Wpływ innowacji wybranych czynników na
Transkrypt
Wpływ innowacji wybranych czynników na
B a n k i K r e dy t l i p i e c 2 0 0 8 Rynki i Instytucje Finansowe 37 Wpływ innowacji wybranych czynników na równowag´ cenowà walorów notowanych na Giełdzie Papierów WartoÊciowych w Warszawie Impact of Innovation of Selected Factors on Price Equilibrium on the Warsaw Stock Exchange Stanisław Urbański * pierwsza wersja: 17 kwietnia 2008 r. ostateczna wersja: 9 lipca 2008 r., akceptacja: 11 lipca 2008 r. Streszczenie Abstract Niniejsza praca stanowi modyfikację zaproponowanego przez autora zagregowanego dwu- i trójczynnikowego modelu równowagi. Proponowany model opiera się na zagregowanych zmiennych zależnych od dynamiki zmian parametrów oceny przedsiębiorstwa, jak również od parametrów jego wyceny. W prezentowanej implementacji zastosowano ortogonalną zmienną rynkową oraz zmienne stanowiące innowacje stóp zwrotu hipotetycznych portfeli o najmniejszej i największej wartości wskaźników BV/MV i E/MV oraz funkcjonału FUN, zdefiniowanego w pracy Urbańskiego (2004). Wprowadzone modyfikacje wnoszą dodatkowe informacje do poprawnego opisu stóp zwrotu. Zastosowanie ortogonalnej zmiennej rynkowej wyeliminowało niejednoznaczną ocenę rozkładu stóp zwrotu, będącą skutkiem powtarzania się informacji. Badania wykonano na przykładzie walorów notowanych na Giełdzie Papierów Wartościowych w Warszawie w latach 1995–2005. The paper is a modification of the author’s proposal concerning the aggregated two- and three-factor equilibrium model. The proposed model is based on the aggregated variables dependent on the dynamics of changes of company assessment parameters and the parameters of company valuation. The presented version applies the orthogonal market variable as well as the variables which are the innovations of the rates of return on the hypothetical portfolios with the lowest and highest values of BV/MV and E/MV, and FUN, as defined in Urbański (2004). The modifications made contribute additional information to the correct description of the rates of return. The application of the orthogonal market variable eliminates an ambiguous assessment of the rates of return distribution, resulting from repeated information. The conducted analysis is based on the shares quoted on the Warsaw Stock Exchange in 1995-2005. Słowa kluczowe: stopa zwrotu, portfel rynkowy, model wyceny CAPM, model Famy i Frencha, metoda Famy-MacBetha Keywords: rate of return, market portfolio, CAPM pricing model, Fama and French model, Fama-MacBeth method JEL: G11, G12 * Akademia Górniczo-Hutnicza w Krakowie, Wydział Zarządzania; e-mail: [email protected] 38 Financial Markets and Institutions 1. Wstęp Warunki równowagi na rynku papierów wartościowych mogą być opisane na podstawie teorii wyceny aktywów kapitałowych CAPM lub teorii arbitrażu cenowego APT. Podejście do wyceny w obu teoriach jest odmienne. Model APT zaproponowany został przez Rossa (1976) jako weryfikowalna alternatywa ICAPM. Praktyczne implementacje modeli ICAPM i APT często mogą być przedmiotem dyskusji naukowców. W modelu ICAPM przyjęte czynniki nie muszą być względem siebie ortogonalne. Wysoka wartość współczynnika determinacji R2, regresji szeregów czasowych stóp zwrotu względem wybranych czynników, może wskazywać na wycenę czynnikową zgodną z modelem APT. W przypadku modelu ICAPM współczynniki R2 niekoniecznie muszą przyjmować wysokie wartości (Cochrane 2001, s. 171–172). Najważniejsze różnice między procedurami APT i ICAPM, stosowanymi w pracach empirycznych, odnoszą się do przyjętych czynników. APT zakłada, że stopy zwrotu są generowane przez nieznaną liczbę nieznanych czynników. ICAPM jednoznacznie definiuje co najmniej jeden czynnik, którym jest nadwyżka rynkowej stopy zwrotu nad stopą wolną od ryzyka. Niezidentyfikowana struktura czynników powoduje, że empiryczne testy APT mogą być trudniejsze do zinterpretowania. Weryfikacja APT wymaga określenia rzeczywistych czynników generujących stopy zwrotu, natomiast w przypadku weryfikacji ICAPM konieczna jest identyfikacja rzeczywistego portfela rynkowego. Przykładem zasadności dyskusji, czy dana jawna implikacja wyceny może być traktowana jako APT czy jako ICAPM, może być praca Chena, Rolla i Rossa (1986). Zaprezentowano w niej jeden z wczesnych popularnych modeli wieloczynnikowych, który czytelnik równie dobrze może traktować jako czynnikowy model makroekonomiczny lub model ICAPM. Podobnie w modelu Famy i Frencha (1993), uważanym przez autorów za ICAPM, w którym czynniki mogą być traktowane jako zmienne stanu, współczynnik determinacji R2 regresji szeregów czasowych przyjmuje wartości przekraczające 90%. Model ten może być uznany za implementację teorii APT. Model ICAPM jest teorią w wielu przypadkach satysfakcjonującą, lecz trudną do zweryfikowania z powodu praktycznej niemożliwości zidentyfikowania portfela rynkowego. Z drugiej strony słuszna wydaje się krytyka APT, dokonana przez Shankena (1982), stwierdzająca, że identyfikacja prawdziwego portfela rynkowego może być konfrontowana z identyfikacją rzeczywistej struktury czynników opisujących stopy zwrotu. W tym Klasyczna postać modelu CAPM uwzględnia jeden czynnik, którm jest nadwyżka rynkowej stopy zwrotu nad stopą wolną od ryzyka. Uogólniony międzyokresowy model wyceny dóbr kapitałowych (Intertemporal Capital Asset Pricing Model, ICAPM) przedstawił Merton (1973). W modelu tym może występować dowolna liczba różnych źródeł niepewności. Ortogonalność czynników oznacza, że czynniki są wzajemnie nieskorelowane ze sobą. W dalszej części pracy będzie stosowany skrót F&F. Bank i Kredyt lipiec 2008 właśnie kierunku powinny pójść nowe testy weryfikacji teorii wyceny, będące nadal otwartą kwestią. Wydaje się, że obecnie istnieją trzy sposoby wstępnego określania zmiennych w modelach czynnikowych. Pierwszy opiera się na hipotetycznym zestawie parametrów firm, drugi polega na przyjęciu zbioru wskaźników makroekonomicznych, a trzeci sprowadza się do określenia hipotetycznej grupy portfeli, naśladujących rolę wybranych czynników. Campbell (1996) stwierdza, że empiryczne zastosowania ICAPM nie powinny polegać tylko na wyborze ważnych zmiennych makroekonomicznych, lecz powinny być związane z innowacjami zmiennych, które przewidują przyszłe i różne możliwe sposoby inwestycji. Chen, Roll i Ross dokonali próby opisu stóp zwrotu za pomocą innowacji wskaźników makroekonomicznych. Innowacje wskaźników zostały określone jako składniki resztowe wektora autoregresji poszczególnych zmiennych (Chen et al. 1986, s. 388–389). Badania wykonano na przykładzie akcji notowanych na rynku amerykańskim w okresie od stycznia 1953 r. do listopada 1983 r. Model F&F (1993) jest przykładem modelu wyceny opartego na zestawie portfeli, które z założenia powinny uwzględniać czynniki oddziałujące na stopy zwrotu z papierów wartościowych. Celem niniejszej pracy jest wykazanie, że ryzyko może być postrzegane w przestrzeni wielowymiarowej, określonej przez innowacje wybranych czynników. Aby zrealizować postawiony cel, zaproponowano zagregowany liniowy model czynnikowy, podejmujący próbę wyceny akcji notowanych na rynku polskim. Proponowana procedura opisu stóp zwrotu łączy osiągnięcia dotychczasowych badań F&F (1993; 1995; 1996) oraz uwzględnia wymienione wyżej wskazania Campbella (1996), dotyczące empirycznych implementacji ICAPM zastosowanych z powodzeniem przez Petkovą (2006). Niniejsza praca różni się jednak od dotychczasowych metod analizy tym, że przyjęte czynniki modelu uwzględniają zarówno znane, jak i nieznane parametry przyszłych, możliwie różnych sposobów inwestycji inwestorów. W proponowanym modelu poza stopami zwrotu z portfela rynkowego wykorzystano hipotetyczne portfele uwzględniające takie czynniki, jak innowacje stóp zwrotu z portfeli o najmniejszej i największej wartości wskaźników BV/MV i E/MV oraz funkcjonału FUN, zdefiniowanego w pracy Urbańskiego (2004). Funkcjonał FUN uwzględnia czynniki oceny i wyceny aktywów oraz czynniki rynkowe. Przeprowadzone w pracach Urbańskiego (2004; 2006) testy wykazały możliwości podejmowania decyzji inwestycyjnych na GPW w Warszawie na podstawie wartości FUN. Wobec powyższego wysunięto domniemanie Innowacje zmiennych VAR określają nieoczekiwane zmiany (zmiennych), niż wynikałoby to z wpływu wszystkich badanych czynników w okresach poprzednich. BV/MV i E/MV stanowią odpowiednio relacje wartości księgowej do wartości rynkowej oraz relacje zysku netto na akcję do wartości rynkowej. Rynki i Instytucje Finansowe 39 B a n k i K r e dy t l i p i e c 2 0 0 8 o istniejącej zależności funkcjonału FUN ze znanymi i nieznanymi zmiennymi przewidującymi wypadkowe zmieniających się przyszłych sposobów inwestycji. Tym samym zmienne zależne od FUN powinny dobrze opisywać stopy zwrotu na rynku akcji. W pracy Urbańskiego (2007) zaproponowano zagregowany model dwu- i trójczynnikowy bez innowacji. Testy modelu dotyczyły analizy szeregów czasowych na podstawie danych z lat 1995–2005. W niniejszej pracy badania dotyczące modelowania równowagi na rynku akcji zostały poszerzone i uaktualnione. Testy proponowanego modelu zostały przeprowadzone na podstawie walorów notowanych na GPW w Warszawie w latach 1995-2005. Wyniki symulacji oraz wyniki testów porównano z wynikami otrzymanymi na podstawie klasycznego CAPM oraz modelu F&F. Praca składa się z sześciu rozdziałów. W rozdziałach drugim i trzecim omówiono autorski model równowagi cenowej akcji notowanych na GPW w Warszawie oraz dokonano jego dyskretyzacji w zakresie zastosowanych danych. Rozdziały czwarty i piąty przedstawiają zakres badań autora i analizę uzyskanych wyników dwóch wersji proponowanego modelu, w konfrontacji z wynikami procedur przedstawionymi w literaturze przedmiotu. W rozdziale szóstym dokonano podsumowania i zaprezentowano wnioski. model ekonometryczny, zbudowany na podstawie danych przekrojowo-czasowych. Założono, że zmienne objaśniające zagregowanego modelu, uwzględniające bieżące czynniki dotyczące danego waloru mające wpływ na stopę zwrotu, będą konstruowane na podstawie rynrkowej Gbstopy e zwrotu RM, wartości funkcjonału FUN, przedstawionego zależnością (2) oraz funkcji LICZ i MIAN star Gb e odpowiednio licznik i mianownik FUN. nowiących (1) nor (ROE) * nor (AP) * nor (AZO) * nor (AZN) * L ( s, l k ) nor (MV/E) * nor (MV/BV) nor (ROE) * nor (AP) * nor (AZO) * nor (AZN) rFUNGb e * L ( s, l k ) (1) (2) FUN (2) nor (MV/E) * nor (MV/BV) gdzie: i i S(Qt ) ZO(Qt ) ¦ ¦ i i t 1 t 1 ; AZO F ; ROE nor F1;(ROE) AP *F2nor (AP) * nor (AZO) * nor (AZN) Q S( ) ZO( 3 ¦ i i ¦ t FUN * L(Q s,tl)k ) t 1 S( t 1 nor (MV/E) * nor (MV/BV) nQ ) ZO( nQ ) ; ; AZO F ROE F ; AP F ¦ ¦ t t 1 2 3 i i t 1 t 1 S( nQt ) ZO( nQ t ) (3) ¦ ¦ i t t 1 1 r Gb e (3) ZN(Qi t ) i i ¦ t 1ZN(Q ) S(Q ) ZO(FQ ) AZNr FGb , MV/E F5 ; MV/BV ¦ ¦ t t 4 e¦ 6t i t 1 t 1 ; (3) ROE F3 AZN F14; APti 1 FZN( ,)MV/E; AZO F5 ; MV/BV F6 2 i i nQ ¦ t ¦ (3) i nor (ROE) * nor (AP) * nor (AZO) * nor (AZN) FUN * L ( s, l k ) ¦ ZN( t) norQ (MV/E) * nor (MV/BV) min Fj 6) Fc;jtransformowano *minFj i 1,…, ,iMV/E MV/BV F ) ( s, do AZN F4> a ti1F(bj (ja = F c * F 5 nor (FFunkcje ) ) * p ) .obj S(Qt j) max j ZO(6@Q* W ¦ nor (Fjj ) > a j j (ZN( b j j nQ a j )j *) ¦ . k Fj c j *minFjmin e@* W (ts, pk )zgodnie t 1d jo*max szarów unormowanych granicach ¦ ROE F1; AP F ;AZO ; c * F F3 <a e t 1j j; bj>, 2 t d *F ii j z zależnością (4): ROE F1; AP j j ¦S(S(QnQ) ) ¦ t 1 t t 11 i F i 2 t t j ; AZO F3 i i i i ¦ Q S( ) nQ ) ¦ ZN( ZO(Q ), ZN(QF) c AZN ii F4 t t 11 i i t t t 1 t 1 ij i j 4 j tt ZO(QnQ ) ) ¦ZO( ¦ t t t t 11 i j j i max j t j t j , MV/E 5 min j ; t 1 min j j F5 ; MV/BV 6 (4) (4) k j tt F6 t t t min c j * Fjmin zFjkapitału b jnor ROE własnego; , c (F eaj –; @* W ( s , pk ) . ) -j ,>stopa (b izwrotu aj)* j , id aaijj ,, b j , c j ,j d j , ej j –; j d j )* F–jmax c j * Fjmin e j S( nQti), ZO(inQt ), ZN( nQ t i ¦ ¦ L (s, l ) – ¦ (4) t 1 t 1 t 1 ° HMLF x1it RM t RFt ; x2it RMO; x3it Pt(HMLF 1 ½ t ); x4it P (HMLF t ) HMLF t A3 ® ° HMLF t 1 ¾½ P (HMLF t ) (1) P (HMLF ) RFt 1 ¿¾ HMLF t °̄ARM 3 ® t 1 °̄ RM t 1 RFt 1 ¿ HMLF A ° HMLF t 1 (1) ½ P (HMLLt ); x5it 1 1 P (LMHMt ) ¾ t t 3® W przypadku banków przychody przyjęto jako sumę przy°̄ RM tnetto 1 RFze t 1sprzedaży ¿ chodów z tytułu odsetek i przychodów z tytułu prowizji. W przypadku instygdzie: 11 tucji ubezpieczeniowych jako przychody netto ze sprzedaży przyjęto składkę r – wektor stóp zwrotu badanych portfeli, przypisaną brutto. Modelując inwestycje na rynku akcji, lepsze wyniki 1uzyskano, traktując a , b , G – zagregowany wskaźnik, stanowiący j j nor (ROE) * nor (AP) * nor (AZO) * normacierz (AZN) zaFUN * L( s, lk ) cj, dj, ej jako parametry wariacyjne, których(2) poszukiwano, optymalizując efekgregowanych zmiennych objaśniających, nor (MV/E) * nor (MV/BV) tywną stopę zwrotu portfela, co zostało wykazane w pracy Urbańskiego (2004). b – wektor współczynników regresji, Wydaje się, że modelując równowagę na rynku akcji, można przyjąć jednakowe e – wektor składników losowych. wartości wszystkich parametrów. W niniejszym opracowaniu arbitralnie przyi i jęto aj = 1, bj = 2, cj = 1, dj = 1, ej = 0, co skutkowało transformacją funkcji Fj Zależność (1) stanowi jednorównaniowy liniowy ZO(Qt ) (j = 1,…, 6) do przedziałów <1; 2>. S(Qt ) ¦ t 1 i ¦ S(nQ ) t 1 ¦ ZN(Qt ) t ; AZO F3 ¦ t 1 i ¦ ZO(nQ ) t 1 (4) ZO(Qt ), ¦ ZN(Qt ) – )t 1–S(Qt ), ¦ L (s, lkk¦ skumulowana od początku t 1 t 1 i MV/ BV i i MV/E, – sroku – wartość przychodów netto ze sprzedai i odpowiednio: i s – ¦ S(Qt ), ¦ ZO(Qt ), ¦ ZN(Qt ) S( nQ ), ZO(nQt ), ¦ ZN(nQt ) – t ¦ 1) –, d t ,t ¦ 1 –; t 1 aj ,b W(s, ży, zysku operacyjnego i zysku netto na koniec i kwartału; jp,ktc j e 1j t 1j t 1 W(s, pik) – i i S( nQ ), MV/ ZO(BV nQt )– , ¦ ZN(nQt ) –– średnia, skumulowana od MV/E, L (s, l¦ k) – t ¦ t 1 t 1 t 1 netW–( s a0j ,, bpjk,roku )c j , dWj s, (ewartość pj –; ) oraz odpowiednio: W ( s 1, pk ) Wlprzychodów ( pk ) . spoczątku MV/E, MV/ BV –k oraz W ( s 0 , p ) W ( p ) W ( s 1 , p ) Wl ( pnetto ) . na kok s k k k ) – L (s, l to zepa sprzedaży, zysku operacyjnego i zysku k W(s, ) – kj , b j , c j , d j , e j –; – niec is kwartału w 3 ostatnich latach; x1it LRM – t ; x2it RMO; x3it P (HMLFt ); x4it P (HMLLt ); x5it P (LMHMt ) (s, tlk) RF W(s, p ) – k MV/E, MV/ BV – stosunek aktualnej ceny akcji do sumy x1it( s sRM x3it( s P1(HMLF P (LMHMt ) –0, p t )RFW t ; x(2itp ) RMO; t );(xp 4it ) . P (HMLLt ); x5it oraz W W , pk ) W k k l k na jedną akcję zysków netto z sczterech ostatnich kwartałów W(s, pk) – W ( s 0, pkaktualnej ) Ws ( pk ) °oraz Wakcji ( ts1 1, ½do pk ) średniej Wl ( pk ) . wartości księHMLF orazP stosunek ceny (HMLF t ) HMLF ¾ t A3 ® °̄ RM t 1 RFt 1 ¿ HMLF ½ gowej na jedną z oraz czterech ostatnich kwartałów; °x3it P (HMLF t 1 x1it PW RM xakcję RMO; P (HMLLt ); x5it P (LMHMt ) 2W it ( p t ); x4it (HMLF ( s t 0RF ,t )pkt ); HMLF tk) A 3 ® W ( s 1, pk ) ¾ Wl ( pk ) . s RM RFt 1 ¿ ); x x3itt 1 P (HMLF P (HMLLlub P (LMHMt ) (5) axj1,it bRM dtj;,x2eit j RMO; – °̄parametry wariacyjne t 4it t ); x5itprzyjj, ct j, RF mowane arbitralnie ; i (2) (3) t t 1 t t1 i11 i 1 W ttzależnościach (2–4) odpowiednie oznaczenia F c *F tt i11 Gb e F2 (2) i ji j j j S(Qnor ), j ZN( > aQnastępująco: @* W ( s , pk ) . (Fj )ZO( a j ) *Qt ) max t ), ¦ ¦ j t (b MV/E, MV/ BV – ¦ zdefiniowano d j * Fj c j * Fjmin e j MV/E, MV/ t 1 t 1 BV – t 1 W analizie równowagi przeprowadzonej w niniejszej pracy założono, że stopy zwrotu z akcji zmieniają się zgodnie z modelem ICAPM. Próba opisu stóp zwrotu wiąże się z konstrukcją wielowymiarowego wskaźnika. Wskaźnik ten, zgodnie ze wskazaniami Campbella (1996), uwzględnia innowacje zmiennych przewidujących przyszłe i różne możliwe sposoby inwestycji. Innowacje te oraz czynnik rynkowy będą zmiennymi objaśniającymi proponowany model. Zdefiniowanie zmiennych jako innowacji wybranych czynników pozwoli na uwzględnienie nieoczekiwanych przez rynek zmian, które między innymi w świetle badań F&F (1995) wydają się generować rzeczywiste, przyszłe stopy zwrotu. Wartości stóp zwrotu z akcji można zapisać zgodnie z macierzowym równaniem regresji liniowej (1): F1; AP (1) )),,¦ ZN( ) )– – ZO(nQ nQ)ZN( ,¦ ZN( nQ )nQnQ ¦S(nQ ¦ZO( ¦ ,)¦ 2. Model teoretyczny ROE (1) ¦ ZO(nQ ) *F S(Q Qtt ),),¦ t¦ ¦ F (Q F ; MV/BV @F* W ( s, p(3) t )t ¦ norS( (F AZN ) >¦ aZO( b t ), a¦ )ZN( * Q, MV/E ) . (4) tt 11 tt 11 t t1 1 d * F c *F e ZN( QnQ ) ) ¦ZN( ¦ ii ii r ¦ ¦ nor * nor)S( (AP) nQ*t nor ) (AZO) * nor (AZN) ZO( t (ROE) 1ZN(nQ t * L( s,nQ lk ) t ) t 1 1 nort (MV/E) * nor (MV/BV) t 1 FUN (2) ; t (3) (5) (6a) (6a) (5) (6a) (5) (6a) i ¦t 1S(Q ), ¦ ZO(Q ), ¦ ZN(tQ1 ) t 1 ¦ ZN(Q ) i t t t 1 i t t 1 (3) nor (F i j ) > a ji (b j a j )i * t ¦ i t 1 ¦S(nQ ), ¦ ZO(nQ ), ¦ ZN(nQ ) – 40 Financial Markets ¦ ZN(nQ ) and Institutions AZN F4 t 1 i t 1 t 1 t , MV/E t F5t; MV/BVt F6 t 1 t 1 i >a j (b j aLj )(s, * lk) – max d * F c j * Fjmin e j s– j j i @* W ( s , p t 1 ¦ Fj c j * Fj d j *nQFtj) ZN( min – c j * Fj e j max @* W ( s , p k ). (4 t 1 MV/E, MV/ BV – Bank i Kredyt lipiec 2008 i t 1 a j , b j , c j , d j , e j –; nor (Fj ) ¦ ZO(nQt ), i c ,ZO( d ,Qe ),–;¦ ZN(Q ) ¦aS(Q, b ),,¦ MV/E, MV/ BV – Fj c j * Fjmin S( nQt ), k j tj j t 1 j tj L (s, lk) i– t t 1 i – ¦sS(–nQ ), ¦ ZO(nQ ), ¦ ZN(nQ )(4) t ). t 1 t t 1 t t 1 W(s, MV/ pk) – BV – MV/E, W(s, pk) – a j , b j , c j , d j , e j –; i i L (s, lk) – ilogiczna funkcja zmiennych lk (np. kaZmienne modelu W ( s 0, pkobjaśniające ) Ws ( pk ) oraz W ( s (1) 1, pkokreślone ) Wl ( pk ) .dla waL (s, lk) – S(Qt ), ¦ ZO(Qt ), ¦ ZN(Qt ) ¦ pitalizacja, płynność spółki), na której uznaloru (portfela) i oraz okresu t definiuje zależność (5)10: t 1 t 1 tW 1 (s oraz . 0, ppodstawie ) W ( p ) W ( s 1 , p ) W ( p ) k s k k sl – k je się, że dana ispółka może zająć pozycję krótką na dai i x1itpk) RM W(s, – t RFt ; x2it RMO; x3it P (HMLFt ); x4it P (HMLLt ); x5it P (LMHMt ) ;t ), S( nQ ZO(nQt ), ¦ ZN(nQt ) – nym rynku ¦ ¦ t 1 t 1 t 1x RM t przyjmować RFt ; x2it RMO;wartości x3it P (HMLFt ); x4it P (HMLLt ); x5it P (LMHMt ) (5) 1it może s – parametr sterujący; (5) MV/E, MV/ BV – ° WHMLF s = 0 dla zajmowanych pozycji długich albo s = 1, dla W ( s P0(HMLF , pk ) )Ws HMLF ( pk ) oraz ( s 1t ,1pk )½ Wl ( pk ) . A ¾ t t 3® t 1 RFt 1 ¿ , d j , e j –;krótkich; a j , b j , c j pozycji zajmowanych Zmienne x3it, x4it, x5it°̄ RM zostały określone jako wek° HMLF t 1 ½ P (HMLF t ) HMLF t A3 ® (6a) ¾ RM t 1 RFt 1 ¿ tor innowacji procedury VAR pierwszego rzędu, zgodnie W(s, p ) – funkcja przyporządkowująca °̄określoną L (s, lkk) – x1it RM t RFt ; x2it RMO; x3it P11 (HMLFt ); x4it P (HMLLt ); x5it P (LMHMt ) ( wartość zmiennym Fj w obszarze unormowanym <aj;bj> z zależnościami (6a), (6b) i (6c) : s – w zależności od wartości zmiennych p , którymi są po1 k ° HMLF t 1 ½ W(s, pczłony k) – szczególne zmiennych Fj; funkcja ta ma z reguły in A ) HMLF (6 1 P (HMLF (6a) ¾ t t 3® °̄ RM t 1 RFt 1 ¿ ną postać dla pozycji krótkich niż dla pozycji długich: W ( s 0, pk ) Ws ( pk ) oraz W ( s 1, pk ) Wl ( pk ) . HMLL t 1 ½½ HMLL t 1 ° ° P (HMLL (HMLL t )) HMLL HMLL t LMHM t 1 °¾¾ A °®® LMHM P t t A4 t 1 4 (6b) W pracach Urbańskiego (2004; 2006) wykazano, że 1 °°¯ RM °° RF ¯ RM tt 11 RFtt 11 ¿¿ portfelex1itgenerowane RM t RFt ; xna RMO; x3it maksymalizacji P (HMLFt ); x4it PFUN (HMLLt ); x5it P (LMHMt ) (5) 2it podstawie HMLL t 1 ½½ HMLL umożliwiły osiągnięcie ponadprzeciętnej stopy zwrotu na t 1 ° °° ° P P (LMHM (LMHM tt )) LMHM LMHM tt A55 ®® LMHM LMHM tt 11 ¾¾ A polskim rynku w latach 1998–2002. W konfrontacji z pra(6c) ° °°¯ RM RF t 1 1 t 1 1° RM RF ° HMLF t 1 ½ t t ¿¿ ¯ P (HMLF1995; (6a) cami F&F (1993; 1996) przypuszczenie, że ¾ t ) HMLF t Awysunięto 3® °̄ RM t 1 RFt 1 ¿ funkcjonał FUN może stanowić dobrą charakterystykę bęgdzie: RM RF D P ) e ; t 1,...,35 regresji dącą podstawą ogólnego opisu stóp zwrotu. Inwestorzy za3, – wektory P (HMLF) (HMLF) RMAtt k (k RF= D11 4, E E5) P (HMLF (HMLFwspółczynników tt P tt ) ett ; t 1,...,35 interesowani są spółkami wykazującymi, w świetle ostatczynników HMLF, HMLL i LMHM względem opóźnio= -0,01 -0,01 E E P (HMLF) 0,28 0,28 R R22=2,79% =2,79% Į11 = Į niego sprawozdania finansowego, najwyższą dynamikę nych pozostałych badanychP (HMLF) zmiennych, 1 (-0,43) (0,97) zmian wyników fundamentalnych, co odzwierciedla liczRMt – procentowa z portfela rynkowego, (-0,43) stopa zwrotu (0,97) nik funkcjonału FUN. Poszukiwane są więc walory o najktóry na podstawie wartości RMszacowano RF a E P (HMLL ) E Eindeksu PWIG, (LMHM ) e ; t 11,..., ,...,35 35 RM RF a E P (HMLL ) 2 P (HMLL) (HMLL) P (LMHM) (LMHM) P (LMHM tt ) ett ; t tt tt 2 P tt P wyższych wartościach LICZ. Z drugiej strony opublikoRFt – rentowność 91-dniowych bonów skarbowych (8) (8) okresu inwestycyjnego, wane bardzo dobre wyniki fundamentalne mogą już zona początku 2 = -0,01 E E -0,60 R 2 stać zdyskontowane przez rynek i z powodu wysokiej ceHMLFt – Į stopą0,34 zwrotu z portfela (HMLL) (LMHM) Įróżnica E PP (HMLL) 0,34 E PP (LMHM) -0,60 R2=23,34% =23,34% 2 = -0,01 między ny rynkowej popyt na dany walor będzie mniejszy. Względo największej i najmniejszej wartości FUNt, (-0,48) (1,54) (-2,75) (-0,48) (1,54) (-2,75) ną cenę waloru, w stosunku do zysku i wartości księgowej HMLLt – różnica między stopą zwrotu z portfela na jedną akcję, wyraża mianownik funkcjonału FUN. Z teo największej i najmniejszej wartości LICZt, RMO D11– eet (9) RMO Dportfela e 2 RMO 11tt D (9) 22tt zD go powodu poszukiwane są walory o najmniejszych warLMHM między stopą RMO zwrotu o t 2 ett t różnica tościach MIAN. Przykładem mogą być wskazania w linajmniejszej i największej wartości MIANt, teraturze, prezentowane między innymi w pracach: Czekaj RMO – nadwyżka stopy zwrotu z portfela rynkoet al. (2001) czy Tarczyński, Łuniewska (2004). wego nad stopą wolną od ryzyka, nieskorelowaną z porrit RF D P (HMLFtt )) RMO1 e ;; ii 11,..., D ii E E ii ,, PP (HMLF) E E ii ,, MO ,...,15 15;; tt 1 1,..., ,...,35 35 it RFtt analizowanymi (HMLF) P (HMLF MO1 1 RMO1tt eit it Funkcjonał FUN jest zatem relacją czynników oceny zostałymi zmiennymi. przedsiębiorstwa do jego czynników wyceny i jest miernikiem Wartości FUN, LICZ i MIAN określane są dla walorów dobrze ocenionych przez LICZ i jednocześnie nisko wszystkich naP (LMHM początek rrit RF aaianalizowanych E P (HMLL) P (HMLLwalorów ) E P (LMHM) ) EkażdeRMO 2 e ;; ii 1 1,..., ,...,15 15;; tt 1 1,..., ,...,35 35 it RFtt i E i, i, P (HMLL) P (HMLLtt ) E i, i, P (LMHM) P (LMHM tt ) E ii ,, MO MO 2 2 RMO 2 tt eit it wycenionych przez MIAN. Wobec powyższego wydaje się, go okresu inwestycyjnego. Okresy inwestycyjne muszą że funkcjonał ten ma jasną ekonomiczną interpretację i moodpowiadać analizowanym okresom sprawozdawczym; że stanowić kryterium doboru walorów do portfela. Powyższe nie mogą być więc krótsze od okresów kwartalnych oraz 11 kk rozumowanie zostało potwierdzone wynikami badań UrbańnieE Emogą siebie Eˆˆ ililzachodzić. 00 (( rrii )) JJna JJ ll E ¦ l 11 l skiego (2007). W pracy tej stwierdzono istotnie dodatnią zależność pomiędzy przyszłymi kwartalnymi stopami zwrotu a wartościami FUN na początku okresu inwestycyjnego. Moż3. Dane i dyskretyzacja modelu na więc stwierdzić, że atrakcyjność inwestycji jest większa, jeśli większa jest wartość funkcjonału FUN. Istotnym problemem poprawnej estymacji modelu wyZmienną objaśnianą przyjęto jako nadwyżkę nad ceny jest uzasadniony wybór przedziału czasowego, na stopą wolną od ryzyka z badanych portfeli. podstawie którego będą wyznaczane historyczne stopy zwrotu walorów wchodzących w skład próby. Wybrany Zmienne lk oraz ich liczba zależą od warunków ustalonych na danym rynku, do możliwości zajmowania pozycji krótkich. W przypadku walorów notowanych na GPW w Warszawie są to minimalna kapitalizacja waloru oraz płynność transakcji w ostatnim ustalonym okresie. W niniejszej pracy nie uwzględniano możliwości otwierania pozycji krótkich, wobec czego przyjmowane było założenie L (s, lk) = 1. Badania zostały przeprowadzone na przykładzie walorów notowanych na GPW w Warszawie w latach 1995–2003. 10 Różne składowe wektora zmiennych niezależnych były dobierane dla wybranych implementacji ICAPM. 11 Innowacje zmiennych VAR pierwszego rzędu stosuje również Petkova (2006). Dodatkowym uzasadnieniem może być także fakt, że zmiany wskaźników fundamentalnych z ostatniego, opóźnionego (skumulowanego od początku roku) okresu wydają się najszerzej postrzegane przez inwestorów jako prognoza zmian 22 w kolejnym okresie przyszłym Rynki i Instytucje Finansowe 41 B a n k i K r e dy t l i p i e c 2 0 0 8 Tabela 1. Średnie wartości zmiennych, statystyki-t oraz wartości współczynników korelacji pomiędzy poszczególnymi zmiennymi objaśniającymi i zmienną objaśnianą Zmienna a Współczynniki korelacji –z, % t(z) RMt-RFt RMO1t RMO2t – 0,92 0,88 0,78 0,31 -0,38 0,29 1 0,99 0,88 0,23 -0,42 0,17 1 0,87 0,09 -0,47 0 1 0 0 0,08 1 0,02 0,84 1 0,24 rit – RFt ) – RMt – RFt -1,27 -0,56 RMO1t -1,02 -0,44 RMO2t -1,02 -0,49 μ(HMLLt) 0 0 μ(LMHMt) 0 0 μ(HMLFt) 0 0 μ(HMLLt) μ(LMHMt) μ(HMLFt) 1 Uwagi: RMt – procentowa stopa zwrotu z indeksu WIG; RFt – rentowność 91-dniowych bonów skarbowych na początku okresu inwestycyjnego; RMO1t – ortogonalny czynnik rynkowy zdefiniowany zależnościami (7) i (9); RMO2t – ortogonalny czynnik rynkowy zdefiniowany zależnościami (8) i (10); μ(HMLFt) – innowacja czynnika HMLF; μ(HMLLt) – innowacja czynnika HMLL; μ(LMHMt) – innowacja czynnika LMHM. aWartości współczynników korelacji podano dla pierwszego kwintyla, i = 1. Źródło: opracowanie własne. przedział czasowy powinien odpowiadać horyzontowi inwestycyjnemu inwestorów. Jeśli zostanie przyjęta błędna długość horyzontu inwestycyjnego, wówczas portfel uważany za rynkowy będzie portfelem nieefektywnym w jakimkolwiek z przyjętych przedziałów czasu (Haugen 1996, s. 264–265). W pracach empirycznych, dotyczących testowania modeli wyceny, stopy zwrotu najczęściej są określane na podstawie miesięcznych okresów czasowych. Założenie to może mieć praktyczne uzasadnienie z kilku powodów. Po pierwsze okres historyczny poddany analizie nie może być zbyt długi w celu określenia charakteru zachodzących w nim zmian. Po drugie należy dysponować określoną ilością danych, aby badana próba była statystycznie reprezentatywna. Przykładowo wartości współczynników beta wybranych czynników najczęściej są określane na podstawie okresów od 30 do 60 miesięcy, co odpowiada maksymalnie 5-letniemu okresowi historycznemu12. Z drugiej strony okres jednego miesiąca nie wydaje się uzasadniony z punktu widzenia inwestorów podejmujących decyzje na podstawie publikacji sprawozdań finansowych spółek giełdowych, dla których najkrótszym okresem sprawozdawczym jest kwartał. Badania zmian stóp zwrotu akcji dokonano na podstawie walorów notowanych w latach 1995–2005 na rynku podstawowym GPW w Warszawie, z wyjątkiem spółek mających ujemną wartość księgową wykazaną w sprawozdaniu finansowym za ostatni okres sprawozdawczy13. Prze12 Żarnowski (2003) do wyznaczania współczynników beta stosuje 24-, 30- i 36-miesięczne okresy inwestycyjne. 13 Mogą się nasunąć wątpliwości, czy zróżnicowanie kapitalizacji GPW w Warszawie na początku i końcu lat 1995–2005 pozwala na estymowanie modelu łącznie dla danych z tego okresu. Badania prowadzone przez autora (Urbański 2002), dotyczące okresu 1995–2000, wykazały bardzo podobny charakter zmian stopy zwrotu i ryzyka systematycznego w przypadku inwestycji w portfele o różnych wartościach wskaźnika BV/MV (wartości księgowej do wartości rynkowej) i rynkowego współczynnika beta, w porównaniu ze zmianami na rynku amerykańskim, w latach 1963–1990. Wyniki te zdają się świadczyć o racjonalnej wycenie kapitału przez inwestorów w Polsce już w drugiej połowie lat 90. analizowano szeregi czasowe 36 kwartalnych stóp zwrotu hipotetycznych inwestycji portfelowych dokonywanych w dniu, w którym spółki były zobowiązane do publikacji kwartalnych sprawozdań finansowych14. Zmienne objaśniające (5) zostały przyporządkowane portfelom, w które pogrupowano spółki. Badane walory dzielone były na równoliczne, kwintylowe portfele budowane na podstawie wartości FUN, LICZ i MIAN. Wartości FUN, LICZ i MIAN dla portfeli obliczano jako średnie arytmetyczne wartości tych funkcji poszczególnych walorów wchodzących do portfela. Stopy zwrotu z poszczególnych portfeli obliczano, zakładając udziały w portfelu ważone kapitalizacjami rynkowymi. W tabeli 1 przedstawiono średnie wartości zmiennych, wartości statystyki-t oraz wartości współczynników korelacji pomiędzy poszczególnymi zmiennymi objaśniającymi a zmienną objaśnianą. Moduły współczynników korelacji między jednocześnie stosowanymi zmiennymi objaśniającymi nie przekraczają wartości 0,38 (μ(HMLLt) i μ(HMLFt) nie są używane jednocześnie), natomiast moduły współczynników korelacji między zmienną objaśnianą a zmiennymi objaśniającymi zawierają się w większości w przedziale od 0,08 do 0,92. Korelacja czynnika rynkowego RMt-RFt i czynników μ(HMLLt) oraz μ(LMHMt) wykazuje dość wysokie wartości, odpowiednio równe 0,23 i -0,42. Korelacja czynnika rynkowego i innowacji μ(HMLFt) jest mniejsza i wynosi 0,17. Istnieje więc możliwość wystąpienia efektu powtarzania informacji. W związku z powyższym na podstawie analizowanych zmiennych zdefiniowano ortogonalny czynnik rynkowy RMO. Wartości RMO określano z regresji (7) i (8). 14 Testy modelu bez innowacji w zakresie analizy szeregów czasowych (Urbański 2007) zostały przeprowadzone na podstawie danych z lat 1995–2004. Uaktualnienie wyników do 2005 r. nie zmieniło charakteru zmian współczynników beta, a ich wartości w obu badanych okresach różniły się bardzo nieznacznie. Autor może udostępnić wyniki. t 42 Financial Markets and Institutions HMLL ½ ° ° HMLL t A4 ® LMHM t 1 ¾ ° RM ½ RF ° HMLL t 1 ¿ ¯ t 1t 1° ° P (HMLL t ) P (HMLL t ) (6b) RM t RFt D1 E P (HMLF) P (HMLFt ) et ; t 1,...,35 ½ ° ° P (LMHM t ) LMHM t A5 ® LMHM t 1 ¾ HMLL t 1 ½ ° ° ° ¯ RM t 1° RFt 1 ¿ P (LMHM ) LMHM A LMHM t 5® (6c) ¾ ° RM RF ° t 1 t 1 ¿ ¯ t 1 (7) D1 E P (HMLF) P (HMLFt ) et ; t 1,...,35 2 =-0,01 -0,01E bmE(HMLF) R2=2,79% Į1-0,01 P (HMLF)= 0,28 0,28 R2=2,79%R =2,79% Įα11== P (HMLF) 0,28 Į1 = -0,01 (6c) E P (HMLF) 0,28 (-0,43) (7 R2=2,79% (0,97) RM t RFt zmiennych a2 E P (HMLL)przyjmują P (HMLLt ) wartości E P (LMHM) Pistotnie (LMHMróżne ) et ; t 1,...,35 Obciążenia t (7) (7) od zera, a(8) wartość wyrazu wolnego a2 = -0,01 (wobec sta tystyki t = -0,48) jest nieistotnie różna od zera15. Į2 = -0,01 E P (HMLL) 0,34 E P (LMHM) -0,60 (-0,43) (0,97) Wartości ortogonalnego czynnika rynkowego, odpo(-0,43) (-0,43) (0,97) (0,97) (-0,48)(7) i (8), zdefiniowano (1,54) (-2,75) wiednio dla regresji następująco: RM RFt a2 aE P(HMLL) P (HMLL ) E P (LMHM) ) et ; t 1,..., RM E P (HMLL) P (HMLL ) EPP(LMHM P (LMHM ) 35et ; t 1,...,35 t t RF t t 2 t (LMHM) t t RM t RFt RM t RFt (6 lipiec 2008 (6b) HMLL t A4 ® LMHM t 1 ¾ ° RM RF ° t 1 HMLL t 1 ¿ t 1 ¯ t t 1 ¾ ° RM RF ° t 1 t 1 ¿ ¯ HMLL t 1 ½ ° ° LMHM t Bank A5 ® LMHM t 1 ¾ i Kredyt ° RM RF ° t 1 t 1 ¿ ¯ P (LMHM t ) t 1 4® t D1 E P (HMLF) P (HMLFt ) et ; t 1,...,35 (8)(8) Į2 = -0,01 E P (HMLL) 0,34 E P (LMHM) (8) R2=23,34% -0,60 2 α2 = -0,01 bmĮ(HMLL) = 0,34 EbP (HMLL) = -0,60 ERP (LMHM) =23,34% -0,60 m(LMHM) 0,34 2 = -0,01 (9) D1 et RMO1t RMO 2t D 2 et R2=23,34% (10) R =23,34% Analogiczną procedurę ortogonalizacji czynnika (-0,48) (1,54) (-2,75) rynkowego zastosowali F&F (1993, s. 27–31), w przyrit RFt D i E i , P (HMLF) P (HMLFt ) E i , MO1 RMO1t eit ; i 1,...,15; t 1,...,35 (7) 2it (8) wartości padku modelu pięcioczynnikowego, dla którego obRMO1Pod D1 równaniami et (9) regresji RMO D 2 podano et (10) t obciążeń zmiennych oraz w nawiasach wartości staciążenia wszystkich badanych zmiennych HML, SMB, RMO1t D (9) RMO ich 2t D (10) 1 et 2 et rit RFit DEF ai E P (LMHM 1,...,15; t tystyki-t. Regresja (7) ma niską moc objaśniającą, co wyTERM okazały się istotnie różne od zera, i, P (HMLL) P (HMLL t ) E i, P (LMHM) t ) E i ,a MOwspół2 RMO 2 t eit ; i nika z niskiej wartości współczynnika korelacji pomiędzy czynnik determinacji regresji nadwyżki rynkowej wzglęrit RFt D i E i , P (HMLF) P (HMLFt ) E i , MO1 RMO1t eit ; i 1,...,15; t 1,...,35 (11) czynnikiem rynkowym a innowacją μ(HMLFt). Parametry dem zmiennych objaśniających wyniósł R2 = 38%. rit RFt przyjmują D i E i , P (HMLF) P (HMLF 1t ; i 1,..., 15; t 1,...,35 (11) k 1 formalne wartości nieistotnie różne odeitzera. Ret ) E i , MO1 RMO 15 ˆ rozumiane są jako wartości parametrów regresji stozmiennych” ( r35 E,..., J (12) rit RFt ai E i, P (HMLL) P (HMLLt ) E i, P (LMHM) P (LMHMt ) E i , MO 2 RMO 2 t eit ; i 1,...,15; t 1„Obciążenia i) 0 ¦ J l E il gresja (8) posiada natomiast dość wysoką moc objaśniającą. l 1 jące przy odpowiednich zmiennych. (-0,48) (-0,48) rit RFt E ( ri ) J 0 (1,54) (1,54) (-2,75) (-2,75) ai E i, P (HMLL) P (HMLLt ) E i, P (LMHM) P (LMHMt ) E i , MO 2 RMO 2 t eit ; i 1,...,15; t 1,...,35 k 1 ¦ J Eˆ l 1 l (12) (13) il Tabela 2. Wartości współczynników regresji (11) określonych metodą GLS, z zastosowaniem k 1 procedury Prais-Winstena z autokorelacją pierwszego rzędu, dla kwintylowych zmian E ( ri ) J 0 ¦ J l Eˆ il (13) portfeli budowanych ze względu na FUNi, LICZi i MIANi l 1 GRS - F = 2,12 p-value(GRS - F) = 6,53 % Portfel αi p-value % βi,μ(HMLF) p-value % βi,MO1 p-value % R2 % F Portfele formowane na podstawie wartości FUN, metoda GLS MIN,FUN1t -0,05 3,78 -0,42 0,16 1,04 0,00 87,27 70,81 FUN2t -0,06 0,03 -0,35 2,70 0,82 0,00 73,26 -0,02 11,11 0,19 16,76 0,95 0,00 81,88 2 28,31 FUN3t FUN4t -0,02 8,38 0,56 0,01 0,90 0,00 83,78 53,36 MAX,FUN5t 0,04 0,06 2 Portfele formowane na podstawie wartości LICZ, metoda GLS 0,61 0,01 1,09 0,00 86,18 64,46 MIN,LICZ1t -0,03 14,44 -0,28 20,17 1,11 0,00 71,28 25,65 LICZ2t -0,05 0,72 -0,69 0,17 0,74 0,00 60,99 16,16 LICZ3t -0,03 5,28 2 0,28 6,69 0,72 0,00 69,69 23,76 LICZ4t -0,01 32,81 0,40 0,09 1,04 0,00 89,16 84,96 MAX,LICZ5t 0,02 2,49 0,61 0,01 1,09 0,00 85,25 59,74 46,71 Portfele formowane na podstawie wartości MIAN, metoda GLS MIN,MIAN1t 0,03 5,19 0,26 18,34 0,85 0,00 63,96 18,34 MIAN2t 0,01 64,79 0,34 2,06 0,91 0,00 79,59 40,29 MIAN3t -0,02 21,48 0,62 0,01 0,82 0,00 78,13 36,91 MIAN4t -0,03 7,11 0,05 73,23 1,14 0,00 86,28 65,00 MAX,MIAN5t -0,01 35,40 -0,11 47,62 1,24 0,00 86,17 64,40 OLS -0,01 0,03 0,13 0,68 0,98 0,00 69,74 412,60 GLS -0,01 0,36 0,20 0,00 0,98 0,00 75,53 552,57 Regresja panelowa Uwagi: RMO1t – ortogonalny czynnik rynkowy zdefiniowany zależnościami (7) i (9); μ(HMLFt) – innowacja czynnika HMLF; HMLFt (high minus low dla portfeli FUN) – dla każdego okresu t różnica między średnią arytmetyczną stóp zwrotu z portfeli o wysokich wartościach FUN (FUN5t i FUN4t) a średnią arytmetyczną stóp zwrotu z portfeli o niskich wartościach FUN (FUN1t i FUN2t), dla portfeli formowanych na podstawie FUN; GRS - F – statystyka Gibbonsa, Rosa i Shankena (Gibbons et al. 1989). W portfelach znajdują się spółki o dodatnim kapitale własnym. Badany okres: od maja 1996 r. do maja 2005 r.; 36 analizowanych okresów kwartalnych. Źródło: badania własne. (1 2 (1 1,...,35 (1 (1 Rynki i Instytucje Finansowe 43 B a n k i K r e dy t l i p i e c 2 0 0 8 Zmienną objaśnianą i zmienne objaśniające poddano testom stacjonarności. Hipoteza o stacjonarności zmiennych została wysunięta na podstawie testów BoxPierce i Jung-Boxa16 oraz na podstawie testu Dickey-Fullera (Dickey, Fuller 1979). Testy Box-Pierce wykazały, że w 1 przypadku na 21 badanych należy odrzucić hipotezę zerową, stwierdzającą stacjonarność szeregów czasowych na poziomie istotności 5% i opóźnienia autokorelacji powyżej 5. Podobnie dla testów Jung-Boxa hipotezę zerową należy odrzucić w 4 przypadkach na 21 badanych na poziomie istotności 5% i opóźnienia autokorelacji powyżej 5. Również testy Dickey-Fullera potwierdzają brak pierwiastków jednostkowych dla każdego badanego przypadku. Rozszerzone testy Dickey-Fullera przeprowadzone dla opóźnienia (ki), określonego z minimalizacji zmodyfikowanego kryterium Akaike, wykazały brak pierwiastków jednostkowych w 16 przypadkach na 21 badanych. Na podstawie przedstawionych badań można wnioskować o stacjonarności analizowanych zmiennych17. Chowa. W 10 przypadkach na 15 badanych portfeli nie było podstaw do odrzucenia hipotezy zerowej zakładającej stabilność parametrów regresji (11). Mimo stosunkowo niskiej korelacji czynnika HMLF z nadwyżką rynkowej stopy zwrotu RM - RF, a co za tym idzie niewielkiej mocy objaśniającej regresji (7) zastąpienie nadwyżki rynkowej RM - RF ortogonalnym czynnikiem rynkowym RMO1 poprawiło istotność obciążeń czynnika μ(HMLF) dla większości badanych portfeli (statystyki t wzrosły w 9 przypadkch na 15). Podobnie jak w badaniach F&F (1993, s. 27–31), dotyczących testów modelu pięcioczynnikowego na rynku amerykańskim, wartości wyrazów wolnych αi, obciążeń czynnika rynkowego βi,M, współczynnika determinacji R2 i statystyki F, dla obu przypadków zastosowania RMO1 i RM - RF okazały się dokładnie równe. Wartości obciążeń βi,μ(HMLF) dla przypadków zastosowania ortogonalnego czynnika rynkowego RMO1 są wyraźnie przesunięte w kierunku dodatnich wartości. Współczynniki regresji βi,μ(HMLF) wykazują okresowe powiązanie z FUN i LICZ. Dla każdego kwintyla rozmiaru portfela budowanego ze względu na FUN oraz 4. Przebieg badań i analiza wyników LICZ współczynniki regresji przy μ(HMLF) zwiększają się monotonicznie z silnie ujemnych wartości, dla najBadania dotyczące modelowania równowagi cenowej na mniejszych kwintyli FUN i LICZ, aż do silnie dodatnich rynku akcji obejmowały analizę przekrojowych zmian wartości dla największych kwintyli. Z wyjątkiem środparametrów regresji liniowej nadwyżki zwrotów 15 portkowych kwintyli dla portfeli budowanych na FUN, feli testowych, budowanych na bazie FUN, LICZ oraz gdzie współczynniki regresji przechodzą od ujemnych HMLL t 1 ½ rynkowych i względem MIAN, względem czynników do dodatnich, współczynniki βi,HMLF są istotnie róż° ° P (HMLL t ) HMLL t A4 ® LMHM t 1 ¾ (6b) innowacji czynników ne od zera. ° RMHMLL, °LMHM oraz HMLF. Jako RF t 1 t 1 ¿ ¯ czynniki rynkowe analizowano nadwyżkę stopy zwrotu Proponowana implementacja ICAPM tłumaczy zmia HMLL t 1 ½ ° z indeksu nad stopą wolną° od ryzyka RMt – RFt oraz ny oczekiwanych stóp zwrotu w zależności od nieoczekiP (LMHM t WIG ) LMHM (6c) t A5 ® LMHM t 1 ¾ ° RM RF ° t 1 , zdefiniowane t 1 ¿ ¯ czynniki RMO1t i RMO2 zależnościami wanych zmian czynnika HMLF. Charakter zmian obciążeń t (9) i (10). Tak jak w przypadku modelu F&F założono, parametrów regresji (11) jest podobny jak w modelu bez inże model bezwarunkowy, co oznacza, że nowacji czynnika HMLF (Urbański 2007). RMprawdziwy D1 E Pjest (7) t RFt (HMLF) P (HMLFt ) et ; t 1,...,35 współczynniki regresji są stałe w czasie. Wartości współAnalizując otrzymane wyniki, można stwierdzić, Į1 = -0,01 E P (HMLF) 0,28 R2=2,79% czynników regresji określono metodą GLS, stosując proże dla rynku wykazującego rosnące wartości innowacji (-0,43) (0,97) cedurę Prais-Winstena z autokorelacją pierwszego rzęμ(HMLFt)18: RM t RFt a2 E P (HMLL) P (HMLLt ) E P (LMHM) P (LMHM t ) et ; t 1,...,35 du. (Autor może udostępnić wyniki obliczeń dla czyna) inwestycje w spółki o najwyższych wartościach (8) nika rynkowego RM – RF). FUN i LICZ, czyli o najwyższej dynamice zmian wyĮ2 = -0,01 E P (HMLL) 0,34 E P (LMHM) -0,60 R2=23,34% ników fundamentalnych i względnie wysokich wskaź4.1. Zagregowany model dwuczynnikowy z innowacją μ(HMLF) nikach BV/MV i E/MV, powinny dawać rosnące zwroty (-0,48) (1,54) (-2,75) ze względu na dodatnie wartości współczynników beta, Równanie regresji(9)zilustrowano zależnością (11), a warb) inwestycje w spółki o najniższych wartościach RMO1t D1 et RMO 2t D 2 et (10) tości współczynników regresji dla badanych portfeli zaFUN i LICZ, czyli o najniższej dynamice zmian wymieszczono w tabeli 2. ników fundamentalnych i względnie niskich wskaźnikach BV/MV i E/MV powinny dawać malejące zwroty rit RFt D i E i , P (HMLF) P (HMLFt ) E i , MO1 RMO1t eit ; i 1,...,15; t 1,...,35 (11) ze względu na ujemne wartości współczynników beta. (11) Dla portfeli o najmniejszych i najwyższych warto t 1,...,35 (12) rZmiennymi ai E i, P (HMLL) P (HMLL ) E P (LMHM ) E RMO 2 t eryn1,...,15;ściach it RFt t i, P (LMHM) t i , MO 2 it ; i niezależnymi są ortogonalny czynnik MIAN wartości βi,μ(HMLF) są nieistotnie różne od kowy RMO1t oraz innowacja μ(HMLFt). zera. Interpretacja charakteru zmian stóp zwrotu w zaStabilność parametrów strukturalnych została zweleżności od zmian innowacji μ(HMLFt) może wydawać k 1 ˆ ryfikowana każdego portfela, na podstawie testu się trudna.(13) Jednak w przypadku zastosowania czynnika E ( ri ) J 0 ¦ J dla l E il l 1 rynkowego jako nadwyżki RMt - RFt wartości współczyn16 Box, Pierce (1970), Ljung, Box (1978), Jajuga (2000, s. 39), Suchecki (2000, s. 20–21, 110–112). 17 Autor może udostępnić dokładne wyniki testów stacjonarności zmiennych. 18 Czyli rynku wykazującego rosnące nieoczekiwane zmiany HMLFt, niż wynikałoby to z wpływu wszystkich badanych czynników z okresu t – 1. 44 Financial Markets and Institutions Bank i Kredyt lipiec 2008 Tabela 3. Wartości współczynników regresji (12) określonych metodą GLS, z zastosowaniem procedury Prais-Winstena z autokorelacją pierwszego rzędu, dla kwintylowych zmian portfeli budowanych ze względu na FUNi, LICZi i MIANi GRS - F = 9,99 Portfel MIN,FUN1t FUN2t FUN3t FUN4t MAX,FUN5t MIN,LICZ1t LICZ2t LICZ3t LICZ4t MAX,LICZ5t MIN,MIAN1t MIAN2t MIAN3t MIAN4t MAX,MIAN5t OLS GLS ai p-value % βi,μ(HMLL) p-value(GRS - F) = 0,00 % p-value % βi,μ(LMHM) p-value % βi,MO2 p-value % R2 % F Portfele formowane na podstawie wartości FUN, metoda GLS 3,24 -0,20 10,00 -0,76 0,00 84,91 42,21 1,01 HMLL t 1 0,00 ½ ° 0,77 ° 0,06 -0,12 41,39 -0,64 0,01 0,00 70,12 17,60 P (HMLL t ) HMLL t A4 ® LMHM t 1 ¾ 4,94 HMLL 0,33 0,92 -0,60 0,00 0,92 0,00 81,17 32,33 ° RM ° t 1 ½ t 1 RFt 1 ¿ ¯ 10,52 ° 0,54 ° 0,00 -0,50 0,01 0,90 0,00 83,22 37,20 HMLL t A4 ® LMHM t 1 ¾ (6b) 85,25 43,36 0,16 ° 0,56 ° 0,00 -0,67 0,00 1,08 0,00 HMLL ½ RM RF t 1 t 1 t 1 ¿ podstawie wartości LICZ, metoda GLS Portfele ¯formowane na ° ° P (LMHM LMHM t 1 0,00 ¾ -0,03 11,78 -0,29 9,13 -0,62 t ) LMHM 0,00 t A5 ®1,20 76,65 24,62 ° ° RM RF t 1 ½ t 1 t 1 ¿ -0,05 0,49 ° HMLL -0,51 0,52 -0,72 0,00 0,67 0,00 64,31 13,52 ¯ ° P (LMHM (6c) 71,27 18,61 t A5 ® LMHM t 1 ¾ -0,03t ) LMHM 5,07 0,28 3,13 -0,29 0,00 0,79 0,00 RFt 1 °¿ -0,01 27,59 °¯ RM t 1 0,52 0,00 -0,67 0,00 1,00 0,00 90,04 67,79 0,02 4,30 0,62 0,00 -0,73 0,00 1,05 0,00 85,15 43,12 RM t RFt D1 E P (HMLF) P (HMLFt ) et ; t 1,...,35 Portfele formowane na podstawie wartości MIAN, metoda GLS 0,04 0,22 0,24 4,29 0,07 52,94 1,10 0,00 37,37 2 83,28 E1,06 Į1 = -0,01 RM t RFt0,01 D1 E P 25,32 ) et ; t 1,..., 35 (7) R =2,79% P (HMLF) 0,28 (HMLF) P (HMLFt 0,20 4,82 -0,20 4,24 0,00 86,69 48,86 -0,02 23,67 0,44 0,24 -0,35 1,23 0,89 0,00 74,83 22,29 2 (-0,43) =2,79% -1,02 -0,03Į1 = -0,01 1,12 E P (HMLF)0,230,28 R 3,63 0,00 0,98 (0,97) 0,00 89,07 61,09 -0,02 23,88 0,25 5,48 RM -1,08 1,07 50,20) e ; t RFt a2 0,00 E P (HMLL) P (HMLL ) 0,00 E P (LMHM)87,00 P (LMHM (-0,43) (0,97)Regresja panelowa t t t t 309,41 -0,01 0,03 0,21 0,00 -0,60 0,00 0,99 0,00 69,78 RM t RF-0,01 a2 E P0,48 P (HMLL ) E P (LMHM) P (LMHM ) et ; t 10,00 ,...,35 0,98 (8) t (HMLL) t t 409,03 0,28 0,00 -0,59 0,00 75,32 -0,05 -0,06 -0,02 -0,02 P (HMLL t ) 0,04 Uwagi: Į2 = -0,01 E P (HMLL) 0,34 E P (LMHM) -0,60 RMO2t – ortogonalny czynnik (8) rynkowy zdefiniowany zależnościami (8) i (10); 2 μ(HMLLt) – innowacja czynnika HMLLt; (-0,48) (1,54) (-2,75) Į2 = -0,01 E P (HMLL) 0,34 E P (LMHM) -0,60 R =23,34% μ(LMHMt) – innowacja czynnika LMHM; HMLLt (high minus low dla portfeli LICZ) – dla każdego okresu t różnica między średnią arytmetyczną stóp zwrotu z portfeli o wysokich wartościach LICZ (LICZ5t (-0,48) (1,54) (-2,75) i LICZ4t) a średnią arytmetyczna stóp zwrotu z portfeli o niskich wartościach LICZ (LICZ1t i LICZ2t), dla portfeli formowanych na podstawie LICZ; RMO 1t D1 estóp (9) RMO 2t D 2MIAN et (MIAN t LMHMt (low minus high dla portfeli MIAN) – dla każdego okresu t różnica między średnią arytmetyczną zwrotu z portfeli o niskich wartościach 1t i MIAN2t) a średnią arytmetyczną stóp zwrotu z portfeli o wysokich wartościach MIAN (MIAN5t i MIAN4t), dla portfeli formowanych na podstawie MIAN; RMO 1 D e (9) RMO 2 D e (10) t 1 t t 2 t GRS - F – statystyka Gibbonsa, Rosa i Shankena (Gibbons et al. 1989). Portfele formowano spośród spółek o dodatnim kapitale własnym. Badany okres: od maja 1996 r. do maja 2005r. 36 analizowanych okresów kwartalnych. Źródło: badania własne. rit RFt 1,...,35 R2=23,34% D i E i , P (HMLF) P (HMLFt ) E i , MO1 RMO1t eit ; i 1,...,15; t 1,...,35 rit RFt D i E i , P (HMLF) P (HMLFt ) E i , MO1 RMO1t eit ; i 1,...,15; t 1,...,35 (11) ników beta są istotnie dodatnie dla portfeli o potencjale rit RFt ai E i, P (HMLL) P (HMLLt ) E i, P (LMHM) P (LMHMt ) E i , MO 2 RMO 2 t eit ; i 1,...,15; t 1,...,35 wzrostu (małe MIAN) oraz istotnie ujemne dla portfeli (12) rit RFt (duże ai E i, PMIAN). ) E i, P (LMHM) Puzy(LMHMt ) E i , MO 2 RMO 2 t eit ; i 1,...,15; t 1,...,35 (12) (HMLL) P (HMLL o potencjale wartości Na tpodstawie skanych wyników należy stwierdzić, że dla rosnących k 1 wartości μ(HMLFt) inwestycje w spółki o potencjale war E ( ri ) J 0 ¦ J l Eˆ il l 1 tości powinny dawać rosnące stopy zwrotów. Zmienne niezależne badanych regresji stanowią k 1 ˆ E ( ri ) Jna J badanych (13) oraz innowacje 0 ¦ l E il W 9 portfelach 15 model generuje ortogonalny czynnik rynkowy RMO2 t l 1 jednak wyrazy wolne różne od zera. Potwierdza to wyμ(HMLLt) i μ(LMHMt). soka wartość statyki GRS - F = 2,12 (p-value = 6,58%), Stabilność parametrów strukturalnych została zweco oznacza, że model nie uwzględnia wszystkich czynryfikowana dla każdego portfela na podstawie testu Choników wpływających na stopy zwrotu. wa. W 12 przypadkach na 15 badanych portfeli nie byIstotność poprawy opisu stóp zwrotu przez zmienło podstaw do odrzucenia hipotezy zerowej zakładającej ną μ(HMLFt ) została dodatkowo zweryfikowana, dla stabilność parametrów regresji (12). każdego portfela, testem mnożnika Lagrangea (RamaZastąpienie nadwyżki rynkowej RM - RF ortogonalnathan 1995, s. 297). Hipoteza alternatywna, że warnym czynnikiem rynkowym RMO2 znacznie poprawiło tości obciążeń zmiennej μ(HMLFt ) są różne od zera, istotność obciążeń innowacji μ(HMLL) i μ(LMHM) dla została odrzucona w 6 na 15 badanych portfeli19. większości badanych portfeli (statystyki t wzrosły w 11 przypadkach na 15 dla μ(HMLL) i w 13 przypadkach 2 4.2. Zagregowany model trójczynnikowy z innowacjami μ(HMLL) na 15 dla μ(LMHM)). Ujemne, lecz nieistotne wartości i μ(LMHM) współczynników beta βi,μ(LMHM) dla portfeli formowa2 nych na FUN i LICZ, okazały się istotnie ujemne w każRównanie regresji przedstawiono zgodnie z zależnością dym przypadku po zastąpieniu czynnika RM - RF or(12), a wartości współczynników regresji dla badanych togonalnym czynnikiem rynkowym RMO2. W przypadportfeli zamieszczono w tabeli 3. ku portfeli formowanych na MIAN, przy zastosowaniu czynnika RM-RF, współczynniki beta βi,μ(HMLL) przyjmu19 Autor może udostępnić szczegółowe wyniki testów. Rynki i Instytucje Finansowe 45 B a n k i K r e dy t l i p i e c 2 0 0 8 ją wartości ujemne, lecz nieistotnie różne od zera, co sugeruje spadek stóp zwrotu wraz ze wzrostem μ(HMLL). W wyniku zastąpienia czynnika rynkowego RM - RF ortogonalnym czynnikiem rynkowym RMO2 βi,μ(HMLL) przyjęły istotnie dodatnie wartości dla wszystkich pięciu kwintyli. Wyniki te pozwalają na jednoznaczne stwierdzenie wzrostu stóp zwrotu, wraz ze wzrostem μ(HMLL), dla portfeli formowanych na MIAN. Podobnie jak w badaniach F&F (1993, s. 27–31), dotyczących testów modelu pięcioczynnikowego na rynku amerykańskim, wartości wyrazów wolnych αi, obciążeń czynnika rynkowego βi,M, współczynnika determinacji R2 i statystyki F, dla obu przypadków zastosowania RMO2 i RM - RF okazały się dokładnie równe. Wartości obciążeń βi,μ(HMLL) w przypadku zastosowania ortogonalnego czynnika rynkowego RMO2 są przesunięte wyraźnie w kierunku dodatnich wartości, a wartości obciążeń βi,μ(LMHM) – w kierunku wartości ujemnych. Analizowana wersja modelu równowagi tłumaczy zmiany oczekiwanych stóp zwrotu w zależności od nieoczekiwanych zmian czynników HMLL i LMHM. Charakter zmian obciążeń parametrów regresji (12) jest podobny jak w modelu bez innowacji (Urbański 2007). Na podstawie analizy otrzymanych wyników można stwierdzić, że dla rynku wykazującego rosnące wartości innowacji μ(HMLLt)20: a) inwestycje w portfele o wysokich wartościach FUN i LICZ, czyli o wysokiej dynamice zmian wyników fundamentalnych i względnie wysokich wskaźnikach 20 Czyli rynku wykazującego rosnące nieoczekiwane zmiany HMLLt, niż wynikałoby to z wpływu wszystkich badanych czynników z okresu t – 1. BV/MV i E/MV, powinny dawać rosnące zwroty ze względu na dodatnie wartości współczynników beta, b) inwestycje w portfele o małych wartościach FUN i LICZ, czyli o małej dynamice zmian wyników fundamentalnych i względnie niskich wskaźnikach BV/MV i E/MV, powinny dawać malejące zwroty ze względu na ujemne wartości współczynników beta, c) inwestycje w portfele formowane na podstawie MIAN powinny dawać rosnące zwroty ze względu na dodatnie wartości współczynników beta. Dla rynku wykazującego rosnące wartości innowacji μ(LMHMt): a) inwestycje w portfele o dużych wartościach MIAN, czyli spółki o potencjale wzrostu, powinny dawać malejące zwroty ze względu na ujemne wartości współczynników beta, b) inwestycje w portfele o małych wartościach MIAN, czyli spółki o potencjale wartości, powinny dawać rosnące zwroty ze względu na dodatnie wartości współczynników beta 21, c) inwestycje w portfele formowane na podstawie FUN i LICZ powinny dawać malejące zwroty ze względu na ujemne wartości współczynników beta. Zmiany wartości stopy zwrotu portfeli testowych w zależności od wartości innowacji μ(HMLLt) i μ(LMHMt) dla poszczególnych kwintyli analizowanych portfeli przedstawiono na wykresie 1. 21 Wprawdzie dla najmniejszych wartości MIAN współczynniki beta βi,μ(LMHM) są nieistotnie wyższe od zera, jednak dla modelu uwzględniającego czynnik rynkowy w postaci nadwyżki RM - RF ich wartości są istotnie dodatnie (p-value = 0,00%). Autor może udostępnić te wyniki. Wykres 1. Schemat zmian stopy zwrotu portfela w zależności od wartości innowacji μ(HMLLt) i μ(LMHMt) A. Portfele budowane ze względu na FUN i LICZ B. Portfele budowane ze względu na MIAN r r 1 1 -1 1 3 5 7 μ(HMLL), %, μ(LMHM), % μ(HMLL), duże FUN/LICZ μ(LMHM), duże i małe FUN/LICZ Źródło: opracowanie własne. μ(HMLL), małe FUN/LICZ -1 0 1 2 3 4 5 6 μ(HMLL), %, μ(LMHM), % μ(LMHM), małe MIAN μ(HMLL), duże i małe MIAN μ(LMHM), duże MIAN 46 Financial Markets and Institutions W 9 na 15 badanych portfeli model generuje jednak wyrazy wolne różne od zera. Potwierdza to wysoka wartość statyki GRS-F = 9,99 (p-value = 0,00%), co oznacza, że model nie uwzględnia wszystkich czynników wpływających na stopy zwrotu. Istotność poprawy opisu stóp zwrotu przez zmienne μ(HMLL) i μ(LMHM) została dodatkowo zweryfikowana dla każdego portfela za pomocą testu mnożnika Lagrange’a (Ramanathan 1995, s. 297). Hipoteza alternatywna: że wartości obciążeń zmiennych μ(HMLL) i μ(LMHM) są różne od zera, została odrzucona w 3 na 15 badanych portfeli22. 22 Autor może udostępnić szczegółowe wyniki testów. Bank i Kredyt lipiec 2008 5. Błędy wyceny analizowanych implementacji ICAPM Ocenę badanych wersji proponowanego modelu, w porównaniu z klasycznym CAPM oraz trójczynnikowym modelem F&F, przedstawiono na wykresie 2, w formie graficznej stosowanej przez Jagannathana i Wanga (1996). Przedstawienie dla każdego badanego portfela i oczekiwanych wartości rzeczywistych i symulowanych przez model stóp zwrotu w układzie współrzędnych: rzeczywista i symulowana stopa zwrotu, pozwala na prostą, wizualną ocenę modelu. Gdyby błędy wyceny zbudowanego modelu były równe zero, wówczas war- Wykres 2. Wartości symulowanych stóp zwrotu w zależności od rzeczywistych stop zwrotu A. Klasyczna postać CAPM B. Trójczynnikowy model Famy i Frencha (portfele formowane na FUN, BV/MV i kapitalizacji) Czynniki: HML, SMB, RM - RF; Rsq<0%; R^2 = 11,69% Czynniki: RM - RF; Rsq<0; R^2 = 4,88% 3 -8 -5 3 2 13 8 9 1 -1 11 10 12 5 4 -2 1 4 6 7 -3 1 14 15 -5 -7 -9 Symulowanastopa zwrotu, % Symulowana stopa zwrotu, % 1 6 -8 -6 -4 -2 -1 5 10 12 3 4 15 14 13 11 2 -7 D. Zagregowany model trójczynnikowy z innowacjami μ(HMLL) i μ(LMHM) Czynniki: μ(HMLL), μ(LMHM), RM-RF; Rsq = 59,21%; R^2 = 70,44% 3 6 12 9 11 10 7 -1 0 2 14 -3 -5 4 5 1 3 -7 8 -9 Rzeczywista stopa zwrotu, % 4 15 Symulowana stopa zwrotu, % Symulowana stopa zwrotu, % 1 1 13 8 -3 3 2 -2 4 1 -5 Czynniki: u(HMLF), RM - RF; Rsq = 15,47%; R^2 = 50,63% -4 2 Rzeczywista stopa zwrotu, % C. Zagregowany model dwuczynnikowy z innowacją μ(HMLF) -6 7 9 Rzeczywista stopa zwrotu, % -8 0 -8 -6 -4 13 8 10 5 -2 2 7 -1 0 15 14 -1 6 1 2 4 3 11 -3 12 -5 4 -7 9 -9 Rzeczywista stopa zwrotu, % Uwaga: wykres pokazuje wartości błędów wyceny dla każdego z 15 badanych portfeli. Każdy numer zaznaczonego punktu reprezentuje jeden określony portfel, zgodnie z następującym schematem: 1–5 portfele formowane na FUN, 6–10 portfele formowane na LICZ (lub na BV/MV) oraz 11–15 portfele formowane na MIAN (lub na kapitalizacji). Rzeczywista stopa zwrotu jest średnią stopą zwrotu portfela z badanych serii czasowych. Symulowaną stopę zwrotu określono z zależności (13). Rsq stanowi współczynnik determinacji pod warunkiem, że linia regresji nie ma wyrazu wolnego oraz jest nachylona do osi odciętych pod kątem 45o. Przerywana linia oraz R^2 reprezentują rzeczywistą regresję. Badany okres: od maja 1996 r. do maja 2005 r.; 36 analizowanych okresów kwartalnych. Źródło: badania własne. RM t RFt Į1 = -0,01 B a n k i K r e dy t l i p i e c 2(-0,43) 008 RM t RFt (7) D1 E P (HMLF) P (HMLFt ) et ; t 1,...,35 E P (HMLF) 0,28 2 R =2,79% (0,97) Rynki i Instytucje Finansowe 47 a2 E P (HMLL) P (HMLLt ) E P (LMHM) P (LMHM t ) et ; t 1,...,35 (8) Į2 = -0,01 (-0,48) E P (HMLL) 0,34 (1,54) E P (LMHM) -0,60 R2=23,34% (-2,75) tości rzeczywistych stóp zwrotu powinny być dokładprzez F&F (1993; 1995; 1996), jak również przemyśleń nie równe symulowanym zwrotu. Punkty na podstawie badań przedstawionych w pracach RMO1t D1 stopom et (9) RMOre2t D 2autora et (10) prezentujące stopy zwrotu powinny być położone na Urbańskiego (2004; 2006; 2007), w konfrontacji ze wskaprostej nachylonej pod kątem 45o do osi odciętych tak zaniami Campbella (1996). Przedstawiono kilka alternaskonstruowanego wykresu. Oczekiwane wartości rzetywnych wersji proponowanego modelu wyceny: jako RFt Dstanowiące (HMLFt ) rzędnych, E i , MO1 RMO1t modele eit ; i 1,..., 15; t i1,..., 35 (11) czynnik rynczywistych stópritzwrotu, dwutrójczynnikowe, w których i E i , P (HMLF) Pwartości powinny być wyznaczone jako średnie z szeregów czasokowy został uwzględniony jako nadwyżka RM - RF oraz wych badanego okresu historycznego, dla każdego anajako czynnik ortogonalny RMO, zdefiniowany zależnorit RFt ai E i, P (HMLL) P (HMLLt ) E i, P (LMHM) P (LMHMt ) E i , MO 2 RMO 2 t eit ; i 1,...,15; t 1,...,35 (12) lizowanego portfela. Wartości symulowanych stóp zwrościami (9) i (10), a pozostałe zmienne zastąpiono intu powinny być wyznaczone zgodnie z następującym nowacjami stóp zwrotu hipotetycznych portfeli. Ortogomodelem regresji: nalizacja czynnika RM - RF pozwoliła na dokładniejsze k 1 oszacowanie obciążeń innowacji HMLF, HMLL i LMHM, ˆ (13) E ( ri ) J 0 ¦ J l E il (13) jak również dostarczyła dodatkowych informacji dotyl 1 gdzie: czących rzeczywistych zmiany stóp zwrotu w zależności ∧ bil – estymatory obciążenia czynników, wyznaczone od zmian innowacji LMHM i HMLL. Podobnie jak w bametodą OLS, z pierwszego przejścia regresji szeregów daniach F&F (1993, s. 27–31), dotyczących rynku ameczasowych; rykańskiego, wartości wyrazów wolnych αi, obciążeń γ0 – oczekiwana stopa zwrotu portfela o zerowej beczynnika rynkowego βi,M, współczynnika determinacji cie; R2 i statystyki F dla obu przypadków zastosowania RMO γl – składowa wektora określającego cenę za ryi RM - RF okazały się dokładnie równe. zyko. Proponowane wersje modelu z innowacjami dostarWartości γ0 i γl powinny być oszacowane w drugim czają dodatkowych informacji, gdyż tłumaczą zmiany przejściu regresji przekrojowej metodą OLS. oczekiwanych stóp zwrotu w zależności od nieoczekiwaWykres 2 przedstawia błędy wyceny każdego z 15 nych zmian czynników HMLL i LMHM i HMLF. badanych portfeli, oznaczonych numerami od 1 do 15. Na podstawie uzyskanych wyników można stwierPortfele od 1 do 5 formowano ze względu na FUN, od 6 2 dzić, że w świetle zagregowanego modelu dwuczynnido 10 ze względu na LICZ, a od 11 do 15 ze względu na kowego: MIAN. W przypadku modelu F&F portfele formowane – inwestycje długie powinny być dokonywane w były ze względu na FUN, BV/MV i kapitalizacje. Błędy portfele formowane ze względu na maksymalną warwyceny dla czynnika rynkowego w postaci nadwyżki tość FUN lub LICZ, a rentowność takich inwestycji poRM - RF oraz ortogonalnego czynnika rynkowego RMO winna być tym większa, im większą wartość przybiera okazały się dokładnie równe. innowacja µ(HMLF) na koniec ostatniego okresu spraNa podstawie uzyskanych wyników należy stwierwozdawczego, dzić, że najmniejszymi błędami wyceny charakteryzują – inwestycje krótkie dokonywane powinny być się zagregowany model trójczynnikowy i zagregowany w portfele formowane ze względu na minimalną warmodel dwuczynnikowy. Najwyższe błędy wyceny wytość FUN lub LICZ, ewentualnie duże wartości MIAN, stąpiły w przypadku klasycznej wersji CAPM. Współa rentowność takich inwestycji (krótkich) powinna być czynnik Rsq osiągnął wysokie wartości ujemne, natym większa, im większą wartość przybiera innowacja tomiast współczynnik R^2 miał najniższą wartość rówµ(HMLF) na koniec ostatniego okresu sprawozdawczego. ną 4,88%. Trójczynnikowy model F&F generuje mniejW świetle zagregowanego modelu trójczynnikowego: sze błędy wyceny w porównaniu z klasycznym CAPM. • Inwestycje długie powinny być dokonywane w Współczynnik Rsq nadal przyjmuje jednak wartości ujemportfele formowane ze względu na maksymalną wartość ne, a współczynnik R^2 dla portfeli formowanych na FUN, FUN lub LICZ, a rentowność takich inwestycji powinna BV/MV i kapitalizacji jest istotnie niższy niż w przypadku być tym większa, im wyższa jest wartość innowacji proponowanych wersji modelu dwu- i trójczynnikowego i µ(HMLL) i mniejsza wartość innowacji µ(LMHM). wynosi, odpowiednio, 11,69%, 50,63% i 70,44%. Dla mo• Inwestycje krótkie powinny być dokonywane delu zagregowanego dwu- i trójczynnikowego współczynw portfele formowane ze względu na minimalną warnik Rsq wynosi odpowiednio 15,47% i 59,21%. tość FUN lub LICZ, a rentowność takich inwestycji (krótkich) powinna być tym wyższa, im większe są wartości innowacji µ(HMLL) i µ(LMHM). Inwestycje krótkie mo6. Podsumowanie i wnioski gą być również dokonywane w portfele o dużych MIAN. Rentowność takich inwestycji powinna być tym więkW niniejszej pracy został przedstawiony zmodyfikowany sza, im mniejsza będzie innowacja µ(HMLL) i większa zagregowany, liniowy model czynnikowy, opisujący rówinnowacja µ(LMHM). nowagę cenową na rynku akcji. Postać modelu opraProponowany zagregowany zmodyfikowany model cowano na podstawie wyników badań opublikowanych z innowacjami daje poprawne wyniki. Obciążenia czyn- 48 Financial Markets and Institutions ników dla znacznej większości portfeli są istotnie różne od zera. Również wysokie R2 potwierdzają, że obie wersje modelu dobrze opisują stopy zwrotu, a zgodnie z sugestią Cochrane (2001, s. 171–172) zdefiniowane czynniki mogą być potraktowane jako zmienne stanu i model ten również może być uznany za implementację teorii APT. Uzyskane wyniki wydają się potwierdzać również stwierdzenie Haugena (1996, s. 319), że ICAPM i APT nie są teoriami wzajemnie się wykluczającymi. Największe błędy wyceny dają klasyczny CAPM i model F&F. Współczynnik determinacji regresji symulowanej stopy zwrotu względem stopy rzeczywistej Rsq jest mniejszy od zera (wykres 2). Najmniejsze błędy Bank i Kredyt lipiec 2008 wyceny generują zagregowana modele dwu- i trójczynnikowy z innowacjami, dla którego Rsq przyjmuje wartości równe, odpowiednio: 15,47% i 59,27% (wykres 2). Zaproponowany zagregowany, zmodyfikowany model z innowacjami pozwolił na zrealizowanie postawionego celu pracy. Wykazano, że ryzyko inwestycji giełdowych powinno być postrzegane wielowymiarowo. Świadczą o tym istotnie różne od zera wartości obciążeń badanych zmiennych dla prawie wszystkich badanych portfeli oraz dla danych panelowych. Tym samym wykazano, że klasyczna postać modelu CAPM nie opisuje wystarczająco stóp zwrotu z akcji na polskim rynku i równowaga cenowa powinna być określana w świetle ICAPM. Bibliografia Box G.E.P., Pierce D.A. (1970), Distribution of Residual Autocorrelations in Autoregressive Moving Average Time Series Models, “Journal of the American Statistical Association”, Vol. 65, s. 1509–1526. Campbell J.Y. (1996), Understanding risk and return, “Journal of Political Economy”, Vol. 104, No. 2, s. 298–345. Chen N., Roll R., Ross S.A. (1986), Economic Forces and the Stock Market, “Journal of Business”, Vol. 59, No. 3, s. 386–403. Cochrane J. (2001), Asset Pricing, Princeton University Press, Princeton. Czekaj J., Woś M., Żarnowski J. (2001), Efektywność giełdowego rynku akcji w Polsce, Wydawnictwo Naukowe PWN, Warszawa. Dickey D.A., Fuller W.A. (1979), Distributions of the Estimators for Autoregressive Time Series with a Unit Root, “Journal of the American Statistical Association”, Vol. 74, s. 427–431. Fama E.F., French K.R. (1993), Common risk factors in the returns on stock and bonds, “Journal of Financial Economics”, Vol. 33, No. 1, s. 3–56. Fama E.F., French K.R. (1995), Size and Book-to-Market Factors in Earnings and Returns, “Journal of Finance” Vol. 50, No. 1, s. 131–155. Fama E.F., French K.R. (1996), Multifactor Explanations of Asset Pricing Anomalies, “Journal of Finance”, Vol. 56, No. 1, s. 55–84. Gibbons M.R., Ross S.A., Shanken J. (1989), A Test of the Efficiency of a Given Portfolio, “Econometrica”, Vol. 57, No. 5, s. 1121–1152. Haugen R.A. (1996), Teoria nowoczesnego inwestowania, WIG Press, Warszawa. Jagannathan R., Wang Z. (1996), The conditional CAPM and the cross-section of expected returns, “Journal of Finance”, Vol. 51, No. 1, s. 3–53. Jajuga K. (2000), Metody ekonometryczne i statystyczne w analizie rynku kapitałowego, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław. Ljung G.M., Box G.E.P. (1978), On a Measure of Lack of Fit in Time Series Models, “Biometrika”, Vol. 66, s. 67–72. Merton R.C. (1973). An Intertemporal Capital Asset Pricing Model, “Econometrica”, Vol. 41, No. 5, s. 867–888. Petkova R. (2006), Do the Fama-French Factors Proxy for Innovations in Predictive Variables?, “Journal of Finance”, Vol. 61, No. 2, s. 581–612. Ramanathan R. (1995), Introductory Econometrics with Application, The Dryden Press, Harcourt Brace College Publishers, San Diego. Ross S.A. (1976), The arbitrage theory of capital asset pricing, “Journal of Economic Theory”, Vol. 13, No. 3, s. 341–360. Shanken J. (1982), The Arbitrage Pricing Theory: Is it Testable?, “Journal of Finance”, Vol. 37, No. 5, s. 1129–1140. Suchecki B. (2000), Dane panelowe i modelowanie wielowymiarowe w badaniach ekonomicznych, w: E. Kusidel (red.), Modele wektorowo-autoregresyjne VAR metodologia i zastosowania, tom 3, Absolwent, Łódź. B a n k i K r e dy t l i p i e c 2 0 0 8 Rynki i Instytucje Finansowe 49 Tarczyński W., Łuniewska M. (2004), Wskaźnik P/E jako kryterium dyskryminacji dla potrzeb analizy portfelowej, w: W. Ronka-Chmielowiec, K. Jajuga (red.), Inwestycje finansowe i ubezpieczenia – tendencje światowe a polski rynek, „Prace Naukowe”, nr 1037, Akademia Ekonomiczna we Wrocławiu, Wrocław. Urbański S. (2002), Ryzyko, a stopa zwrotu z inwestycji portfelowych w Polsce, w: W. Krawczyk (red.), Budżetowanie działalności jednostek gospodarczych – teoria i praktyka, AGH, Wydział Zarządzania, Kraków. Urbański S. (2004), Symulacje inwestycji giełdowych w papiery wartościowe; rentowność i ryzyko inwestycji przyszłych, „Studia i Prace Kolegium Zarządzania i Finansów”, tom 48, SGH, Warszawa. Urbański S. (2006), Fundamentalne determinanty modelowania inwestycji kapitałowych, „Prace Naukowe”, nr 1109, Akademia Ekonomiczna we Wrocławiu, Wrocław. Urbański S. (2007), Time-Cross-Section Factors of Rates of Return Changes on Warsaw Stock Exchange, „Przegląd Statystyczny”, tom 54, nr 2, s. 94–121. Żarnowski J. (2003), Anomalie stóp zwrotu z akcji na przykładzie GPW w Warszawie, Praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków.