Mines, Constr, BldMt, Trans, Hotels, Bus Serv, Entertainment
XXII
BIJLAGE 6: SECTOR RANKINGS OP BASIS VAN ALFA REGRESSIES VS Simple Market Outperformance Wald Test Shops Telecom Utilities Health Consumer durables Other Consumer nondurables Business Equipment Manufacturing Energy Chemicals Money
0,0011 0,0026 0,0031 0,0122 0,0178 0,0374 0,0509 0,0963 0,4719 0,6246 0,6914 0,816
Stage 4
Stage 3 Shops Health Telecom Utilities Business Equipment Other Consumer durables Energy Manufacturing Chemicals Money Consumer nondurables
Stage 1 coëfficiënt P-value Shops 1,299804 0,0001 Telecom -1,099804 0,0108 Health -0,692353 0,0464 Utilities -0,746078 0,0922 Business Equipment 0,649804 0,1224 Consumer durables 0,613333 0,2214 Other 0,330784 0,2965 Energy -0,458824 0,357 Consumer nondurables 0,22451 0,4466 Money 0,23098 0,4575 Manufacturing 0,102549 0,6449 Chemicals 0,020392 0,9458
coëfficiënt -1,207123 1,204962 1,483789 0,991151 -0,739587 -0,523828 -0,81 0,718171 -0,157187 -0,202421 0,054962 -0,030814
P-value 0,0039 0,0045 0,0052 0,0690 0,1390 0,151 0,1648 0,2214 0,5588 0,5705 0,885 0,9303
Shops Health Telecom Utilities Business Equipment Consumer durables Other Manufacturing Energy Consumer nondurables Chemicals Money
coëfficiënt P-value -1,427423 0,0009 1,531401 0,0025 1.575.836 0,003 1,455205 0,0153 -1,238931 0,0276 -1,215159 0,0409 -0,62007 0,1022 -0,394295 0,1655 0,844855 0,1831 0,493506 0,212 0,211592 0,5991 0,048067 0,9035
Stage 2 coëfficiënt P-value Shops -1,405011 0,0003 Telecom 0,982289 0,0462 Consumer nondurables -0,458238 0,1864 Health 0,459039 0,2835 Energy 0,536634 0,3590 Consumer durables -0,502505 0,3593 Other -0,25966 0,466 Chemicals -0,232937 0,504 Money -0,247253 0,504 Business Equipment -0,284893 0,5717 Utilities 0,189392 0,7146 Manufacturing -0,012312 0,9621 Stage 5 coefficient P-value Money -0,052559 0,09329 Utilities -0,981816 0,2214 Consumer durables 0,978246 0,2272 Health 0,839195 0,3203 Telecom -0,899143 0,3352 Other 0,39711 0,3627 Business Equipment 0,689143 0,5817 Chemicals -0,244076 0,6113 Consumer nondurables -0,265562 0,6557 Energy -0,315913 0,7707 Shops -0,074014 0,9187 Manufacturing 0,032714 0,937
XXIII
Sector Rankings VS: Jensen alfa Wald Test Health Shops Telecom Consumer nondurables Consumer durables Other Manufacturing Utilities Business Equipment Chemicals Money Energy
0,0183 0,0423 0,0493 0,078 0,2733 0,398 0,4143 0,4993 0,7294 0,7414 0,9055 0,9981
Stage 3 coëfficiënt P-value Health 1,393457 0,0024 Telecom 1,024026 0,041 Shops -0,799308 0,0468 Consumer durables -0,71919 0,2373 Money 0,283144 0,5005 Utilities 0,280779 0,5378 Consumer nondurables -0,209804 0,5464 Chemicals -0,17954 0,6317 Business Equipment -0,197273 0,6941 Other -0,122547 0,7139 Energy 0,081757 0,8824 Manufacturing -0,016468 0,9479
Shops Health Telecom Consumer nondurables Consumer durables Utilities Energy Business Equipment Other Manufacturing Chemicals Money
Stage 1 coëfficiënt P-value 0,912491 0,0046 -0,893255 0,0223 -0,698855 0,091 0,389128 0,525604 -0,120594 0,145395 0,133009 -0,040796 -0,023876 -0,016673 0,010772
0,1811 0,3219 0,7493 0,7527 0,7543 0,8879 0,9071 0,9585 0,976
Stage 4 coëfficiënt P-value Health 1,709065 0,0017 Shops -1,036269 0,0134 Telecom 1,094487 0,0292 Consumer durables -1,16358 0,0607 Utilities 0,680596 0,1786 Business Equipment -0,625155 0,2538 Manufacturing -0,252429 0,3482 Consumer nondurables 0,286024 0,4585 Money 0,302846 0,4828 Other -0,200142 0,566 Chemicals 0,200239 0,6271 Energy 0,159959 0,7883
Stage 2 coëfficiënt P-value Shops -0,941781 0,0118 Telecom 0,908079 0,0548 Health 0,800594 0,086 Consumer nondurables -0,415399 0,209 Consumer durables -0,480775 0,4007 Chemicals -0,211 0,564 Energy 0,184714 0,7349 Business Equipment -0,090967 0,8556 Utilities 0,072765 0,8695 Money 0,042278 0,9176 Other 0,010081 0,9758 Manufacturing 0,005689 0,9811 Stage 5 coëfficiënt P-value Health 1,138726 0,1597 Other 0,727973 0,1665 Telecom -1,390727 0,2017 Manufacturing 0,433363 0,2437 Consumer nondurables 0,539757 0,3715 Utilities -0,362391 0,626 Shops 0,415681 0,6862 Chemicals -0,230897 0,698 Business Equipment 0,38434 0,7701 Money 0,159012 0,7958 Consumer durables 0,217284 0,855 Energy -0,137454 0,9081
XXIV
Sector Rankings VS: Fama & French Wald Test Other Telecom Health Consumer nondurables Consumer durables Shops Utilities Energy Money Chemicals Manufacturing Business Equipment
0,0477 0,0967 0,1005 0,1013 0,2329 0,3145 0,5543 0,6118 0,6904 0,7513 0,7713 0,7773
Stage 3 coëfficiënt P-value Health 1,243199 0,004 Telecom 1,133434 0,0271 Consumer durables -0,73804 0,1623 Shops -0,611551 0,1709 Utilities -0,586447 0,1832 Other 0,296018 0,211 Energy -0,683235 0,2165 Business Equipment 0,480863 0,2661 Consumer nondurables -0,360094 0,305 Chemicals -0,323106 0,3999 Money 0,187142 0,6447 Manufacturing 0,00665 0,9807
Stage 1 coëfficiënt P-value Other -0,590025 0,0012 Telecom -0,843196 0,0517 Shops 0,687495 0,0571 Health -0,581738 0,1162 Consumer nondurables 0,450368 0,1296 Energy 0,499892 0,3066 Money -0,310722 0,3961 Utilities 0,264875 0,4998 Manufacturing -0,139874 0,551 Consumer durables 0,170144 0,7026 Chemicals 0,080267 0,8016 Business Equipment -0,064427 0,8623 Stage 4 coëfficiënt P-value Health 1,336643 0,0084 Telecom 1,179175 0,0276 Shops -0,817257 0,0602 Other 0,459424 0,0747 Consumer durables -0,858009 0,1191 Money 0,467575 0,2805 Energy -0,481294 0,4267 Manufacturing -0,178142 0,5338 Chemicals -0,098056 0,809 Utilities 0,101093 0,8372 Consumer nondurables 0,064799 0,8643 Business Equipment 0,072935 0,8745
Stage 2 coëfficiënt P-value Telecom 0,965806 0,0513 Health 0,800568 0,069 Consumer nondurables -0,611546 0,0723 Shops -0,658007 0,1089 Other 0,260268 0,2635 Utilities -0,469638 0,3009 Chemicals -0,313752 0,3796 Consumer durables -0,31531 0,5236 Money 0,239961 0,562 Business Equipment 0,253305 0,5716 Energy -0,188579 0,7469 Manufacturing -0,027253 0,9189 Stage 5 coëfficiënt P-value Other 0,924088 0,0258 Health 1,647951 0,1171 Utilities -0,849117 0,2836 Consumer durables 1,234924 0,3113 Energy -1,047277 0,4114 Manufacturing 0,300002 0,4781 Chemicals 0,308782 0,6304 Shops 0,49302 0,707 Money -0,25725 0,7243 Business Equipment -0,059932 0,95 Consumer nondurables 0,043019 0,9517 Telecom -0,014966 0,9838
XXV
Sector Rankings Eurozone: Simple Market Outperformance
Wald Test Real Estate Technology Media Telecom Travel & Leisure Resources Retail Chemicals Insurance Auto & Parts Oil & Gas Food & Beverages Personal & Household goods Financial Services Utilities Industrials Health Banks Construction
0,4300 0,5783 0,7267 0,7832 0,8034 0,8487 0,8532 0,8825 0,8837 0,9031 0,9069 0,915 0,9210 0,9222 0,9330 0,9503 0,9546 0,9774 0,9918
Stage 1 coefficient P-value Telecom 3,653462 0,2985 Banks 1,451487 0,3122 Resources 1,99943 0,4051 Auto & Parts 1,488413 0,5392 Real Estate -0,528003 0,6059 Utilities 1,161083 0,66683 Food & Beverages -0,862043 0,6898 Insurance -0,771257 0,7186 Retail 0,6399966 0,7214 Travel & Leisure 0,826403 0,7626 Chemicals 0,472859 0,7812 Industrials 0,602079 0,7863 Health -0,418549 0,792 Personal Goods -0,506569 0,8266 Construction 0,510522 0,8331 Media 0,442402 0,8352 Oil & Gas 0,23792 0,9037 Technology 0,19738 0,9233 Financial Services -0,009816 0,9963
Stage 2 coefficient P-value Real Estate -1,487778 0,239 Telecom -3,151613 0,4017 Auto & Parts -2,217703 0,4341 Resources -2,131898 0,4395 Retail -1,627427 0,4801 Media 1,819618 0,492 Technology 1,719125 0,5006 Chemicals -1,296679 0,551 Utilities -1,627397 0,5774 Insurance 1,34012 0,5939 Travel & Leisure -1,591202 0,6196 Health 0,876143 0,6667 Banks 0,616681 0,7088 Financial Services -0,730145 0,7624 Construction -0,732396 0,7865 Oil & Gas -0,446824 0,8467 Food & Beverages 0,33074 0,8921 Personal Goods 0,213348 0,9433 Industrials -0,171939 0,9461
XXVI
Sector Rankings Eurozone: Simple Market Outperformance: Vervolg
Telecom Banks Resources Auto & Parts Health Food & Beverages Industrials Utilities Construction Chemicals Retail Oil & Gas Financial Services Insurance Travel & Leisure Media Technology Personal Goods Real Estate
Stage 3 coefficient P-value -3,580588 0,3307 -1,49182 0,3524 -2,358962 0,3643 -1,88327 0,4757 0,993518 0,5772 1,134301 0,6201 -9,911072 0,7035 -1,0655513 0,7045 -0,772861 0,7668 -0,439337 0,8199 -0,315681 0,8761 0,298557 0,8886 -0,309033 0,8934 0,293093 0,8993 -0,202614 0,9465 -0,093242 0,9681 -0,071065 0,9759 -0,048996 0,9848 0,001089 0,9992
Resources Telecom Health Auto & Parts Travel & Leisure Food & Beverages Insurance Banks Media Technology Personal Goods Industrials Utilities Real Estate Oil & Gas Construction Financial Services Chemicals Retail
Stage 4 coefficient P-value -2,282433 0,3836 -3,158948 0,39 1,298179 0,4685 -1,634401 0,5436 -1,672826 0,5697 1,005466 0,662 0,973898 0,6750 -0,657585 0,6876 0,917751 0,694 -0,908641 0,6961 1,004219 0,6969 -0,849774 0,7236 -0,971354 0,7314 -0,375523 0,7456 -0,529915 0,8059 -0,510027 0,8447 0,224614 0,9209 -0,10937 0,9529 -0,110374 0,9561
XXVII
Sector Rankings Eurozone: Jensen’s alfa
Wald Test Industrials Basis Resources Technology Insurance Construction Banks Oil & Gas Media Telecom Utilities Auto & Parts Chemicals Financial Services Health Food & Beverages Travel & Leisure Retail Personal Goods Real Estate
0,0309 0,0309 0,0550 0,0595 0,0885 0,1034 0,1069 0,1086 0,1190 0,1845 0,2372 0,2648 0,2884 0,4574 0,4619 0,467 0,5041 0,5655 0,9628
Stage 1 coefficient P-value Basis Resources 4,042186 0,0112 Telecom 6,148493 0,0264 Chemicals 1,926731 0,0701 Industrials 2,554718 0,0705 Utilities 3,707335 0,0712 Retail 2,281467 0,0768 Oil & Gas 2,04607 0,0865 Construction 2,705635 0,0902 Auto & Parts 3,0233786 0,1092 Financial Services 1,992707 0,1432 Media 1,668696 0,1996 Food & Beverages 1,305975 0,2687 Travel & Leisure 2,011099 0,2747 Technology 1,803413 0,2970 Banks 1,335988 0,4068 Health 1,057061 0,4191 Personal Goods 1,441468 0,4250 Insurance 1,064027 0,5425 Real Estate -0,178929 0,8555
Stage 2 coefficient P-value Telecom -4,37766 0,1465 Basis Resources -2,258588 0,2296 Utilities -2,489107 0,2502 Retail -1,709439 0,3231 Technology 1,806818 0,4056 Auto & Parts -1,703341 0,4276 Insurance 1,420357 0,4742 Health 1,168651 0,4743 Real Estate -0,736693 0,4999 Financial Services -0,959781 0,5304 Travel & Leisure -1,267405 0,5647 Media 1,152782 0,5649 Construction -0,977169 0,5728 Chemicals -0,610962 0,6476 Banks 0,797575 0,6618 Industrials -0,31177 0,8461 Oil & Gas -0,225774 0,8668 Personal Goods 0,118979 0,9568 Food & Beverages -0,01383 0,9919
XXVIII
Sector Rankings Eurozone Jensen’s Alfa: Vervolg
Stage 3 coefficient P-value Basis Resources -4,534882 0,0123 Telecom -6,219593 0,0335 Industrials -2,996199 0,0591 Utilities -3,738407 0,0786 Auto & Parts -3,56021 0,0877 Construction -3,102108 0,0902 Media -2,35552 0,1143 Financial Services -2,446367 0,1176 Chemicals -2,02514 0,1183 Retail -1,724694 0,2283 Oil & Gas -1,635537 0,2288 Banks -1,832112 0,3000 Insurance -1,689216 0,3664 Technology -1,811623 0,3671 Food & Beverages -1,16456 0,3703 Personal Goods -1,751408 0,3822 Travel & Leisure -1,141008 0,5892 Health -0,615447 0,6699 Real Estate -0,417923 0,698
Stage 4 coefficient P-value Basis Resources -4,061537 0,0272 Telecom -5,631355 0,0588 Industrials -2,585636 0,1125 Utilities -3,23879 0,1313 Oil & Gas -2,048044 0,1377 Construction -2,461168 0,1702 Auto & Parts -2,960188 0,1722 Travel & Leisure -2,793994 0,1867 Technology -2,492732 0,2216 Retail -1,644485 0,2678 Chemicals -1,363162 0,2703 Financial Services -1,596594 0,3 Banks -1,216834 0,4893 Food & Beverages -0,919663 0,4920 Media -0,997243 0,5239 Real Estate -0,540008 0,6109 Personal Goods -0,850612 0,6840 Insurance -0,685121 0,7224 Health 0,057361 0,9693
XXIX
Sector Rankings Japan: Simple Market Outperformance Wald Test Materials Health Financials Utilities Consumer Staples Consumer Discret Industrials Energy IT Telecom
0,1009 0,1012 0,2196 0,2396 0,6011 0,6556 0,6681 0,7261 0,7777 0,9091
Stage 1 coëfficiënt P-value Utilities -0,020963 0,221 Health -0,016459 0,2872 Consumer Staples -0,014766 0,3843 IT 0,015182 0,4736 Telecom 0,016481 0,563 Energy -0,008325 0,5689 Financials -0,006622 0,7465 Industrials -0,003999 0,8119 Materials -0,003676 0,8359 Consumer Discret 0,003441 0,8498
Stage 4
Stage 3 Health Utilities Financials Consumer Staples Energy Consumer Discret Industrials Telecom Materials IT
coefficient P-value 0,036406 0,066 0,035503 0,1141 0,035488 0,1722 0,028296 0,1989 0,027172 0,2455 0,012506 0,5703 0,009887 0,6532 -0,014003 0,6814 0,007161 0,7581 -0,001809 0,9461
Stage 2 coëfficiënt P-value Telecom -0,02587 0,4022 Health 0,014733 0,4535 Consumer Discret 0,011918 0,5689 Utilities 0,008895 0,6556 0,725 IT -0,008474 Consumer Staples 0,005544 0,8125 Industrials 0,004151 0,8279 Materials 0,004258 0,8449 Energy 0,000696 0,9722 Financials 0,000182 0,9939
Utilities Consumer Staples Health Telecom IT Energy Consumer Discret Financials Industrials Materials
coefficient P-value 0,037614 0,0886 0,030639 0,1732 0,027795 0,1978 -0,023817 0,4563 -0,018696 0,489 0,009592 0,6904 0,007223 0,7535 -0,005124 0,8475 0,003941 0,8564 0,004011 0,8612
Stage 5 Health Materials Consumer Discret Financials Industrials Consumer Staples Utilities IT Telecom Energy
coefficient P-value 0,062319 0,0068 0,037492 0,0598 0,047276 0,1171 0,061929 0,1601 0,037522 0,1656 0,18513 0,431 0,015267 0,4582 0,029973 0,5017 0,000567 0,9916 -0,0000458 0,9989
XXX
Sector Rankings Japan: Jensen’s Alfa Wald Test IT Materials Consumer Discret Financials Industrials Health Telecom Consumer Staples Energy Utilities
0,0054 0,015 0,0379 0,1021 0,1206 0,2085 0,2168 0,7464 0,874 0,8921
Stage 3 coefficient P-value Telecom -0,056761 0,0922 IT -0,039358 0,1146 Industrials -0,026699 0,1198 Materials -0,029045 0,1243 Consumer Discret -0,024923 0,1623 Consumer Staples -0,012219 0,3712 Energy -0,00562 0,7696 Utilities -0,004292 0,7907 Health 0,003743 0,8028 Financials -0,002289 0,9217
Stage 1 coefficient P-value IT 0,03745 0,0564 Consumer Discret 0,01937 0,1975 Telecom 0,038709 0,2071 Industrials 0,015102 0,2983 Financials 0,01796 0,3143 Materials 0,01439 0,3561 Consumer Staples 0,009323 0,3797 Energy 0,007193 0,6241 Health 0,002796 0,8244 Utilities 0,000957 0,9445
Stage 2 coefficient P-value Telecom -0,041336 0,2025 IT -0,024001 0,2767 Financials -0,015176 0,4722 Industrials -0,007422 0,6499 Consumer Staples -0,007709 0,6722 Energy -0,007507 0,6919 Utilities -0,06075 0,7156 Health 0,004797 0,7717 Materials -0,005372 0,7837 Consumer Discret -0,002733 0,8736
Stage 4 coefficient P-value IT -0,064985 0,0052 Financials -0,050656 0,0265 Consumer Discret -0,037705 0,0309 Telecom -0,067732 0,0374 Industrials -0,036081 0,0417 Materials -0,031467 0,1239 Consumer Staples -0,016849 0,2539 Energy -0,02351 0,2801 Health -0,015939 0,288 Utilities -0,007026 0,6639
Stage 5 coefficient P-value IT -0,071359 0,0031 Telecom -0,08086 0,1699 Industrials -0,022045 0,2344 Financials -0,035168 0,2417 Health 0,027959 0,2562 Consumer Discret -0,016371 0,501 Utilities 0,007978 0,6687 Consumer Staples 0,006072 0,7987 Energy -0,008957 0,8293 Materials 0,002067 0,8976
XXXI
BIJLAGE 7:PAIRED TRADE TABELLEN Bijlage 7.1: Verenigde Staten Deze tabellen geven de regressiecoëfficiënten (eerste rij) van de stage 1 fasedummy variabele in iedere sectorregressie en de bijhorende pwaardes. P-waardes kleiner dan 0,05 worden weergegeven in het groen. P-waardes tussen 0,05 en 0,10 staan in het geel. De coëfficiënten zijn uitgedrukt als percentages.
XXXII
XXXIII
XXXIV
Bijlage 7.2: Eurozone
XXXV
XXXVI
XXXVII
XXXVIII
Bijlage 7.3: Japan Deze tabellen geven de regressiecoëfficiënten (eerste rij) van de stage 1 fasedummy variabele in iedere sectorregressie en de bijhorende pwaardes. P-waardes kleiner dan 0,05 worden weergegeven in het groen. P-waardes tussen 0,05 en 0,10 staan in het geel. De coëfficiënten zijn uitgedrukt als decimalen.
XXXIX
XL
XLI
Bijlage 8: Sector Simulatie VS Bijlage 8.1: Twee Meest Significante Koppels
VS Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
VS 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
VS Lag 2 maand 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return 68,007% 0,394% 0,000% 4,418% 0,000%
Market index Return 70,220% 0,404% 0,000% 4,532% 0,000%
Market index Return 73,978% 0,420% 0,000% 4,723% 0,000%
Geen transactiekost 87,778% 0,478% 0,085% 5,391% 0,973%
Sectorrotatie 0.5% transactiekost 1% transactiekost 70,844% 55,363% 0,407% 0,334% 0,013% -0,059% 4,564% 3,740% 0,146% -0,679%
2% Transactiekost 28,298% 0,189% -0,205% 2,098% -2,320%
Geen transactiekost 21,524% 0,148% -0,256% 1,638% -2,895%
Sectorrotatie 0.5% transactiekost 1% transactiekost 10,358% 0,168% 0,075% 0,001% -0,329% -0,403% 0,825% 0,014% -3,708% -4,518%
2% Transactiekost -17,598% -0,147% -0,550% -1,600% -6,133%
Geen transactiekost 20,678% 0,142% -0,278% 1,579% -3,144%
Sectorrotatie 0.5% transactiekost 1% transactiekost 9,602% -0,506% 0,069% -0,004% -0,351% -0,424% 0,767% -0,042% -3,956% -4,765%
2% Transactiekost -18,134% -0,151% -0,572% -1,654% -6,376%
XLII
Bijlage 8.2 Alternatieve Theoretisch Verantwoorde Allocatie
VS Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
VS 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
VS Lag 2 maand 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return 68,007% 0,394% 0,000% 4,418% 0,000%
Market index Return 70,220% 0,404% 0,000% 4,532% 0,000%
Market index Return 73,978% 0,420% 0,000% 4,723% 0,000%
Geen transactiekost 166,920% 0,747% 0,353% 8,525% 4,107%
Sectorrotatie 0.5% transactiekost 1% transactiekost 142,832% 120,814% 0,674% 0,602% 0,281% 0,208% 7,674% 6,824% 3,255% 2,406%
2% Transactiekost 82,322% 0,456% 0,062% 5,132% 0,714%
Geen transactiekost 80,629% 0,449% 0,045% 5,051% 0,518%
Sectorrotatie 0.5% transactiekost 1% transactiekost 64,066% 48,948% 0,376% 0,302% -0,028% -0,101% 4,212% 3,376% -0,320% -1,156%
2% Transactiekost 22,581% 0,154% -0,249% 1,711% -2,821%
Geen transactiekost 81,566% 0,453% 0,032% 5,096% 0,373%
Sectorrotatie 0.5% transactiekost 1% transactiekost 64,912% 49,713% 0,380% 0,306% -0,041% -0,114% 4,257% 3,420% -0,466% -1,303%
2% Transactiekost 23,203% 0,158% -0,262% 1,754% -2,969%
XLIII
Bijlage 9: Sector Simulatie Eurozone Bijlage 9.1: Twee Meest Significante Koppels Market index Return
Eurozone Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return
Eurozone 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Eurozone 2 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
-17,069% -0,142% 0,000% -1,548% 0,000%
-15,184% -0,125% 0,000% -1,363% 0,000%
Market index Return -14,346% -0,117% 0,000% -1,282% 0,000%
Geen transactiekost -5,428% -0,042% 0,099% -0,464% 1,084%
Sectorrotatie 0.5% transactiekost 1% transactiekost -13,684% -21,256% -0,111% -0,181% 0,030% -0,039% -1,219% -1,972% 0,329% -0,424%
2% Transactiekost -34,558% -0,321% -0,179% -3,472% -1,924%
Geen transactiekost -5,859% -0,046% 0,079% -0,502% 0,861%
Sectorrotatie ( Lag 1 maand) 0.5% transactiekost 1% transactiekost -13,602% -20,743% -0,111% -0,176% 0,014% -0,051% -1,211% -1,919% 0,152% -0,556%
2% Transactiekost -33,391% -0,307% -0,183% -3,329% -1,966%
Geen transactiekost 22,829% 0,156% 0,273% 1,728% 3,010%
Sectorrotatie ( 2 maand lag) 0.5% transactiekost 1% transactiekost 12,784% 3,517% 0,091% 0,026% 0,208% 0,143% 1,008% 0,288% 2,290% 1,571%
2% Transactiekost -12,911% -0,105% 0,013% -1,145% 0,137%
XLIV
Bijlage 9.2: Alternatieve Theoretisch Verantwoorde Allocatie
Market index Return
Eurozone Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return
Eurozone 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Eurozone 2 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
-17,069% -0,142% 0,000% -1,548% 0,000%
-15,184% -0,125% 0,000% -1,363% 0,000%
Market index Return -14,346% -0,117% 0,000% -1,282% 0,000%
Geen transactiekost 72,171% 0,412% 0,554% 4,632% 6,179%
Sectorrotatie 0.5% transactiekost 1% transactiekost 57,130% 43,336% 0,343% 0,273% 0,485% 0,415% 3,838% 3,046% 5,385% 4,593%
2% Transactiekost 19,106% 0,133% 0,274% 1,468% 3,015%
Geen transactiekost 153,976% 0,709% 0,833% 8,077% 9,440%
Sectorrotatie ( Lag 1 maand) 0.5% transactiekost 1% transactiekost 133,494% 114,573% 0,644% 0,580% 0,769% 0,705% 7,322% 6,569% 8,685% 7,932%
2% Transactiekost 80,977% 0,450% 0,575% 5,068% 6,431%
Geen transactiekost 150,028% 0,697% 0,814% 7,936% 9,218%
Sectorrotatie ( 2 maand lag) 0.5% transactiekost 1% transactiekost 129,953% 111,401% 0,633% 0,569% 0,750% 0,686% 7,186% 6,437% 8,468% 7,719%
2% Transactiekost 78,443% 0,440% 0,557% 4,944% 6,226%
XLV
Bijlage 10: Sector Simulatie Japan Bijlage 10.1: Twee Meest Significante Koppels
Japan Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Japan 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Japan 2 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return
Geen transactiekost 30,660% 0,203% 0,410% 2,254% 4,511%
-23,970% -0,207% 0,000% -2,258% 0,000%
Market index Return -25,806% -0,226% 0,000% -2,457% 0,000%
Market index Return -17,121% -0,142% 0,000% -1,553% 0,000%
Sectorrotatie 0.5% transactiekost 1% transactiekost 18,797% 7,960% 0,131% 0,058% 0,338% 0,265% 1,446% 0,640% 3,704% 2,898%
Sectorrotatie 0.5% transactiekost 1% transactiekost -0,931% -10,054% -0,007% -0,080% 0,219% 0,146% -0,078% -0,879% 2,379% 1,578%
2% Transactiekost -25,968% -0,228% -0,002% -2,474% -0,018%
Sectorrotatie 0.5% transactiekost 1% transactiekost -13,685% -21,628% -0,111% -0,184% 0,031% -0,042% -1,219% -2,010% 0,334% -0,458%
2% Transactiekost -35,485% -0,331% -0,189% -3,586% -2,034%
Geen transactiekost 9,064% 0,066% 0,292% 0,726% 3,182%
Geen transactiekost -4,984% -0,039% 0,103% -0,425% 1,128%
2% Transactiekost -10,970% -0,088% 0,119% -0,964% 1,294%
XLVI
Bijlage 10.2 : Alternatieve Theoretisch Verantwoorde Allocatie
Japan Geen Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Japan 1 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Japan 2 maand Lag 11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
Market index Return -23,970% -0,207% 0,000% -2,258% 0,000%
Market index Return -25,806% -0,226% 0,000% -2,457% 0,000%
Market index Return -17,121% -0,142% 0,000% -1,553% 0,000%
Geen transactiekost 198,701% 0,832% 1,040% 9,548% 11,805%
Sectorrotatie 0.5% transactiekost 1% transactiekost 171,712% 146,997% 0,760% 0,687% 0,968% 0,895% 8,687% 7,826% 10,944% 10,084%
2% Transactiekost 103,811% 0,541% 0,748% 6,113% 8,371%
Geen transactiekost 26,051% 0,176% 0,401% 1,948% 4,405%
Sectorrotatie 0.5% transactiekost 1% transactiekost 14,461% 3,885% 0,102% 0,029% 0,328% 0,255% 1,132% 0,318% 3,589% 2,775%
2% Transactiekost -14,554% -0,119% 0,107% -1,302% 1,155%
Geen transactiekost -9,253% -0,074% 0,069% -0,806% 0,747%
Sectorrotatie 0.5% transactiekost 1% transactiekost -17,734% -25,460% -0,148% -0,222% -0,006% -0,080% -1,614% -2,419% -0,061% -0,866%
2% Transactiekost -38,900% -0,373% -0,230% -4,022% -2,470%
XLVII
BIJLAGE 11: TWEE MAAND LAG SHARPE RATIO’S VOOR ALLOCATIE MET TWEE MEEST SIGNIFICANTE KOPPELS
VS Markt Sector Simulatie 2 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost Sharpe Ratio 0,0868 0,0161 -0,0121 -0,0393 -0,0899
Eurozone 2 maand Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost -0,0254 0,0157 0,0002 -0,0153 -0,0457
Japan
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost -0,0256 -0,0143 -0,0289 -0,0434 -0,0717
2 Maand Lag Sharpe Ratio
XLVIII
BIJLAGE 12: 2 MAAND LAG SHARPE RATIO’S VOOR ALTERNATIEVE ALLOCATIES
VS Markt Sector Simulatie 2 Maand Lag Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost Sharpe Ratio 0,0868 0,1124 0,0899 0,0676 0,0245
Eurozone 2 maand Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost -0,0261 0,1382 0,1241 0,1097 0,0805
Japan 2 Maand Lag Sharpe Ratio
Markt Sector Simulatie Markt Index Geen transactiekost 0.5% transactiekost 1% transactiekost 2% Transactiekost -0,0256 -0,0075 -0,0198 -0,0320 -0,0558
XLIX
Bijlage 13: Geografische Diversificatie Sectorrotaties 0% Transactiekost
VS
11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
0.5% transactiekost
11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
MSCI World 86,885% 37,647% 0,475% 0,242% 0,233% 5,349% 2,698% 2,651%
64,066% 0,376% -0,028% 4,212% -0,320%
Eurozone Japan Combinatie 133,494% 14,461% 0,644% 0,102% 0,787% 0,328% 7,322% 1,132% 8,876% 3,589%
70,673% 0,406% 0,163% 4,556% 1,857%
48,948% 0,302% -0,101% 3,376% -1,156%
Eurozone Japan Combinatie 114,573% 3,885% 0,580% 0,029% 0,722% 0,255% 6,569% 0,318% 8,123% 2,775%
MSCI World 55,802% 37,647% 0,336% 0,242% 0,094% 3,764% 2,698% 1,066%
VS
11 jaar rendement Rendement op maandbasis Verschil met buy-and hold market Rendement op jaarbasis Verschil met buy-and hold market
1% Transactiekost
80,629% 0,449% 0,045% 5,051% 0,518%
Eurozone Japan Combinatie 153,976% 26,227% 0,709% 0,577% 0,851% 2,349% 8,077% 6,353% 9,631% 4,405%
VS
MSCI World 37,647% 0,242% 2,698%
L
LI
