Als Folge der Rede des damaligen Vorsitzenden der US-Notenbank, Alan Greenspan, am 5. Dezember 1996 wurden deutliche Verluste zwischen zwei und vier Prozent auf den Aktien-märkten in aller Welt vermeldet. Greenspan hinterfragt an diesem Tag die Möglichkeit, durch irrational ausgelassenes Anlegerhalten beeinflusste Assetwerte erkennen zu können. Die Formulierung der „irrational exuberance“ schreckte scheinbar einige Marktteilnehmer ab und ist heute noch in vielen Beiträgen zur Behavioral Finance zu finden. Tatsächlich geschieht diese Aussage in einer Zeit des Anwachsens der „dot-com-Blase“ der 1990er Jahre.
Immer wieder sind Ereignisse in der Geschichte der Finanzmärkte zu finden, die so außerge-wöhnlich sind, dass sie einen eigenen Namen verdienen. Vom ersten dokumentierten Börsen-crash 1637 im Zusammenhang mit der großen Tulpenmanie in Holland bis in das letzte und aktuelle Jahrhundert. Die Weltwirtschaftskrise 1929, der Tronicsboom in den 1960er Jahren, der Schwarze Montag im Oktober 1987, die dot-com-Blase in den 90er Jahren und der Immobilen-, Banken-, Finanz-, mittlerweile Weltwirtschaftskrise genannte Einbruch der Kapitalmärkte in den letzten Jahren sind nur einige Beispiele.
In dieser Arbeit soll der signifikante Einfluss des Investor Sentiments auf den Querschnitt von Aktienkursen auf dem US-Markt dargelegt und eine entsprechende Untersuchung für den deutschen Aktienmarkt durchgeführt werden. Bedeutend dafür sind unter anderem die Beiträge von De Long et al. (1990), Daniel, Hirshleifer und Subrahmanyman (1998) sowie Barberis, Shleifer und Vishny (1998) zum Investor Sentiment und den psychologischen Grundlagen, die Arbeit von Daniel und Titman (1997) hinsichtlich des hier angewandten conditional characteristics model und natürlich die umfangreichen Untersuchungen von Baker und Wurgler (2006, 2007) sowie Baker, Wurgler und Yu (2009) durch das Sentiment bedingter Effekte von Unternehmenseigenschaften auf Aktienrenditen.
Der zentrale Ansatz dieser Studie besteht im indirekten Nachweis durch die Marktstimmung erzeugter Fehlbewertungen mit Hilfe der Identifikation von Kurskorrekturen in den Folgeperioden. Dazu stehen neben der Ermittlung potenzieller Sentimentindikatoren auch Überlegungen zu besonders von der Investorenstimmung abhängigen Aktien im Vordergrund.
Inhaltsverzeichnis
Abkürzungsverzeichnis
Symbolverzeichnis
Tabellenverzeichnis
Abbildungsverzeichnis
1 Einleitung
2 Theoretische, empirische und statistische Basis
2.1 Einfluss auf Aktienrenditen - Beobachtungen zu konditionierten Modellen, Abhängigkeiten von der Marktstimmung und Querschnittmustern
2.1.1 Aufdecken von Beziehungen mit Hilfe von Konditionierungen
2.1.2 Frühere Erkenntnisse zu Abhängigkeiten von Aktienrenditen gegenüber der Marktstimmung
2.1.3 Querschnittmuster in Aktienrenditen und mögliche Erklärungen
2.2 Investor Sentiment und theoretische Effekte
2.2.1 Irrationale Investoren und Investor Sentiment
2.2.2 Begrenzte Arbitragemöglichkeiten
2.2.3 Zusammenhang von Investor Sentiment und Arbitragebegrenzungen
2.3 Statistische Grundlagen
2.3.1 Hauptkomponentenanalyse
2.3.2 Regression und Orthogonalisierung
3 Grundlagen der empirischen Studien und verwendete Kennzahlen
3.1 Aussagen zu angewandten Modellen und Methoden
3.1.1 Bottom-up- versus Top-down-Ansatz
3.1.2 Conditional characteristics model und indirekter Nachweis von Fehlbewertungen
3.2 Verwendete Indikatoren und konstruierte Kennzahlen für die empirischen Studien
3.2.1 Unternehmens- und Renditedaten
3.2.2 Erfassung des Investor Sentiments über Kennzahlen
4 Empirische Analyse durch das Sentiment konditionierter Querschnitteffekte auf dem US-Aktienmarkt
4.1 Konstruktion eines Sentimentindex
4.2 Einfluss des Investor Sentiments auf den Querschnitt von US-Aktienrenditen -
Interpretation über Dezil-Portfolios
4.2.1 Größe, Alter und Risiko
4.2.2 Profitabilität und Dividendenzahlungen
4.2.3 Sachanlagen
4.2.4 Wachstumsmöglichkeiten und finanzielle Notlagen
4.3 Regressionsanalyse mit Long-Short-Portfolios
4.3.1 Vorgehensweise
4.3.2 Ergebnisse und Interpretation
4.3.3 Betrachtung einer out-of-sample-Periode und Zwischenfazit
4.4 Systematisches Risiko als Erklärung
4.5 Einfluss der Veröffentlichung von Quartalsberichten
5 Empirische Analyse durch das Sentiment konditionierter Querschnitteffekte auf dem deutschen Aktienmarkt
5.1 Verwendete Daten und Vorgehensweise
5.1.1 Renditen und Unternehmensmerkmale
5.1.2 Marktstimmungsindikatoren
5.2 Indexerstellung, Ergebnisse und Interpretationen
5.2.1 Ermittlung eines Sentimentindex für den deutschen Aktienmarkt
5.2.2 Einfluss des Investor Sentiment auf den deutschen Aktienmarkt - Interpretation über Dezilportfolios
5.2.3 Long-Short-Portfolios für den deutschen Aktienmarkt
6 Schlussbemerkung
Anhang
Literaturverzeichnis
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Symbolverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Tabellenverzeichnis
Tabelle 1: Anfälligkeit verschiedener Aktientypen gegenüber dem Investor Sentiment
Tabelle 2: Mehrdimensionalität der Variablen BE/ME, GS und EF/A
Tabelle 3: Wichtigste Schwankungen des US-Marktes im Zeitraum 1962-2001
Tabelle 4: Mehrdimensionalität der Variablen BE/ME, EF/A und GS und Zuordnung entsprechender Unternehmen in den Dezilen
Tabelle 5: Bildung der mimicking-Portfolios gemäß Fama und French (1993)
Tabelle 6: Ergebnisse der Regression von Renditen der LSPs und [Abbildung in dieser Leseprobe nicht enthalten]sowie Ergebnisse der multiplen Regression für den US-Aktienmarkt
Tabelle 7: Ergebnisse der Regression von Renditen der LSPs und[Abbildung in dieser Leseprobe nicht enthalten]für den deutschen Aktienmarkt
Abbildungsverzeichnis
Abbildung 1: Verlauf des realen S&P 500 und Entwicklung der realen Gewinne ent- haltener Unternehmen von 1871-2004
Abbildung 2: Realer und hypothetischer Verlauf des S&P 500 im Zeitraum 1871- 1979
Abbildung 3: Aktienbewertungen in Abhängigkeit vom Investor Sentiment
Abbildung 4: Dimensionsreduktion mit Hilfe der Hauptkomponentenanalyse
Abbildung 5: Erfassung relevanter Informationen durch die Hauptkomponenten
Abbildung 6: Geometrischer Zugang zur Hauptkomponentenanalyse
Abbildung 7: Erfassung der Varianz der Daten im Rahmen einer Haupt- komponentenanalyse
Abbildung 8: Orthogonalität von Residuenvektor und Regressionsgerade
Abbildung 9: Aspekte des Messens des Investor Sentiments
Abbildung 10: Liquidität und Investor Sentiment
Abbildung 11: Die Verbreitung von IPOs und der CEFD zu Beginn des jeweiligen Jahres auf dem US-Markt im Zeitraum 1966-1985
Abbildung 12: Monatliche Anzahl IPOs und durchschnittliche Zeichnungsrenditen auf dem US-Aktienmarkt im Zeitraum 1960-2001
Abbildung 13: Investor Sentiment auf dem US-Markt im Zeitraum 1962-2001
Abbildung 14: Durchschnittliche monatliche Renditen für nach ME gebildeten Dezil- portfolios in Abhängigkeit vom Investor Sentiment für den US-Markt im Zeitraum 1963-2001
Abbildung 15: Risikoadjustiertes size premium in Abhängigkeit vom Kalendermonat auf dem US-Aktienmarkt im Zeitraum 1963-1979
Abbildung 16: Investor Sentiment und Monatsrenditen von Marktportfolios
Abbildung 17: Anfälligkeit nach Volatilität sortierter Aktien gegenüber dem Investor Sentiment
Abbildung 18: Anteil Dividenden zahlender Unternehmen auf dem deutschen Aktienmarkt für den Zeitraum 1973-2009
Abbildung 19: Investor Sentiment auf dem deutschen Kapitalmarkt im Zeitraum 1983-2009
Abbildung 20: Monatsrendite der Dezilportfolios in Abhängigkeit vom Investor Sentiment
1 Einleitung
Als Folge der Rede des damaligen Vorsitzenden der US-Notenbank, Alan Greenspan, am 5. Dezember 1996 wurden deutliche Verluste zwischen zwei und vier Prozent auf den Aktien- märkten in aller Welt vermeldet. Greenspan hinterfragt an diesem Tag die Möglichkeit, durch irrational ausgelassenes Anlegerverhalten beeinflusste Assetwerte erkennen zu können.1 Die Formulierung der „irrational exuberance“ schreckte scheinbar einige Marktteilnehmer ab und ist heute noch in vielen Beiträgen zur Behavioral Finance zu finden. Tatsächlich geschieht diese Aussage in einer Zeit des Anwachsens der „dot-com-Blase“ der 1990er Jahre.
Der Dow Jones Industrial Average hat sich von 1994 mit etwa 3.600 Punkten bis Anfang 2000 mit ca. 11.700 Punkten mehr als verdreifacht, während Pro-Kopf-Einkommen und Brut- toinlandsprodukt der USA in dieser Periode nur um 30%, etwa die Hälfte davon inflationsbe- dingt, und Unternehmensgewinne um 60%, ausgehend von einer zuvor stattgefundenen Re- zession, erhöhten. Der Verlauf des inflationsbereinigten Standard & Poor’s 500 Index (S&P 500) sowie die Entwicklung der realen Gewinne der enthaltenen Unternehmen in Abbildung 1 betonen dies. Ähnliche Phänomene traten damals auf vielen Kapitalmärkten Europas, Asiens, Südamerikas, in Kanada und Australien auf. Es scheint realistisch, dass dieser Anstieg auf der Fehleinschätzung der Investoren beruht, fundamentale Änderungen in der Wirtschaft würden den vorhandenen schwachen Wachstumstrend der Gewinne auf ein höheres Niveau führen.2
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Verlauf des realen S&P 500 und Entwicklung der realen Gewinne enthaltener Unternehmen von 1871-2004, Quelle: Shiller (2005), S. 3.
Immer wieder sind Ereignisse in der Geschichte der Finanzmärkte zu finden, die so außergewöhnlich sind, dass sie einen eigenen Namen verdienen. Vom ersten dokumentierten Börsencrash 1637 im Zusammenhang mit der großen Tulpenmanie in Holland bis in das letzte und aktuelle Jahrhundert. Die Weltwirtschaftskrise 1929, der Tronicsboom in den 1960er Jahren, der Schwarze Montag im Oktober 1987, die dot-com-Blase in den 90er Jahren und der Immobilen-, Banken-, Finanz-, mittlerweile Weltwirtschaftskrise genannte Einbruch der Kapitalmärkte in den letzten Jahren sind nur einige Beispiele.3
Trotz der Vielzahl derartiger Ereignisse lässt die traditionelle Finanzmarkttheorie keinen Raum für Investor Sentiment. Vielmehr steht die Diversifikation unsystematischer Risiken im Zentrum des Strebens rationaler Investoren. Die Verschiedenheit von Renditen, so letztlich die Aussage des capital asset pricing models (CAPM), basiert ausschließlich auf der Kompen- sation unterschiedlicher systematischer Risiken. Auch Weiterentwicklungen dieser Modelle vernachlässigen mögliche Effekte der Marktstimmung auf Aktienrenditen und bieten nur un- genügende Erklärungen für beobachtete Marktanomalien, wie den Größeneffekt gemäß Banz (1981) oder den book-to-market-effect nach Rosenberg, Reid und Lanstein (1985).
In dieser Arbeit soll der signifikante Einfluss des Investor Sentiments auf den Querschnitt von Aktienkursen auf dem US-Markt dargelegt und eine entsprechende Untersuchung für den deutschen Aktienmarkt durchgeführt werden. Bedeutend dafür sind unter anderem die Beiträge von De Long et al. (1990), Daniel, Hirshleifer und Subrahmanyman (1998) sowie Barberis, Shleifer und Vishny (1998) zum Investor Sentiment und den psychologischen Grundlagen, die Arbeit von Daniel und Titman (1997) hinsichtlich des hier angewandten conditional characteristics model und natürlich die umfangreichen Untersuchungen von Baker und Wurgler (2006, 2007) sowie Baker, Wurgler und Yu (2009) durch das Sentiment bedingter Effekte von Unternehmenseigenschaften auf Aktienrenditen.
Der zentrale Ansatz dieser Studie besteht im indirekten Nachweis durch die Marktstimmung erzeugter Fehlbewertungen mit Hilfe der Identifikation von Kurskorrekturen in den Folgeperioden. Dazu stehen neben der Ermittlung potenzieller Sentimentindikatoren auch Überlegungen zu besonders von der Investorenstimmung abhängigen Aktien im Vordergrund.
Im anschließenden Kapitel dieser Arbeit werden zunächst theoretische, empirische und statis- tische Grundlagen geschaffen, wobei frühere wissenschaftliche Erkenntnisse zu systemati- schen Mustern von Aktienrenditen und mögliche im Investor Sentiment liegende Gründe ebenso im Fokus der Betrachtung stehen wie die hier angewandten statistischen Methoden, vor allem die Hauptkomponentenanalyse zur Konstruktion eines Sentimentindex. In Kapitel drei folgen dann Erläuterungen zum conditional characteristics model und dem indirekten Nachweis von Fehlbewertungsmustern sowie die Vorstellung besonders sentimentanfälliger Aktien und Marktstimmungsindikatoren, auf deren Basis im vierten Kapitel ein Index ermit- telt wird und eine empirische Analyse durch das Sentiment konditionierter Querschnitteffekte auf dem US-Aktienmarkt erfolgt. Abschließend wird versucht diese Methodik für den deut- schen Markt anzuwenden und Ergebnisse entsprechend zu interpretieren.
2 Theoretische, empirische und statistische Basis
In diesem Kapitel soll zunächst auf mögliche Einflussfaktoren von Aktienrenditen eingegangen werden. Ein breites Spektrum wissenschaftlicher Beiträge geht über Abweichungen im systematischen Risiko als Erklärung für unterschiedliche Durchschnittsrenditen hinaus und bildet somit auch die Grundlage für diese Arbeit. Nachdem die früheren Erkenntnisse erläutert wurden, stehen die beiden wichtigsten Prämissen eines auf dem Behavioral-Finance-Ansatz basierenden Modells zur Erklärung des Querschnitts von Aktienkursen durch das Investor Sentiment im Zentrum der Betrachtung. Im abschließenden Teil des Kapitels erfolgen Ausführungen zu den, von Baker und Wurgler (2006, 2007) sowie Baker, Wurgler und Yu (2009) angewandten und auch für die Untersuchung des Einflusses der Marktstimmung auf den deutschen Aktienmarkt benötigten statistischen Methoden.
2.1 Einfluss auf Aktienrenditen - Beobachtungen zu konditionierten Modellen, Ab- hängigkeiten von der Marktstimmung und Querschnittmustern
Der folgende Abschnitt bietet einen Überblick über die für diese Arbeit wichtigsten wissen- schaftlichen Erkenntnisse zur Beeinflussung von Aktienrenditen. Er soll zudem die Kompo- nenten des später für die empirische Studie verwendeten conditional characteristic-based mo- del vorstellen und ihre Beiträge zur Erzielung signifikanter Ergebnisse aufzeigen. Es sei er- wähnt, dass hierbei die Hinweise zu den Theorien der einzelnen Autoren bewusst stark ge- kürzt sind und eine umfassende Erläuterung der originären Zielrichtung der diversen Ansätze nicht angestrebt wird.
2.1.1 Aufdecken von Beziehungen mit Hilfe von Konditionierungen
Das Verwenden von Bedingungen (im Weiteren auch als Konditionen bezeichnet) in einer Vielzahl von Modellen, veröffentlicht in Papers und Beiträgen in Fachzeitschriften sowie akademischen Arbeiten, weist auf die große Bedeutung dieser Methode hin, Wirkungsmuster zu identifizieren. Statische Kapitalmarktmodelle, wie auch das klassische CAPM, erklären Unterschiede in den Durchschnittsrenditen zweier Assets (z.B. zweier diversifizierter Portfo- lios) anhand des unterschiedlich großen systematischen Risikos. Darüber hinaus wird von einer Konstanz, sowohl des Risikos als auch der Risikoprämie im Zeitverlauf ausgegangen. Diverse, in späteren wissenschaftlichen Arbeiten als „Anomalien“ bezeichnete, Abweichun- gen von tatsächlichen Renditen und den gemäß CAPM erwarteten Renditen weisen allerdings systematische Muster auf, was die Erklärungskraft des Betafaktors für Durchschnittsrenditen erheblich reduziert. Im Gegensatz dazu versuchen konditionierte Kapitalmarktmodelle zeitva- riable Beziehungen zu identifizieren und damit die empirisch nachgewiesene zeitliche Varia- bilität der Risikoprämien zu erklären.
Die wissenschaftliche Literatur bietet ein breites Spektrum von möglichen Zustandsvariablen. Campbell und Cochrane (1999) entwickeln beispielsweise ein dynamisches Modell auf Grundlage von Konsumdaten und stellen somit auch einen direkten Bezug von Assetrenditen und makroökonomischen Ereignissen her.4 Die aussagekräftigen Ergebnisse dieses Ansatzes schreiben die beiden Autoren dem zeitvariablen Informationsstand der Investoren zu. Sie stel- len zudem die These auf, dass Asset-Pricing-Modelle, die eine entsprechende Konditionie- rung vornehmen, eine bessere empirische Rechtfertigung finden können als unkonditionierte.5 Auch Lettau und Ludvigson (2001) erklären Marktanomalien, wie den Größen-oder book-to- market-Effekt6 mit Hilfe konditionierter Kapitalmarktmodelle und weisen nach, dass eine Konditionierung vom klassischen und dem konsumbasierten CAPM zu einer weitaus größe- ren empirischen Fundierung der Modelle führt als die unkonditionierten Versionen sie besit- zen.7 Menzly, Santos und Veronesi (2004) identifizieren die Geschwindigkeit des mean- reversion-Prozesses als konditionierende Variable und stellen hierüber eine Verbindung zur Ermittlung von Renditen mit Hilfe verschiedener erklärender Größen her.8
Offensichtlich ermöglicht eine Konditionierung also das Erkennen von Beziehungen, die an- sonsten verborgen geblieben wären. Zumindest teilweise können so die beispielhaft vorge- stellten Ansätze aufgetretene Marktanomalien über Effekte bedingten systematischen Risikos erklären. Von besonderem Interesse ist diese Vorgehensweise, da auch in dieser Arbeit ein konditioniertes Modell, mit der konditionierenden Variable Investor Sentiment, hilft signifi- kante Ergebnisse zu erlangen und das conditional im entwickelten conditional characteristics model begründet.
2.1.2 Frühere Erkenntnisse zu Abhängigkeiten von Aktienrenditen gegenüber der Markt- stimmung
Der Einfluss von Investor Sentiment auf Aktienrenditen ist schon lange Zeit Gegenstand wis- senschaftlicher Untersuchungen. Hardy entwickelt bereits 1939 eine Theorie auf Grundlage der häufig fehlerhaften Einschätzungen von Kleinanlegern.9 Unter Berücksichtigung einer odd-lot-ratio sei es somit möglich, geeignete Voraussagen über Kurse von Aktien zu treffen, die vorwiegend von Privatanlegern gehalten werden.10 Der Ansatz basiert auf der bis dato weitverbreiteten Annahme, dass es sinnvoll sei, Unternehmensanteile zu kaufen, wenn Privat- anleger negativ eingestellt sind und zu verkaufen, wenn sie Aktien euphorisch nachfragen.
Malkiel (1977) verwendet für eine Studie zur Erklärung der discounts geschlossener Fonds (closed-end fund discounts CEFD) Netto-Kapitalflüsse offener Investmentfonds, zur Darstellung einer allgemeinen Einstellung von Investoren bezüglich Investmentgesellschaften.11 Er kommt zu dem Ergebnis, dass die Struktur der CEFD zwar teilweise rational erklärt werden kann, ihre Größe aber nicht und sieht hierbei ein Zeichen für eine Marktunvollkommenheit sowie den Einfluss psychologischer Komponenten.12
Auch Shiller (1981) sowie Kothari und Shanken (1997) formulieren Zweifel an grundsätzlich effizienten Kapitalmärkten. Shiller (1981) zeigt, dass Aktienkurse zu volatil sind, als das jede Änderung durch neue Informationen erklärt werden könnte, wie es in einem efficient markets model der Fall sein müsste. Abbildung 2 stellt den Verlauf des S&P 500 (p) und einen hypo- thetischen Verlauf des Index auf Basis einer Barwertberechnung nach Dividendenzahlung (p*) dar.13 Der Autor formuliert mit Hilfe einfacher statistischer Zusammenhänge, dass, unter den Annahmen eines efficient markets models, die Volatilität der ex post berechneten Zeitrei- he mindestens so groß sein müsste, wie die des tatsächlichen Verlaufs. Offensichtlich ist dies nicht der Fall. Die Änderungen der Dividenden über die Zeit können, aufgrund der Bestim- mung von p* durch einen gleitenden Durchschnitt, keine derart großen Kursbewegungen her- vorrufen.14
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Realer und hypothetischer Verlauf des S&P 500 im Zeitraum 1871-1979, Quelle: Shiller (1981), S. 422.
Kothari und Shanken (1997) hingegen verfolgen eine alternative Interpretation bezüglich der Vorhersagbarkeit von Aktienrenditen durch bewährte finanzwirtschaftliche Größen und Kennzahlen, wie z.B. Dividendenrendite oder Buch-Marktwert-Verhältnis. Davon ausgehend, dass die genannten Größen Aktienrenditen abbilden können, existieren zwei mögliche Be- gründungen. Die erste basiert auf der Annahme effizienter Märkte, wobei eine Änderung der Marktwerte sowie der erwarteten Renditen von Aktien durch geänderte Risiken herbeigeführt wird. Die gemäß Kothari und Shanken (1997) realistischere Erklärung ist, dass finanzwirt- schaftliche Kennzahlen darstellen, inwieweit eine Über- bzw. Unterbewertung vorliegt. Ein zu geringer Preis führt dabei zu höheren zukünftigen und daher auch erwarteten Renditen, was das Ausmaß der Unterbewertung reduziert.15 Veränderungen der erwarteten Renditen sind damit nicht mehr allein auf eine variierende Risikokompensation zurückzuführen, sondern auch ein Zeichen von Marktineffizienz.16
Zahlreiche Hinweise auf Ineffizienzen des Kapitalmarktes und potenzielle Maße für das In- vestor Sentiment wurden, wie eben kurz beschrieben, in den vergangenen Jahrzehnten disku- tiert. Neal und Wheatley (1998) testen ausgewählte Sentiment-Kennzahlen auf ihre Fähigkeit Zeitreihen von Renditen zu erklären. Sie erkennen, dass der CEFD und die Netto- Kapitalabflüsse offener Investmentfonds helfen den Größeneffekt (oder auch size premium) vorherzusagen. Als size premium sei hier zunächst die Differenz der Renditen eines Portfolios aus Anteilen von Unternehmen mit geringer Marktkapitalisierung (small caps) und eines Port- folios aus Aktien von Firmen mit großer Marktkapitalisierung (large caps) verstanden. Small caps erzielen im Durchschnitt höhere Renditen als large caps. Der odd-lot-ratio kann, trotz ihrer langjährigen Tradition als Vorhersagevariable, keine Prognosefähigkeit für Aktienrendi- ten nachgewiesen werden.17
Die vorliegende Arbeit untersucht den Einfluss des Investor Sentiments auf den Querschnitt von Aktienrenditen. Somit werden die zuvor benannten Beiträge, welche die Aufdeckung von Ineffizienzen auf dem Kapitalmarkt und die Erklärung der Zeitreihe von Renditen in den Vor- dergrund stellen, ergänzt. Im Kontext der Vorstellung der Modelldaten dieser Arbeit wird dazu auf weitere Näherungen (im Folgenden auch als Proxies bezeichnet) für das Investor Sentiment eingegangen.
2.1.3 Querschnittmuster in Aktienrenditen und mögliche Erklärungen
Die klassische Finanzmarkttheorie mit einem µ- -effizienten Marktportfolio impliziert, dass die Betafaktoren von Wertpapieren mit dem Marktportfolio genügen, um den Querschnitt der erwarteten Renditen zu beschreiben. Empirische Untersuchungen lassen allerdings vermuten, dass es über das „Marktbeta“ hinaus Erklärungen für den Querschnitt von Durchschnittsrenditen gibt. Zwei der bekanntesten Unstimmigkeiten seien hier kurz erläutert.
Banz (1981) beleuchtet die Beziehungen zwischen Renditen und der Firmengröße. Er erkennt, dass die Durchschnittsrenditen der Aktien von Unternehmen mit einer geringen Marktkapita- lisierung, unter Berücksichtigung ihrer Beta mit dem Marktportfolio, zu hoch sind und ent- sprechend die Durchschnittsrenditen großer Unternehmen zu niedrig. Anders ausgedrückt:
Small caps erzielen im Durchschnitt größere risikoadjustierte Renditen als large caps.18 Häufig wird diese Marktanomalie als Größeneffekt oder size premium bezeichnet. Der Zusammenhang zwischen Größe und Rendite ist nichtlinear und für sehr kleine Firmen besonders ausgeprägt.19 Als Marktwert bezeichnet Banz (1981) dabei den Marktwert des Eigenkapitals, oder auch Marktkapitalisierung, also das Produkt von Aktienpreis und -anzahl. Unsicherheit besteht hinsichtlich der Frage, ob der Wert des Eigenkapitals an sich den Größeneffekt bestimmt oder nur ein Schätzer für unbekannte tatsächliche Faktoren ist.
Einen anderen Einfluss auf den Querschnitt von Aktienrenditen, den sogenannten book-to- market-effect, erkannten Rosenberg, Reid und Lanstein (1985). Sie analysierten die Differenz der Renditen von Unternehmen mit hohem und niedrigem Buchwert-Marktwert-Verhältnis (BMV) und beobachteten dabei, dass die Durchschnittsrenditen amerikanischer Aktien positiv mit diesem Quotienten verbunden sind.20 Auch hier findet wieder eine alleinige Betrachtung des Eigenkapitals statt. Insofern setzt sich die Relation aus Buchwert des Eigenkapitals je Aktie zu Aktienpreis zusammen.
Fama und French (1992) weisen nach, dass kein positiver Zusammenhang zwischen dem Marktbeta eines Wertpapiers und seiner durchschnittlichen Rendite besteht und somit der be- kannte Betafaktor auch nicht hilft, die Verschiedenheit der Renditen unterschiedlicher Aktien zu erklären.21 Im Gegensatz dazu bestätigen die Autoren Beziehungen zwischen der Firmen- größe sowie dem Buch-Marktwert-Verhältnis und den durchschnittlichen Aktienrenditen, sowohl auf Basis univariater als auch multivariater Analysemethoden.22 Fama und French (1992) interpretieren, als Folge ihrer Ergebnisse, die Risiken von Aktien bei rationaler Preis- bildung als mehrdimensional. Marktkapitalisierung und der Quotient aus Buch- und Markt- wert des Eigenkapitals eines Unternehmens stellen demgemäß Schätzungen für zu Grunde liegende Risikofaktoren dar. Der Querschnitt von Aktienrenditen erklärt sich folglich aus den ungleichen zu kompensierenden systematischen Risiken.
Die daraus abgeleitete Ansicht, dass value-Strategien23 eine bessere Performance erzielen als das Marktportfolio, weil sie riskanter sind, ist allerdings sehr umstritten. Lakonishok, Shleifer und Vishny (1994) formulieren beispielsweise die Alternative, dass diese Strategien irrationa- le Verhaltensweisen des typischen Investors nutzen. Typische, oder auch „naive“, Investoren fragen vor allem Aktien nach, die sich in der Vergangenheit sehr positiv entwickelt haben und vernachlässigen solche, deren Performance unterdurchschnittlich war.24 Hierdurch führen sie Über- bzw. Unterbewertungen herbei, welche auch im BMV Ausdruck finden. Die Autoren begründen daher die überdurchschnittliche Performance der value-Strategien damit, dass die- se entgegen typischer Investoren handeln und voranging in unterbewertete Titel investieren, ohne dabei einem größeren systematischen Risiko zu unterliegen als andere Strategien.25
Ebenfalls entgegen der Hypothesen von Fama und French argumentieren Daniel und Titman (1997), welche die Korrelation zwischen Aktien mit hohem BMV nicht auf ein bestimmtes zu Grunde liegendes Risiko zurückführen, sondern auf ähnliche Eigenschaften der Unternehmen, wie Wirtschafts- bzw. Industriezweig oder Regionen.26 Die Autoren bezweifeln die Existenz eines Risikofaktors und damit auch einer Risikoprämie im Zusammenhang mit dem BMV. Sie untermauern dies durch den Nachweis einer höheren Korrelation von erwarteter Rendite mit dem BMV als zwischen erwarteter Rendite und Faktorladungen gemäß des Fama-French- Modells.27 Eine höhere erwartete Rendite ist damit nicht als Kompensation für ein höheres systematisches Risiko zu interpretieren.
Das zu diesem Zweck von Daniel und Titman (1997) entwickelte characteristic-based model ist Grundlage für das später in dieser Arbeit betrachtete conditional characteristics model und wird in Kapitel drei genauer erläutert. Mit Hilfe des konditionierten Modells werden dann sentimentbedingte Beziehungen von bestimmten Unternehmenseigenschaften und Aktienren- diten, durch die Identifizierung von Fehlbewertungskorrekturen indirekt nachgewiesen. An dieser Stelle wird das Ziel der vorausgegangenen Teilabschnitte nochmals deutlich. Sie die- nen der Vorstellung der Komponenten des in dieser Arbeit verwendeten Modells (Konditio- nierung mit Investor Sentiment zur Aufdeckung von Querschnittmustern von Aktienrenditen) sowie der Darstellung ihrer Fähigkeiten Beiträge zu signifikanten Ergebnisse zu leisten.
2.2 Investor Sentiment und theoretische Effekte
Im Zuge der größeren Aufmerksamkeit, welche dem Behavioral-Finance-Ansatz, in Folge des offensichtlichen Versagens der traditionellen Finanzmarkttheorie, in den letzten Jahren entge- gen gebracht wurde, konnte ein alternatives Modell zur Erklärung bestimmter Muster hin- sichtlich des Querschnitts von Aktienkursen entwickelt werden. Die beiden wichtigsten An- nahmen dieses Modells, das Verfügen von Investoren über ein Sentiment und das Vorliegen begrenzter Arbitragemöglichkeiten, sollen Gegenstand der nächsten Abschnitte sein.
2.2.1 Irrationale Investoren und Investor Sentiment
Die These, dass gewisse Investoren einem Sentiment unterliegen, beruht vor allem auf der Arbeit von De Long et al. (1990). Darin unterscheiden die Autoren rationale Arbitrageure und irrationale, als noise trader bezeichnete, Anleger, die bestimmten psychologischen Phänomenen unterliegen.28 Derartige „Rauschhändler“ haben keinen Zugang zu Insiderinformationen, versuchen aber alle neuen Meldungen, häufig Gerüchte ohne Basis, auszuschöpfen, in der Annahme, daraus einen Vorteil zu erzielen. Ihre Investitionsentscheidungen beruhen also nicht auf fundamentalen Daten gemäß der Effizienzmarkthypothese.29
Häufig wird ein Einfluss von noise traders auf die Preisbildung negiert, unter der Berufung auf Arbitrageure, die Gegenpositionen eingehen und die Preise auf fundamentale Werte zu- rückführen werden.30 Aufgrund der im nächsten Abschnitt besprochenen begrenzten Arbitra- gemöglichkeiten scheint diese Annahme allerdings unrealistisch. Investor Sentiment kann zusammenfassend als Ansicht über zukünftige Cashflows und Risiken ohne substanzielle Grundlage31 oder auch Spekulationsneigung definiert werden. Das Sentiment bestimmt dem- nach die Nachfrage nach spekulativen im Vergleich zu sicheren Assets und ruft Querschnitt- effekte bei Aktienkursen hervor. Vor allem die schwierige, weil subjektive Bewertung von growth stocks, von jungen, unprofitablen Unternehmen ohne Gewinne in der Vergangenheit und mit unsicheren, aber womöglich verheißungsvollen Zukunftsaussichten macht diese Ak- tien anfällig für Spekulationen.32
Eine Studie von Miller (1977) zeigt, dass Ungewissheit über wahre Renditen und Risiko zu verschiedenen Erwartungen über die Renditen und damit zu unterschiedlichen Zahlungsbe- reitschaften führen. Je größer dabei die Abweichungen der Preiseinschätzungen sind, desto höher ist der Preis.33 Die Nachfrage und damit auch der Marktpreis wird folglich von einer Minderheit, den Anlegern mit den optimistischsten Erwartungen bestimmt.34 In Phasen mit hoher Spekulationsneigung besteht außerdem die Möglichkeit für opportunistische Invest- mentbanker den hohen Preis der genannten, besonders anfälligen Unternehmen scheinbar plausibel zu verteidigen und somit die Überbewertung weiter zu verstärken. Dem gegenüber ist die Bewertung von Unternehmen mit solider Vergangenheit, d.h. mit konstanter Entwick- lung von Gewinnen und Dividenden sowie mit vorrangig materiellen Assets weniger subjek- tiv und sind die Aktien entsprechend weniger von der Spekulationsneigung beeinflusst.35
Investoren fragen dabei Aktien mit bestimmten Merkmalen nach, die sich mit ihrem Senti- ment vereinbaren lassen. Diese Merkmale, so Lancaster (1971), empfinden alle Anleger als identisch. Der Nutzen, den sie daraus ableiten, ist allerdings, da er von der individuellen Nut- zenfunktion abhängig ist, subjektiv.36 Investoren mit einem negativen Sentiment fragen häufig Anteile von profitablen, Dividenden zahlenden Unternehmen nach, weil diese Eigenschaften Sicherheit verkörpern. Wohingegen kleine, junge Unternehmen ohne Gewinne als spekulativ gelten.37 Barberis und Shleifer (2003) sehen einen Grund für derartige Gruppierungen, auf Basis von ähnlichen Merkmalen (z.B. ähnliche Marktkapitalisierung), im Ziel Portfolioent- scheidungen zu vereinfachen und somit nicht mehr aus tausenden Assets, sondern nur noch aus wenigen Assetklassen wählen zu müssen.38
Die psychologischen Grundlagen der hier beschriebenen irrationalen Investoren und ihrer Folgen sind Gegenstand der Arbeiten von Daniel, Hirshleifer und Subrahmanyman (1998) sowie Barberis, Shleifer und Vishny (1998). Erstere sehen eine übersteigerte Gewissheit, die sogenannte overconfidence, aufgrund einer Überschätzung der eigenen Fähigkeiten Informa- tionen zu generieren und interpretieren als Ursache für über- bzw. unterreagierende Märkte.39 Zwei weitere Effekte, die bei der vorhandenen Ungewissheit bezüglich der Bewertung speku- lationsanfälliger Unternehmen besonders herausragen, bezeichnen Barberis, Shleifer und Vishny (1998) als representativeness und conservatism. Representativeness drückt eine Über- gewichtung vermeintlich repräsentativer Beschreibung im Vergleich zur statistischen Basis aus. Investoren sehen dabei z.B. Nachrichten oder historische Gewinne als typisch für das Unternehmen an und erkennen Muster in zufälligen Zusammenhängen. Gemäß des conserva- tism-Effekts fließen neue Erkenntnisse nur langsam in die Ansichten irrationaler Investoren ein. Außerdem werden objektiv wertvolle im Vergleich zu wertlosen Informationen zu gering einbezogen. Dieser Effekt ist konsistent mit der overconfidence.40
Zusammenfassend lässt sich beurteilen, dass die, im späteren Verlauf dieser Arbeit mit Hilfe eines indirekten Nachweises identifizierten Fehlbewertungen, in der unterschiedlich durch das Investor Sentiment beeinflussten Nachfrage zwischen verschiedenen Aktien begründet liegen können.
2.2.2 Begrenzte Arbitragemöglichkeiten
Im vorangegangenen Abschnitt wurde bereits die häufig angenommene Fähigkeit von Arbit- rageuren, Preise auf ihre fundamentalen Werte zurückzuführen, indem sie selbst sichere Ge- winne ohne eigenen Kapitaleinsatz erzielen, als unrealistisch bezeichnet. Die Gründe der be- grenzten Arbitragemöglichkeiten, welche vor allem bei kleinen, jungen Unternehmen sowie growth stocks und krisengeschüttelten Firmen (distressed stocks) auftreten, sollen im Folgen- den näher dargestellt werden.
Wurgler und Zhuravskaya (2002) sehen einen Grund für eingeschränkte Arbitrage im Fehlen von perfekten Substituten für einzelne Aktien, die den simultanen Kauf unterbewerteter und Verkauf überbewerteter Assets (relative value arbitrage) sowie einen sicheren Gewinn ohne Kapitaleinsatz ermöglichen würden. Das daraus entstehende Arbitragerisiko ist zwar theore- tisch uneingeschränkt, in der Praxis allerdings nicht vollständig diversifizierbar und wird risi- koaverse Arbitrageure abschrecken.41 Dieses unsystematische Risiko ist für Aktien kleiner Unternehmen größer als für large caps.42 Amihud und Mendelson (1986) weisen einen größe- ren bid-ask-spread, als Maß für Illiquidität von Aktien, für small caps nach, was zu einem teuren Handel derartiger Anteile führt.43
Ein wichtiges Instrument für Arbitrage sind Leerverkäufe. Die Kosten für das Leihen von Aktien kleiner Firmen und Unternehmen mit niedrigem BMV sind dabei besonders hoch und machen ein short selling sehr teuer, teilweise unmöglich. D’Avolio (2002) zeigt außerdem, dass die Kosten und Begrenzungen von short sales mit den Abweichungen in den Meinungen über den Wert eines Unternehmens steigen und erweitert damit den zuvor beschriebenen Ansatz Millers (1977).44
Der häufig propagierten Annahme relative value arbitrage benötige kein Kapital widerspre- chen Shleifer und Vishny (1997) mit dem Hinweis auf eine realistische praktische Umsetzung oder anders formuliert, zur Überbrückung temporärer unvorteilhafter Entwicklungen. Würde es sich um das eigene Kapital der Arbitrageure handeln, so würden sie ihre Positionen in der- artigen Phasen wachsender Abweichungen zwischen Preis und fundamentalem Wert weiter vergrößern. Da es allerdings die Gelder individueller und institutioneller Anleger betrifft, stel- len die Arbitrageure nur Agenten dar. Die Auftraggeber entziehen Kapital nach vorüberge- henden Verlusten, d.h., wenn die Fehlbewertungen gegen die sie gesetzt haben sich vergrößert haben, wie das bei dem unvorhersehbaren Kursverlauf von Unternehmen mit äußerst subjek- tiver Bewertung am wahrscheinlichsten ist, ohne den sicheren Gewinn auf längere Sicht zu würdigen. Es wird also ein Mangel an Kapital hervorgerufen, wenn die Fehlbewertung und erwartete Rendite am größten ist. Arbitrageure berücksichtigen diese Problematik, handeln vorsichtiger und vermeiden extrem volatile Titel.45 Wurgler und Zhuravskaya (2002) bezeich- nen diesen Effekt treffend als „agency costs in delegated arbitrage“.46
Begrenzte Arbitragemöglichkeiten sind also ein weiterer Weg über welchen das Investor Sentiment den Querschnitt von Aktienkursen beeinflusst. Die Zusammenhänge der beiden vorgestellten Prämissen soll Gegenstand des nächsten Abschnitts sein.
2.2.3 Zusammenhang von Investor Sentiment und Arbitragebegrenzungen
Fehlbewertungen resultieren aus der Kombination beider zuvor erläuterten Prämissen, das Verfügen irrationaler Investoren über ein Sentiment und begrenzte Arbitragemöglichkeiten. In ihren, für diese Arbeit grundlegenden Beiträgen, unterscheiden Baker und Wurgler (2006, 2007) zwei verschiedene Wege, über welche das Investor Sentiment derartige sogenannte mispricings hervorrufen kann. Es handelt sich in diesem Punkt zum einen um sentimentbe- dingte Nachfrageänderungen irrationaler Anleger zwischen verschiedenen Aktien bei einheit- licher Arbitragebegrenzung. Zum anderen besteht die Möglichkeit unterschiedlich starker Einschränkungen für rationale Arbitrageure, wobei das Sentiment nur die grundsätzliche Einstellung von Investoren gegenüber Aktien im Allgemeinen darstellt.47
Beide Quellen für mispricings sind in der Praxis schwer zu unterscheiden, führen aber zu ähn- lichen Ergebnissen. Dies bestärkt die Vermutung, dass es sich bei den in der linken Spalte von Tabelle 1 dargestellten Aktienkategorien tatsächlich um die am meisten durch die Markt- stimmung beeinflussten handelt. Es sei darauf verwiesen, dass Tabelle 1 eine nicht abschlie- ßende Darlegung charakteristischer Eigenschaften und nicht eine exakte Studie stark bzw. gering sentimentanfälliger Aktientypen zeigt. Offensichtlich sind die, aufgrund stark subjekti- ver Preiseinschätzungen, am schwersten zu bewertenden Aktien auch am riskantesten und teuersten zu arbitrieren, wohingegen relativ leicht zu bewertende Aktien auch bessere Arbit- ragemöglichkeiten bieten.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1: Anfälligkeit verschiedener Aktientypen gegenüber dem Investor Sentiment, Quelle: eigene Darstellung in Anlehnung an Baker/Wurgler (2006), S. 1648f und Baker/Wurgler (2007), S. 132.
Die unsichere Nachfrage nach spekulativen Assets durch noise trader und der damit unvorhersehbare Kursverlauf schreckt kurzfristig orientierte Arbitrageure ab, Über- bzw. Unterbewertungen bleiben bestehen und irrationale Investoren fühlen sich in ihren Einschätzungen bestätigt. Beide Effekte verstärken sich somit gegenseitig.48
Abbildung 3 verdeutlicht die erläuterten theoretischen Effekte des Sentiments auf verschiedene Aktientypen graphisch.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Aktienbewertungen in Abhängigkeit vom Investor Sentiment, Quelle: Baker/Wurgler (2007), S. 133.
Auf der Abszisse wird die Schwierigkeit der Bewertung und Arbitrage abgetragen, während die Ordinate den Preis darstellt. P* bezeichnet den fundamentalen Wert. Die beiden anderen Graphen zeigen, wie Aktienbewertungen durch Änderungen des Sentiments, gemäß vorange- henden Ausführungen beeinflusst werden. So führen schwere Bewertbarkeit und geringe Ar- bitragemöglichkeiten, unter der Bedingung einer positiven Investorenstimmung zu hohen Bewertungen, bei niedriger Spekulationsneigung zu niedrigeren Preiseinschätzungen. Der in der Abbildung dargestellte negative Zusammenhang von weniger spekulativen Aktien mit der Marktstimmung spricht für eine größere Nachfrage nach sicherer eingeschätzten Assets in Phasen mit schlechteren Erwartungen, ist aber nicht allgemeingültig. Ebenso wäre die Gra- phik ohne einen Schnittpunkt denkbar, was für eine, wenn auch unterschiedlich große, Über- bewertung aller Wertpapiere bei positivem Sentiment sprechen würde. Grundsätzlich wider- spricht dieser Ansatz risikobasierten Pricing-Modellen, bei denen unter der Voraussetzung rationaler risikoaverser Investoren die Marktrisikoprämie immer positiv ist und somit speku- lative Assets immer höhere erwartete Renditen erzielen müssten als objektiv bewertbare Ak- tien.49
2.3 Statistische Grundlagen
Zur Betrachtung der von Baker und Wurgler (2006, 2007) durchgeführten Analysen und auch für die eigene empirische Untersuchung dieser Arbeit, ist das Verständnis gewisser statisti- scher Methoden erforderlich, was die folgenden Ausführungen zur Hauptkomponentenanalyse, Regression und Orthogonalisierung begründet.
2.3.1 Hauptkomponentenanalyse
Die Hauptkomponentenanalyse (HKA) ist eine Methode der multivariaten Statistik, welche der Dimensionsreduktion dient und für die Studie von Baker und Wurgler (2006) von entscheidender Bedeutung ist.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Dimensionsreduktion mit Hilfe der Hauptkomponentenanalyse, Quelle: eigene Darstellung in Anlehnung an Berekoven/Eckert/Ellenrieder (1996), S. 220.
Es gilt dabei, wie auch Abbildung 5 für den zweidimensionalen Raum zeigt, eine große Anzahl tendenziell gleichgerichteter Variablen durch eine kleinere Anzahl Faktoren (im Rahmen der HKA als Komponenten bezeichnet) zu erklären. Die Variablen werden dafür so linear transformiert, dass die Hauptkomponenten (HK) die relevanten Informationen beschreiben, wobei die Varianz als Maß für die Relevanz genutzt wird.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Erfassung relevanter Informationen durch die Hauptkomponenten, Quelle: eigene Darstellung in Anlehnung an Ng (2009), S. 2.
Die HKA kann somit als Spezialform der Faktorenanalyse interpretiert werden und unterliegt der Annahme, Faktoren seien unbeobachtete Größen im Hintergrund, welche die Zusammenhänge zwischen beobachteten Variablen hervorrufen50.
Neben einer Vielzahl von Definitionen existieren auch eine Reihe verschiedener Erklärungsansätze für die HKA. Auf einen besonders intuitiven, die geometrische Betrachtung, soll im nächsten Abschnitt kurz eingegangen werden, bevor im Weiteren Ausführungen zu mathematischen Grundlagen und zur Durchführung einer HKA folgen.
2.3.1.1 Geometrischer Zugang
Die Vektorendarstellung, d.h. die Darstellung einzelner Variablen als Vektoren, bietet eine Möglichkeit das grundlegende Prinzip der HKA, das Ausdrücken verschiedener Variablen durch dahinter stehende Hauptkomponenten zu erkennen. In Abbildung 6 werden auf der linken Seite zwei senkrecht aufeinanderstehende Vektoren, oder anders formuliert, zwei unkorrelierte Variablen gezeigt. Der Korrelationskoeffizient ρ beträgt in diesem Fall null. Es sei darauf hingewiesen, dass die Länge der Vektoren aufgrund einer üblicherweise zuvor vorgenommenen Standardisierung der Variablen vergleichbar ist.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 6: Geometrischer Zugang zur Hauptkomponentenanalyse, Quelle: eigene Darstellung in Anlehnung an Berekoven/Eckert/Ellenrieder (1996), S. 220f und Leyer/Wesche (2007), S.106.
Die mittlere Grafik zeigt zwei positiv korrelierte Variablen (ρ=0,5) bzw. zwei Vektoren, die einen Winkel α=60° einschließen. Die Beziehung von α und ρ lässt sich als
Abbildung in dieser Leseprobe nicht enthalten
beschreiben. Der Winkel zwischen den beiden Vektoren drückt demnach den Zusammenhang zwischen den beiden Variablen aus. Je kleiner α, desto größer ist ρ. Das Ziel der HKA, das Aufdecken unbeobachteter Hintergrundgrößen wird auf der rechten Skizze in Abbildung 6 dargestellt. Entsprechend Gleichung 1 drückt der Winkel zwischen einem „Variablenvektor“ und dem „Faktorenvektor“ die Korrelation zwischen Variable und Faktor aus. Dieser Korrela- tionskoeffizient wird als Faktorladung bezeichnet. Es gilt jene Faktoren bzw. HK zu identifi- zieren, welche möglichst hohe Faktorladungen in Bezug auf mehrere Variablen aufweisen.51
Im Rahmen der in dieser Arbeit betrachteten und durchgeführten Studien wird stets nur eine HK, das Investor Sentiment analysiert. Grundsätzlich können aber, auch wenn es ob der ange- strebten Datenverdichtung wenig sinnvoll erscheint, so viele HK ermittelt werden wie Variab- len vorliegen.
2.3.1.2 Mathematische Grundlagen
Eine bedeutende Größe der Hauptkomponentenanalyse ist die Varianz, definiert in ihrer empirischen Variante
Abbildung in dieser Leseprobe nicht enthalten
als Maß der Abweichungen der Streuung der Elemente ݔ eines Vektors x = (ݔଵ,…, ݔ) zu ihrem arithmetischen Mittel
Abbildung in dieser Leseprobe nicht enthalten
Auf sehr ähnliche Weise wird die Kovarianz zweier Vektoren x und y als
Abbildung in dieser Leseprobe nicht enthalten
bestimmt. Um die Betrachtung der Kovarianz zwischen zwei Variablen sinnvoll auf n Dimensionen zu erweitern bietet sich die Entwicklung einer Kovarianzmatrix C
Abbildung in dieser Leseprobe nicht enthalten
an, in der die paarweise Kovarianz zwischen allen betrachteten Variablen ermittelt und darge- stellt wird. Die Kovarianzmatrix ist quadratisch und symmetrisch52. Als Maß für die Stärke des linearen Zusammenhangs zweier Messgrößen gilt für den Korrelationskoeffizienten ρ
Abbildung in dieser Leseprobe nicht enthalten
ρ kann Werte im Intervall [-1;1] annehmen, wobei bei plus (minus) eins ein perfekt positiver linearer Zusammenhang und bei einem Wert null keine lineare Abhängigkeit vorliegt.
[...]
1 Vgl. Federal Reserve Board (1996).
2 Vgl. Shiller (2005), S. 1ff.
3 Vgl. Baker/Wurgler (2007), S. 129.
4 Vgl. Campbell/Cochrane (1999), S. 206.
5 Vgl. Campbell/Cochrane (2000), S. 2877.
6 Im weiteren Verlauf dieser Arbeit werden die genannten Anomalien näher erläutert.
7 Vgl. Lettau/Ludvigson (2001), S. 1240f.
8 Vgl. Menzly/Santos/Veronesi (2004), S. 4.
9 Vgl. Neal/Wheatley (1998), S. 523.
10 Ein Odd-lot ist ein Börsenauftrag, der i.d.R. weniger als 100 Aktien umfasst und somit vor allem von Kleinan- legern in Anspruch genommen wird. Das Verhältnis errechnet sich aus einer Division der Odd-lot-Käufe durch - Verkäufe.
11 Vgl. Malkiel (1977), S. 856.
12 Vgl. Malkiel (1977), S. 857f.
13 Beide Zeitreihen sind inflationsbereinigt.
14 Vgl. Shiller (1981), S. 432ff.
15 Vgl. Kothari/Shanken (1997), S. 170.
16 Vgl. Kothari/Shanken (1997), S. 200.
17 Vgl. Neal/Wheatley (1998), S. 534.
18 Vgl. Banz (1981), S. 8.
19 Vgl. Banz (1981), S. 11f.
20 Vgl. Rosenberg/Reid/Lanstein (1985), S. 9.
21 Vgl. Fama/French (1992), S. 438ff.
22 Vgl. Fama/French (1992), S. 441.
23 Im vorliegenden Zusammenhang wird der Kauf von Aktien mit relativ hohem Buch-zu-Marktwert-Verhältnis als Value-Strategie bezeichnet.
24 Vgl. Lakonishok/Shleifer/Vishny (1994), S. 1542.
25 Vgl. Lakonishok/Shleifer/Vishny (1994), S. 1564ff.
26 Vgl. Daniel/Titman (1997), S. 3.
27 Vgl. Daniel/Titman (1997), S. 29.
28 Vgl. De Long et al. (1990), S. 706.
29 Vgl. Fama (1970), S. 388.
30 Vgl. De Long et al. (1990), S. 704.
31 Vgl. Baker/Wurgler (2007), S. 129.
32 Vgl. Baker/Wurgler (2007), S. 132.
33 Vorausgesetzt ist dabei, dass eine Minderheit potenzieller Anleger alle Wertpapiere erwerben kann. Der Preis wird sich dadurch über den durchschnittlichen Einschätzungen, auch perfekt informierter Investoren befinden.
34 Vgl. Miller (1977), S. 1151ff.
35 Vgl. Baker/Wurgler (2006), S. 1648.
36 Vgl. Hendler (1975), S. 194.
37 Vgl. Baker/Wurgler (2006), S. 1649.
38 Vgl. Barberis/Shleifer (2003), S. 162.
39 Vgl. Daniel/Hirshleifer/Subrahmanyman (1998), S. 1841.
40 Vgl. Barberis/Shleifer/Vishny (1998), S. 315ff.
41 Vgl. Wurgler/Zhuravskaya (2002), S. 593f.
42 Vgl. Wurgler/Zhuravskaya (2002), S. 590.
43 Vgl. Amihud/Mendelson (1986), S. 240ff.
44 Vgl. D’Avolio (2002), S. 273f.
45 Vgl. Shleifer/Vishny (1997), S. 37f.
46 Wurgler/Zhuravskaya (2002), S. 606.
47 Vgl. Baker/Wurgler (2007), S. 131f.
48 Vgl. Baker/Wurgler (2006), S. 1650.
49 Vgl. Baker/Wurgler (2007), S. 133f.
50 Vgl. Handl (2002), S. 107ff.
51 Vgl. Leyer/Wesche (2007), S 105ff.
52 Vgl. Smith (2002), S. 2ff.
-
-
-
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.