Kwantitatieve Analyse. Zijn opkomende markten werkelijk anders? Beleggen in opkomende markten is de laatste jaren

Kwantitatieve Analyse

Zijn opkomende markten werkelijk anders? integratie van opkomende markten. Uit hun onderzoek kwam naar voren dat een niet aflatende convergentie plaatsvindt van risico-rendementsprofielen van de landen over de hele wereld en dat ook opkomende markten daaraan meedoen. Vooral de diversificatiemogelijken in ontwikkelde markten worden allengs kleiner, behalve voor een land als Japan. Het zogeheten landeneffect (de invloed van de landspecifieke kenmerken op de rendementen) neemt af, hoewel het nog wel dominanter is dan bijvoorbeeld het sectoreffect. Het rendement van een Amerikaans chemieaandeel wordt dus nog wel net meer bepaald door wat er in de Verenigde Staten gebeurt dan door de ontwikkelingen in de chemiesector in de wereld. Volgens Lee en Eun neemt het landeneffect af (het sectoreffect neemt niet toe) en zij concluderen dat dit komt door de internationale marktintegratie. Tevens menen de onderzoekers dat de afname van het landeneffect voor opkomende markten zich in een zodanig tempo voltrekt, dat het nog tot 2022 duurt voordat de convergentie compleet is. Tot die tijd bieden deze markten nog diversificatievoordelen.

eleggen in opkomende markten is de laatste jaren populair geworden, natuurlijk in eerste instantie door de rendementen die ze hebben geboden en de mooie verhalen die we horen van veel analisten over de ontwikkelingen van deze landen. Vanuit wetenschappelijk oogpunt wordt een belegging in opkomende markten gepropageerd vanwege de diversificatiemogelijkheden. Maar wat als de rendementen al te ver op de ontwikkelingen vooruit zijn gelopen en wat als de diversificatiemogelijkheden van deze markten afnemen door verdergaande economische integratie? Hoe aantrekkelijk zijn opkomende markten dan nog?

B

________________________________________________________________________________________________________________________ tekst: Erik van Dijk en Harry Geels

De eventuele verschillen die er tussen opkomende markten en ontwikkelde markten zouden zitten, bepalen de potentiële winsten en diversificatiemogelijkheden van die opkomende markten. Potentiële rendementen zijn voor bijna alle beleggers een belangrijk gegeven; voor veel particulieren is het zeer waarschijnlijk het belangrijkste argument om te beleggen. Voor institutionele beleggers spelen ook de diversificatiemogelijkheden een belangrijke rol. Maar hoe verschillen opkomende markten nu echt in termen van rendementen, risico en multifactorregressiemodellen van ontwikkelde markten? Aangezien we hier schrijven in de rubriek Kwantitatieve Analyse, concentreren we ons hier op statistische modellen om koersprognoses af te leiden. Van oorsprong worden opkomende markten altijd gekenmerkt door relatieve lage correlatie (gemiddeld genomen) met de westerse markten, hogere volatiliteiten en een grote verscheidenheid aan bètaschattingen: van relatief laag, bijvoorbeeld Jordanië) tot bijzonder hoog (Turkije). Ook wordt algemeen verondersteld dat opkomende markten minder efficiënt zijn: informatie wordt minder perfect door beleggers verwerkt (bijvoorbeeld doordat minder of onduidelijker informatie voorhanden is), wat kan leiden tot vaker voorkomende afwijkingen tussen de koers en de fundamentele waarde. En dat zorgt er in potentie voor de beleggers met slimme beleggingsmodellen in staat moeten zijn overrendementen (ten opzichte van een benchmark) te behalen. Maar hoe is het In de rubriek Kwantitatieve Analyse nu echt gesteld met die rendementen en worden de resultaten van opmerkelijke risico’s? Zitten er nog patronen in? En zijn wetenschappelijke onderzoeken beschreven opkomende markten inderdaad beter te en vertaald in praktische consequenties voor de financiële wereld. voorspellen, met – in dit geval – kwantitaERIK L. VAN DIJK is tieve modellen? Dat zijn de vragen die we CIO (chief investment officer) in dit artikel proberen te beantwoorden. van Compendeon b.v. HARRY GEELS is senior investment manager bij Compendeon, een onafhankelijk bedrijf dat pensioenfondsen ondersteunt bij hun pensioenmanagement en beleggingsvraagstukken ([email protected]).

Convergentie In TKA is al eerder een onderzoek besproken van Lee en Eun over de snelheid van

Onderzoeksopzet en data In ons onderzoek staat het landeneffect voorop. We hebben 49 multifactorlandenmodellen gebouwd, bestaande uit 49 rendements- en 49 risicovoorspellende modellen. Deze modellen proberen rendementen en risico’s te verklaren (en te voorspellen) door gebruik te maken van algemene landenfactoren. De factoren die wij hebben gebruikt, bestaan uit: - seizoenvariabelen (januari- en ‘part-of-year’effect) - technische variabelen (momentum en overreactie) - risico (volatiliteit) - fundamentele variabelen (dividendrendement) - intermarktvariabelen (volatiliteit, momenum en overreactie van de lokale obligatie- en valutamarkt) - macro-economische variabelen (bbp, rente, inflatie en rentetermijnstructuur). Zie voor een iets beter overzicht ook tabel 1. We nemen overigens slechts één fundamentele variabele op in onze regressiemodellen. Het bleek namelijk dat andere vergelijkbare variabelen als koers-boekwaarde- of koers-winstverhoudingen op landenniveau het multicolineariteitsprobleem opleverde; ze bleken met andere woorden min of

oktober 2006 • technische en kwantitatieve analyse

35

Kwantitatieve Analyse

meer hetzelfde te meten, en ze samen gebruiken in één raamwerk leverde geen statistische voordelen op. Bovendien bleken veel fundamentele variabelen in verschillende landen niet betrouwbaar te zijn, vooral in de opkomende markten. Het belang van de meeste van deze factoren is goed gedocumenteerd in vele wetenschappelijke studies. Zo toont bijvoorbeeld het onderzoek van Bekaert, Erb, Harvey en Viskanta (BEHV, 1997) aan dat het (gemiddelde) dividendrendement van een land de belangrijkste algemene factor is in een rendementsverklarend voorspellingsmodel voor opkomende markten. Met onze multifactormodellen kunnen we inderdaad testen of en voor welke landen deze factor van belang is. Harvey (1995) toont ook aan dat er meer voorspellingskracht is voor de modellen voor opkomende markten. De voorspellingskracht (of R2) van onze modellen lijkt deze stelling te onderschrijven. Andere bronnen van voorspellingscapaciteit zijn volgens Harvey autocorrelatiepatronen (technische factoren) aan de ene kant, en fundamentele inefficiënties (imperfecte verwerking van informatie op landen- en bedrijfsniveau) aan de andere kant. In deze paper willen we de bevindingen van Harvey nader onderzoeken met behulp van ons modelkader. In ons onderzoek zijn alle factoren met één maand vertraagd (‘lagged’) om ‘datasnooping’ te voorkomen. De gevoeligheden/gewichten van de factoren voor elk land werden vastgesteld/bepaald door middel van stapsgewijze regressies. Aangezien onze database voor elk van de factoren zowel uit maand- als uit jaargegevens bestond, waren we in staat om zowel op maand- als op jaarbasis rendementen te verklaren/voorspellen. In de literatuur blijkt dat jaarmodellen betere verklaringskracht opleveren dan maandmodellen of nog kortere modellen. In jaargegevens zit minder ruis. Dit gegeven blijkt ook uit ons onderzoek. Voordat we de resultaten presenteren van het belang van verschillende factoren voor het afleiden van rendement in de verschillende landen, vergelijken we eerst algemene rendements- en risicostatistieken (bèta en volatiliteit) en correla-

tiecoëfficiënten (in relatie tot de S&P500-index), voor zowel opkomende markten als ontwikkelde markten. We zullen dit doen voor twee perioden: een lange (‘since inception’-)periode en een meer recente periode van ruim tien jaar: van januari 1995 tot en met juli 2006. Opgemerkt moet worden dat voor ontwikkelde landen het startpunt van onze database meestal eind 1969 is, terwijl voor opkomende markten deze eerder rond 1994 ligt. Voor een objectieve vergelijking van de rendements-risicoprofielen van opkomende en ontwikkelde landen is de tweede, kortere periode daarom objectiever. We hebben gebruikgemaakt van de MSCI-landenindex (op ‘total return’-basis). We leiden ook algemene rendementen, risico’s en bèta’s en correlaties af voor de twee blokken (opkomend en ontwikkeld). We gebruiken drie methoden om te middelen: gelijkgewogen (equally weighted E_W) en marktkapitalisatie- en bbpgewogen (V_W en GDP_W). De rente- en bbp- en dividendgegevens zijn afkomstig uit Datastream (Thomson Financial). Resultaten Opkomende markten worden verondersteld de hoogste rendementen tegen de hoogste risico’s te bieden. Om te kijken of dit klopt tonen we twee tabellen, een die algemene informatie geeft over rendement, risico (volatiliteit over de onderzoeksperiode), bèta en correlatie voor de ontwikkelde markten (tabel 2) en een voor de opkomende markten (tabel 3). We gebruiken twee perioden om de bèta en de correlatie af te leiden. P1 verwijst naar de periode vanaf het begin van onze database. Dit impliceert december 1969 voor de meeste ontwikkelde landen en december 1987 voor een groot aantal opkomende landen. P2 verwijst naar de periode januari 1995 tot en met juli 2006. Uit tabel 2 (ontwikkelde landen) kunnen we afleiden dat er best een aardige spreiding in rendements-risicoprofielen tussen de landen bestaat, hoewel de meeste ontwikkelde landen wel worden verondersteld grotendeels dezelfde profielen te hebben ten gevolge van de internationale integratie en globalisatieprocessen. Het

TABEL 1: VARIABELEN GEBRUIKT IN DE MULTIFACTORREGRESSIEMODELLEN Technisch - Momentum (3, 6, 12-maands) - Overreaction (36 maands) Seizoen - Januari-effect - Part-of-year-effect Fundamenteel - Dividendrendement Risico - Volatiliteit (36 maanden) Macro-economisch - Inflatie (op maand- en jaarbasis) - Lange obligatierente - Rentetermijnstructuur

36

Volgens de theorie suggereert een sterk opwaarts momentum een prolongatie van de opwaartse trend, en vice versa. Volgens De Bondt en Thaler (1985 en 1987) bewegen koersen zich in trends van drie tot vijf5 jaar, waarna zich een patroon van ‘reversion to the mean’ plaatsvindt Volgens vele onderzoeken zou januari de beste beleggingsmaand zijn, wat wordt toegeschreven aan belasting- en informatiegerelateerde zaken De maanden mei tot en met eind november zouden de slechtere beursmaanden van het jaar zijn voor de aandelenmarkten. Informatiegerelateerde verklaringen domineren in de onderzoeksliteratuur. Een hoog dividendrendement is een indicatie dat de markt goedkoop is (koopsignaal); een laag dividendrendement is een indicatie dat de markt duur is (verkoopsignaal) Hogere volatiliteit biedt in potentie hogere rendementen, tenminste als beleggers goed geïnformeerd zijn; sommige markten zijn echter zodanig risico-avers dat ze ook een tegengesteld teken kunnen laten zien (dat wil zeggen: hogere volatilieiten werken juist rendementverlagend) (Onverwachte) inflatie leidt tot hogere rentetarieven, wat negatief is voor aandelen en oblgaties; in deflatoire perioden kan inflatie positief zijn Hogere rentetarieven zijn doorgaans negatief voor zowel aandelen als obligaties; valatukoersen kunnen echter profiteren van hogere rentetarieven Een vlakke of inverse termijnstructuur is negatief voor obligaties en bepaalde soorten aandelen. Op algemeen niveau heeft een aantal wetenschappelijke studies aangetoond dat het juist een goed instapmoment voor aandelen is.

technische en kwantitatieve analyse • oktober 2006

gen gemiddelde is echter wel lager voor opkomende markten. Dit kan worden GemRen St.Dev. Bèta (P1) Bèta (P2) Corr.coëf. (P1) Corr.coëf.(P2) toegeschreven aan het gewicht dat China 0,78% 7,14% 0,84 0,68 0,52 0,51 0,95% 5,83% 0,27 0,42 0,21 0,26 in deze berekening heeft. En China 1,12% 5,44% 0,58 0,67 0,47 0,52 heeft, zoals eerder opgemerkt, negatieve 0,86% 5,54% 0,92 0,94 0,74 0,75 1,09% 5,33% 0,49 0,66 0,41 0,50 rendementen laten zien over de onder0,98% 9,38% 1,21 1,21 0,51 0,51 zoeksperiode. De laagste volatiliteit zien 0,94% 6,43% 0,74 0,86 0,51 0,62 0,86% 6,14% 0,67 0,97 0,48 0,61 we bij Jordanië, terwijl Rusland ons de 1,13% 9,69% 0,60 0,60 0,25 0,25 1,26% 10,47% 0,94 0,99 0,40 0,52 hoogste volatiliteit voorschotelt. In een 0,86% 5,64% 0,80 0,80 0,56 0,56 portefeuillecontext is de volatiliteit een 0,62% 7,19% 0,49 0,66 0,30 0,40 0,90% 6,34% 0,46 0,59 0,32 0,36 belangrijker risicofactor dan de bèta. In 1,09% 5,26% 0,76 0,83 0,64 0,68 een compleet gesegmenteerde kapitaal1,02% 7,57% 0,86 0,91 0,50 0,54 0,49% 6,54% 0,60 0,60 0,37 0,37 markt is de volatiliteit namelijk de cor0,46% 6,37% 0,58 0,58 0,37 0,37 recte maatstaf voor risico (BEHV, 1997). 0,72% 7,74% 1,08 1,08 0,56 0,56 0,84% 6,41% 0,59 0,91 0,41 0,59 De gemiddelde volatiliteit voor het gehe1,16% 6,77% 0,78 1,14 0,51 0,63 1,01% 5,29% 0,64 0,66 0,53 0,54 le blok van opkomende markten is twee0,94% 6,28% 0,78 0,72 0,55 0,65 maal zo hoog als de gemiddelde volati0,84% 4,41% 0,99 1,00 1,00 1,00 liteit van de ontwikkelde regio. Omdat 0,87% 4,42% 1 1 1 1 de gemiddelde rendementen slechts een beetje hoger zijn in vergelijking tot die 0,91% 6,66% 0,72 0,80 0,48 0,54 van de ontwikkelde markten, hebben 0,88% 5,42% 0,84 0,88 0,73 0,77 0,87% 5,62% 0,79 0,86 0,67 0,71 opkomende markten een ongunstiger Tabel 2: Noot: P1 is vanaf begin database; P2 is de periode januari 1995 tot en met juli 2006 rendements-risicoprofiel. De diversificatievoordelen moeten daarom van andere bronnen komen, bijvoorbeeld de correlatie. Die hoogste gemiddelde rendement (en, zoals de thecorrelaties voor opkomende markten met de orie ook suggereert, ook het hoogste risico) werd S&P500-index zijn inderdaad lager (soms zelfs behaald in Hongkong. De Portugese aandelenveel lager) dan die voor de ontwikkelde landen markt was het minst winstgevend. De VS kenden versus de S&P500. We zien zelfs enkele bijna-nul veruit de laagste volatiliteit. Het adagium dat correlaties (Colombia, Egypte, Jordanië, Marokko beleggen in Amerikaanse aandelen het veiligst is en Pakistan). Maar niet alleen kleinere, op het (qua fluctuatie) blijkt dus te kloppen. Met betrekeerste gezicht minder geïntegreerde markten king tot de bèta (zoals gemeten over de grootste hebben lagere correlaties. Ook India (correlatie historie, P1), kunnen we zeggen dat Oostenrijk de van 0,24) en Rusland (0,20) lijken minder met laagste bèta heeft, en dus het meest gedempt reade S&P500 te fluctueren. Net als bij ontwikkelde geert op de beursontwikkelingen in de wereld. landen zijn in meer recente perioden de correlaDeze conclusie verandert niet over de periode P2, ties van opkomende markten wel omhooggegaan, hoewel de bèta voor Oostenrijk wel aanzienlijk wat ook hier op meer integratie duidt. Hoewel omhoog is gegaan (van 0,27 naar 0,42). Zweden iets minder duidelijk, kunnen we hetzelfde zegbeleefde de grootste sprong van de bèta (van 0,78 gen voor de bèta’s voor opkomende markten. naar 1,14) wat mogelijk kan worden verklaard uit het feit dat de Zweedse beurs in de jaren negenKoersbepalende factoren tig meer technologiegeoriënteerd is geworden Laten we nu de kwestie behandelen welke facto(denk onder andere aan Ericsson). Oostenrijk ren er toedoen bij het verklaren en voorspellen heeft ook de laagste correlatie en Nederland de van de verschillende marktrendementen. We hebhoogste correlatie met de S&P500-index. Dat laatben verschillende variabelen (seizoen, technisch, ste kan worden verklaard uit het gegeven dat veel fundamenteel, macro, intermarkt en risico) getest beursgenoteerde Nederlandse multinationals voor 49 landen. Als we naar al die landen zouden belangen hebben in de VS. Als we P1 en P2 verkijken, dan blijkt het dividendrendement de gelijken, zien we dat in de meer recente perioden belangrijkste verklarende variabele te zijn. Een de correlaties omhoog zijn gegaan. Ontwikkelde hoog gemiddeld dividendrendement in een landen raken overduidelijk meer geïntegreerd, bepaald land is een indicatie dat de markt goedhoewel, en dit zij met nadruk gezegd, er nog koop is (goed aankoopsignaal) en een laag divigeen sprake is van volledige integratie. dendrendement is een teken dat de markt duur is In tabel 3 kunnen we zien dat de spreiding in (verkoopsignaal). Momentum is ook belangrijk, gemiddelde maandelijkse rendementen voor maar niet precies zoals de theorie voorschrijft. Er opkomende markten groter is dan de spreiding zijn namelijk vaak gecombineerde effecten: een die we zien bij ontwikkelde markten. Egypte laat specifiek land kan een positief 6-maands de beste rendementen zien, terwijl China negamomentum hebben, maar een negatief 3- of 12tief heeft gepresteerd over de onderzochte periomaands momentum. Wanneer alle drie momende. Het gemiddelde rendement voor het gehele tumfactoren het doen met verschillende tekens blok opkomende markten (zowel gelijk- als (en dat komt nog weleens voor), dan is het niet marktkapitalisatiegewogen) is hoger dan dat van gemakkelijk om precies te zeggen hoe momende ontwikkelde landen als geheel. Het bbp-gewo-

TABEL 2: ALGEMENE STATISTIEKEN VOOR ONTWIKKELDE AANDELENMARKTEN (12/1969- 7/2006) Land AUS AUT BEL CAN DEN FIN FRA GER GRE HKG IRL ITA JAP NLD NOR NZL POR SIN SPA SWE SWI UK USA S&P500 Averages E_W V_W GDP_W

oktober 2006 • technische en kwantitatieve analyse

37

Kwantitatieve Analyse

tum in dat land zal uitwerken. Het kan zelfs zo zijn, vooral bij opkomende markten dat een (gecombineerd) positief momentum een negatieve factor is en vice versa: een (gecombineerd) negatief momentum is positief met betrekking tot de rendementsverwachting. Op het niveau van het land kan momentum daarom ook een signaal tot winstnemen inhouden. Dit komt overeen met onderzoek van Kothari, Lewellen en Warner (2006), die aantoonden dat behavioural finance op een andere en meer complexe manier uitwerkt op geaggregeerd marktniveau dan op individueel aandelenniveau, waar kortere momentums over het algemeen niet op winstnemen duiden, maar op een continuatie van de trend. De tekens van de andere factoren zijn meestal ook niet op voorhand zo duidelijk als het dividendrendement. Overreactie heeft weliswaar conform de theorie van De Bondt en Thaler een negatief teken, maar het is bij sommige landen een positief teken (verlengde langetermijntrends). Volatiliteit van aandelen, obligaties of valuta kan verschillende tekens hebben. Soms is een hoge volatiliteit een indicatie voor hogere rendementen (in overeenstemming met de theorie), maar soms is het ook negatief. In sommige landen wordt volatiliteit blijkbaar niet op prijs gesteld en gezien als een signaal om te verkopen. We zien ook positieve en negatieve tekens voor inflatie. Om een beter inzicht te krijgen in de totale gecombineerde effecten van de verschillende factoren van de twee blokken (opkomend versus ontwikkeld), is het wellicht daarom inzichtelijker om de gewichten van de verschillende factoren te middelen tot een soort totaalgewicht, en dit wederom gelijk-, marktkapitalisatie- en bbp-

gewogen. We tonen deze gemiddelden in tabel 4 (opkomende markten) en tabel 5 (ontwikkelde markten), zowel voor de maand- als voor de jaarmodellen. We berekenen ook de standaarddeviatie van de gewichten voor alle factoren en de zogenoemde RatioAvg, die een gemiddelde is van de drie wegingsmethoden gedeeld door de standaarddeviatie. Hoe hoger de uitkomst van deze RatioAvg, hoe belangrijker deze factor is, de deviaties in een factor in beschouwing nemend. Het wordt nu heel duidelijk dat dividendrendement een belangrijke factor is, zowel in de maand- als in de jaarmodellen, zowel voor ontwikkelde als voor opkomende markten. Het 3maands momentum in de aandelenmarkt komt nu duidelijk als positieve factor bovendrijven in het jaarmodel (zowel voor ontwikkelde als voor opkomende markten). Belangrijk is ook de overreactie van de obligatiemarkt in de ontwikkelde landen. Een goede prestatie gedurende drie jaar in de obligatiemarkt vertaalt zich in nieuw enthousiasme voor de ontwikkelde aandelenmarkten. We kunnen met andere woorden een intermarktverschuiving verwachten van obligaties naar aandelen, als obligaties het een tijd goed gedaan hebben. Dit fenomeen is niet zichtbaar in opkomende markten (is daar zelfs gemiddeld een licht negatieve factor). Dezelfde redenering geldt voor de volatiliteit van de obligatiemarkten. Een hoge volatiliteit vertaalt zich in betere rendementen voor ontwikkelde aandelenmarkten. Op geaggregeerd niveau is overreactie in de aandelenmarkten zichtbaar, zowel bij opkomende als bij ontwikkelde landen. Het is ook tamelijk duidelijk dat het oplopen van inflatie negatief is voor ontwikkelde landen, maar

TABEL 3: ALGEMENE STATISTIEKEN VOOR OPKOMENDE AANDELENMARKTEN (12/1987- 7/2006) Land ARG BRA CHIL CHIN COL CZE EGY HUN IND INDO ISR JOR KOR MAL MEX MOR PAK PER PHI POL RUS SAF TAI THAI TUR VEN

GemRen 1,62% 1,64% 1,47% -0,43% 1,26% 1,33% 1,77% 1,64% 0,79% 0,78% 0,50% 0,61% 0,63% 0,56% 1,84% 1,06% 0,75% 1,32% 0,43% 1,62% 1,84% 1,06% 0,49% 0,51% 0,95% 0,66%

St.Dev. 15,16% 16,61% 7,11% 10,76% 9,55% 8,06% 8,79% 10,39% 8,26% 14,37% 7,54% 5,07% 11,00% 8,89% 9,65% 5,33% 11,25% 8,95% 9,47% 13,67% 19,80% 8,02% 11,10% 11,70% 17,17% 14,33%

Bèta (P1) 1,05 1,42 0,77 1,15 0,39 0,50 0,33 1,23 0,49 0,96 1,02 0,09 1,00 0,76 1,21 0,08 0,27 0,57 0,89 1,28 0,95 0,90 0,84 1,30 1,22 0,89

Bèta (P2) 1,00 1,62 0,88 1,10 0,43 0,50 0,33 1,23 0,47 1,12 0,97 0,05 1,21 0,73 1,27 0,08 0,32 0,53 0,90 1,15 0,95 0,93 0,96 1,39 1,91 0,90

Corr.coëf. (P1) 0,28 0,34 0,43 0,43 0,17 0,27 0,16 0,51 0,24 0,27 0,55 0,07 0,36 0,34 0,50 0,07 0,10 0,26 0,38 0,38 0,20 0,46 0,30 0,44 0,28 0,25

Corr.coëf.(P2) 0,37 0,58 0,55 0,44 0,19 0,27 0,16 0,51 0,24 0,32 0,56 0,05 0,42 0,32 0,60 0,07 0,12 0,27 0,40 0,46 0,20 0,49 0,47 0,46 0,49 0,28

S&P500

0,87%

4,42%

1

1

1

1

Averages E_W V_W GDP_W

1,03% 0,94% 0,61%

10,85% 11,75% 11,63%

0,83 1,00 0,98

0,88 1,10 1,02

0,31 0,36 0,35

0,36 0,44 0,39

Tabel 3: Noot: P1 is vanaf begin database; P2 is de periode januari 1995 tot en met juli 2006

38

technische en kwantitatieve analyse • oktober 2006

TABEL 4: GEMIDDELDE FACTORGEWICHTEN (BEREKEND GELIJK-, MARKTKAPITALISATIE- EN BBP-GEWOGEN) VAN DE LANDENREGRESSIEMODELLEN (OPKOMENDE MARKTEN)

Intercept Seizoen JAN POFY Aaandelen DIVYIELD MOM3 MOM6 MOM12 OVER36 VOLA36 Obligaties MOM3 MOM6 MOM12 OVER36 VOLA36 Valuta MOM3 MOM6 MOM12 OVER36 VOLA36 Macro INFLAm INFLAy TYS R-squared

Avg_EW 0,1279

Avg_VW 0,0016

Maandmodel Avg_GDPW 0,009

St Dev 0,3985

RatioAvg

Avg_EW 0,0782

Jaarmodel Avg_VW -0,14

Avg_GDPW 0,1338

St Dev 13964

RatioAvg

0,0138 -0,0189

0,0266 -0,0194

0,0146 -0,0121

0,0367 0,0276

0,5005 -0,6083

-0,0085 -0,0354

-0,0016 -0,0266

-0,0015 -0,019

0,03 0,1081

-0,1283 -0,2497

18329 -0,0235 0,0088 -0,0302 -0,0093 -15549

24627 -0,0144 0,0073 -0,0198 -0,0047 -0,6432

33794 -0,0092 -0,002 -0,0001 -0,0048 -0,7342

27008 0,1092 0,1125 0,1243 0,0435 32716

0,9472 -0,1438 0,0418 -0,1343 -0,1442 -0,2988

159934 0,1272 -0,0276 -0,0797 -0,0586 -43943

20982 0,2377 0,0209 -0,0608 -0,0331 -13723

218217 0,2837 0,001 -0,1525 -0,0892 -50673

149864 0,3092 0,3222 0,2102 0,1519 102254

13078 0,6993 -0,0059 -0,4648 -0,3971 -0,3532

0,0159 -0,0056 0,033 -0,0987 -36289

0,0073 0,0526 -0,0173 -0,0314 -23501

0,0023 0,0063 0,0031 -0,0258 -0,9241

0,2809 0,1805 0,2319 0,4329 160305

0,0303 0,0984 0,0269 -0,12 -0,1435

-0,1388 0,0236 -0,0347 -0,0707 45201

-0,1493 0,009 -0,0219 0,0136 -28548

-0,0435 -0,0117 -0,0072 -0,0134 0,7032

0,5276 0,3454 0,1769 0,4222 417156

-0,2096 0,0201 -0,1202 -0,0556 0,0189

-0,0999 -0,0342 0,0345 0,018 46472

-0,1602 -0,0494 0,0378 -0,0055 30263

0,0138 -0,107 0,1047 -0,0064 16828

0,2886 0,1832 0,1441 0,2268 184114

-0,2845 -0,3467 0,4096 0,009 0,1694

0,2055 0,4619 -0,0281 0,1383 47866

0,368 0,749 -0,46 -0,5406 -50138

0,1774 0,3643 0,1774 -0,3145 -36588

0,9445 14518 21678 11093 362807

0,265 0,3617 -0,0478 -0,2154 -0,0357

-0,7937 0,2325 -0,4718

-13784 0,1549 -0,1297

-10274 0,325 -0,1317

31209 0,8934 14682

-0,3417 0,2658 -0,1665

-0,9007 36553 0,2875

0,0794 31825 0,0855

12904 29864 0,0593

72017 86488 14661

0,0217 0,3786 0,0983

0,2048

0,1931

0,1808

0,1956

0,9862

0,6179

0,5494

0,5686

0,1998

28966

gemiddeld genomen licht positief voor opkomende markten. Het laatste spoort natuurlijk niet met de economische logica. Tot besluit In dit artikel hebben we onderzocht in hoeverre opkomende markten verschillen van ontwikkelde aandelenmarkten en of ze, zoals we vaak horen, inderdaad goede diversificatie en rendementen bieden. En ook of ze in voorspellingsmodellen gevoelig zijn voor andere prijsbepalende factoren. De belangrijkste conclusie is dat opkomende markten op zich ongunstiger rendement-risicoprofielen bieden, maar wel dat ze doorgaans lagere, maar wel stijgende correlaties hebben met de

rest van de wereld, in dit artikel gemeten met de S&P500-index, waardoor ze thuishoren in een portefeuille waarin risicodiversificatie wordt nagestreefd. Er zijn inderdaad verschillen tussen opkomende en ontwikkelde markten met betrekking tot de gevoeligheid voor factoren in regressiemodellen. Ook blijkt de voorspellingskracht van de modellen voor opkomende markten groter te zijn dan die voor ontwikkelde markten, wat suggereert dat opkomende markten minder efficiënt zijn en daardoor meer mogelijkheden tot overrendement bieden. Behalve de diversificatiemogelijkheden is dat een tweede reden om opkomende markten onderdeel te laten zijn van elke serieuze beleggingsportefeuille.

TABEL 5: GEMIDDELDE FACTORGEWICHTEN (BEREKEND GELIJK-, MARKTKAPITALISATIE- EN BBP-GEWOGEN) VAN DE LANDENREGRESSIEMODELLEN (ONTWIKKELDE MARKTEN)

Intercept Seizoen JAN POFY Aandelen DIVYIELD MOM3 MOM6 MOM12 OVER36 VOLA36 Obligaties MOM3 MOM6 MOM12 OVER36 VOLA36 Valuta MOM3 MOM6 MOM12 OVER36 VOLA36 Macro INFLAm INFLAy TYS R-squared

Avg_EW -0,0883

Avg_VW -0,0744

Maandmodel Avg_GDPW -0,103

St Dev 0,1719

RatioAvg

Avg_EW -0,1682

Jaarmodel Avg_VW -0,4435

Avg_GDPW -0,552

St Dev 15301

RatioAvg

-0,0062 -0,0117

-0,0069 -0,0107

-0,0051 -0,0107

0,0124 0,0109

-0,4883 -10153

0 -0,0076

0 -0,0016

0 -0,0014

0 0,0246

0 -0,1433

49598 -0,0088 -0,0188 0,0061 -0,0035 0,149

49999 -0,0235 -0,002 0,0115 -0,0039 -0,1844

57021 -0,0099 -0,0023 0,0095 -0,0022 0,1014

45193 0,0588 0,0679 0,051 0,0097 15339

11552 -0,2392 -0,1136 0,177 -0,3285 0,0143

322027 0,1918 -0,0042 -0,0012 -0,0798 -24736

389534 0,3332 0,0125 -0,1324 -0,027 -5119

44213 0,3419 0,0278 -0,0936 -0,049 -34282

440601 0,2312 0,1823 0,2359 0,1101 124025

0,8728 12498 0,066 -0,321 -0,4717 -0,2962

0,0129 -0,1039 0,0192 0,0755 0,3983

0,003 -0,0325 -0,0195 0,1011 16819

0,0142 -0,0421 -0,0093 0,0981 1651

0,1549 0,2872 0,1636 0,1289 3952

0,0647 -0,2072 -0,0195 0,7106 0,3147

0,0704 -0,2608 0,0542 0,8337 -14804

-0,0593 0,0493 -0,2541 10412 357787

-0,0924 0,1211 -0,2471 11163 364368

0,7306 0,9092 0,9186 10898 567597

-0,0371 -0,0331 -0,1622 0,9149 0,4154

-0,042 0,01 -0,0537 0,0082 -0,2282

-0,0351 -0,0141 -0,0296 -0,0056 0,1874

-0,0422 -0,0147 -0,0335 -0,0076 0,2155

0,3137 0,2377 0,1188 0,1084 33358

-0,1268 -0,0263 -0,3278 -0,0156 0,0175

-0,2018 0,1201 0,0619 0,4543 -45273

-0,1663 -0,0716 0,0535 0,1225 -32787

-0,2114 -0,0422 0,0869 0,1314 -41476

14102 0,6027 0,8028 0,8367 205875

-0,137 0,0035 0,084 0,2821 -0,1935

-0,6768 -0,5643 0,3258

-16205 -0,4027 -0,0482

-12264 -0,5162 0,1661

2597 18999 0,9856

-0,4523 -0,2602 0,15

-0,8599 -11419 1443

0,0722 -53829 -22721

-0,047 -66341 -21475

65113 82112 4,04

-0,0427 -0,5342 -0,2456

0,1626

0,1325

0,1357

0,0733

19581

0,6501

0,5706

0,5914

0,1699

35543

oktober 2006 • technische en kwantitatieve analyse

39