Block 1
EVENT STUDIES
Event study -> statistische methode die wordt gebruikt om het verschil in prijzen van aandelen (of obligaties) te testen.
Corporate earning announcement
Merger announcements
Macro-economic news
Natural disasters
Auctions of treasury bonds
Event studies worden gebruikt voor twee redenen:
1. De impact van een bepaalde gebeurtenis op de rijkdom van de effectenhouders te onderzoeken
2. De hypothese testen dat de markt nieuwe informatie efficiënt verwerkt (hypothese van efficiënte markt)
Merk op dat de aankondiging vaak belangrijker is dan de feitelijke gebeurtenis.
Testen van (semi-sterke/sterke vorm) marktefficiëntie
In het geval van semi-sterke marktefficiëntie zou er een aandelen reactie zijn op de dag dat de aankondiging wordt gedaan
EFFICIENT
EFFICIENT MARKET
MARKET HYPOTHESIS
HYPOTHESIS
De efficiënte markthypothese is een markt waarin de prijzen altijd een volledige weerspiegeling zijn van beschikbare en
relevante informatie. Prijzen zullen alleen veranderen als er (nieuwe) informatie beschikbaar komt. Maar informatie kan per
definitie niet van tevoren worden voorspeld, daarom kunnen prijsveranderingen niet van tevoren worden voorspeld.
Efficiëntie verwijst naar de twee aspecten van een prijsaanpassing aan informatie: de snelheid en kwaliteit (richting en omvang)
van de aanpassing
De primaire rol van de kapitaalmarkt is de toewijzing van eigendom van de kapitaalvoorraad van de economie
Activaprijzen moeten nauwkeurige signalen afgeven voor de toewijzing
Zwakke vorm ME Semi-sterke vorm ME Sterke vorm ME
Prijzen weerspiegelen alle informatie uit Prijzen weerspiegelen niet alleen Prijzen weerspiegelen niet alleen
het verleden informatie uit het verleden, maar ook openbare informatie, maar alle
Prijzen technische analyse -> time- alle andere gepubliceerde informatie informatie die relevant kan zijn.
series
Fundamentele variabelen -> cross Dit impliceert dat aanpassingen: Tests voor voorkennis/privé-informatie
section direct -> event studies
volledig -> event studies
Test voor rendementsvoorspelbaarheid
Event studies uitvoeren, belangrijke stappen:
1. Identificeer de gebeurtenis van belang en het tijdstip van de gebeurtenis
2. Specificeer een ‘benchmark’ model voor normaal aandelenrendement gedrag
3. Bereken en analyseer abnormale rendementen rond de gebeurtenis datum
Timing
Verschil tussen kalendertijd en gebeurtenistijd: t = 0 is het tijdstip van de gebeurtenis
Typisch gebruikt een event studies veel (N) observaties van gelijksoortige gebeurtenissen. Deze kunnen vrij ver uit elkaar liggen
in kalendertijd, maar voor het uitvoeren van de studie gebruikt men de tijd van de gebeurtenis
Nauwkeurige timing van gebeurtenissen is belangrijk! Een goed gebruik van tijd is nog steeds in het lezen van oude nummers
van de Wall Street Journal om meer datums van gebeurtenissen nauwkeuriger te bepalen”
, Block 1
EVENT STUDIES
Event studies meten en testen abnormal returns rond een bepaalde
gebeurtenis.
Abnormal returns = rendement - normaal rendement
AR_it = R_it - NR_it
Normaal rendement (NR) -> rendement dat we verwachten in normale
omstandigheden zonder gebeurtenis
Je hebt een benchmarkmodel voor normaal rendement nodig
Eigen gemiddeld rendement
In het marktmodel worden alfa en beta geschat
Marktrendement
over de schattingsperiode:
Marktmodel
CAPM
Het gemiddelde rendement of de coëfficiënten van het marktmodel worden
In het CAPM wordt de beta geschat op basis van
geschat met behulp van gegevens uit het schattingsvenster. Deze geschatte
het extra rendement over de schattingsperiode:
coëfficiënten worden vervolgens gebruikt om normale en abnormale
rendementen over het gebeurtenisvenster
Een event studies uitvoeren:
Verzamel gegevens over event returns en benchmark returns en bereken de abnormal
Mean Adjusted Return method
returns
De gegevens hebben betrekking op N gebeurtenissen gedurende het gebeurtenisvenster
Iedere rij is een tijdsreeks van AR's voor
Market Adjusted method
gebeurtenis i
Iedere kolom is een cross section van
Market Model method
AR's voor tijd t
Bereken het gemiddelde van de abnormale returns over alle (N) gebeurtenissen
CAPM method
Dit geeft het Gemiddelde Abnormale Return voor dag t
Dit kan worden gedaan voor de dag van de gebeurtenis en voor aangrenzende dagen
TESTEN
TESTEN VOOR
VOOR SIGNIFICANTIE
SIGNIFICANTIE
Nulhypothese: geen abnormale prijseffecten -> H0: E(AR_it) = 0
Als abnormale returns onafhankelijk, identiek en normaal verdeeld zijn, hebben de standardized average abnormal returns
een standaard normaal verdeling
TS^1 kan worden gebruikt als een teststatistiek, door de waarde te vergelijken met kwantielen van de standaard normaal
verdeling
Meestal kennen we de variantie van de rendementen niet. Hoe wordt de standaard deviatie dan geschat? De meeste event
studies gebruik een cross sectionele schatter: Deze gebruikt de abnormale returns van alle N
gebeurtenissen op dag t.
Test voor abnormal returns met de t-statistic. Als de abnormal returns onafhankelijk, identiek en normaal verdeeld zijn, heeft
deze statistiek een student-t-verdeling met N - 1 degrees of freedom. De eis dat returns een normale verdeling hebben is erg
sterk en wordt meestal verworpen voor dagelijkse gegevens. Maar gelukkig hoeven we normaliteit niet aan te nemen.
, Block 1
EVENT STUDIES
TESTEN
TESTEN VOOR
VOOR SIGNIFICANTIE
SIGNIFICANTIE
Als de abnormal returns onafhankelijk zijn, heeft de t-statistic voor grote N bij benadering een standaard normale verdeling
(Central Limit Theorem).
In event studies is N > 30 meestal nodig om deze benadering redelijk goed te laten zijn.
Full event period: We kunnen ook cumuleren vanaf het begin van
Cumulative Abnormal Returns de gebeurtenisperiode tot elke dag t </ t2:
Cumulative Abnormal Returns
Cumulative Average Abnormal Returns
Outperformance gemeten door CAAR Cumulative Average Abnormal Returns
Het uitvoeren van event studies kan complicaties met zich mee brengen:
Event induced variance
Event clustering
Non-normality of the returns
Event induced variance Event clustering Non-normality of return distribution
Door gebeurtenis veroorzaakte variantie Meerdere gebeurtenissen in dezelfde Scheefheid en uitschieters
Hogere variantie op of rond de datum kalenderperiode. Dit veroorzaakt cross Vooral een probleem bij kleine
van de gebeurtenis sectionele correlatie en maakt de t-test steekproeven (N < 30)
Cross section schatters van ongeldig. Een goede benchmark lost dit Rank or sign testen presteren beter
standaarddeviatie zijn hiertegen probleem vaak op. dan t-toetsen
bestand
Zo niet, zijn er twee oplossingen:
Gemiddelde alle rendementen van
dezelfde kalenderdag in een
portefeuillerendement en behandel dat
als één observatie in de t-test
Als alternatief kan een grove
afhankelijkheidsaanpassing van de
standaardfout worden toegepast
EVENT STUDIES
Event study -> statistische methode die wordt gebruikt om het verschil in prijzen van aandelen (of obligaties) te testen.
Corporate earning announcement
Merger announcements
Macro-economic news
Natural disasters
Auctions of treasury bonds
Event studies worden gebruikt voor twee redenen:
1. De impact van een bepaalde gebeurtenis op de rijkdom van de effectenhouders te onderzoeken
2. De hypothese testen dat de markt nieuwe informatie efficiënt verwerkt (hypothese van efficiënte markt)
Merk op dat de aankondiging vaak belangrijker is dan de feitelijke gebeurtenis.
Testen van (semi-sterke/sterke vorm) marktefficiëntie
In het geval van semi-sterke marktefficiëntie zou er een aandelen reactie zijn op de dag dat de aankondiging wordt gedaan
EFFICIENT
EFFICIENT MARKET
MARKET HYPOTHESIS
HYPOTHESIS
De efficiënte markthypothese is een markt waarin de prijzen altijd een volledige weerspiegeling zijn van beschikbare en
relevante informatie. Prijzen zullen alleen veranderen als er (nieuwe) informatie beschikbaar komt. Maar informatie kan per
definitie niet van tevoren worden voorspeld, daarom kunnen prijsveranderingen niet van tevoren worden voorspeld.
Efficiëntie verwijst naar de twee aspecten van een prijsaanpassing aan informatie: de snelheid en kwaliteit (richting en omvang)
van de aanpassing
De primaire rol van de kapitaalmarkt is de toewijzing van eigendom van de kapitaalvoorraad van de economie
Activaprijzen moeten nauwkeurige signalen afgeven voor de toewijzing
Zwakke vorm ME Semi-sterke vorm ME Sterke vorm ME
Prijzen weerspiegelen alle informatie uit Prijzen weerspiegelen niet alleen Prijzen weerspiegelen niet alleen
het verleden informatie uit het verleden, maar ook openbare informatie, maar alle
Prijzen technische analyse -> time- alle andere gepubliceerde informatie informatie die relevant kan zijn.
series
Fundamentele variabelen -> cross Dit impliceert dat aanpassingen: Tests voor voorkennis/privé-informatie
section direct -> event studies
volledig -> event studies
Test voor rendementsvoorspelbaarheid
Event studies uitvoeren, belangrijke stappen:
1. Identificeer de gebeurtenis van belang en het tijdstip van de gebeurtenis
2. Specificeer een ‘benchmark’ model voor normaal aandelenrendement gedrag
3. Bereken en analyseer abnormale rendementen rond de gebeurtenis datum
Timing
Verschil tussen kalendertijd en gebeurtenistijd: t = 0 is het tijdstip van de gebeurtenis
Typisch gebruikt een event studies veel (N) observaties van gelijksoortige gebeurtenissen. Deze kunnen vrij ver uit elkaar liggen
in kalendertijd, maar voor het uitvoeren van de studie gebruikt men de tijd van de gebeurtenis
Nauwkeurige timing van gebeurtenissen is belangrijk! Een goed gebruik van tijd is nog steeds in het lezen van oude nummers
van de Wall Street Journal om meer datums van gebeurtenissen nauwkeuriger te bepalen”
, Block 1
EVENT STUDIES
Event studies meten en testen abnormal returns rond een bepaalde
gebeurtenis.
Abnormal returns = rendement - normaal rendement
AR_it = R_it - NR_it
Normaal rendement (NR) -> rendement dat we verwachten in normale
omstandigheden zonder gebeurtenis
Je hebt een benchmarkmodel voor normaal rendement nodig
Eigen gemiddeld rendement
In het marktmodel worden alfa en beta geschat
Marktrendement
over de schattingsperiode:
Marktmodel
CAPM
Het gemiddelde rendement of de coëfficiënten van het marktmodel worden
In het CAPM wordt de beta geschat op basis van
geschat met behulp van gegevens uit het schattingsvenster. Deze geschatte
het extra rendement over de schattingsperiode:
coëfficiënten worden vervolgens gebruikt om normale en abnormale
rendementen over het gebeurtenisvenster
Een event studies uitvoeren:
Verzamel gegevens over event returns en benchmark returns en bereken de abnormal
Mean Adjusted Return method
returns
De gegevens hebben betrekking op N gebeurtenissen gedurende het gebeurtenisvenster
Iedere rij is een tijdsreeks van AR's voor
Market Adjusted method
gebeurtenis i
Iedere kolom is een cross section van
Market Model method
AR's voor tijd t
Bereken het gemiddelde van de abnormale returns over alle (N) gebeurtenissen
CAPM method
Dit geeft het Gemiddelde Abnormale Return voor dag t
Dit kan worden gedaan voor de dag van de gebeurtenis en voor aangrenzende dagen
TESTEN
TESTEN VOOR
VOOR SIGNIFICANTIE
SIGNIFICANTIE
Nulhypothese: geen abnormale prijseffecten -> H0: E(AR_it) = 0
Als abnormale returns onafhankelijk, identiek en normaal verdeeld zijn, hebben de standardized average abnormal returns
een standaard normaal verdeling
TS^1 kan worden gebruikt als een teststatistiek, door de waarde te vergelijken met kwantielen van de standaard normaal
verdeling
Meestal kennen we de variantie van de rendementen niet. Hoe wordt de standaard deviatie dan geschat? De meeste event
studies gebruik een cross sectionele schatter: Deze gebruikt de abnormale returns van alle N
gebeurtenissen op dag t.
Test voor abnormal returns met de t-statistic. Als de abnormal returns onafhankelijk, identiek en normaal verdeeld zijn, heeft
deze statistiek een student-t-verdeling met N - 1 degrees of freedom. De eis dat returns een normale verdeling hebben is erg
sterk en wordt meestal verworpen voor dagelijkse gegevens. Maar gelukkig hoeven we normaliteit niet aan te nemen.
, Block 1
EVENT STUDIES
TESTEN
TESTEN VOOR
VOOR SIGNIFICANTIE
SIGNIFICANTIE
Als de abnormal returns onafhankelijk zijn, heeft de t-statistic voor grote N bij benadering een standaard normale verdeling
(Central Limit Theorem).
In event studies is N > 30 meestal nodig om deze benadering redelijk goed te laten zijn.
Full event period: We kunnen ook cumuleren vanaf het begin van
Cumulative Abnormal Returns de gebeurtenisperiode tot elke dag t </ t2:
Cumulative Abnormal Returns
Cumulative Average Abnormal Returns
Outperformance gemeten door CAAR Cumulative Average Abnormal Returns
Het uitvoeren van event studies kan complicaties met zich mee brengen:
Event induced variance
Event clustering
Non-normality of the returns
Event induced variance Event clustering Non-normality of return distribution
Door gebeurtenis veroorzaakte variantie Meerdere gebeurtenissen in dezelfde Scheefheid en uitschieters
Hogere variantie op of rond de datum kalenderperiode. Dit veroorzaakt cross Vooral een probleem bij kleine
van de gebeurtenis sectionele correlatie en maakt de t-test steekproeven (N < 30)
Cross section schatters van ongeldig. Een goede benchmark lost dit Rank or sign testen presteren beter
standaarddeviatie zijn hiertegen probleem vaak op. dan t-toetsen
bestand
Zo niet, zijn er twee oplossingen:
Gemiddelde alle rendementen van
dezelfde kalenderdag in een
portefeuillerendement en behandel dat
als één observatie in de t-test
Als alternatief kan een grove
afhankelijkheidsaanpassing van de
standaardfout worden toegepast
