Investeringen in Soft Commodities

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013

Investeringen in “Soft Commodities”

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

Pieter-Jan Scheir onder leiding van Prof. dr. Michael Frömmel

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013

Investeringen in “Soft Commodities”

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

Pieter-Jan Scheir onder leiding van Prof. dr. Michael Frömmel

Permission Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding. Pieter-‐Jan Scheir

I

Woord Vooraf Deze masterproef is het resultaat van een langdurige verdieping in de wereld van de Soft Commodities. Dit werkstuk kwam mede tot stand dankzij de begeleiding van Prof. dr. Michael Frömmel, die met zijn inzichten geholpen heeft om dit onderzoek in goede banen te leiden. Daarnaast gaat mijn dank uit naar Stephanie Eeckhaut voor het nalezen van mijn masterproef, de medewerkers van de Universiteitsbibliotheek van de Faculteit Economie en Bedrijfskunde en mijn ouders, die tijdens deze periode een belangrijke steun zijn geweest.

II

Inhoudsopgave Permission .......................................................................................................................... I Woord Vooraf .................................................................................................................... II Gebruikte afkortingen ....................................................................................................... IV Lijst van figuren .................................................................................................................. V Lijst van tabellen ............................................................................................................... VI Algemene Inleiding ............................................................................................................ 1 Hoofdstuk 1: Soft Commodities als activaklasse ................................................................ 3 1.1 Inleiding ........................................................................................................................................ 3 1.2 Prijsbepalende factoren ................................................................................................................ 4 1.3 Hoe investeren? ............................................................................................................................ 6 1.4 Conclusie ....................................................................................................................................... 7 Hoofdstuk 2: Soft Commodities als aanvulling voor de beleggingsportefeuille ................... 8 2.1 Inleiding ........................................................................................................................................ 8 2.2 Gelijkgewogen index van Soft Commodities ................................................................................ 9 2.3 Risico en rendement van Soft Commodities vergeleken met andere activaklassen .................. 12 2.4 Correlatie Analyse ....................................................................................................................... 16 2.5 Portfolio Analyse ......................................................................................................................... 21 2.6 Conclusie ..................................................................................................................................... 27 Hoofdstuk 3: Soft Commodities als hedge tegen inflatie ................................................... 28 3.1 Inleiding ...................................................................................................................................... 28 3.2 Correlatie Analyse ....................................................................................................................... 30 3.3 Regressie Analyse ....................................................................................................................... 35 3.4 Conclusie ..................................................................................................................................... 40 Hoofdstuk 4: Algemene Conclusie .................................................................................... 42 Lijst van geraadpleegde werken ....................................................................................... VII Bijlagen .............................................................................................................................. X

III

Gebruikte afkortingen

CBOT

Chicago Board of Trade

CPI

Consumer Price Index

ETF

Exchange Traded Fund

FAO

Food and Agriculture Organization of the United Nations

NYBOT

New York Board of Trade

MPT

Moderne Portefeuille theorie

S&P

Standard & Poor’s

GSCI

Goldman Sachs Commodity Index

IV

Lijst van figuren Figuur 1: FAO Food Price Index, 2002-‐2004=100, 1990-‐2012, Bron: FAO. ................................ 3 Figuur 2: Risico en maandelijks rendement Soft Commodities, 2000-‐2009, Eigen onderzoek. 11 Figuur 3: Gelijkgewogen Soft Commodities Index, Eurostoxx50 en Barclays Euro Aggregate, 2000=1, 2000-‐2009, Eigen Onderzoek. .................................................................................. 12 Figuur 4: Gelijkgewogen Soft Commodities Index en S&P GSCI, 2000=1, Eigen onderzoek. ... 16 Figuur 5: 3-‐Jaar voortschrijdende correlatie maandelijkse rendementen Soft Commodiites en Europese Obligaties, Europese Aandelen en Chinese Aandelen, 2000-‐2009, Eigen onderzoek ................................................................................................................................................ 20 Figuur 6: Voortschrijdende correlatie maandelijkse rendementen Soft Commodities en S&P GSCI, 2000-‐2009, Eigen onderzoek. ........................................................................................ 20 Figuur 7: Efficiënte Curve met en zonder Soft Commodities, (rendement gecorrigeerd met risicovrije rente), 2000-‐2009, Eigen onderzoek. ...................................................................... 24 Figuur 8: Efficiënte curve met en zonder Soft Commodities, 2000-‐2002, Eigen onderzoek. ... 25 Figuur 9: Efficiënte curve met en zonder Soft Commodities, 2003-‐2006, Eigen onderzoek. ... 26 Figuur 10: Efficiënte curve met en zonder Soft Commodities, 2007-‐2009, Eigen onderzoek .. 26 Figuur 11: Evolutie gelijkgewogen Soft Commodities index en Europese Inflatie (Eurostat CPI All Items), 2000=1, 2000-‐2009, Eigen onderzoek. ................................................................... 29

V

Lijst van tabellen Tabel 1: Nominale waarde Soft Commodities en gelijkgewogen index (2000 = 100), Eigen onderzoek. .............................................................................................................................. 10 Tabel 2: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2000-‐2010, Eigen onderzoek ............................................................... 13 Tabel 3: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2000-‐2002, Eigen onderzoek ............................................................... 14 Tabel 4: Maandelijkse rendementen van Europese Obligaties, Europese aandelen en Soft Commodities, Periode 2003-‐2006, Eigen onderzoek ............................................................... 15 Tabel 5: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2007-‐2009, Eigen onderzoek ............................................................... 15 Tabel 6: Correlatie tussen maandelijkse rendementen Barclays EU Bonds, Eurstoxx50, Nikkei225, S&P500, Shanghai & Soft Commodities gelijkgewogen index, 2000-‐2009, Eigen onderzoek ............................................................................................................................... 17 Tabel 7: Correlatie driemaandelijkse, halfjaarlijkse en jaarlijkse rendementen van Soft Commodities index met EU Bonds, Eurostoxx50, S&P500, Shanghai, 2000-‐2009, Eigen onderzoek. .............................................................................................................................. 18 Tabel 8: Correlatie driemaandelijkse rendementen Soft Commodities en Europese Obligaties en Aandelen, 2000-‐2009, Eigen onderzoek. ............................................................................ 18 Tabel 9: Correlatie maandelijkse rendementen gelijkgewogen Soft Commodities index, verschillende subperiodes, Eigen onderzoek. .......................................................................... 19 Tabel 10: Portfolio selectie op basis van MPT met Soft Commodities als beleggingsmogelijkheid, 2000-‐2009, Eigen onderzoek. .......................................................... 24 Tabel 11: Correlatie tussen rendementen van Europese aandelen, Europese obligaties en gelijkgewogen Soft Commodities index met inflatie, 2000-‐2009, Eigen onderzoek. .............. 30 Tabel 12: Correlatie Europese aandelen, Europese obligaties en Soft Commodities index met verwachte en onverwachte inflatie, driemaandelijkse rendementen, 2000-‐2009, Eigen onderzoek. .............................................................................................................................. 33 Tabel 13: Correlatie Europese aandelen, Europese obligaties en Soft Commodities index met verwachte en onverwachte inflatie, halfjaarlijkse rendementen, 2000-‐2009, Eigen onderzoek. ................................................................................................................................................ 34 Tabel 14: Correlatie Soft Commodities index met verwachte en onverwachte inflatie, driemaandelijkse rendementen, verschillende subperiodes 2000-‐2009, Eigen onderzoek. .... 35 Tabel 15: Regressieresultaten Inflatie en rendementen Soft Commodities, NRst = α + βIt + ϵt , (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek. .................................... 36 Tabel 16: Regressieresultaten verwachte en onverwachte inflatie en rendementen Soft Commodities, NRst = α + βEIt-‐1 + γUIt + ϵt, (standaardfouten tussen haakjes), 2000-‐ 2009, Eigen onderzoek. ........................................................................................................... 37 Tabel 17: Regressieresultaten onverwachte inflatie en rendementen Soft Commodities, NRst = α + βUIt + ϵt, (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek. ... 38 Tabel 18: Regressieresultaten verwachte inflatie en rendementen Soft Commodities, NRst = α + βEIt-‐1 + ϵt, (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek. 39 Tabel 19: Regressieresultaten inflatie en driemaandelijkse rendementen Soft Commodities, NRst = α + βIt + ϵt,, (standaardfouten tussen haakjes), verschillende subperiodes, 2000-‐ 2009, Eigen onderzoek. ........................................................................................................... 40

VI

Algemene Inleiding Soft Commodities of agrarische grondstoffen zijn de laatste jaren steeds meer in beeld bij beleggers. De verschuivingen in de wereldeconomie zorgen namelijk voor een groeiend besef dat schaarste op de voedselmarkten mogelijk is. Factoren zoals de toenemende wereldpopulatie, de door de gestegen welvaart gewijzigde consumptiepatronen en de gestegen vraag naar biobrandstoffen zorgen mee voor een toenemende druk op de markten. Het aanbod kan de vraag daarnaast niet steeds volgen, omdat verschillende factoren ook de aanbodzijde beïnvloeden. Zo is een landbouwer afhankelijk van de weersomstandigheden en kan er bij het planten van de landbouwgrondstof wel een grote vraag naar deze grondstof zijn, maar niets garandeert dat deze vraag nog steeds dezelfde is wanneer de grondstof wordt geoogst. Deze en vele andere factoren zorgen ervoor dat beleggen in Soft Commodities de laatste jaren meer in de belangstelling is gekomen. In hoofdstuk 1 zullen we dan ook trachten om deze activaklasse duidelijk te omschrijven en zullen we de belangrijkste factoren voor de prijsvorming van landbouwgrondstoffen uitleggen, samen met een kort overzicht over hoe je in Soft Commodities kan investeren. In hoofdstuk 2 gaan we na of Soft Commodities een goede aanvulling kunnen betekenen voor de beleggingsportefeuille. Om dit na te gaan zullen we eerst een gelijkgewogen Soft Commodities index creëren, waarin zeven belangrijke agrarische grondstoffen zullen worden verwerkt. Hierop zullen we dan een correlatie en portfolio analyse uitvoeren, waarmee we hopen aan te kunnen tonen dat investeren in landbouwgrondstoffen een meerwaarde en/of lager risico kan bieden voor de belegger. Op de vraag of Soft Commodities een goede hedge zou kunnen vormen tegen inflatie proberen we in hoofdstuk 3 een antwoord te vinden. Van grondstoffen wordt algemeen aangenomen dat ze inflatie goed kunnen compenseren (Greer, 1978), dus willen we nu ook graag nagaan of dit voor agrarische grondstoffen geldt. Hiertoe zullen we een correlatie en regressie analyse uitvoeren. Dankzij deze methodes hopen we aan te kunnen tonen of het

1

beleggen in Soft Commodities al dan niet een goede bescherming tegen inflatie kan opleveren. In hoofdstuk 4 brengen we tenslotte een algemene conclusie. Zijn Soft Commodities interessant om op te nemen in de portefeuille? Leveren ze een hoger rendement bij een lager risico? En kunnen ze de portefeuille tegen inflatie beschermen? Het antwoord op deze drie vragen zou ons in ieder geval helpen om het belang van Soft Commodities als activaklasse beter te begrijpen en lijkt ons een belangrijke basis te vormen voor toekomstig onderzoek.

2

Hoofdstuk 1: Soft Commodities als activaklasse 1.1 Inleiding Agrarische grondstoffen of Soft Commodities zijn een bijzondere categorie van grondstoffen. In tegenstelling tot de meer bekende grondstoffen zoals goud, ijzer en olie zijn het namelijk grondstoffen die groeien of gekweekt worden. Het gaat dus voornamelijk om landbouwproducten zoals graan, gerst, tarwe en rijst, maar ook vee, katoen en suiker worden tot deze activaklasse gerekend. Soft Commodities staan daarmee haaks tegenover andere grondstoffensoorten, die veel meer bedreigd worden door de uitputbare voorraad die onze aardbol rijk is. Hier zal recyclage en een goede cradle to cradle strategie ervoor moeten zorgen dat de toekomstige generaties ook nog van deze grondstoffen kunnen profiteren. Bij Soft Commodities is dit probleem minder aanwezig, in principe kan je landbouwproducten namelijk blijven telen en is het aanbod dus gegarandeerd. Toch is ook de markt van Soft Commodities niet vreemd aan spanningen, zo steeg de reële Food Price Index van de FAO tussen 2000 en 2012 met 46%. Terwijl deze tijdens de financiële crisis in 2008 zelfs piekte en 61% hoger noteerde. Na een afkoelperiode in de naloop van de crisis, zien we dat de voedselprijzen sinds 2010 opnieuw een flinke opstoot kennen, en daarmee lijkt de trend naar langdurig hoge voedselprijzen ingezet. Figuur 1: FAO Food Price Index, 2002-‐2004=100, 1990-‐2012, Bron: FAO.

3

1.2 Prijsbepalende factoren De opmerkelijke stijging van de voedselprijzen doet ons nadenken over de factoren die de prijsvorming van Soft Commodities bepalen. We kunnen de prijsinvloeden opsplitsen in een vraag-‐ en aanbodzijde. Langs de vraagzijde zijn de gestegen wereldpopulatie, de algemeen gestegen welvaart, de gestegen vraag naar biobrandstoffen en de groeiende rol van financiële beleggers belangrijke factoren. Terwijl er langs de aanbodzijde een grote invloed wordt uitgeoefend door een verminderde toename aan productiviteit, een grotere schaarste aan land en water, verschillende weerfenomenen en overheidsbeperkingen op het vlak van export. (Dupont & Thirlwell, 2009) Aan de vraagzijde is de stijgende wereldpopulatie de meest voor de hand liggende factor. Op 31 oktober 2011 leefden 7 miljard mensen op onze planeet, terwijl dat aantal tegen 2025 zal oplopen tot 8 miljard. (World Population Prospects: Revision 2011, United Nations) Deze groei van de wereldpopulatie zal in de toekomst voor extra spanningen op de voedselmarkten zorgen. Zo berekende de FAO dat de wereldwijde landbouwproductie tegen 2050 met 70% zou moeten toenemen om de naar verwachting twee miljard meer monden te kunnen voeden. (Huet, 2010) De toegenomen welvaart in verschillende groeilanden zorgt eveneens voor een grotere vraag naar landbouwgrondstoffen. (Dupont & Thirlwell, 2009) China geldt hier als een belangrijk voorbeeld, het land ziet de laatste jaren zijn welvaart stijgen en bijgevolg zien miljoenen mensen er ook hun levensstandaard verbeteren. Een belangrijk onderdeel van die gestegen levensstandaard is de mogelijkheid om meer te eten, wat een belangrijke invloed heeft op de wereldwijde vraag naar voeding. Chinezen zoeken daarenboven ook meer hun heil in Westerse eetgewoonten en verhogen onder meer hun vleesconsumptie. Deze vleesproductie vereist echter veel input van landbouwgrondstoffen zoals graan en soja vereist. China heeft daarnaast onvoldoende landbouwgronden en water ter beschikking om zijn enorme bevolking te voeden, waardoor het land nu reeds overal ter wereld landbouwgronden opkoopt. (Huet, 2010)

4

De sterk gestegen vraag naar biobrandstoffen blijkt ook een belangrijke rol te spelen in de prijsvorming van Soft Commodities. (Dupont & Thirlwell, 2009) De wereldwijde productie van biobrandstoffen steeg tussen 2000 en 2007 namelijk van 17,25 miljard naar 46 miljard liter. (Balat & Balat, 2009) Aangezien biobrandstoffen omgezet worden uit agrarische grondstoffen zoals suiker en graan, zien we dan ook een toegenomen vraag naar deze grondstoffen op de markt. Het ziet er daarnaast naar uit dat de stijgende brandstofprijzen in de toekomst voor een nog hogere productie van biobrandstoffen zullen zorgen. Wat de druk op de vraagzijde van de hiervoor gebruikte grondstoffen een blijvend karakter geeft. Als laatste belangrijke factor voor de vraag naar landbouwgrondstoffen staan we stil bij de mogelijkheid dat beleggers door speculatie mee de stijging van grondstofprijzen zouden hebben veroorzaakt. (Dupont & Thirlwell, 2009) De Europese Commissie liet in 2011 een onderzoek uitvoeren naar de recente prijsbewegingen op de grondstoffenmarkten. In het bijhorende rapport staat te lezen dat institutionele beleggers hun investeringen in de grondstoffenmarkten tussen 2003 en 2008 van 13 miljard naar meer dan 170 miljard euro hebben opgetrokken. (Grondstoffen en Grondstoffenmarkten…, 2011) Een significante toename die vermoedelijk mee aan de basis ligt van de laatste prijsbewegingen. Aan de aanbodzijde valt op dat de toenemende productiviteit in de voedselproductie die tussen 1960 en 1990 merkbaar was, niet langer volgehouden kan worden. (Dupont & Thirlwell, 2009) De productiviteit stijgt sinds 1990 niet voldoende om de bevolkingsstijging te volgen. Concreet betekent dit dan ook dat meer landbouwgrond nodig zal zijn om de gevraagde voedingsgrondstoffen te blijven produceren. En net daar ligt een andere schaarste, de totale oppervlakte bewerkbare grond steeg tussen 1961 en 1997 met 9,6%, maar viel in 2003 terug tot het niveau van 1992. (Dupont & Thirlwell, 2009) Een laatste belangrijke factor voor het aanbod van agrarische grondstoffen is het weer. In 2011 zou een weerfenomeen waarbij droge gebieden droger en natte gebieden natter werden voor een gedaalde wereldwijde productie hebben gezorgd. (Stepek, 2011) En daarmee stuiten we op een belangrijke zwakte in de productie van agrarische grondstoffen. Het is voor een belegger namelijk erg moeilijk om deze weerfenomenen te voorspellen, en het vormt een belangrijk onderdeel van de volatiliteit en prijsvorming van deze activaklasse.

5

1.3 Hoe investeren? Net als grondstoffen zijn er verschillende manieren om in Soft Commodities te investeren. Concreet kunnen we echter twee belangrijke methoden onderscheiden: direct of indirect investeren. Direct investeren kan door de landbouwgrondstoffen zelf fysiek aan te kopen, deze te stockeren en later terug te verkopen. Deze methode wordt door beleggers echter zelden toegepast, omdat aan het fysiek kopen van grondstoffen veel nadelen verbonden zijn. Niet alleen is er de hoge kostprijs voor stockage en transport, ook de beperkte houdbaarheid van landbouwgrondstoffen zorgt ervoor dat je niet over een lange periode kan beleggen. Een meer gebruikelijke manier om in Soft Commodities te investeren vinden we in de aankoop van actief beheerde beleggingsfondsen of passief beheerde ETF Trackers. Beleggingsfondsen zijn voor kleine beleggers doorgaans een goede manier om aan diversificatie te doen, zonder dat een hoog investeringskapitaal vereist is. Doordat beleggingsfondsen actief worden beheerd, zal jaarlijks wel een kostenpercentage worden afgehouden. ETF Trackers worden in tegenstelling tot beleggingsfondsen niet actief beheerd, ze volgen automatisch de index van grondstoffen, waardoor ze naast goedkoper ook niet afhankelijk zijn van de keuzes die een actieve beheerder maakt. Meer professionele beleggers zullen hun toevlucht echter eerder zoeken in Forwards en Futures. Deze afgeleide instrumenten omvatten een financieel contract tussen twee partijen, waarbij ze zich verbinden om op een bepaald tijdstip een bepaalde hoeveelheid van een grondstof te verhandelen tegen een vooraf bepaalde prijs. In de praktijk zal op de vervaldag echter niet tot de fysieke overdracht van de grondstoffen worden overgegaan, maar zal het verschil tussen de vooraf afgesproken prijs met de marktprijs worden verrekend. In hoofdstuk 2 zullen we zelf ook gebruik maken van de Futures prijzen voor Soft Commodities, die voornamelijk op de Chicago Board of Trade (CBOT) en New York Board of Trade (NYBOT) worden verhandeld. We verkiezen de Futures prijzen als indicatie van de prijzen voor Soft Commodities onder meer omdat ze zeer liquide zijn en weinig kosten met zich meedragen. (Kat, 2006) Daarnaast blijken ze ook een goede indicator voor de marktprijzen. (Fama & French, 1987)

6

Naast direct investeren, kan een belegger er ook voor kiezen om indirect in Soft Commodities te beleggen. Zo kan een belegger aandelen kopen van bedrijven die agrarische grondstoffen telen of grote plantages bezitten. Onderzoek toont echter aan dat de aandelen van deze bedrijven meer correlatie vertonen met aandelenindices dan met de grondstoffenprijzen. (Gorton & Rouwenhorst, 2005) Het is dan ook een minder efficiënte manier om van de prijsstijgingen van Soft Commodities te profiteren.

1.4 Conclusie Dat Soft Commodities een bijzondere categorie van grondstoffen zijn hoeft vermoedelijk geen uitleg meer. Zo zijn ze minder bedreigd door een uitputbare voorraad, en zullen ze in principe steeds kunnen worden blijven verbouwd. Toch spelen ook bij Soft Commodities verschillende prijsbepalende factoren, waarbij duidelijk blijkt dat de vraag naar deze specifieke grondstoffen in de toekomst een groeiende trend zal volgen, terwijl het aanbod steeds afhankelijk zal blijven van onzekere factoren. De heersende spanningen op de voedselmarkten vallen dus ook in de toekomst niet uit te sluiten, en vormen een belangrijke basis om de prijsbewegingen die we verder zullen bestuderen te begrijpen. De belegger heeft echter net als bij andere grondstoffen een brede waaier aan investeringsmogelijkheden, enkel de beperkte houdbaarheid vormt een wezenlijk verschil met de meer gebruikelijke grondstoffen. Onder meer daarom zal de fysieke aankoop van Soft Commodities in de praktijk zelden door beleggers worden gehanteerd, dit in tegenstelling tot bijvoorbeeld de fysieke aankoop van goud. Dankzij afgeleide instrumenten zoals Futures zijn de mogelijkheden voor beleggers echter quasi onbeperkt. De bereikbaarheid en populariteit van deze beleggingsinstrumenten zou zelfs mee aan de basis liggen voor de recente prijsstijgingen op de markten. (Dupont & Thirlwell, 2009)

7

Hoofdstuk 2: Soft Commodities als aanvulling voor de beleggingsportefeuille

2.1 Inleiding

In dit hoofdstuk zullen we proberen aantonen dat investeren in Soft Commodities voor de rationele belegger een goede aanvulling kan betekenen voor de beleggingsportefeuille. Voor de algemene grondstoffenklasse werd reeds uitgebreid onderzoek gedaan naar de voordelen van het opnemen van grondstoffen in de portefeuille. Zo kwamen onder meer Bodie & Rosansky (1980), Ankrim & Rensel (1993) en Conover, Jensen, Johnson & Mercer (2010) in verschillende periodes tot de conclusie dat investeerders het risico van hun portefeuille konden verlagen zonder daarvoor aan rendement te moeten inboeten. De werkwijzen om de voordelen van het opnemen van grondstoffen in de portefeuille aan te tonen zijn echter uiteenlopend. Zo vinden Greer (2000) en Gorton & Rouwenhorst (2005) dat de rendementen van grondstoffen negatief gecorreleerd zijn met de rendementen van aandelen en obligaties, waardoor belangrijke diversificatievoordelen ontstaan. Anderzijds gebruiken Fortenbery & Hauser (1990) de Markowitz (1952) mean-‐variance theorie om de deugden van grondstoffen in de beleggingsportefeuille te bepalen, terwijl Georgiev (2010) in de periode tussen 1995-‐2005 kon aantonen dat het opnemen van grondstoffen de Sharpe ratio (Sharpe, 1964) van de beleggingsportefeuille deed stijgen. Satvanarayan & Varangis (1996) en Idzorek (2006) bekomen tenslotte een betere ligging van de efficiënte curve in de periodes 1970-‐1992 en 1970-‐2004 wanneer ze grondstoffen in de portefeuille opnamen. Tegenwind is er echter ook en dan vooral uit de academische hoek waar de mean-‐variance theorie van Markowitz niet wordt ondersteund. Daskalaki & Skladopoulos (2010) komen zo tot de conclusie dat grondstoffen geen echte meerwaarde bieden voor de belegger. In dit onderzoek zullen we ons echter specifiek richten op Soft Commodities, aangezien naast Fortenbery & Hauser (1990) maar weinig specifiek onderzoek is uitgevoerd naar deze subklasse. We zullen specifiek een correlatie en portfolio analyse op basis van de moderne portefeuille theorie (MPT) van Markowitz uitvoeren, met daarnaast ook aandacht voor de Sharpe ratio en de ligging van de efficiënte curve. We nemen daarbij de eerder aangehaalde resultaten voor de grondstoffenklasse als leidraad voor ons onderzoek.

8

2.2 Gelijkgewogen index van Soft Commodities Om te kunnen onderzoeken of Soft Commodities een interessante aanvulling kunnen betekenen voor de beleggingsportefeuille besluiten we eerst een gelijkgewogen index te construeren. Op deze manier kunnen we een korf van Soft Commodities vergelijken met andere activa, waardoor we de totale prestaties beter kunnen afwegen. We kiezen ervoor om zeven verschillende Soft Commodities in onze gelijkgewogen index op te nemen: namelijk cacao, graan, katoen, koffie, rijst, suiker en tarwe. We voeren ons onderzoek uit vanuit het standpunt van de Europese belegger. Concreet betekent dit dat alle prijzen naar Euro werden omgezet, dat voor de inflatie de Europese Consumer Price Index (CPI) werd gebruikt en dat de 3 maand Euribor rente als indicatie voor de risicovrije rente zal dienen. Voor de prijzen van de grondstoffen werden de Futures prijzen gebruikt, de rendementen zijn daarbij steeds logaritmisch. De periode waartussen we ons onderzoek zullen uitvoeren loopt van 2000 tot 2010, we zullen echter ook enkele subperiodes creëren om de prestaties van onze gelijkgewogen index in verschillende marktomstandigheden te kunnen testen. Aangezien we er in dit onderzoek voor kiezen om Futures prijzen als indicator voor de marktprijzen van Soft Commodities te gebruiken staan we graag nog even uitgebreid stil bij de prijsvorming van deze afgeleide instrumenten. Het rendement voor de belegger in Futures ligt in principe namelijk niet bij de opeenvolgende prijsstijgingen van de Futures contracten maar in de risicopremie die hij krijgt. Bij een Futures contract zijn namelijk steeds een koper en verkoper betrokken. De verkoper van het contract wil zich daarbij graag tegen een prijsrisico beschermen. Concreet zal een landbouwer die graan teelt onzeker zijn over de marktprijs die graan bij de oogst in augustus zal bedragen, terwijl hij toch een minimum bedrag moet krijgen om rendabel te blijven. Stel dat de markt het erover eens is dat de prijs in augustus 100 euro per ton zal bedragen en de landbouwer zelf minstens 90 euro moet krijgen om rendabel te zijn, dan kan hij een Futures contract uitschrijven om zich tegen dat prijsrisico te beschermen. De landbouwer zal echter op de markt geen contract kunnen verkopen met een toekomstige verkoopprijs van 100 euro, aangezien het verwacht rendement voor de koper dan nul is. Daarom wordt op de markt bijvoorbeeld 95 euro als Futures prijs gekozen, waarbij het verschil van 5 euro de risicopremie wordt genoemd. De landbouwer is op deze manier zeker dat hij in augustus per ton graan 95 euro betaald zal

9

krijgen, terwijl de koper van het contract 5 euro risicopremie kan verdienen als de marktprijs in augustus effectief 100 euro bedraagt. Zakt de marktprijs in augustus echter naar 85 euro, dan verliest de koper 10 euro per contract en wint de landbouwer hetzelfde bedrag, waardoor zijn uiteindelijke inkomst toch op 95 euro uitkomt. De theorie van normal backwardation (Keynes, 1930) verklaart dat de risicopremie gemiddeld voor de kopers van Futures is. Althans, dit zolang de futures prijs steeds beneden de verwachte toekomstige marktprijs ligt. (Gorton & Grouwenhorst, 2005) In ons onderzoek zullen we de prijzen van Futures echter gebruiken als een indicator voor de toekomstige marktprijzen, zoals deze eerder reeds door Fama & French (1987) en Nishioka (1999) als goede indicator werden beschouwd. We gaan er daarnaast in ons onderzoek vanuit dat er geen hefboomeffect meespeelt. Futures hebben namelijk geen waarde bij aankoop, en vereisen op dat moment dus geen betaling. Het is pas naarmate de vervaldag nadert dat de financiële verschillen worden verrekend, waardoor je als belegger vele malen de nominale waarde van het Futures contract zou kunnen kopen. Wij zullen de continue Futures prijzen (zie bijlage 1) voor de zeven geselecteerde grondstoffen in ons onderzoek echter enkel gebruiken om onze gelijkgewogen index te creëren en gaan hier niet uit van deze hefboomcapaciteiten. Tabel 1: Nominale waarde Soft Commodities en gelijkgewogen index (2000 = 100), Eigen onderzoek.

Jaar Rijst Graan Tarwe Koffie Cacao Katoen Suiker Gelijkgewogen Index 2000 100 100 100 100 100 100 100 100 2001 100 123 125 59 100 129 196 119 2002 65 119 143 48 191 84 152 115 2003 65 115 132 52 254 102 127 121 2004 108 102 134 46 148 122 36 100 2005 81 77 93 67 141 67 121 93 2006 105 92 119 81 157 92 220 124 2007 122 141 149 84 156 86 154 127 2008 148 160 263 80 175 94 137 151 2009 166 150 183 71 225 71 152 145 2010 161 132 156 84 279 102 263 168 Als we er de prijsevolutie van de Soft Commodities die we in onze gelijkgewogen index gebruiken in tabel 1 naast elkaar plaatsen, merken we meteen op dat enkel koffie zijn nominale waarde niet heeft weten vast te houden. Alle andere grondstoffen zorgden voor een nominale meerwaarde in de beschouwde periode. De grootste stijging gaat uit van

10

cacao, deze agrarische grondstof zag zijn waarde meer dan verdubbelen. Over de beschouwde periode ziet de gelijkgewogen index zijn waarde met 68% toenemen, met een kleine dip tussen 2004 en 2005. Om de onderlinge rendementen en risico’s van de zeven in onze gelijkgewogen index gebruikte Soft Commodities beter te begrijpen, geven we in figuur 2 een duidelijk beeld van het risico en het rendement per grondstof over de beschouwde periode. (Elton & Gruber, 1995) Het risico wordt hier door de standaarddeviatie uitgedrukt op de X-‐as, het gemiddelde maandelijkse rendement gedurende de beschouwde periode vinden we op de Y-‐as. Op deze grafiek kunnen we onder meer aflezen dat cacao inderdaad het hoogste gemiddelde maandelijkse rendement haalt, terwijl koffie het laagste rendement leverde in de periode tussen 2000 en 2010. Het is voor beleggers echter minstens even belangrijk om het risico van de verschillende grondstoffen te bekijken. Suiker heeft hier de hoogste standaarddeviatie, onder meer door een kortstondige dip in de futures prijzen bij de start van 2004. Dankzij het effect van diversificatie scoort de gelijkgewogen index beter op het vlak van risico dan de afzonderlijke Soft Commodities, daarnaast haalt het met een gemiddeld maandelijks rendement van 0,44% een hoger rendement dan vijf van de zeven in onze gelijkgewogen index opgenomen grondstoffen. Figuur 2: Risico en maandelijks rendement Soft Commodities, 2000-‐2009, Eigen onderzoek.

Gemiddeld maandelijks rendement

1,000% Cacao

0,800% 0,600%

Gelijkgewogen index

0,400%

Suiker

Rijst Tarwe Graan

0,200%

Katoen 0,000% 0,00% -‐0,200%

2,00%

4,00%

6,00%

8,00%

10,00% 12,00% 14,00% 16,00% Kof1ie

Risico (Standaarddeviatie)

11

2.3 Risico en rendement van Soft Commodities vergeleken met andere activaklassen Als we de evolutie van de gelijkgewogen index in figuur 3 naast deze van de Europese aandelen (Eurostoxx50) en Europese Obligaties (Barclays Euro Aggregate) uitzetten, zien we dat onze gelijkgewogen index van Soft Commodities over de beschouwde periode beter presteert dan de 50 belangrijkste Europese aandelen en de Europese obligaties. Op basis van de aandelenkoersen kunnen we daarenboven drie belangrijke subperiodes herkennen. In de driejarige periode tussen 2000 en 2003 zien we duidelijk dat de Eurostoxx50 slechter presteerde dan onze gelijkgewogen index, terwijl de aandelenindex zich ten opzichte van de gelijkgewogen index tussen 2003 en eind 2006 wist te herpakken. Tijdens de kredietcrisis van 2007 zakte de Eurostoxx50 echter terug in elkaar, terwijl onze gelijkgewogen index net dan merkbaar beter presteerde. In ons onderzoek zullen we trachten niet enkel de totale periode te beschouwen, maar zullen we ook rekening houden met de drie subperiodes die we opmerken in deze grafiek. We doen dit omdat we de prestaties van Soft Commodities graag in verschillende marktomstandigheden willen onderzoeken, om zo uiteindelijk een beter oordeel te kunnen vellen over de prestaties. Figuur 3: Gelijkgewogen Soft Commodities Index, Eurostoxx50 en Barclays Euro Aggregate, 2000=1, 2000-‐ 2009, Eigen Onderzoek.

12

In tabel 2 vatten we de nominale rendementen en risico’s voor de drie activaklassen samen. Naast onze gelijkgewogen index van Soft Commodities gebruiken we de Eurostoxx50 als indicatie voor de Europese aandelenmarkten en de Barclays Euro Aggregate index als indicatie voor de Europese obligatiemarkten. De eerste rij toont ons het gemiddelde rendement zonder inflatiecorrectie, we zien hier dat de gelijkgewogen index met een gemiddeld maandelijks rendement van 0,438% het beste scoort, de aandelenmarkten kenden gedurende de beschouwde periode een gemiddeld negatief maandelijks rendement van -‐0,395%. De volatiliteit van de obligaties is met 0,920% duidelijk het laagst, de standaarddeviatie van de aandelen en Soft Commodities ligt dan weer minder ver uit elkaar. Toch zien we dat Soft Commodities over de beschouwde periode minder volatiel waren dan de 50 belangrijkste Europese aandelen. Tabel 2: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2000-‐2009, Eigen onderzoek.

Barclays Euro Bonds Gemiddeld rendement 0,029% Standaarddeviatie 0,920% Scheefheid 0,1070 Kurtosis 2,8352 Jarque-‐Bera 0,3618 Probability 0,8345

Eurostoxx50 -‐0,395% 5,894% -‐0,4869 3,5116 6,0007 0,0498

Soft Commodities 0,438% 5,388% -‐0,1791 3,0464 0,6471 0,7236

De Europese aandelen en Soft Commodities worden allebei gekenmerkt door een negatieve scheefheid, wat wil zeggen dat de verdeling van de maandelijkse rendementen een langere en zwaardere staart heeft aan de linkerkant van de verdeling, maar dat het zwaartepunt van de verdeling rechts ligt. De negatieve scheefheid is echter enkel significant voor de Eurostoxx50, aangezien de scheefheid hier meer dan tweemaal de standaardfout van 0,224 bedraagt. (Tabachnick & Fidell, 2001) Gezien de gegevens wijst dit er op dat de rendementsverdeling van de Eurostoxx50 enkele merkbaar lager dan gemiddelde rendementen kent, tegenover een grote groep rendementen die in de nabijheid liggen van het gemiddelde rendement. De positieve Kurtosis wijst er dan weer op dat de verdeling van de Eurstoxx50 dikkere staarten vertoont in vergelijking met de normale verdeling. De Jarque-‐ Bera test toont ons dan ook dat enkel de distributie van de maandelijkse logaritmische rendementen van de Europese obligaties en de Soft Commodities beschreven kunnen

13

worden volgens een normale verdeling. Voor de Europese aandelen verwerpen we de nulhypothese van normaliteit op het 5% significantieniveau. Doen we nu hetzelfde onderzoek voor de subperiode tussen 2000 en 2003, dan bekomen we andere resultaten. Visueel hadden we reeds kunnen opmerken dat onze gelijkgewogen index toen een stuk beter presteerde dan de Europese aandelen en dit wordt in tabel 3 ook bevestigd. Het gemiddelde maandelijkse rendement van de gelijkgewogen index bedroeg in deze periode 0,59%, terwijl de Eurostoxx50 zich liet kenmerken door een gemiddeld negatief rendement van -‐1,69%. De volatiliteit uitgedrukt in standaarddeviatie ligt hier voor de Europese aandelen ook een stuk hoger in vergelijking met de volledige periode van tien jaar, daarnaast ligt de standaarddeviatie van de Europese aandelen ook merkbaar hoger dan voor de Soft Commodities. De Jarque-‐Bera test toont ons dat de maandelijkse rendementen van de drie activaklassen tijdens deze periode normaal verdeeld zijn. Tabel 3: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2000-‐2002, Eigen onderzoek.

Gemiddeld Rendement Standaarddeviatie Scheefheid Kurtosis Jarque-‐Bera Probability

Barclays Euro Bonds 0,109% 0,874% -‐0,0930 2,4654 0,4672 0,7917

Eurostoxx50 -‐1,691% 6,769% 0,2214 2,9555 0,2888 0,8656

Soft Commodities 0,593% 4,954% 0,3061 2,8594 0,5755 0,7500

Als we de vierjarige periode lopende van 2003 tot 2007 beschouwen zien we dat de aandelenindices het met een gemiddeld maandelijks rendement van 0,89% een stuk beter deden dan de 0,058% die onze gelijkgewogen index in die periode gemiddeld maandelijks opbracht. De standaarddeviatie ligt hier algemeen lager dan wanneer we de volledige periode beschouwen, daarnaast gedragen de Europese aandelen zich in deze periode minder volatiel dan de Soft Commodities. De Jarque-‐Bera test toont ons verder dat de normale verdeling voor de rendementen hier niet opgaat voor de Eurostoxx50, de verdeling van de maandelijkse rendementen van de Europese aandelen is hier dan ook significant links scheef, terwijl ook de Kurtosis relatief hoog is. Dit wijst er opnieuw op dat het gewicht van de verdeling rechts ligt, maar dat de verdeling een lange linkse staart vertoont. Veel

14

rendementen liggen dus in de buurt van het gemiddelde rendement, terwijl er toch enkele uitschieters aan de linkse kant van de distributie te vinden zijn. Tabel 4: Maandelijkse rendementen van Europese Obligaties, Europese aandelen en Soft Commodities, Periode 2003-‐2006, Eigen onderzoek.

Gemiddeld Rendement Standaarddeviatie Scheefheid Kurtosis Jarque-‐Bera Probability

Barclays Euro Bonds -‐0,018% 0,915% -‐0,3198 2,1634 2,2178 0,3299

Eurostoxx50 0,897% 3,654% -‐1,3912 6,4246 38,9395 0,0000


Voor de driejarige periode lopende van 2007 tot en met 2009 merken we opnieuw een ander verhaal op: in deze periode is het gemiddeld maandelijks rendement voor de Europese aandelen terug negatief, terwijl de Europese obligaties en onze gelijkgewogen Soft Commodities index een stuk beter scoren. De volatiliteit ligt in deze periode ook algemeen hoger dan wanneer we de volledige periode beschouwen. Onze gelijkgewogen Soft Commodities index scoort in vergelijking met de Europese aandelen beter op het vlak van rendement en volatiliteit. De Jarque-‐Bera test toont ons dat de maandelijkse rendementen van de drie activaklassen normaal verdeeld zijn. Tabel 5: Maandelijkse rendementen van Europese obligaties, Europese aandelen en Soft Commodities, Periode 2007-‐2009, Eigen onderzoek.

Barclays Euro Bonds Gemiddeld Rendement 0,015% Standaard Deviatie 0,990% Scheefheid 0,7190 Kurtosis 3,6411 Jarque-‐Bera 3,7183 Probability 0,1558

Eurostoxx50 -‐0,858% 7,106% -‐0,3882 2,6869 1,0514 0,5911


In figuur 4 zetten we onze gelijkgewogen Soft Commodities index tegenover de S&P GSCI, een index dat werd samengesteld uit verschillende grondstoffen. Deze index was op 30 december 2011 voor 70,5% opgebouwd uit energie; 6,6% industriële metalen; 3,5% kostbare metalen; 14,7% agrarische grondstoffen en 4,7% vee. De exacte samenstelling van deze index kan worden bekeken in bijlage 2. Wat opvalt is dat deze grondstoffenindex tot 2008

15

beter presteert, maar dat onze gelijkgewogen index van Soft Commodities in de naloop van de kredietcrisis het net een stuk beter doet. Daarnaast is de gelijkgewogen index van Soft Commodities in de beschouwde periode minder volatiel dan de S&P GSCI. Dat zien we niet enkel op de grafiek, ook het verschil in standaarddeviatie toont dit duidelijk aan. Met deze vergelijking willen we alvast aantonen dat de prijzen van Soft Commodities niet noodzakelijk samen met andere grondstoffen bewegen. Later in dit werk zullen we dit ook via een correlatieanalyse duidelijk proberen maken.

Figuur 4: Gelijkgewogen Soft Commodities Index en S&P GSCI, 2000=1, Eigen onderzoek.

2.4 Correlatie Analyse Naast de historische rendementen en standaarddeviatie, speelt voor de belegger ook de correlatie tussen de verschillende activaklassen een belangrijke rol. Een rationele belegger die een optimale beleggingsportefeuille wil samenstellen zal zich namelijk niet beperken tot één activaklasse. (Markowitz, 1952) Dankzij het effect van diversificatie kunnen beleggers namelijk hun globale risico verlagen gegeven een bepaald verwacht rendement. Het is volgens de moderne portefeuille theorie (MPT) van Markowitz (1952) dan ook erg belangrijk om de correlatie tussen de verschillende activa te bekijken. Als twee activa gelijke prijsbewegingen vertonen zullen ze een hoge correlatie hebben die dicht bij 1 ligt, terwijl activa die niet gelijk of tegengesteld bewegen gekenmerkt worden door een lage of

16

negatieve correlatie. Voor beleggers die hun portefeuille verder willen diversifiëren zijn beleggingsinstrumenten die een negatieve of lage correlatie tegenover elkaar vertonen dan ook erg interessant. Eerder onderzoek door Greer (2000), Jensen, Johnson & Mercer (2000) en Gorton & Rouwenhorst (2005) gaf reeds als resultaat dat grondstoffen negatief gecorreleerd zijn met aandelen en obligaties. Kat & Oomen (2006) kwamen daarentegen tot de conclusie dat grondstoffen Futures niet gecorreleerd zijn met aandelen en obligaties. In tabel 6 tonen we de correlatie van de maandelijkse logaritmische rendementen tussen de verschillende activaklassen in de periode tussen 2000 en 2010. Naast de Barclays Euro aggregate die dient als indicatie voor de Europese obligaties, vinden we er vier belangrijke aandelenindices en de gelijkgewogen Soft Commodities index. Voor de aandelenindices werd bewust gekozen voor verschillende regio’s: de Eurostoxx50 als indicator voor aandelen uit Europa; de Nikkei225 voor aandelen uit Japan; de S&P500 voor aandelen uit de Verenigde Staten en de Shanghai Stock Exchange Composite Index voor Chinese aandelen. Met deze laatste hopen we naast de gebruikelijke economische regio’s ook de groeilanden in onze analyse te betrekken. Als we de correlatiewaarden van de gelijkgewogen Soft Commodities index nader bekijken merken we meteen op dat deze significant negatief gecorreleerd is met de Europese obligaties en dat er behalve de significant lage correlatie met de S&P500 geen significante correlatie waar te nemen valt met de andere aandelenindices. Tabel 6: Correlatie tussen maandelijkse rendementen Barclays EU Bonds, Eurstoxx50, Nikkei225, S&P500, Shanghai & Soft Commodities gelijkgewogen index, 2000-‐2009, Eigen onderzoek.

EU Bonds EuroStoxx50 Nikkei225 S&P500 Shanghai Soft Comm.

EU Bonds EStoxx50 Nikkei225 S&P500 Shanghai Soft comm. 1 -‐0,27659* 1 -‐0,19529* 0,51129* 1 -‐0,29973* 0,82897* 0,56837* 1 -‐0,02065 0,13124 0,11627 0,12058 1 -‐0,25871* 0,10559 0,12342 0,25726* 0,12693 1

* Correlatiecoëfficiënt is significant op het 5% significantieniveau

In het correlatie onderzoek van Greer (2000) en Gorton & Rouwenhorst (2005) werden echter kwartaalrendementen, halfjaarlijkse rendementen en zelfs jaarlijkse rendementen gebruikt. Daarom vatten we in tabel 7 de correlatieresultaten samen voor deze verschillende rendementsniveaus. Deze tabel toont ons echter dat er geen enkele significante correlatie te

17

vinden is voor de driemaandelijkse, halfjaarlijkse en jaarlijkse rendementen tussen de Soft Commodities index en de Europese obligaties en aandelenindices. We bekomen hier dus niet de significant negatieve correlatie die Greer (2000) en Gorton & Rouwenhorst (2005) bekwamen tussen grondstoffen en aandelen en obligaties. Onze resultaten liggen duidelijk meer in lijn met die van Kat & Oomen (2006). Wel zien we dat de correlatie met obligaties steeds negatief is en op maandelijks niveau zelfs significant is, terwijl de correlatie met de aandelenindices erg laag is. Dit wijst er in ieder geval op dat er voor de belegger diversificatievoordelen zullen meespelen.

Tabel 7: Correlatie driemaandelijkse, halfjaarlijkse en jaarlijkse rendementen van Soft Commodities index met EU Bonds, Eurostoxx50, S&P500, Shanghai, 2000-‐2009, Eigen onderzoek.

Driemaandelijks Halfjaarlijks Jaarlijks

Euro Bonds -‐0.25652 -‐0.27204 -‐0.04023

Eurostoxx50 0.09304 0.13962 0.24259

Nikkei225 0.31276 -‐0.03016 0.05518

S&P500 0.29662 0.15105 0.23985

Shanghai 0.28539 0.07757 0.43043


Splitsen we de correlatie met de Europese aandelen en obligaties op naar de verschillende Soft Commodities die in onze gelijkgewogen index zijn opgenomen, dan bekomen we de resultaten uit tabel 8. Er vallen hier duidelijk geen specifieke uitschieters waar te nemen, de correlatie met de Europese obligaties is voor alle landbouwgrondstoffen negatief, terwijl de correlatie met de Europese aandelen zeer laag is en amper significant genoemd kan worden. De afzonderlijke grondstoffen in onze gelijkgewogen Soft Commodities index blijken zich dan ook gelijkaardig te gedragen ten opzichte van de andere activaklassen. Tabel 8: Correlatie maandelijkse rendementen Soft Commodities en Europese Obligaties en Aandelen, 2000-‐ 2009, Eigen onderzoek.

Cacao Euro Bonds -‐0,1122 Eurostoxx50 -‐0,0936

Graan Koffie Katoen Rijst -‐0,1759 -‐0,2708* -‐0,1475 -‐0,1893* 0,1258 0,1419 0,1882* 0,1977*

Suiker -‐0,0717 -‐0,0680

Tarwe -‐0,1458 0,1565

Naast de correlatie over de volledig beschouwde periode willen we ook graag nagaan hoe de correlatie zich in verschillende marktomstandigheden gedraagt. We grijpen terug naar de drie periodes die we eerder (supra p. 12) hebben opgebouwd en tonen in tabel 9 de correlaties met de gelijkgewogen Soft Commodities index. We merken meteen op dat onze

18

gelijkgewogen index in alle subperiodes een lage correlatie met de aandelenindices en een negatieve correlatie met de Europese obligaties vertoont. Hierdoor kunnen we aannemen dat de gelijkgewogen Soft Commodities index in verschillende marktomstandigheden gebruikt kan worden om de beleggingsportefeuille te diversifiëren, zowel in periodes waarin de aandelenindices positieve rendementen halen, als in periodes waarin aandelenindices negatief presteren. Tabel 9: Correlatie maandelijkse rendementen gelijkgewogen Soft Commodities index, verschillende subperiodes, Eigen onderzoek.

2000-‐2002 2003-‐2006 2007-‐2009

Euro Bonds -‐0.33664* -‐0.38387* -‐0.09069

EuroStoxx50 0.24567 0.18507 -‐0.005211

Nikkei225 0.11523 0.26470 0.02873

S&P500 0.38714* 0.35218* 0.12694

Shanghai 0.42424* 0.34177* -‐0.10052


Om de correlatie tussen de gelijkgewogen Soft Commodities index en de andere activaklassen nog beter te bestuderen geven we grafisch de 3 jaar voortschrijdende correlatie tussen 2000 en 2009 weer. We vatten de resultaten voor de Europese Obligaties, de Europese Aandelen en de Chinese index samen in figuur 5. Uit deze grafiek kunnen we meteen aflezen dat de Europese obligaties over de hele periode negatief gecorreleerd zijn met Soft Commodities, terwijl de Shanghai index tot 2008 een licht positieve correlatie vertoont en vanaf 2008 licht negatief gecorreleerd blijkt met onze gelijkgewogen Soft Commodities index. De correlatie met de Europese aandelen is steeds laag, en zelfs negatief in de periodes tussen 2002-‐2004, 2006-‐2008 en 2007-‐2009. Daarnaast valt het ook op dat de correlatie voor de drie activaklassen algemeen lager ligt in de laatste drie periodes. Als laatste willen we nog even stilstaan bij de correlatie tussen de gelijkgewogen Soft Commodities index en de S&P MSCI index. Eerder (Supra p.16) hadden we reeds getoond dat de marktprijzen van Soft Commodities niet noodzakelijk samen met de totale activaklasse van grondstoffen bewegen, in figuur 6 tonen we de voortschrijdende correlatie tussen beide. We zien dat de voortschrijdende correlatie steeds positief is, maar met uitzondering van drie periodes is de correlatie laag. Daarnaast zien we dat de S&P GSCI grondstoffenindex en de gelijkgewogen Soft Commodities index nooit zo hoog gecorreleerd zijn als de S&P500 en Eurostoxx50 in tabel 6, terwijl het toch allebei grondstoffenindices zijn. Dit lijkt nogmaals

19

te bevestigen dat Soft Commodities een aparte categorie in de grondstoffencategorie vormen. Figuur 5: 3-‐Jaar voortschrijdende correlatie maandelijkse rendementen Soft Commodiites en Europese Obligaties, Europese Aandelen en Chinese Aandelen, 2000-‐2009, Eigen onderzoek.

3 jaar voortschrijdende correlafe 0,5 0,4 0,3

Correlafe

0,2 0,1 0 -‐0,1

2002

2003

2004

2005

2006

2007

2008

2009

-‐0,2 -‐0,3 -‐0,4 -‐0,5 -‐0,6 Europese Obligaties

Europese Aandelen

Chinese Aandelen

Figuur 6: Voortschrijdende correlatie maandelijkse rendementen Soft Commodities en S&P GSCI, 2000-‐2009, Eigen onderzoek.

3 jaar voortschrijdende correlafe met S&P GSCI 0,6

Correlafe

0,5 0,4 0,3 0,2 0,1 0 2002

2003

2004

2005

2006

2007

2008

2009

20

2.5 Portfolio Analyse Nu we de risico’s, rendementen en correlaties van Soft Commodities beter hebben bestudeerd kunnen we analyseren of Soft Commodities effectief een goede aanvulling kunnen betekenen voor de beleggingsportefeuille. Om dit te onderzoeken gebruiken we de mean-‐variance optimalisatie uit de moderne portefeuilletheorie (MPT) van Markowitz (1952). Markowitz deelt in zijn werk het selectieproces voor de beleggingsportefeuille op in twee stappen. De eerste stap bestaat uit het observeren van de verschillende investeringsmogelijkheden en het formuleren van verwachtingen voor toekomstige rendementen. Terwijl in de tweede stap deze verwachtingen worden omgezet naar de samenstelling van een portefeuille. Het is net die tweede stap die Markowitz in zijn werk bespreekt. De MPT tracht het verwachte rendement van de portefeuille te maximaliseren gegeven een hoeveelheid risico. Daarnaast besteed Markowitz veel aandacht aan de voordelen die diversificatie met zich meebrengen. De belegger kan het risico van zijn portefeuille namelijk verlagen door activa op te nemen die niet perfect gecorreleerd zijn. Wiskundig kan de MPT als volgt samengevat worden: ! ! 𝑤! 𝐸(𝑅! )

𝐸 𝑅! = 𝜎! ! =

! !!!

! !!! 𝑤! 𝑤!

𝜌!,! 𝜎! 𝜎!

Waarbij E(𝑅! ) het verwachte rendement van de beleggingsportefeuille moet voorstellen, terwijl 𝑤! het gewicht en 𝐸 (𝑅! ) het verwachte rendement van het beleggingsinstrument i voorstelt. In de tweede vergelijking toont 𝜎!! de variantie van de portefeuille, is 𝜌!,! de correlatiecoëfficiënt tussen beleggingsinstrumenten i en j en duidt 𝜎 de respectievelijke standaarddeviatie per beleggingsinstrument aan. (Markowitz, 1952) Uiteindelijk zullen de verschillende combinaties van beleggingsinstrumenten waarbij het rendement gegeven een bepaald risico gemaximaliseerd wordt of het risico gegeven een bepaald verwacht rendement geminimaliseerd wordt, de zogeheten Efficient Frontier of

21

efficiënte curve vormen. Deze curve geeft alle volgens de moderne portefeuilletheorie optimale beleggingsportefeuilles weer. Beleggen in een portfolio dat onder deze efficiënte curve ligt is niet efficiënt, aangezien voor eenzelfde risico een hoger rendement bekomen kan worden of omdat er voor hetzelfde rendement portfolio’s bestaan met een lager risico. We zullen zelf ook pogen om de efficiënte curve te construeren, en dit in een situatie met en een situatie zonder Soft Commodities als beleggingsmogelijkheid. Als de efficiënte curve hoger ligt met Soft Commodities als investeringsmogelijkheid, dan zullen we kunnen besluiten dat dankzij het toedoen van deze activaklasse de totale beleggingsportefeuille ofwel een lager risico gegeven een bepaald verwacht rendement kan halen of dat de totale beleggingsportefeuille gegeven een bepaald risico een hoger rendement kan bereiken. Fortenbery & Hauser (1990) en Idzorek (2006) voerden dit onderzoek eerder al uit voor de totale activaklasse van grondstoffen en kwamen respectievelijk in de periodes tussen 1976 en 1985 en 1970 en 2004 tot een hogere efficiënte curve wanneer grondstoffen in de beleggingsportefeuille werden opgenomen. Alvorens over te gaan tot de constructie van de optimale portefeuilles staan we eerst nog even stil bij de beperkingen die verbonden zijn aan de MPT van Markowitz. Zo zullen we hier een analyse doen van optimale portefeuilles in het verleden, deze bieden dus geen garantie voor de toekomst. Daarnaast maakt Markowitz verschillende veronderstellingen. Zo moeten de rendementen een normale verdeling volgen als we de standaarddeviatie als een proxy voor het risico van de belegging willen gebruiken. Eerder onderzoek (supra p. 11-‐13) toont echter aan dat dit voor de beschouwde periodes enkel steeds voor de gelijkgewogen Soft Commodities index en de Europese obligaties geldt. Markowitz veronderstelt daarnaast dat de correlaties tussen de verschillende activa constant zijn over de tijd, terwijl ons eerder onderzoek (supra p. 19-‐20) duidelijk aantoont dat dit niet steeds het geval is. Ondanks het feit dat deze twee veronderstellingen niet volledig voldaan zijn zullen we de theorie toch toepassen, omdat deze op een relatief eenvoudige manier kan aantonen of een andere samenstelling van de portefeuille voor een hogere efficiënte curve kan zorgen. Daarnaast doen wij ons onderzoek op basis van data in het verleden en zullen we hiermee geen uitspraak doen over de toekomst. We zullen dus enkel aantonen dat het opnemen van Soft

22

Commodities in de beschouwde periode tussen 2000 en 2009 een superieure ligging van de efficiënte curve met zich meebracht. We beschouwen een situatie waarbij de belegger kan kiezen tussen zes verschillende beleggingsinstrumenten. Zijnde Europese obligaties (Barclays Euro Aggregate), Europese aandelen (EuroStoxx50), Japanse aandelen (Nikkei225), Amerikaanse aandelen (S&P500), Chinese aandelen (Shanghai index) en onze gelijkgewogen Soft Commodities index. Daarnaast kiezen we voor een situatie waarbij short selling en risicovrij lenen niet mogelijk is. We starten met de totale periode lopende van 2000 tot 2010 en corrigeren de rendementen hier met de risicovrije rente die we voor Europa vastleggen op de 3 maand Euribor rente. Deze risicovrije rente bedroeg over de volledig beschouwde periode gemiddeld 0,27% per maand. Om de efficiënte curve te kunnen construeren gebruiken we de eerder berekende gemiddelde rendementen, standaarddeviaties en correlaties tussen de verschillende activa. In figuur 7 vergelijken we de efficiënte curve voor een portefeuille met Soft Commodities met de efficiënte curve voor een portefeuille zonder Soft Commodities voor de periode tussen 2000 en 2010. We merken meteen op dat de efficiënte curve voor de beleggingsportefeuille met Soft Commodities als investeringsmogelijkheid hoger ligt dan de efficiënte curve voor de beleggingsportefeuille zonder Soft Commodities. Dit toont dat in de beschouwde periode het opnemen van Soft Commodities zowel het risico kan verlagen als het rendement kan verhogen. Enkel in een situatie waarbij de belegger het hoogst mogelijke rendement wil halen, is een portefeuille met louter Chinese aandelen aangewezen. De optimale keuze halen we uit de zogeheten Sharpe ratio (Sharpe, 1964), dat het verband tussen het risico en het rendement van de portefeuille uitdrukt volgens onderstaande formule: 𝑆 =

𝐸[𝑅 − 𝑅! ] 𝜎

Waarbij R staat voor het rendement, 𝑅! voor de risicovrije rente en 𝜎 de standaarddeviatie aanduidt. Door deze Sharpe ratio te maximaliseren bekomen we een situatie waarbij in de beleggingsportefeuille voor 62% Soft Commodities en 38% Chinese aandelen worden

23

opgenomen. Hiermee haalt de portefeuille een gemiddeld maandelijks rendement van 0,22% bij een standaarddeviatie van 5,09%. (zie tabel 10) Willen we hetzelfde rendement halen met een beleggingsportefeuille zonder Soft Commodities als investeringsmogelijkheid, dan bedraagt de standaarddeviatie 7,83%. De belegger kon in de beschouwde periode zijn risico dus merkbaar verlagen door Soft Commodities in de portefeuille op te nemen. Figuur 7: Efficiënte Curve met en zonder Soft Commodities, (rendement gecorrigeerd met risicovrije rente), 2000-‐2009, Eigen onderzoek.

0,40%

Rendement

0,30% 0,20% 0,10% 0,00% 0,00% 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% 7,00% 8,00% 9,00% 10,00% -‐0,10% -‐0,20% -‐0,30%

Standaarddeviatie (Risico)

-‐0,40% Met Soft Commodities

Zonder Soft Commodities

Tabel 10: Portfolio selectie op basis van MPT met Soft Commodities als beleggingsmogelijkheid, 2000-‐2009, Eigen onderzoek.

Standaarddeviatie Rendement Sharpe ratio Euro Bonds Eurostoxx50 Nikkei225 S&P500 Shanghai Soft Commodities

2% -‐0,05% (-‐0,0275) 58% 0% 0% 0% 12% 30%

3% 0,04% 0,0123 38% 0% 0% 0% 18% 44%

4% 0,13% 0,0314 18% 0% 0% 0% 24% 58%

5% 0,21% 0,0423 0% 0% 0% 0% 35% 65%

5,09% 0,22% 0,0424 0% 0% 0% 0% 38% 62%

6% 0,24% 0,0401 0% 0% 0% 0% 58% 42%

Aangezien we ons onderzoek niet willen beperken tot één periode zullen we de efficiënte curve ook construeren voor de verschillende subperiodes die we eerder (supra p. 12) hebben geconstrueerd. In figuur 8 tonen we de resultaten voor de periode tussen 2000 en 2003. Deze periode is zeer specifiek aangezien met uitzondering van de gelijkgewogen Soft Commodities index geen enkele ander beleggingsinstrument een hoger rendement dan de

24

risicovrije rente van maandelijks 0,33% kon voorleggen. Daarom zien we dat de efficiënte curve met Soft Commodities een stuk beter presteert, wanneer we de Sharpe ratio maximaliseren bekomen we een ideale portefeuille waarbij louter in Soft Commodities wordt geïnvesteerd. Figuur 8: Efficiënte curve met en zonder Soft Commodities, 2000-‐2002, Eigen onderzoek.

0,40%

Rendement

0,20% 0,00% 0,00%

1,00%

2,00%

3,00%

4,00%

5,00%

6,00%

-‐0,20% -‐0,40% -‐0,60%

Standaarddeviatie (Risico) Met Soft Commodities


In figuur 9 tonen we de resultaten voor de periode tussen 2003 en 2007, waarin de aandelenindices een belangrijke remonte maakten. We zien dan ook dat de aanwezigheid van Soft Commodities tijdens deze periode maar weinig invloed heeft op de ligging van de efficiënte curve. Enkel wanneer we een portefeuille willen construeren met het laagst mogelijke risico bekomen we een beter resultaat wanneer we over Soft Commodities als beleggingsinstrument beschikken. Zo zien we dat de minimale standaarddeviatie met Soft Commodities als beleggingsmogelijkheid 0,73% bedraagt terwijl de minimale standaarddeviatie zonder Soft Commodities 0,78% bedraagt. Dit verschil is echter te klein om conclusies rond te formuleren, aangezien de diversificatie met één extra niet perfect gecorreleerd beleggingsinstrument steeds betere resultaten oplevert. De laatste periode tussen 2007 en 2010 beschouwen we in figuur 10, hier merken we opnieuw een verbeterde ligging van de efficiënte curve op wanneer we Soft Commodities in de beleggingsportefeuille opnemen. De hoogste Sharpe Ratio bekomen we in een punt waarbij voor 30% in Chinese aandelen en voor 70% in Soft Commodities wordt geïnvesteerd. Het gemiddeld maandelijks rendement ligt hier 0,65% meer boven de gemiddelde risicovrije

25

rente die gedurende deze periode 0,28% bedroeg. De standaarddeviatie ligt in dit optimum op 5,56%. Wanneer we het geval beschouwen waarbij geen Soft Commodities opgenomen worden in de portefeuille, dan zien we dat voor een gelijk rendement de standaarddeviatie 9,68% zou bedragen. De aanwezigheid van Soft Commodities heeft daarnaast haast over de hele efficiënte curve een positieve impact, enkel wanneer een belegger het hoogst mogelijke rendement wil halen zou de portefeuille in beide gevallen beperkt moeten worden tot Chinese aandelen. Figuur 9: Efficiënte curve met en zonder Soft Commodities, 2003-‐2006, Eigen onderzoek.

0,80%

Rendement

0,60% 0,40% 0,20% 0,00% 0,00% -‐0,20% -‐0,40%

0,50%

1,00%

1,50% 2,00% 2,50% Standaarddeviatie (Risico)

Met Soft Commodities

3,00%

3,50%

4,00%


Figuur 10: Efficiënte curve met en zonder Soft Commodities, 2007-‐2009, Eigen onderzoek

1,20%

Rendement

1,00% 0,80% 0,60% 0,40% 0,20% 0,00% 0,00% -‐0,20% -‐0,40%

2,00%

4,00%

6,00%

8,00%

10,00%

12,00%

14,00%

Standaarddeviatie (Risico) Met Soft Commodities


Uit de portfolio analyse blijkt duidelijk dat het opnemen van Soft Commodities in de beleggingsportefeuille over de beschouwde periode over het algemeen een betere ligging

26

van de efficiënte curve met zich meebracht. We zien dit zowel in de volledig beschouwde periode als in twee van de drie beschouwde subperiodes. Enkel gedurende de periode die loopt van 2003 tot en met 2006, waarin de aandelenkoersen zich sterk herstelden, zien we dat de aanwezigheid van Soft Commodities geen belangrijke impact heeft op de optimale portefeuille. We verwijzen hiervoor graag naar het onderzoek van Jensen, Johnson & Mercer (2000) die stellen dat grondstoffen Futures een laag rendement hebben tijdens een expansief monetair beleid, maar net een hoog rendement tijdens een restrictief monetair beleid. Toch denken we door dit onderzoek te kunnen stellen dat in de beschouwde periode tussen 2000 en 2010 de opname van de gelijkgewogen Soft Commodities index een positieve invloed had op de prestaties van de portefeuille, alleen bieden deze observaties uit het verleden geen garantie voor de toekomstige prestaties van Soft Commodities.

2.6 Conclusie In dit hoofdstuk hebben we proberen aantonen dat de gelijkgewogen Soft Commodities index een interessante toevoeging is voor de beleggingsportefeuille. We konden dit niet enkel aantonen door het hogere rendement dat deze activaklasse heeft gehaald tijdens de beschouwde periode, ook de volatiliteit uitgedrukt in standaarddeviatie was beduidend lager ten opzichte van aandelenindices. De lage correlatie die de Soft Commodities hebben met zowel aandelenindices als obligaties is daarnaast een belangrijk voordeel wanneer een rationele belegger een optimale beleggingsportefeuille wil samenstellen. In de volledig beschouwde periode bleken Soft Commodities laag tot negatief gecorreleerd te zijn met andere activaklassen, daarnaast bleef deze lage correlatie ook gehandhaafd in de verschillende subperiodes die we construeerden. Deze vaststelling had dan ook een positieve invloed op de door ons berekende efficiënte curves op basis van de moderne portefeuille theorie van Markowitz. Over de volledig beschouwde periode lag de efficiënte curve beter met Soft Commodities als investeringsmogelijkheid, daarnaast was het ook in twee van de drie beschouwde subperiodes een betere keuze om de gelijkgewogen Soft Commodities index in de portefeuille op te nemen. Enkel in periodes van economisch herstel lijkt onze gelijkgewogen index een lager rendement dan de aandelenindices te behalen, maar biedt het wel nog steeds een diversificatiemogelijkheid.

27

Hoofdstuk 3: Soft Commodities als hedge tegen inflatie 3.1 Inleiding Beleggers met een lange termijn beleggingshorizon zoeken naast mogelijkheden tot diversificatie ook vaak naar activa die hen beschermen tegen de algemeen stijgende prijsniveaus. Inflatie zorgt er namelijk voor dat je met de 100 euro waarover je vandaag beschikt binnen een jaar minder goederen zal kunnen kopen. Om ervoor te zorgen dat de reële waarde van de 100 euro die je vandaag bezit binnen één jaar ook nog steeds een reële waarde van 100 euro heeft, moet deze 100 euro gedurende dat jaar minstens het inflatiepercentage van die periode hebben opgebracht. In de literatuur werd dan ook reeds uitgebreid onderzoek gedaan naar activa die bescherming bieden tegen inflatie. Zo deden onder meer Fama & Schwert (1977), Bodie (1976) en Jaffe & Mandelker (1976) onderzoek naar inflatiebescherming met aandelen; Hartzell, Hekman & Miles (1987) onderzochten vastgoed; terwijl Greer (1978), Bodie (1983), Bird (1984), Gorton & Rouwenhorst (2005), Erb & Harvey (2006), Hoevenaars, Molenaar, Schotman & Steenkamp (2008) en Spierdijk & Umar (2010) grondstoffen als een mogelijke hedge tegen inflatie zagen. Hoewel grondstoffen als activaklasse in deze werken over het algemeen beschreven worden als een goede bescherming tegen inflatie, werd nog nooit specifiek onderzoek gedaan naar de inflatie beschermende capaciteit van Soft Commodities. In dit hoofdstuk zullen we dit dan ook proberen onderzoeken aan de hand van verschillende methodes. We starten met een correlatie analyse tussen Soft Commodities en inflatie, zoals Gorton & Rouwenhorst (2005) dat eerder al deden voor grondstoffen in het algemeen. Daarnaast zullen we met verschillende regressie analyses onderzoeken of de rendementen van Soft Commodities meebewegen met de inflatie, zoals Fama & Schwert (1977) en Jaffe & Mandelker (1976) dit eerder reeds hebben onderzocht voor aandelen. We zullen bij beide analyses ook de Fisher hypothese betrekken; Fisher stelt in zijn Theory of Interest (1930) namelijk dat een nominaal verwacht rendement opgedeeld kan worden in een deel verwachte inflatie en een deel verwachte reële rente. (Fisher, 1930) In het verlengde daarvan zullen we specifiek het verband onderzoeken met de verwachte en de onverwachte inflatie. Voor beleggers is het namelijk vooral van belang om zich in te kunnen dekken tegen onverwachte inflatie,

28

aangezien deze onvoorspelbare component ervoor kan zorgen dat het nominale rendement onzeker wordt in reële termen. (Bodie, 1983) Eerder onderzoek van Gorton & Rouwenhorst (2005) en Erb & Harvey (2006) toont aan dat grondstoffen vooral bescherming bieden tegen deze onverwachte component van inflatie. Alvorens we tot de analyse overgaan staan we nog even stil bij figuur 11, deze toont de prijsevolutie van onze gelijkgewogen Soft Commodities index en vergelijkt die met de stijgende inflatie. Aangezien we ons onderzoek uitvoeren vanuit het oogpunt van de Europese belegger, werd voor de inflatie de Europese CPI (Customer Price Index) met alle items gebruikt. We zien op de grafiek duidelijk dat Soft Commodities in de beschouwde periode tussen 2000 en 2010 een hoger rendement hebben gehaald dan de inflatiestijging in deze periode. Het reële rendement was in de beschouwde periode dus net als het nominale rendement positief, al wil dit natuurlijk nog niet zeggen dat Soft Commodities een goede bescherming bieden tegen inflatie. Daarvoor zullen we verder onderzoek moeten uitvoeren. Figuur 11: Evolutie gelijkgewogen Soft Commodities index en Europese Inflatie (Eurostat CPI All Items), 2000=1, 2000-‐2009, Eigen onderzoek.

29

3.2 Correlatie Analyse Om na te gaan of de rendementen van onze gelijkgewogen Soft Commodities index een verband vertonen met de maandelijkse prijsstijgingen voeren we een correlatie analyse uit. We doen dit meteen voor drie activaklassen, zijnde onze gelijkgewogen Soft Commodities index, de Europese obligaties (Barclays Euro Aggregate) en de Europese Aandelen (Eurostoxx50). Voor het maandelijks inflatiepercentage gebruiken we de Europese CPI All Items. Alle percentages werden daarnaast berekend door het logaritmisch rendement. In tabel 11 sommen we de correlatiecoëfficiënten op voor de drie activaklassen en beslissen we naast een correlatie analyse van maandelijkse rendementen ook een analyse uit te voeren op driemaandelijks, halfjaarlijks en jaarlijks rendementsniveau. Dit omdat eerder onderzoek van Gorton & Rouwenhorst (2005) tussen 1959 en 2004 heeft aangetoond dat de correlatie kan verschillen afhankelijk van de beschouwde periode. Daarnaast besluiten we een kleine vertraging in de data van de Soft Commodities index in te voeren, omdat de gebruikte Futures prijzen een voorspelling zijn van de toekomstige marktprijzen lopen deze namelijk steeds voor op de prijsvorming van deze grondstoffen. (Fama & French, 1987) Daardoor zouden de prijswijzigingen van de grondstoffen Futures een vertraagde invloed op de inflatie hebben. Concreet zullen we de rendementen van de Soft Commodities index daarom berekenen op de eerste dag van de maand, terwijl het inflatiepercentage automatisch op de 15de van elke maand wordt berekend omdat de Eurostat zijn maandelijkse CPI data dan telkens vrijgeeft. Tabel 11: Correlatie tussen rendementen van Europese aandelen, Europese obligaties en gelijkgewogen Soft Commodities index met inflatie, 2000-‐2009, Eigen onderzoek.

Maandelijks Driemaandelijks Halfjaarlijks Jaarlijks

Eurostoxx50 0,1055 -‐0,0433 0,0306 0,3553

Barclays Euro Bonds -‐0,2587* -‐0,3765* -‐0,6361* -‐0,2217

Soft Commodities 0,1595 0,3192* 0,6029* 0,4559


Uit tabel 11 kunnen we meteen enkele belangrijke resultaten aflezen. Eerst en vooral blijken obligaties in de beschouwde periode steeds een negatieve correlatie te vertonen met

30

inflatie. Daarnaast blijkt enkel de correlatie met de jaarlijkse rendementen niet significant te zijn. Soft Commodities zijn op hun beurt steeds positief gecorreleerd met inflatie, de correlatiecoëfficiënt is daarenboven significant op driemaandelijks en halfjaarlijks. We merken daarnaast een stijging van de correlatiecoëfficiënt op naarmate we de rendementen over een langere periode berekenen. Op maandelijks niveau is de coëfficiënt laag en niet significant, terwijl we op halfjaarlijks niveau een significante en relatief hoge correlatiecoëfficiënt opmerken. Deze resultaten tonen ons alvast dat de rendementen van Soft Commodities de belegger kunnen beschermen tegen inflatie, zeker wanneer we de driemaandelijkse en halfjaarlijkse rendementen beschouwen. De Europese aandelen blijken verder weinig gecorreleerd te zijn met inflatie, de correlatiecoëfficiënten zijn steeds klein of negatief en zijn daarnaast ook niet significant. Onze resultaten liggen in lijn met de resultaten van Gorton & Rouwenhorst (2005), ook zij bekwamen een negatieve correlatie voor obligaties en een positieve correlatie voor grondstoffen en zagen bij grondstoffen de correlatie toenemen naarmate de aangehouden periode steeg. Voor aandelen kwamen Gorton & Rouwenhorst (2005) echter steeds een negatieve correlatie uit, terwijl wij dit enkel voor de driemaandelijkse rendementen bekomen. Dat de correlatie op jaarlijks rendementsniveau in alle gevallen steeds een niet significant resultaat oplevert heeft vermoedelijk te maken met de arme dataset die we hebben wegens onze beschouwde periode van 10 jaar. In de literatuur rond inflatiebescherming wordt inflatie vaak ook opgedeeld in een verwachte en onverwachte component. Deze opdeling werd onder meer door Fama & Schwert (1977) gebruikt en is gebaseerd op het “Fisher Effect” (Fisher, 1930) dat stelt dat de nominale rente uitgedrukt kan worden als de som van het verwacht reëel rendement en het verwacht inflatiepercentage. Wanneer de markt efficiënt is, zal het volgens Fisher dus concreet alle beschikbare informatie op het moment t-‐1 gebruiken en zullen de prijzen van alle activa zich zo positioneren zodat het verwachte nominale rendement tussen tijdstip t-‐1 en t gelijk is aan de som tussen de verwachte reële rente en de verwachte inflatie gedurende dezelfde periode. Concreet: 𝐸𝑁𝑅!!! = 𝐸𝑅𝑅!!! + 𝐸𝐼!!!

31

waarbij ENR staat voor de verwachte nominale rente, ERR voor de verwachte reële rente en EI voor de verwachte inflatie. Eens een goede maatstaf voor de verwachte inflatie gevonden is, kunnen de hypotheses dat de markt efficiënt is en het verwacht reëel rendement en de verwachte inflatie onafhankelijk variëren, getest worden via het volgende regressiemodel: 𝑁𝑅! = 𝛼 + 𝛽𝐸𝐼!!! + 𝜖! . waarbij NR staat voor nominale rente en EI staat voor de verwachte inflatie. Als de hypotheses kloppen zou de 𝛽 coëfficiënt in de buurt van 1 moeten liggen. Waarmee dan aangetoond wordt dat het verwachte nominale rendement één-‐op-‐één meebeweegt met de verwachte inflatie. Daarnaast stelden Fama & Schwert (1977) ook een regressiemodel op waarin zowel de verwachte als onverwachte inflatie werd opgenomen: 𝑁𝑅! = 𝛼 + 𝛽𝐸𝐼!!! + 𝛾𝑈𝐼! + 𝜖! waarbij UI staat voor de onverwachte inflatie. Wanneer bij deze regressie 𝛽 gelijk is aan 1 kunnen we zeggen dat dit beleggingsinstrument een volledige bescherming tegen de verwachte inflatie biedt. Wanneer echter de 𝛾 coëfficiënt gelijk is aan 1, dan kunnen we zeggen dat het beleggingsinstrument een volledige bescherming tegen onverwachte inflatie biedt. Deze regressie vereist echter wel een goede maatstaf voor de verwachte inflatie. In het verleden werden reeds verschillende methodes gebruikt om hiervoor een goede proxy te vinden. Traditioneel zouden we de methode van Fama & Gibbons (1984) kunnen gebruiken. Fama & Gibbons (1984) gebruikten namelijk het idee dat de risicovrije rente met als maatstaf de rente van de Amerikaanse Treasury Bill de som zou zijn van de verwachte reële rente en de verwachte inflatie. Waarbij de reële rente ofwel door een constante waarde ofwel door een gewogen gemiddelde van voorbije reële rentes (Treasury-‐Bill rente – inflatie) werd voorgesteld. Recenter kozen Erb & Harvey (2006) voor de jaarlijkse verschillen in inflatie als een proxy voor de onverwachte inflatie en gebruikten Hoesli, Lizieri & MacGregor (2008) de 3-‐maand of 4-‐maand voortschrijdende gemiddelde inflatie als een maatstaf voor de verwachte inflatie. Eens we de verwachte (onverwachte) inflatie hebben berekend kunnen we de onverwachte (verwachte) inflatie steeds berekenen volgens volgende formule:

32

𝐼𝑛𝑓𝑙𝑎𝑡𝑖𝑒 = 𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑖𝑛𝑓𝑙𝑎𝑡𝑖𝑒 + 𝑜𝑛𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑖𝑛𝑓𝑙𝑎𝑡𝑖𝑒 Waarbij de inflatie maandelijks berekend wordt door het logaritmisch rendement tussen de CPI waarden op tijdstip t en t-‐1. (Fama & Schwert, 1997) Voor ons onderzoek besloten we de verwachte inflatie op basis van het recente onderzoek van Hoesli, Lizieri & MacGregor (2008) te berekenen. In hun werk vergeleken ze namelijk de prestaties van verschillende schatters voor verwachte inflatie en kwamen ze tot het besluit dat de 3-‐maand en 4-‐maand voortschrijdende gemiddelden van inflatie het best de verwachte inflatie in een bepaalde periode benaderen. In ons onderzoek zullen we dan ook specifiek het 3-‐maand voortschrijdende gemiddelde gebruiken als maatstaf voor de verwachte inflatie. Voeren we nu een correlatie analyse uit voor de verschillende activa met de verwachte en onverwachte inflatie, dan bekomen we de resultaten weergegeven in tabel 12 en 13. We lieten voor het gemak de maandelijkse en jaarlijkse periodes weg, aangezien deze in ons voorgaand onderzoek (supra p. 30) geen significante correlaties gaven. In tabel 12 zien we de correlaties tussen de drie activaklassen voor de driemaandelijkse rendementen. Hierbij merken we op dat de Europese obligaties een significant negatieve correlatie vertonen met de verwachte inflatie, maar dat zowel de Europese aandelen als onze gelijkgewogen Soft Commodities index geen significant verband vertoont met de verwachte of onverwachte inflatie. Voor de Soft Commodities zien we wel een licht positieve correlatie met de onverwachte inflatie, maar het resultaat is niet significant. De correlatie met de totale inflatie is echter zoals reeds in tabel 11 gegeven significant positief. Tabel 12: Correlatie Europese aandelen, Europese obligaties en Soft Commodities index met verwachte en onverwachte inflatie, driemaandelijkse rendementen, 2000-‐2009, Eigen onderzoek.

Verwachte inflatie Onverwachte inflatie Inflatie

Eurostoxx50 0,0749 -‐0,0842 -‐0,0433

Barclays Euro Bonds -‐0,3324* -‐0,0868 -‐0,3765*

Soft Commodities 0,0836 0,1817 0,3192*


33

In tabel 13 doen we hetzelfde correlatieonderzoek met halfjaarlijkse rendementen, hier merken we wel een significant positieve correlatie op tussen de Soft Commodities en de onverwachte inflatie. Daarnaast is ook de correlatie met de verwachte inflatie positief, maar kan deze met een p-‐waarde van 0,06 niet significant genoemd worden op het 5% significantieniveau. Hieruit kunnen we besluiten dat onze gelijkgewogen Soft Commodities index over een halfjaarlijkse periode naast een hedge tegen de totale inflatie ook bescherming biedt tegen de onverwachte inflatie. Onze twee andere activaklassen scoren niet goed op het vlak van inflatiebescherming, de Europese obligaties scoren een negatief significante correlatie met de verwachte inflatie, terwijl de Europese aandelen geen enkele significante correlatie vertonen. Onze resultaten liggen in ieder geval in lijn met de resultaten van Gorton & Rouwenhorst (2009) voor de totale grondstoffenklasse, ook zij bekwamen voor de inflatie en onverwachte inflatie een positief significante correlatie. Tabel 13: Correlatie Europese aandelen, Europese obligaties en Soft Commodities index met verwachte en onverwachte inflatie, halfjaarlijkse rendementen, 2000-‐2009, Eigen onderzoek.

Verwachte inflatie Onverwachte inflatie Inflatie

Eurostoxx50 -‐0,1469 0,2131 0,0306

Barclays Euro Bonds -‐0,5818* -‐0,4042 -‐0,6361*

Soft Commodities 0,4418 0,5285* 0,6029*


Om na te gaan hoe de correlatie tussen de rendementen van de gelijkgewogen Soft Commodities index zich gedragen ten opzichte van de inflatie in verschillende marktomstandigheden voeren we ook een correlatie analyse uit voor de drie eerder geconstrueerde subperiodes. (supra p. 12) We kiezen er daarnaast voor om het onderzoek op basis van de driemaandelijkse nominale rendementen uit te voeren. We doen dit enerzijds omdat we hier voor de totale periode reeds significante correlatiecoëfficiënten hebben gevonden (supra p. 30) en anderzijds om ervoor te zorgen dat er ten opzichte van de halfjaarlijkse rendementen zeker voldoende data voor handen is. De resultaten van de correlatieanalyse werden opgenomen in tabel 14.

34

Tabel 14: Correlatie Soft Commodities index met verwachte en onverwachte inflatie, driemaandelijkse rendementen, verschillende subperiodes 2000-‐2009, Eigen onderzoek.

2000-‐2002 2003-‐2006 2007-‐2009 2003-‐2009

Verwachte inflatie 0.06841 -‐0.19854 0.38172 0.08800

onverwachte inflatie -‐0.04001 0.39726 0.09462 0.25502

inflatie 0.00329 0.43870* 0.43083 0.40839**

* correlatiecoëfficiënt is significant op het 10% significantieniveau ** Correlatiecoëfficiënt is significant op het 5% significantieniveau

Uit de tabel kunnen we meteen enkele belangrijke zaken vaststellen: eerst en vooral blijkt de correlatie met alle componenten van inflatie onbestaande in de periode tussen 2000-‐2002, terwijl de correlatie met de inflatie in de periode tussen 2003-‐2006 significant positief is op het 10% significantieniveau en daarnaast ook positief is voor de onverwachte inflatie. Deze periode hebben we eerder reeds gecatalogiseerd als een periode van economisch herstel. In de periode van de economische crisis tussen 2007-‐2009 zien we dan weer een belangrijke verschuiving in correlatie tussen de componenten van inflatie. Het lijkt erop dat de rendementen van de Soft Commodities index dan meer correleren met de verwachte inflatie dan met de onverwachte inflatie. Al zijn de correlatiecoëfficiënten hier niet significant. Laten we de laag correlerende periode van 2000-‐2002 buiten beschouwing, dan bekomen we een significant positieve correlatie voor de inflatie op het 5% significantieniveau. Daarnaast tonen de driemaandelijkse rendementen zich hier terug meer gecorreleerd met de onverwachte dan met de verwachte inflatie.

3.3 Regressie Analyse Naast de correlatie analyse voeren we nu ook een meer conventionele regressie analyse uit om de eventuele inflatie beschermende capaciteit van de Soft Commodities index aan te kunnen tonen. We beschouwen vooreerst een regressiemodel dat ook door Jaffe & Mandelker (1976) werd gebruikt en waarbij de logaritmische nominale rendementen van de Soft Commodities index worden uitgezet ten opzichte van de inflatie berekend door het logaritmisch rendement van de Europese CPI tussen periode t-‐1 en t: 𝑁𝑅!" = 𝛼 + 𝛽𝐼! + 𝜖!

35

waarbij 𝑁𝑅!" staat voor het nominaal rendement van de Soft Commodities index op tijdstip t en I staat voor de inflatie. Wanneer we deze regressie uitvoeren met behulp van de kleinste kwadratenschatter voor de maandelijkse, driemaandelijkse en halfjaarlijkse rendementen bekomen we de resultaten die opgesomd worden in tabel 15. De steeds positieve 𝛽 coëfficiënt valt daarbij meteen op, dit duidt in ieder geval op een positief verband tussen de rendementen van de gelijkgewogen Soft Commodities index en de inflatie. Op het maandelijks niveau is de 𝛽 coëfficiënt echter niet significant en zien we dat de determinatiecoëfficiënt (𝑅! ) met 2,55% niet hoog scoort, waardoor we voor de maandelijkse rendementen geen echte uitspraak kunnen doen over de inflatie beschermende capaciteit van Soft Commodities. Op driemaandelijks en halfjaarlijks niveau kunnen we dit echter wel: wanneer we de regressie van de driemaandelijkse rendementen bekijken zien we een significant positieve 𝛽 coëfficiënt en een determinatiecoëfficiënt (𝑅! ) van 10,19%. Op halfjaarlijkse basis zijn de regressieresultaten echter het duidelijkst: de 𝛽 coëfficiënt is hier positief en significant, terwijl de determinatiecoëfficiënt (𝑅! ) van 36,35% hier duidt op een relatief hoge verklarende waarde van de regressie. Concreet zal volgens de regressie een stijging van de inflatie gedurende de halfjaarlijkse periode met 1% het zesmaandelijks rendement van de gelijkgewogen Soft Commodities index met 7,37% doen stijgen. Hieruit besluiten we dat de halfjaarlijkse rendementen van de Soft Commodities index over de beschouwde periode van 2000-‐2009 duidelijk een inflatie beschermende capaciteit hebben gehad, daarnaast wijst eveneens de positieve en significante 𝛽 coëfficiënt bij de regressie van de driemaandelijkse rendementen op bescherming tegen inflatie. Op maandelijks rendementsniveau kunnen we dit echter niet besluiten, hoewel de positieve 𝛽 coëfficiënt wijst op inflatiebescherming is deze coëfficiënt statistisch niet significant. Tabel 15: Regressieresultaten Inflatie en rendementen Soft Commodities, 𝑵𝑹𝒔𝒕 = 𝜶 + 𝜷𝑰𝒕 + 𝝐𝒕 , (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek.

Maandelijks Driemaandelijks Halfjaarlijks

𝜶 -‐0,00047 (0,00563) -‐0,00965 (0,01610) -‐0,05593 (0,03101)

𝜷 2,79739 (1,60027) 4,00904 (1,95627) 7,37527 (2,36681)

T-‐stat 𝜷 1,74808

Prob. 𝜷 0,08310

𝑹𝟐 2,55%

2,04933

0,04760

10,19%

3,11612

0,00630

36,35%

36

Om na te gaan of de rendementen van de gelijkgewogen Soft Commodities index een specifiek verband hebben met de verwachte of onverwachte inflatie zullen we de volgende regressie uitvoeren die ook door Fama & Schwert (1977) werd geformuleerd: 𝑁𝑅!" = 𝛼 + 𝛽𝐸𝐼!!! + 𝛾𝑈𝐼! + 𝜖! waarbij 𝑁𝑅!" staat voor het nominaal rendement van de Soft Commodities index op tijdstip t, 𝐸𝐼!!! voor de verwachte inflatie en 𝑈𝐼! voor de onverwachte inflatie. De regressieresultaten op basis van de kleinste kwadratenschatter vinden we in tabel 16. De resultaten tonen ons een steeds positieve 𝛾 coëfficiënt voor de onverwachte inflatie, die op driemaandelijks niveau zelfs significant is en op halfjaarlijks niveau met een p-‐waarde van 0,0524 nipt op het 5% significantieniveau moet worden verworpen. De regressie heeft voor de halfjaarlijkse periode een determinatiecoëfficiënt (𝑅! ) van 37,90%, wat wil zeggen dat het model 37,90% van de variantie in de rendementen van Soft Commodities kan verklaren. Voor de 𝛽 coëfficiënt voor verwachte inflatie zijn de resultaten minder eenduidig, de 𝛽 coëfficiënt is negatief op het maandelijks niveau, maar positief voor de driemaandelijkse en halfjaarlijkse rendementen. De coëfficiënten zijn daarnaast nooit significant op het 5% significantieniveau, waardoor we geen statistisch verband met de verwachte inflatie kunnen aantonen. Daarnaast is de 𝛾 coëfficiënt in twee van de drie gevallen groter dan de 𝛽 coëfficiënt, wat ons doet vermoeden dat de rendementen van de Soft Commodities index vooral een goede bescherming bieden tegen onverwachte inflatie, zoals dat eerder ook door Gorton & Rouwenhorst (2005) en Greer (2000) voor grondstoffen werd vastgesteld. Tabel 16: Regressieresultaten verwachte en onverwachte inflatie en rendementen Soft Commodities, 𝑵𝑹𝒔𝒕 = 𝜶 + 𝜷𝑬𝑰𝒕!𝟏 + 𝜸𝑼𝑰𝒕 + 𝝐𝒕 , (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek.


𝜶 𝜷 𝜸 0,00375 -‐0,06375 2,56500 (0,00747) (3,24822) (1,62360) -‐0,02301 6,21975 4,13162 (0,02173) (3,43667) (1,99106) -‐0,03802 5,49455 9,95309 (0,04339) (3,54215) (4,72450)

Prob. 𝜷 0,98440

Prob. 𝜸 0,11690

𝑹𝟐 3,18%

0,07890

0,04540

11,58%

0,14170

0,05240

37,90%

37

Om het verband met de onverwachte inflatie aan te kunnen tonen voeren we apart ook een regressie uit tussen de nominale rendementen van de gelijkgewogen Soft Commodities index en de onverwachte inflatie volgens het volgende regressiemodel: 𝑁𝑅!" = 𝛼 + 𝛽𝑈𝐼! + 𝜖! . De resultaten van deze regressie kunnen we aflezen in tabel 17. We merken hier enkel voor de halfjaarlijkse periode een significante 𝛽 coëfficiënt op. De waarde van 11,85255 wijst er wel op dat een 1% stijging van de onverwachte inflatie in de halfjaarlijkse periode het zesmaandelijks rendement van de gelijkgewogen Soft Commodities index met 11,85% doet stijgen. Deze waarde is hoger dan de 𝛽 coëfficiënt die we bij de regressie voor de totale inflatie (supra p. 36) uitkwamen en lijkt ons vermoeden dat de rendementen van Soft Commodities vooral bescherming bieden tegen de onverwachte inflatie te bevestigen. We zien dit resultaat echter niet voor de driemaandelijkse periode: hier bekomen we een relatief lage en niet significante 𝛽 coëfficiënt. Op het maandelijks niveau moeten we de significantie van de 𝛽 coëfficiënt daarnaast met een p-‐waarde van 0,0554 nipt verwerpen op het 5% significantieniveau. De relatief hoge determinatiecoëfficiënt (𝑅! ) van 27,93% voor de halfjaarlijkse rendementen bevestigt daarnaast dat dit model voor 27,93% de variantie van de prijzen van Soft Commodities kan verklaren.

Tabel 17: Regressieresultaten onverwachte inflatie en rendementen Soft Commodities, 𝑵𝑹𝒔𝒕 = 𝜶 + 𝜷𝑼𝑰𝒕 + 𝝐𝒕 , (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek.


𝜶 0,00364 (0,00498) 0,00887 (0,01313) 0,02142 (0,02124)

𝜷 2,58298 (1,33471) 1,65194 (1,48963) 11,85255 (4,75935)

T-‐stat 𝜷 1,93524

Prob. 𝜷 0,05540

𝑹𝟐 3,18%

1,10896

0,27480

3,30%

2,49037

0,02410

27,93%

Om na te gaan of er eventueel ook een statistisch verband is tussen de rendementen van de Soft Commodities en de verwachte inflatie tonen we in tabel 18 de resultaten van een regressie volgens het volgende regressiemodel:

38

𝑁𝑅!" = 𝛼 + 𝛽𝐸𝐼!!! + 𝜖! . De regressieresultaten op basis van de kleinste kwadratenschatter bevestigen ons vermoeden dat de rendementen van de gelijkgewogen Soft Commodities index vooral een bescherming vormen tegen onverwachte inflatie, aangezien voor geen van de beschouwde niveaus de 𝛽 coëfficiënt significant is. We kunnen dus statistisch gezien geen uitspraken doen over een verband tussen de rendementen van de gelijkgewogen Soft Commodities index en de verwachte inflatie, terwijl we dit eerder wel konden voor de onverwachte inflatie. Tabel 18: Regressieresultaten verwachte inflatie en rendementen Soft Commodities, 𝑵𝑹𝒔𝒕 = 𝜶 + 𝜷𝑬𝑰𝒕!𝟏 + 𝝐𝒕 , (standaardfouten tussen haakjes), 2000-‐2009, Eigen onderzoek.


𝜶 0,00870 (0,00683) 0,00211 (0,01886) -‐0,06349 (0,04594)

𝜷 -‐2,95857 (2,69958) 1,31238 (2,60557) 7,42864 (3,77080)

T-‐stat 𝜷 -‐1,09594

Prob. 𝜷 0,27540

𝑹𝟐 1,04%

0,50368

0,61760

0,70%

1,97004

0,06640

19,52%

We kijken voor de volledigheid van ons onderzoek ook naar de regressieresultaten in de geconstrueerde subperiodes. We beschouwen de regressie tussen de driemaandelijkse rendementen van de Soft Commodities index en de driemaandelijkse inflatie volgens volgende regressieformule: 𝑁𝑅!" = 𝛼 + 𝛽𝐼! + 𝜖! . De resultaten van deze regressie vinden we in tabel 19, als we deze beschouwen komen we op gelijkaardige bevindingen als de correlatieanalyse van tabel 14 (supra p. 35) Voor de periode 2000-‐2002 lijkt amper een inflatie beschermende capaciteit waargenomen te kunnen worden, terwijl voor de andere subperiodes de 𝛽 coëfficiënt wel duidelijk hoger ligt dan 1. De 𝛽 coëfficiënten zijn echter voor de kleinere subperiodes niet significant op het 5% significantieniveau, waardoor we genoodzaakt waren om een extra subperiode tussen 2003-‐ 2009 te creëren waar de 𝛽 coëfficiënt wel significant is. Het is door de beperkte data echter

39

moeilijk om via deze regressieanalyse een uitspraak te doen over de verschillende subperiodes, daarvoor lijkt de eerder aangehaalde correlatieanalyse uit tabel 14 meer geschikt. We voeren dan ook geen aparte regressie voor de verwachte en onverwachte inflatie uit. Tabel 19: Regressieresultaten inflatie en driemaandelijkse rendementen Soft Commodities, 𝑵𝑹𝒔𝒕 = 𝜶 + 𝜷𝑰𝒕 + 𝝐𝒕 ,, (standaardfouten tussen haakjes), verschillende subperiodes, 2000-‐2009, Eigen onderzoek.

2000-‐2002 2003-‐2006 2007-‐2009 2003-‐2009

𝜶 0,01715 (0,05232) -‐0,03495 (0,02507) 0,00553 (0,02247) -‐0,01480 (0,01648)

𝜷 0,90143 (7,37419) 5,84561 (3,20025) 3,53219 (2,33968) 4,35404 (1,90857)

T-‐stat 𝜷 0,12224

Prob. 𝜷 0,90540

𝑹𝟐 0,17%

1,82661

0,08920

19,25%

1,50969

0,16210

18,56%

2,28131

0,03100

16,68%

3.4 Conclusie Op basis van een correlatie en regressie analyse hebben we in dit hoofdstuk onderzocht of Soft Commodities een bepaalde graad van bescherming kunnen bieden tegen inflatie. De resultaten van ons onderzoek laten ons toe te besluiten dat de rendementen van de gelijkgewogen Soft Commodities index bescherming bieden tegen inflatie op het driemaandelijks en halfjaarlijks rendementsniveau. Dit resultaat halen we zowel uit de significant positieve correlatie tussen de gelijkgewogen index en de inflatie, als uit de significant positieve coëfficiënten in onze regressieanalyse. Wanneer we de inflatie opdelen in een onverwachte en verwachte component, bekomen we voor de onverwachte component in de halfjaarlijkse periode zowel een significant positieve correlatie als een significant positieve regressiecoëfficiënt. Hieruit kunnen we besluiten dat Soft Commodities net als grondstoffen (Gorton & Rouwenhorst, 2005) vooral bescherming bieden tegen onverwachte inflatie. Deze onverwachte component van inflatie is echter zeer belangrijk voor beleggers, aangezien net deze component voor onzekerheid in de reële rendementen van de beleggingsportefeuille zorgt. (Bodie, 1983) Het opnemen van een

40

bepaalde hoeveelheid Soft Commodities in de beleggingsportefeuille is dus raadzaam voor een belegger die zijn reëel rendement veilig wil stellen. Bekijken we de inflatiebescherming tijdens de subperiodes die we in hoofdstuk 2 construeerden dan zien we dat de Soft Commodities index geen bescherming bood tegen inflatie in de periode 2000-‐2002, maar merken we wel een positieve correlatie en regressiecoëfficiënt op in de twee andere subperiodes. De bekomen resultaten zijn echter niet significant, dus is het statistisch niet mogelijk om hier conclusies rond te formuleren. Voor de extra gecreëerde subperiode 2003-‐2009 zien we wel goede resultaten op het vlak van inflatiebescherming, met in vergelijking met de totale beschouwde periode 2000-‐2009 een hogere significante correlatie en een hogere significante regressiecoëfficiënt. Daarnaast lijken de driemaandelijkse rendementen van de Soft Commodities index op basis van de correlatie analyse tijdens herstelperiodes (2003-‐2006) een positieve correlatie te hebben met de onverwachte inflatie, terwijl tijdens crisistijden (2007-‐2009) de rendementen met de verwachte inflatie zijn gecorreleerd. We kunnen dit vermoeden op basis van onze data statistisch echter niet staven en laten deze bevinding open voor verder onderzoek.

41

Hoofdstuk 4: Algemene Conclusie Grondstoffen zijn de laatste jaren steeds meer in beeld bij beleggers, het is niet alleen eenvoudiger om erin te investeren dankzij afgeleide instrumenten zoals Futures, maar ook de forse prijsstijgingen die zich de laatste jaren voordeden zijn de meeste beleggers niet ontgaan. Zo trokken de institutionele beleggers volgens een studie van de Europese Commissie hun investeringen in grondstoffen tussen 2003 en 2008 op van 13 miljard euro naar meer dan 170 miljard euro. Grondstoffen kan je echter opdelen in verschillende categorieën, waarvan het investeren in Soft Commodities de laatste jaren ook flink aan populariteit won. Deze aparte categorie van grondstoffen is bijzonder omdat het in vergelijking met grondstoffen een andere vraag en aanbodconstructie heeft. In hoofdstuk 1 probeerden we dit dan ook duidelijk te maken door de belangrijkste prijsbepalende factoren op te sommen en zo aan te tonen dat de prijsvorming van Soft Commodities niet helemaal gelijk hoeft te lopen met de totale grondstoffenklasse. De investeringsmogelijkheden zijn dan weer wel quasi identiek, net als voor grondstoffen kan op een verscheidenheid aan manieren belegd worden in deze activaklasse. Het populairst zijn daarbij Futures, omdat hier geen kosten voor opslag en transport gelden en er ook geen grote betaling bij het afsluiten van het contract vereist is. Nadat we de gelijkenissen en verschillen met de totale grondstoffenklasse en de mechanieken van de prijsvorming van Soft Commodities hebben bestudeerd, konden we de risico’s en rendementen van Soft Commodities onder de loep nemen. Daarbij hebben we ervoor gekozen om een gelijkgewogen Soft Commodities index te construeren met daarin zeven verschillende landbouwgrondstoffen verwerkt. We vergeleken de prestaties van deze zelf geconstrueerde index tussen 2000 en 2009 onder meer met de Europese aandelen en Europese obligaties en konden in de totale periode vaststellen dat onze index hogere rendementen en een lager risico had behaald ten opzichte van de Europese aandelen. Daarnaast waren Soft Commodities ook in twee van de drie subperiodes een betere keuze dan aandelen, en scoorde onze gelijkgewogen index steeds een gemiddeld positief nominaal rendement.

42

Belangrijker dan gemiddelde rendementen in het verleden is het voor beleggers om hun portefeuille te kunnen diversifiëren. Daarom onderzochten we in hoofdstuk 2 ook de correlatie tussen Soft Commodities en andere activaklassen. Hierbij kwamen we tot de conclusie dat onze index steeds negatief gecorreleerd was met de Europese obligaties en dat de correlatie met de verschillende aandelenindices steeds erg laag lag. Voor een rationele belegger betekent dit dus dat Soft Commodities een belangrijke diversificatiemogelijkheid voor de beleggingsportefeuille kunnen bieden. Ook wanneer we de zeven Soft Commodities die we in ons onderzoek gebruikten apart op correlatie met andere activaklassen onderzochten bekwamen we deze resultaten: elk correleren ze laag met Europese aandelen en negatief met Europese obligaties. De diversificatiemogelijkheid gingen we verder na door een portfolio analyse uit te voeren op basis van de Markowitz moderne portefeuilletheorie. We bekwamen hierbij voor de gehele periode een betere ligging van de efficiënte curve wanneer Soft Commodities als beleggingsmogelijkheid werden opgenomen, terwijl ook in twee van de drie subperiodes de aanwezigheid van Soft Commodities een positief effect had op de ligging van de efficiënte curve. Enkel in tijden waarin aandelenindices herstellen van een dieptepunt lijken deze beter te presteren dan Soft Commodities, waardoor deze laatste weinig toegevoegde waarde bieden. Het blijft echter raadzaam om steeds een zeker percentage Soft Commodities in portefeuille aan te houden, aangezien de lage correlatie met de andere activaklassen in alle marktsituaties voor diversificatievoordelen zorgt. Naast een betere ligging van de efficiënte curve dankzij de opname van Soft Commodities is het voor beleggers ook interessant om zich in zekere mate te beschermen tegen inflatie. Inflatie zorgt er namelijk voor dat het reële rendement voor de belegger onzeker is en daarom willen beleggers zich daar graag tegen beschermen. In hoofdstuk 3 deden we zowel een correlatie als regressie analyse met telkens interessante resultaten. Soft Commodities blijken een significant positieve correlatie te vertonen met inflatie, zeker wanneer de beschouwde rendementsperiode groter wordt. Zo bekwamen we een significant positieve correlatie op het driemaandelijkse en halfjaarlijkse rendementsniveau. Daarnaast bleek een regressieanalyse dit positieve verband te bevestigen, met een positieve regressiecoëfficiënt bleek onze gelijkgewogen index over de volledige periode dus een prima hedge tegen inflatie. Beschouwden we echter de subperiodes, dan bleek onze gelijkgewogen index

43

tijdens de periode tussen 2000 en 2002 niet tegen inflatie te beschermen, terwijl de bescherming wel significant was tussen 2003 en 2009. Wanneer we daarenboven de inflatie in een verwachte en onverwachte component opsplitsten, konden we vaststellen dat Soft Commodities over de volledig beschouwde periode vooral bescherming bieden tegen onverwachte inflatie. Deze vaststelling is zeer interessant voor de belegger, aangezien net deze onzekere factor van inflatie ervoor zorgt dat het uiteindelijke reële rendement van de beleggingsportefeuille onzeker is. Ons onderzoek naar Soft Commodities heeft echter ook enkele beperkingen, zo werd het onderzoek steeds vanuit het oogpunt van de Europese belegger uitgevoerd, we kunnen dus geen uitspraak doen over de prestaties van Soft Commodities voor een niet Europese belegger. Daarnaast werd onze gelijkgewogen index geconstrueerd op basis van de Futures prijzen, dit geeft zoals aangehaald wel een goede indicatie van hoe de grondstoffenmarkt zich gedraagt, maar de rendementen zouden in de realiteit onder meer door de transactiekosten lager liggen. We werkten daarnaast met een relatief beperkte periode van tien jaar, omdat de data voor langere periodes niet steeds beschikbaar waren. Door het gebrek aan data konden we ook maar zeven Soft Commodities opnemen in onze index. Voor ons onderzoek steunden we daarnaast op de mean-‐variance theorie van Markowitz, een theorie die wereldwijd wordt ondersteund als een goede basis voor portfolio onderzoek, maar waar ook evenveel kritieken op te vinden zijn. Zo stelt deze theorie verschillende voorwaarden voorop en zou deze theorie out-‐of-‐sample vaak minder goed presteren. (Van Esch, 2012) In ons onderzoek hebben we echter vooral willen aantonen dat Soft Commodities in de beschouwde periode een interessante aanvulling waren voor de beleggingsportefeuille, het is echter moeilijk om deze resultaten ook daadwerkelijk door te trekken naar de toekomst. De correlatie analyse die we uitvoerden toont echter wel dat de prijsvorming van grondstoffen duidelijk niet verbonden is met de prijsvorming van obligaties en aandelen, waardoor we Soft Commodities steeds kunnen aanraden om de beleggingsportefeuille

te

diversifiëren.

Daarnaast

is

de

capaciteit

om

de

beleggingsportefeuille te beschermen tegen inflatie een groot pluspunt.

44

Toekomstig onderzoek zou zich verder kunnen concentreren op de prestaties van Soft Commodities in verschillende marksituaties. Door onze beperkte periode was het namelijk moeilijk om hier eenduidige conclusies rond te formuleren. Zo zouden grondstoffen Futures minder goed presteren in periodes van expansief monetair beleid en beter presteren in periodes met een restrictief monetair beleid. (Jensen, Johnson & Mercer, 2000) Wanneer beleggers de specifieke marktbewegingen van Soft Commodities zouden kennen, zouden ze er nog beter kunnen op inspelen wanneer ze hun beleggingsportefeuille samenstellen. Daarnaast heeft ons onderzoek duidelijk aangetoond dat Soft Commodities over de volledig beschouwde periode een goede bescherming tegen inflatie en onverwachte inflatie bieden, maar wanneer we de volledige periode opsplitsten kwamen we tot de vaststelling dat in sommige periodes de correlatie kan verschillen. Om dit uitgebreid te kunnen onderzoeken lijkt een onderzoek over een langere periode en met verschillende subperiodes noodzakelijk, we laten dit dan ook graag open voor verder onderzoek.

45

Lijst van geraadpleegde werken Ankrim E., Hensel C., 1993, Commodities in Asset Allocation: A Real-‐Asset Alternative to Real Estate?, Financial Analysts Journal (may-‐june), p. 20-‐29. Balat M., Balat H., 2009, Recent trends in global production and utilitization of bio-‐ethanol fuel, Applied Energy, p. 2273-‐2282. Bird P., 1984, Commodities as a hedge against inflation, Applied Economics, Vol. 16, No. 6, p. 855-‐867. Bodie Z., 1976, Common Stocks as a hedge against inflation, The Journal of Finance, vol. 16, No. 2, p. 459-‐470. Bodie Z., 1983, Commodity futures as a hedge against inflation, The journal of portfolio management, Vol. 9, No. 3, p. 12-‐17. Bodie Z., Rosansky V., 1980, Risk and Return in Commodity Futures, Financial analysts journal, May-‐June 1980, p. 27-‐39. Conover C., Jensen G. Johnson R., Mercer J., 2010, Is now the time to add commodities to your portfolio?, Journal of investing 19, p. 10-‐19. Daskalaki C., Skladopoulos G., 2011, Should investors include commodities in their portfolios after all? New evidence, Journal of Banking & Finance (35), 2011, p. 2606-‐2626. Dupont, A., Thirlwell M., 2009, A New Era of Food Insecurity?, Survival, 51: 3, p. 71-‐98. Elton E., Gruber M., 1995, Modern Portfolio Theory and Investment Analysis, fifth edition, John Wiley & Sons, Inc. Erb & Harvey, 2006, The Strategic and Tactical Value of Commodity Futures, Financial Analysts Journal, Vol. 62, No. 2, p. 69-‐97. Fama & Gibbons, 1984, A Comparison of Inflation Forecasts, Journal of Monetary Economics, Vol. 13, p. 327-‐348. Fama & Schwert, 1977, Asset Returns and Inflation, Journal of Financial Economics, vol. 5, p. 115-‐146. Fama E., French K., 1987, Commodity Future Prices: Some Evidence on Forecast Power, Premiums and the Theory of Storage, Journal of Business, vol. 60, p. 55-‐73. Fortenbery T., Robert J., 1990, Investment potential of Agricultural Futures Contracts,

American Journal of Agricultural Economics. Vol.72, No.3, p. 721-‐726. Georgiev G., 2001, Benefits of commodity investment, Journal of Alternative Investments 4, p. 40-‐48. Gorton G., Rouwenhorst G., 2005, Facts and Fantasies about commodity futures, Yale ICF Working Paper No.04-‐20. Greer R., 1978, Conservative commodities: A key inflation hedge, Journal of Portfolio management, Vol. 4, No. 4, p. 26-‐29. Greer R., The nature of commodity index returns, 2000, the journal of alternative investments (summer), p. 45-‐53. Grondstoffen en grondstoffenmarkten: uitdagingen en oplossingen, Europese Commisie, 2011. Hartzell D., Hekman J., Miles. M., 1987, Real Estate Returns and Inflation, AREUEA Journal, Vol. 15, No. 1, p. 617-‐637. Hoesli M., Lizieri C., MacGregor B., 2008, The Inflation Hedging Characteristics of US and UK Investments: A Multi-‐Factor Error Correction Approach, The Journal of Real Estate Finance and Economics, Springer, Vol. 36, No. 2, p. 183-‐206. Hoevenaars R. Molenaar R., Schotman P., Steenkamp T., 2008, Strategic Asset Allocation with Liabilities: Beyond Stocks and Bonds, Journal of Economics Dynamics and Control, Elsevier, Vol. 32., No. 9, p. 2939-‐2970. Huet K., 2010, De aarde zal honger lijden, Moneytalk, 28 oktober 2010, p 28-‐30. Idzorek T., 2006, Strategic Asset Allocation and Commodities, Ibbotson, p. 1-‐23. Jaffe J., Mandelker G., 1975, The “Fisher Effect” for Risky Assets: An Empirical Investigation, The Journal of Finance, Vol. 31, No. 2, p. 447-‐458. Jensen G., Johnson R., Mercer J., 2000, Efficient Use of Commodity Futures in Diversified Portfolios, The Journal of Futures Markets, Vol. 20, No. 5, p. 489-‐506. Kat H., 2007, How to Evaluate a New Diversifier with 10 Simple Questions, Journal of Wealth Management, Spring 2007a, p. 1-‐8. Kat H., Oomen R., 2006, What Every Investor Should Know About Commodities Part I: Univariate Return Analysis, Alternative Investment Research Centre Working Paper No. 29. Kat H., Oomen R., 2007, What Every Investor Should Know About Commodities Part II: Multivariate Return Analysis, Journal of Investment Management 5, p. 1-‐25.

VIII

Keynes J., 1930, A treatise on Money, Vol. 2, Macmillan, London. Markowitz H., 1952, Portfolio Selection, The Journal of Finance, Vol. 7, No. 1, p. 77-‐91. Nishioka A., 1999, Futures Prices as Unbiased Estimators of Eventual Spot Prices, Duke University, Durham, North Carolina. Satvanarayan S., Varangis P., 1996, Diversification benefits of commodity assets in global portfolios, Journal of Investing 5, p. 69-‐78. Sharpe W., 1964, Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk, The Journal of Finance, Volume 19, Issue 3, 425-‐442. Spierdijk L., Umar Z., 2010, Are Commodities a Good Hedge Against Inflation: A Comparative Approach, Netspar Discussion Papers. Stepek J., Jan 10 2011, What’s driving the latest surge in food prices?, Moneyweek, < http://www.moneyweek.com/investments/commodities/soft-‐commodities-‐food-‐prices-‐ 10101>. (02/04/2011) Tabachnick B, Fidell S., 2001, Using multivariate statistics, 4th edition, Needham Heights. Van Esch R., 2012, Internationale portefeuilles: Markowitz of naïeve diversificatie?, Universiteit Antwerpen. World Population Prospects: Revision 2010, United Nations, 2011

IX

Bijlagen Bijlage 1: Gebruikte Futures contracten voor gelijkgewogen Soft Commodities index Grondstof Futures contract Cacao CSCE Cocoa Continuous Sett. Price Graan CBT Corn Continuous Sett. Price Katoen CSCE Cotton #2 Continuous Sett. Price Koffie CSCE Coffee 'C' Continuous Sett. Price Rijst CBT Rough Rice Comp Futures Continuous Sett. Price Suiker CSCE Sugar #11 Continuous Sett. Price Tarwe CBT Wheat Continuous Sett. Price Bijlage 2: Samenstelling S&P GSCI, 30 december 2011 Grondstof Crude Oil Brent Crude Unleaded Gasoline Heating Oil GasOil Natural Gas Aluminium Copper Lead Nickel Zinc Gold Silver Wheat Kansas Wheat Corn Soybeans Cotton Sugar Coffee Cocoa Feeder Cattle Live Cattle Lean Hogs

Beurs NYBOT CBOT NYBOT NYBOT CBOT NYBOT CBOT

Code NCCCS00 CC.CS00 NCTCS00 NKCCS00 CRR.CS00 NSBCS00 CW.CS00

Gewicht 34,90% 16,50% 4,70% 5,20% 7,10% 2,10% 2,00% 3,10% 0,40% 0,60% 0,50% 3,00% 0,40% 2,90% 0,70% 4,50% 2,30% 1,20% 2,00% 0,90% 0,20% 0,50% 2,70% 1,50%

X

Investeringen in Soft Commodities

Recommend Documents