I P I O T R O S K I S F O T S P Å R

Transkript

1 U P P SALA UNIV ERSITE T FÖRETAG SE KO NOM I SKA I NS TI TU T ION EN KAND IDATU P P SA TS H T -09 HAND LEDAR E: KA T E R I NA HE LL S TR ÖM DATU M: I P I O T R O S K I S F O T S P Å R FÖRSLAG PÅ F ÖRBÄ TTR I NGAR AV PIO TR OSKIS HÖ G BOOK -TO- MARKET IN VE STER ING SS TR A TEG I ER DA NIE L RADO S & TONI LO VRI C Abstract The aim of this paper is to test the model defined in Piotroski (2000) on American data from the time period Based on this model we develop three new models that better utilizes the information in the factors used by Piotroski. Our first model uses correlations shown by Piotroski (2000) to weigh the factors. In the second model we weigh the factors using the relative values of the signals. Lastly, in the third model, we combine the first two models and thus weighing the factors both depending on the correlations and the relative values of the signals. Our results show that Piotroski s model outperforms the market for this time period. Furthermore we find that the models we develop all yield a better market adjusted return than Piotroski s original model.

2 INNEHÅLLSFÖRTECKNG 1. Introduktion Den effektiva marknaden och Book-to-Market Efficient Market Hypothesis Book-to-Market som investeringsstrategi Test av effektiva marknadshypotesen och investeringsstrategier Metod Datainsamling Piotroskis modell Test av Piotroski Modellerna Modell A Modell B Modell C Resultat Slutsatser Appendix Litteraturförteckning

3 1. INTRODUKTION Aktiemarknader påverkas av tillkännagörandet av redovisnings- och annan finansiell information (Deegan & Unerman, 2006, p. 377). Många forskare har visat att man genom att på olika sätt utnyttja denna information kan skapa portföljer som ger en högre avkastning än marknadsgenomsnittet (Ou & Penman, 1989; Abarbanell & Bushee, 1998 och Fama & French, 2008). Denna forskning vilar på det underliggande antagandet att aktiemarknader är effektiva i enlighet med Efficient Market Hyopthesis (EMH) som definierad av Fama et al. (1969). I en uppmärksammad artikel visar Joseph D. Piotroski (2000) att det är möjligt att med hjälp av en enkel investeringsstrategi baserad på historiska redovisningar, använd på en bred portfölj av företag med högt book-to-market (B/M), går att skapa en positiv marknadsjusterad avkastning. Han menar att man kan använda denna strategi utan att ha någon nettoinvestering då man blankar de aktier som man förutspår kommer att gå dåligt och investerar i de man antagit kommer att gå bra. Andra forskare har uppmärksammat nyttan med investeringsstrategier baserade på företag med högt B/M (t.ex. Fama och French, 1992) dock menar Piotroski att dessa strategier brister i det att de förlitar sig på ett fåtal företag med hög prestanda medan de godtar många andra företag som presterar dåligt. I de fallen han dokumenterat gav mindre än 44% av företagen med högt B/M en positiv marknadsanpassad avkastning under de två åren efterföljande hans portföljskapande. Med andra ord kommer sådana strategier att acceptera flera företag som presterar dåligt och därmed sänker resultatet för portföljen. Detta leder honom till att skapa en modell som ska urskilja de starka företagen från de svaga och på så sätt kunna generera en högre och mer konsistent avkastning. Syftet med denna uppsats är att utveckla Piotroskis, relativt enkla, modell för att se om det på så sätt är möjligt att få ett signifikant bättre resultat. Detta åstadkomms genom att vikta om hans modell för att se om ett ökat informationsinnehåll i faktorerna i denna kan generera en högre vinst. Om detta visar sig möjligt verkar det som ytterligare bevis på att marknaden underreagerar på historisk information. Piotroskis modell testas, tillsammans med tre modeller som vi har tagit fram, på amerikansk data från perioden Avkastningarna som portföljerna, byggda 3

4 genom att applicera de olika modellerna, genererar jämförs för att se om våra modeller presterar bättre än Piotroskis. Resultaten av denna studie tyder på att det är möjligt att hitta framtida högpresterande företag med hjälp av Piotroskis modell. De tyder också på att Piotroskis binära gradering leder till att information försvinner och att modellerna som vi tagit fram bättre tar hänsyn till informationen i årsredovisningarna och på så sätt bättre förutspår framtida avkastningar. I sektion 2 diskuteras EMH och dess konsekvenser, dessutom ges en kort summering av forskningen kring B/M och dess implikationer på investeringsstrategier. Sektion 3 beskriver hur undersökningen går till samt hur vi har gått tillväga för att utveckla våra modeller. Sektion 4 redovisar och diskuterar resultaten av undersökningen. I sektion 5 sammanfattas arbetet och slutsatser presenteras. 2. DEN EFFEKTIVA MARKNADEN OCH BOOK-TO-MARKET I denna sektion kommer en del bakgrundsteori behandlas. I den första delen diskuteras hypotesen om den effektiva marknaden som anses vara ett grundläggande antagande för all forskning på aktiemarknaders koppling till redovisningsinformation. Även investeringsstrategier på företag med hög book-to-market diskuteras, samt vad som kännetecknar ett sådant företag och hur det kan påverka aktiepriset. I den sista delen av denna sektion redogörs för tidigare forskning inom området. 2.1 EFFICIENT MARKET HYPOTHESIS Fama et al. (1969) definierar en effektiv marknad som en marknad som snabbt och utan systematiska fel anpassar sig till ny information. Författarna drar slutsatsen att aktiemarknaden är effektiv i den bemärkelsen att den snabbt anpassar sig till ny information och att aktiepriserna endast ändras om det finns en förväntad ändring i framtida utdelningar. I en senare artikel går Fama (1970) vidare och definierar tre olika nivåer av effektivitet; svag-, semi-stark och stark form. Svag form innebär att marknaden endast tar hänsyn till historiska priser. I semi-stark form antar man att marknaden snabbt och fullständigt anpassar sig till offentlig information tillgänglig. Stark form 4

5 innebär i sin tur att aktiepriserna återger all publik information som finns och som någon känner till, även information som inte är offentligt tillkännagiven. Denna form förutsätter att alla investerare får en avkastning som motsvarar varandras då detta beror på att det inte finns någon egenrätt till all tillgänglig information. Under antagande om semi-stark marknadseffektivitet kommer ett vinsttillkännagivande inte leda till ändring i aktiepriser då denna vinst var väntad av alla, det som kommer att ändra kurserna är istället när det tillkännages oväntade vinster. Antagandet att marknaden, åtminstone i semi-stark form, är effektiv grundläggande för forskning inom capital market research då det utan det antagandet skulle vara svårt att motivera varför man betraktar en värderingsändring hos aktier knutna till informationsutgivning i samband med till exempel redovisningar. Anledningen till detta är att aktievärdet antas vara nuvärdet av förväntade diskonterade framtida vinster justerat för företagets risk (Deegan och Unerman, 2006, p ). Om ny information släpps som leder till förändring i aktiepriset så antas denna information ha varit nyttig för investerarna och får dem att omvärdera sina förväntningar på företaget. Utan antagandet att marknaden är effektiv så finns det ingen bra förklaring till varför aktiepriserna ändras i samband med ny information som till exempel redovisningsinformation. 2.2 BOOK-TO-MARKET SOM INVESTERINGSSTRATEGI Book-to-market är ett mått på skillnaden mellan företagets bokförda värde och dess marknadsvärde. Varför det skulle kunna vara lönsamt att investera i företag med högt B/M kan härledas mer eller mindre direkt ur EMH. Om ett företag har högre bokvärde än vad som reflekteras i aktiepriset så kan det betyda att marknaden har undervärderat företaget och att aktievärdet, i enlighet med en semi-stark effektivitet i marknaden, kan förväntas att stiga till dess att glappet har jämnats ut. Detta visar sig stämma i flera studier där portföljer baserade på företag med högt B/M presterar bättre än de baserade på företag med lågt B/M (Rosenberg, Reid & Lanstein, 1984; Fama & French, 1992). Piotroski (2000) påpekar dock att trots detta så rekommenderar analytiker sällan aktier med högt B/M utan oftare företag med starka resultat under den senaste tiden. Detta menar han kan bero på att ett typiskt värdeföretags (företag med hög B/M) 5

6 aktier ofta kommer att prestera under marknadsgenomsnittet och att de strategier som handlar med dessa oftast går ut på att köpa en hel portfölj med hög-b/m-företag. En förklaring till den observerade skillnaden i avkastning mellan hög- och låg-b/m-företag kan vara felaktig prissättning på marknaden. Företag med högt B/M kan ofta anses vara företag som befinner sig i någon grad av finansiell nöd, detta gör att de försummas av analytiker och investerare och därför får för pessimistiska förväntningar på framtida prestanda. Dock pekar mycket på att värdeinvesteringsstrategier ofta presterar bättre än strategier baserade på den senaste tidens resultat (Lakonishok, Shleifer & Vishny, 1994). Fama och French (1992) menar att B/M innefattar denna finansiella nöd och därför kommer de efterföljande avkastningarna även att representera en kompensation för risk och att resultaten därför inte helt kan förklaras med en större risk. 2.3 TEST AV EFFEKTIVA MARKNADSHYPOTESEN OCH INVESTERINGSSTRATEGIER Många forskare har under åren funnit bevis som tyder på att marknaden i sig själv inte är effektiv. Rosenberg et al. (1985) finner bevis som pekar på marknadsineffektivitet genom att testa två investeringsstrategier. Den första är en investeringsstrategi som bygger på att köpa aktier med högt BM och sälja de med lågt medan den andra bygger på vad de kallar specific-return-reversal. BM-strategin bygger på att om B/M är högt (lågt) är marknadsvärdet lägre (högre) än bokvärdet och borde därför i enlighet med teorierna om den effektiva marknaden gravitera mot sitt rätta värde och därför öka (minska). I den sistnämnda strategin räknar man ut skillnaden mellan investeringsavkastningen på aktien för föregående månad och ett anpassat värde för den avkastningen baserat på gemensamma faktorer i aktiemarknaden för den föregående månaden. Strategin förväntar sig att denna skillnad kommer att vara negativt korrelerad mellan två månader, så man köper därför aktier med ett negativt värde för föregående månad. De menar att båda dessa strategier med hög signifikans pekar på att marknaden under den tiden och för de aktier de betraktade var ineffektiv då båda lyckades generera en högre avkastning än marknadsgenomsnittet. Ou och Penman (1989 och 1990) menar att ett företags värde finns indikerat i redovisningsinformationen men att marknadsvärdet ibland kan avvika från detta för att 6

7 sedan långsamt närma sig det korrekta igen. Man kan på så sätt finna värden hos ett företag som inte är reflekterat i aktiepriset och därigenom bedöma om aktien är övereller undervärderad. Till sin hjälp utvecklar de ett tal kallat Pr som är ett slags sannolikhetsmått och tar värden mellan 0 och 1. Tal mindre än 0,4 pekar på att priset sannolikt kommer att sjunka medan tal över 0,6 ger en sannolik ökning. Talen mellan 0,4 och 0,6 anses inte kunna ge tillräcklig information för att vara användbara. Strategin bygger då på att man skall köpa aktier med hög Pr-tal och blanka de med lågt tal. Sloan (1996) undersöker om aktiepriser helt reflekterar informationen om framtida vinster som man kan utläsa ur periodiserings- och kassflödeskomponenterna i den nuvarande vinsten. Han menar att så inte är fallet då aktiepriserna beter sig som om investerarna misslyckas med att korrekt identifiera egenskaperna hos dessa två komponenter. Dock menar han att detta inte nödvändigtvis innebär att investerarna skulle vara irrationella eller det finns outnyttjade vinstmöjligheter i detta då kostnaderna för informationsinsamlande i realtid kan vara signifikanta. Abarbanell och Bushee (1998) undersöker hur olika redovisningsbaserade faktorer kan användas för att förutspå framtida oväntade avkastningar. De finner att särskilt relativa förändringar i inventarier, kapitalförbrukning och effektiva skattesatser verkar som starka indikationer på framtida vinster som marknaden underreagerar på. Abarbanell och Bushee finner också att marknaden underreagerar på befintlig information och detta leder då till att företag värderas annorlunda. Fortsatt undersökning visar att det finns indikatorer som är starkare än andra när man skall förutse framtida vinster, och de finner även att vissa indikatorer har en motsatt verkan och ett negativt samband gentemot de framtida vinsterna. Piotroski (2000) undersöker om det är möjligt att med hjälp av information i årsredovisningar identifiera företag som kommer att prestera bättre än andra och på så sätt skapa en portfölj som presterar bättre än marknaden. Han anser att många tidigare B/M-strategier väljer ut för många företag som ger en negativ inverkan på portföljen och förlitar sig på ett fåtal som ger en stark avkastning. För att undvika detta förutsätter Piotroski att det är möjligt att förutse framtida prestationer hos företag genom att betrakta deras årsredovisningar, han antar även att marknaden är oförmögen att känna igen regelbundna mönster. Genom att testa modellen på hög-b/m-företag på den 7

8 amerikanska marknaden från 1976 till 1996 visar han att man genom att tillämpa hans modell kan generera en avkastning som är 7,5% högre än den genererad av en konventionell hög book-to-market strategi. Vidare visar han att en strategi som investerar i de företag som hans modell karaktäriserar som starka och blankar de som anses svaga resulterar i en marknadsjusterad avkastning på 23%. Dessa strategier bygger alla på antagandet att marknaden på något sätt inte är helt effektiv. Vore den det så borde det i teorin vara omöjligt att skapa portföljer som i längden genererar högre avkastning än marknaden. Andra forskare har ägnat avsevärd tid åt att finna fel på dessa strategier och en av de vanligaste invändningarna är att den högre avkastning som artiklarna säger sig hitta beror på att investeringarna har en högre inneboende risk, att mätningarna egentligen mäter en ändring i företagets risk eller en feluppskattning i de förväntade avkastningarna (Abarbanell & Bushee, 1998). Detta är något som författarna i de ovan nämnda artiklarna är medvetna om men de anser att de har garderat sig mot detta och att även om risk kan förklara en del av resultatet så menar de att bevisen är övertygande om att det inte är hela sanningen. 3. METOD I denna sektion beskrivs hur datainsamlingen gått till för de kommande undersökningarna och en kortfattad beskrivning ges hur de nio nyckeltalen som används i modellen definierats. De tester som utförs på Piotroski förklaras. Vidare presenteras tre olika modeller som alla bygger på Piotroski (2000) men på olika sätt modifierats för att bättre kunna fånga information i redovisningarna. I den första viktas Piotroskis F-värden baserat på korrelationer som han visat existerar mellan de nio signalerna och den resulterande avkastningen. Den andra bygger på att skala om värdena på signalerna utefter deras relativa storlek. I den sista modellen kombineras de två första för att se om resultatet ytterligare kan ökas. 8

9 3.1 DATAINSAMLING För datainsamlingen används Thomson Reuterns DATASTREAM. Undersökningsperioden är 1997 till 2006, detta för att kunna testa modellerna på en senare period än Piotroski och se om hans modell kan ge positiva resultat även i denna period. Denna sökning resulterar i sammanlagt företag-år-observationer. Ur dessa sorteras de företag bort som saknar nödvändig data om B/M, resulterande avkastningar samt de företag som saknar information för att göra det möjligt att beräkna de nio signalerna. Detta reducerar urvalet till företag-år-observationer. Därefter tas extremer i de olika nyckelfaktorerna bort i två steg. Först elimineras uppenbara avstickare som enkelt ses i ett spridningsdiagram. Sedan bildas medelvärdet av resterande värden och alla värden som avsticker med mer än två standardavvikelser utesluts. Detta för att få ett jämnare dataset utan att behöva göra personliga bedömningar som kan tänkas påverka resultatet. Undersökningen rör endast de företag med en hög B/M och därför är det sista steget i urvalet att sortera ut de företag-årobservationer i den översta kvintilen sorterat efter årets B/M. Detta ger ett slutgiltigt dataset på företag-år-observationer. Piotroski använder sig av databasen COMPUSTAT för sin datainsamling. Detta kan leda till att några av de tal som Piotroski definier kan skilja sig åt lite från hur de använts här. Ett sådant exempel är CFO som Piotroski definierar som cash flow from operations genom totala tillgångarna vid början av året. Denna variabel gick dock inte att finna i DATASTREAM och här har istället variabeln Net Cash Flow Operating Activities använts. I appendix kan även skillnader i korrelationen mellan Piotroskis signaler och avkastningar och de i denna uppsats ses. Dessa visar sig stämma relativt väl överens och därför antar vi i fortsättningen att de värden vi använt stämmer överens med de Piotroski använt. 9

10 3.2 PIOTROSKIS MODELL Piotroski använder sig av nio signaler för att undersöka tre områden inom ett företag; lönsamhet, finansiell hävstång och effektivitet. Varje signal ger han ett binärt värde (0 eller 1) som sedan summeras till ett F_SCORE. Beroende på hur företaget presterar kan F_SCORE variera mellan 0-9. Totalsumman 8 och 9 definieras som ett högt F_SCORE och summan 0 och 1 som ett lågt. Vidare påpekas i artikeln att han valt en binär representation av faktorerna för att göra det enkelt, syftet med hans modell är att kunna skilja de starka företagen från de svaga. Dock skriver han att det kan finnas en svaghet i denna modell, denna svaghet är att det finns en risk att intressant information om företagen kan försvinna, information som annars skulle kunna leda till bättre beslut. Fyra av signalerna mäter företagets lönsamhet: ROA och CFO som han definierar som nettoinkomst före extraordinära poster respektive kassaflöde från den operativa verksamheten delat med de totala tillgångarna vid början av året. F_ROA och F_CFO ges värdet ett (noll) om deras respektive signal är poitiv (negativ). ΔROA beskrivs som skillnaden på årets och förra årets ROA och får värdet ett (noll) om det är positivt (negativt). ACCRUALS är hur skillnaden mellan nettoinkomsten före extraordinära poster och kassaflöde från den operativa verksamheten förhåller sig till de totala tillgångarna och denna signal får det binära värdet ett (noll) om CFO är större (mindre) än ROA. Tre andra signaler mäter företagets finansiella hävstång, dess likviditet och externa finansiering: ΔLEVER mäter förhållandet av de långfristiga skulderna gentemot företagets medelvärde av de totala tillgångarna och en ökning (minskning) av detta ger en nolla (etta) på F_ LEVER. ΔLIQUID mäter skillnaden i företagets likviditet och ser en ökning (minskning) av detta som en positiv (negativ) signal vilket ger det binära värdet ett (noll). EQ_OFFER visar om företaget har gjort en nyemission och fört in mer kapital till företaget. En nyemission kan visa att företaget inte kan klara sig själv vilket ger en negativ signal och får en nolla. Har ingen nyemission skett får företaget en etta. De sista två faktorerna som Piotroski tar med är till för att mäta effektiviteten i företaget. ΔMARGIN definieras som skillnaden mellan årets och förra årets vinstmarginal. Ett positivt värde innebär att företaget har ökat sina marginaler gentemot kostnader vilket innebär en positiv signal get det binära värdet ett på faktorn F_ MARGIN, en minskning ger värdet noll. ΔTURN beräknas som skillnaden på årets och fjolårets 10

11 omsättningsgastighet där ett positivt (negativt) värde visar en förbättrad (försämrad) verksamhet får en etta (nolla). Genom att tillämpa en strategi som köper företag med hög F_SCORE, visar Piotroski att den årliga medelavkastningen på portföljer kan öka med minst 7,5%. Den investeringsstrategi som köper förväntade vinnare och blankar aktier som förväntas vara kortsiktiga förlorare visar sig kunna generera i genomsnitt 23% årligen. Genom att jämföra resultatet för företag med F_SCORE större eller lika med 5 och mindre eller lika med 4 så kan han visa att modellen är robust i det att de hedgade portföljerna ger en positiv, marknadsjusterad avkastning i 20 av de 23 åren och att det sämsta året ger en negativ avkastning på endast 3,6 %. 3.3 TEST AV PIOTROSKI I det första testet prövas Pitroskis modell på tidsperioden Här används en portfölj som består av den översta B/M-kvintilen av alla utvalda företag. Varje signal för varje enskilt företag ges ett binärt värde beroende på hur signalen har presterat, dessa binära värden summeras sedan till ett F_SCORE i enlighet med Piotroskis modell. De företag som har ett högt F_SCORE väljer man att investera långsiktigt i och ses som framtida vinnare och företagen med ett lågt F_SCORE ses som troliga förlorare och blankas. När företagen tilldelats ett F_SCORE beräknas medelavkastningen för den höga, den låga och den hedgade portföljen för att se om denna strategi har generarat en vinst för ettårs- och tvåårs buy-and-hold investeringar. 3.4 MODELLERNA I detta avsnitt följer en förklaring till de modeller som vi utvecklat för att differentiera mellan hög- och lågpresterande företag. De tre olika metoder vi tagit fram för att fånga olika aspekter av de nyckelfaktorer Piotroski använder beskrivs. 11

12 3.4.1 MODELL A I den första delen av undersökningen prövas en modell som använder sig av de korrelationskoefficienter som Piotroski beräknat mellan sina faktorer och den resulterande avkastningen i data från 1976 till En tabell över dessa koefficienter finns i appendix i tabell A1. Här används korrelationen mellan signalerna och den ettåriga icke-marknadsjusterade avkastningen. Man kan vikta om portföljerna olika beroende på om man har en ett- eller tvåårig strategi men här görs ingen sådan urskiljning. Med dessa värden viktas hans binära faktorer om enligt följande: ROA och CFO hade den högsta korrelationen med koefficienter 0,106 respektive 0,104. Ett positivt (negativt) resultat ges här värdet 10 (0). LEVER har korrelationen 0,058 och om denna är negativ (positiv) ges här därför faktorn A_ LEVER värdet 6 (0). Signalerna ROA, TURN och ACCRUAL har korrelationerna 0,044, 0,049 och 0,051 och deras A-värde anges till 5. Man kan argumentera för att ge ROA ett lägre värde då den ligger lite under de andra men en sådan noggrannhet anses här inte nödvändig. MARGIN, LIQUID och EQ_OFFER har korrelationerna 0,039, 0,027 och 0,012 och deras motsvarande vikt blir 4, 3 respektive 1. Den totala summan av alla faktorer för ett företag kan alltså variera mellan 0 och 49. Detta värde kallas i fortsättningen för A_SCORE. Portföljerna som väljs ut baseras på företag med hög A_SCORE, ett värde på 45 eller högre, och de med låg A_SCORE, värdet 4 eller lägre. Denna uppdelning kan anses arbiträr men tanken bakom är att ett företag aldrig kan komma med i den höga (låga) portföljen utan att ha ett positivt (negativt) resultat för de tyngst vägande signalerna. Ett företag kan alltså prestera värden som ger en negativ (positiv) indikation på framtida resultat på MARGIN, LIQUID och EQ_OFFER och fortfarande komma med i den höga (låga) portföljen. Detta innebär vidare att ett företag som har F_SCORE = 9 (0) automatiskt kommer att få A_SCORE = 49 (0), denna modell kommer att skilja sig åt då ett företag har F_SCORE med värdena 7 eller 8 (1 eller 2). Ett F_SCORE på 7 (2) kan komma med i vår höga (låga) portfölj och ett F_SCORE med värdet 8 (1) kommer inte automatisk med. 12

13 3.4.2 MODELL B Den andra metoden bygger på den relativa storleken hos de nio signalerna. I denna metod har varje signal delats in i kvintiler och utefter dessa har de fått ett värde för att bedöma styrkan i signalen. Indelningen har bara gjorts gällande för de signaler med ett värde som ger en positiv förväntan på avkastningen. I denna modell tas ingen hänsyn till de företag som ges ett F-värde på noll på motsvarande signal, dessa kommer här också att ges värdet noll. Skillnaden ligger istället i att de företag som i Piotroskis modell får värdet 1 på en signal istället kommer att få ett skalat värde som ligger mellan 0.2 och 1. Om ett företags ROA till exempel ligger i den översta kvintilen så får det ett B_ROA på 1 medan de som ligger i intervallet 61-80% får värdet 0.8. På detta sätt fortsätter det och de allra minsta (fortfarande positiva) signalerna får alltså ett värde på 0.2. På samma sätt behandlas alla signalerna förutom EQ_OFFER som ges värdet 0.5 om ingen nyemission skett och 1 om EQ_OFFER är negativt. Detta då ett negativt värde på denna signal kan tolkas som ett styrkebesked från företagets sida. Totalsumman ett företag kan få på sin B_SCORE ligger således mellan 0 och 9 precis som i Piotroskis modell med skillnaden att skalan blir mer kontinuerlig. Dock kan man förvänta sig att få (om några) företag får det högsta värdet och att distributionen kommer att vara förskjuten neråt i förhållande till Piotroskis F_SCORE. I resultatet ser man att så är fallet och här har företagen i den höga portföljen valts ut som de som får ett totalt B_SCORE på fem eller högre. De som ingår i den låga portföljen är de med B_SCORE strikt mindre än ett. Den nedre, något arbiträra, gränsen för att välja ut den höga delen är satt för att ge en portfölj i samma storleksordning som Piotroskis modell, dessutom krävs det då att företaget har signaler som ger i snitt ett värde på mer än 0.6. Den lågt ställda övre gränsen för den låga portföljen har satts för att inget företag med en signal i den starkaste kvintilen skall kunna ingå. 13

14 3.4.3 MODELL C Den sista metoden för att differentiera mellan starka och svaga företag är en kombination av de två första. Dessa två metoder separerar företag med höga- och låga förväntningar på två fundamentalt olika sätt. Båda bygger på att undersöka tidigare prestation för att kunna dra slutsatser om företagets styrka men den ena gör detta genom en historisk korrelation mellan signalerna och företagets resultat och den andra gör det genom att betrakta styrkan hos dessa signaler. En modell som bygger på båda dessa variabler borde därför kunna prestera bättre än var och en av dem för sig. Modellen är byggd på att helt enkelt multiplicera B-värdet för varje signal i metod B med vikten som den signalen tilldelats i metod A. Ett företag med A_ROA = 10 och B_ROA = 0.6 får alltså C_ROA = 6. Detta ger en maximal C_SCORE på 49. Till den höga portföljen räknas de företag med ett C_SCORE på 32 eller högre och till den låga portföljen de med ett C_SCORE strikt mindre än 3. Dessa värden har valts ut för att med den tillgängliga datan ge ungefär lika många observationer som man får om man använder sig av Piotroskis F_SCORE. Detta behöver dock inte på något sätt vara det optimala sättet att skapa portföljerna men då fokus ligger på att se om denna modell bättre differentierar mellan starka och svaga företag än Piotroskis så underlättar det om urvalet ligger i ungefär samma storlek. Ju större urval som tas ut desto mer kan avkastningen förväntas närma sig medelvärdet för den totala portföljen av hög-bm företag, samtidigt som antalet inte bör bli för litet ur reliabilitetssynpunkt. Dessa tre modeller testas tillsammans med Piotroskis modell för att se om medelavkastningen för respektive metod kan anses signifikant bättre än den från den totala hög-bm portföljen. 14

15 4. RESULTAT I tabell 1visas år för år den marknadsjusterade avkastningen för den totala portföljen av alla hög-b/m-företag som ingick i undersökningen. Kolumnerna visar den marknadsjusterade, ettåriga respektive tvååriga buy-and-hold avkastningen för en sådan strategi år för år samt längst ner ett medel för alla år. I enlighet med teorierna om värdeinvestering ser man att en sådan investeringsstrategi ger en positiv avkastning. Den ettåriga buy-and-hold avkastningen uppvisar endast negativa värden för två av de tio åren. Dessa sammanfaller relativt väl med IT-kraschen i början av 2000-talet och finanskrisen som uppstod Dock visar sig bara 48,4% av observationerna för ettårs- och 51,5% för tvåårs buy-and-hold ge en positiv marknadsjusterad avkastning. Piotroskis antagande att en sådan strategi godtar dåliga prestationer från flera företag och förlitar sig på ett fåtal starka verkar således stämma. Tabell 1 Tabellen visar resultaten för en 1- och 2-årig buy-and-hold investeringsstrategi där man köper företag i den översta B/M-kvintilen utan att på något sätt försöka skilja ut företag som kan betecknas som starka från de svaga. År 1Y 2Y n ,043-0, ,100-0, ,005 0, ,150 0, ,137 0, ,645 0, ,121 0, ,034 0, ,071 0, ,052-0, Alla år 0,105 0, Årtalen i tabellerna är det år nyckeltalen är uträknade på, dvs. med 1 year buy-and-hold för 2006 menas att man bygger portföljen i maj 2007 och säljer den i maj

16 Tabell 2 visar resultatet för tre portföljer byggda på Piotroskis F_SCORE. Den första visar resultatet för företagen med hög F_SCORE (8 eller 9) och den andra för de med låg F_SCORE (0 eller 1). Den sista portföljen visar skillnaden mellan den höga och låga portföljen och motsvarar en strategi där man blankar företagen i den låga- och köper de i den höga portföljen, en så kallad non-investment portfölj. T-statistiken är beräknad på skillnaden i medelvärde för alla åren i undersökning mellan denna strategi som bygger portföljer beroende på F_SCORE och en där man endast baserar sina beslut på B/M-tal som representerat i tabell 1. Tabell 2 1- och 2-års buy-and-hold avkastningar för en investeringsstrategi som sorterar ut företag till portföljer baserade på Piotroskis F_SCORE. Hög F_SCORE (8-9) Låg F_SCORE (0-1) Hög-låg År 1Y 2Y n 1Y 2Y n 1Y 2Y ,199-0, ,024-0, ,175 0, ,326-0, ,086-0, ,239-0, ,221 0, ,337-0, ,557 0, ,445 0, ,425 0, ,021 0, ,167 0, ,077 0, ,090 0, ,613 0, ,411-0, ,202 0, ,228 0, ,093 0, ,322-0, ,079 0, ,329-0, ,250 0, ,041 0, ,124 0, ,083 0, ,027-0, ,217-0, ,190 0,117 Alla år 0,148 0, ,000-0, ,148 0,171 t-statistik* 0,402 1,749-0,982 1,184-0,452 2,136 p-värde* 0,692 0,097-0,339 0,252-0,657 0,047 *t-statistiken och p-värdet är baserad på jämförelser mellan medelvärdena presenterade i den här tabellen jämfört med de som erhölls från hög B/M strategin som presenterad i tabell 1. Hög F_SCORE portföljen presterar som förväntat i genomsnitt bättre än motsvarande portfölj för alla hög-b/m-företag för både ett- och tvåårs buy-and-hold. Man ser också att portföljen med låg F_SCORE presterar sämre, dock ger den inte en särskilt negativ avkastning så den hedgade portföljen presterar i stort som den höga. Man bör dock tillägga att man vid en jämförelse av medelvärdena för de årliga avkastningarna för 16

17 Piotroskis modell och den som bara baserade sig på hög-b/m, så är det bara tvåårs buyand-hold för den höga- och den hedgade portföljen som visar en signifikant skillnad. Den höga blir signifikant på 10%- och den hedgade på 5%-nivå. Detta beror antagligen på den höga varians som finns mellan de olika årens avkastningar. Betydelsen av detta är dock inte att det inte finns en skillnad i de andra portföljerna, bara att vi inte kan utesluta att den beror på varians. Jämfört med de resultat Piotroski fann i sin undersökning ser man att här gav hög F_SCORE strategin sämre avkastning, Piotroski fann att avkastningen blev 7,5% högre än den genererad av en vanlig hög-b/m-strategi, motsvarande siffra blir här 4,3% (10,5% jämfört med 14,8%). Även den hedgade portföljen gav sämre resultat (14,8% mot 23%). Om detta beror på valet av en annan tidsperiod eller varians är svårt att uttala sig om. Tabell 3 redovisar resultaten för metod A, där signalerna ges olika vikt beroende på de korrelationskoefficienter Piotroski redovisar i sin artikel. Dessa går att se i tabell A1 i appendix, vidare redovisas korrelationskoefficienterna för tidsperioden i den här undersökningen i tabell A2 i appendix som jämförelse. I tabell 3 ser man att denna metod presterar bättre än Piotroskis i alla avseenden förutom tvåårs buy-and-hold för den höga portföljen. Dock är resultaten mest intressanta i den låga delen där en signifikant skillnad föreligger. Detta gör att den hedgade portföljen presterar betydligt över Piotroskis. Denna modell tycks vara bättre på att skilja ut de förväntade förlorarna. Detta verkar logiskt då det borde kunna ses som en konsekvens av att modellen sorterar bort de företag som med Piotroskis modell skulle få en etta men som har ett positivt värde i någon av de signaler med starkast korrelation till avkastningen. Dock skall en viss försiktighet iaktas här då antalet observationer bara är 61, återigen är det svårt att uppskatta hur mycket variansen spelar in. Ett positivt resultat är också att vi med denna modell bara får ett år då vår hedgade portfölj uppvisar en förlust. 17

18 Tabell 3 1- och 2-års buy-and-hold avkastningar för en investeringsstrategi som sorterar ut företag till portföljer baserade på deras A_SCORE. Dessa beräknas med hjälp av korrelationer mellan nyckeltalen som använts i Piotroskis modell och de resulterade avkastningarna. Hög A_SCORE (45-49) Låg A_SCORE (0-4) Hög-låg År 1Y 2Y n 1Y 2Y n 1Y 2Y ,165 0, ,239-0, ,403 0, ,225-0, ,177 0, ,401-0, ,270 0, ,299-0, ,568 0, ,594 0, ,062-0, ,656 0, ,226 0, ,277 0, ,502 0, ,509 0, ,353 0, ,862 0, ,217 0, ,122 0, ,340-0, ,091 0, ,587-0, ,496 0, ,204 0, ,046 0, ,158 0, ,023-0, ,410-0, ,433 0,183 Alla år 0,189 0, ,213-0, ,402 0,287 t-statistik* 0,822 1,767-3,287 1,796-2,365 2,484 p-värde* 0,422 0,094-0,004 0,089-0,029 0,023 *t-statistiken och p-värdet är baserad på jämförelser mellan medelvärdena presenterade i den här tabellen jämfört med de som erhölls från hög B/M strategin som presenterad i tabell 1. I tabell 4 ges resultaten för metod B där faktorerna viktas om beroende på deras relativa storlek. Denna modell lyckas överträffa Piotroskis både i den höga och den låga delen. Modellen verkar inte i samma utsträckning som metod A kunna urskilja förlorarna men resultatet är återigen bättre än Piotroskis. Detta kan dock som nämndes ovan bero på att antalet observationen var lågt i metod A men här är antalet faktiskt betydligt fler. Med andra ord lyckas denna modell hitta förlorarna bättre än Piotroskis modell trots att den tar med fler företag. Dessutom är medelvärdet signifikant lägre än det för alla hög-b/mföretag. Att båda dessa metoder, trots att de är fundamentalt olika i sitt urval, utan undantag presterar bättre än en ren hög-b/m-strategi bör ses som en stark indikation på att de tjänar sitt syfte. Även om signifikansnivåerna i många fall är låga så är det osannolikt att de så konsekvent skulle uppvisa bättre resultat om det. 18

19 Tabell 4 1- och 2-års buy-and-hold avkastningar för en investeringsstrategi som sorterar ut företag till portföljer baserade på deras B_SCORE. Detta värde är en utveckling av Piotroskis F_SCORE där man även tar med en faktor som beror på signalernas relativa storlek. Hög B_SCORE (5-9) Låg B_SCORE (0-0,9) Hög-låg År 1Y 2Y n 1Y 2Y n 1Y 2Y ,230-0, ,053-0, ,283 0, ,317-0, ,020-0, ,337 0, ,332 0, ,369-0, ,701 0, ,487 0, ,081-0, ,406 0, ,234 0, ,159 0, ,393 0, ,973 0, ,243-0, ,216 0, ,337 0, ,005 0, ,332 0, ,142-0, ,157-0, ,015 0, ,160 0, ,009-0, ,151 0, ,006-0, ,035-0, ,029 0,064 Alla år 0,229 0, ,090-0, ,319 0,231 t-statistik* 0,950 1,754-2,486 2,846-1,439 2,556 p-värde* 0,355 0,096-0,023 0,011-0,167 0,020 *t-statistiken och p-värdet är baserad på jämförelser mellan värdena presenterade i den här tabellen jämfört med de som erhölls från hög-b/m-strategin som presenterad i tabell 1. Ännu tydligare blir detta när man betraktar tabell 5 där resultaten för metod C finns angivna. Denna metod bygger på en kombination av metod A och B och man kan därför anta att den skulle ge ett ännu bättre resultat. Om detta är fallet eller inte är svårt att avgöra men man kan se att resultaten för ettårs buy-and-hold för den höga delen och den hedgade portföljen överträffar de andra. Dock blir resultaten inte lika övertygande för 2 års buy-and-hold. De visar sig återigen starkare än Piotroskis och på samma sätt som varians skulle kunna ha gett för opimistiska resultat innan kan det faktiskt ge resultat som är lägre än förväntat. För att avgöra vad som är fallet här behövs fler observationer. 19

20 Tabell 5 1- och 2-års buy-and-hold avkastningar för en investeringsstrategi som sorterar ut företag till portföljer baserade på deras C_SCORE. C_SCORE beräknas enligt Piotroskis modell med skillnaden att man viktar om faktorerna utifrån korrelationer mellan dessa och framtida avkastning samt deras relativa storlek. Hög C_SCORE (32-49) Låg C_SCORE (0-2,9) Hög-låg År 1Y 2Y n 1Y 2Y n 1Y 2Y ,232-0, ,130 0, ,102-0, ,350-0, ,475-0, ,126 0, ,279 0, ,263-0, ,543 0, ,663 0, ,075-0, ,739 0, ,332 0, ,171 0, ,504 0, ,251 0, ,247-0, ,498 0, ,340 0, ,091-0, ,431 0, ,155-0, ,185-0, ,030 0, ,080 0, ,087-0, ,007 0, ,030-0, ,260-0, ,230 0,151 Alla år 0,264 0, ,155-0, ,420 0,236 t-statistik* 1,016 1,581-3,026 2,431-1,998 2,660 p-värde* 0,323 0,131-0,007 0,026-0,061 0,016 *t-statistiken och p-värdet är baserad på jämförelser mellan medelvärdena presenterade i den här tabellen jämfört med de som erhölls från hög B/M strategin som presenterad i tabell 1. Allt detta stärker dock Piotroskis antagande att man genom att separera lågt- och högt presterande företag genom enkla beräkningar av nyckeltal kan bilda portföljer som presterar betydligt bättre än marknadsgenomsnittet. En annan försiktig slutsats vi anser att man kan dra av detta är att då alla hedgeportföljer vi bildat, genom att på ett eller annat sätt ökat informationsinnehållet i Piotroskis signaler, lyckats prestera bättre än hans modell så finns det starka motiv till att fortsätta att undersöka ämnet. 20

21 5. SLUTSATSER Denna uppsats testar Piotroskis modell och resultaten är i enlighet med de han fått fram att man med hjälp av information i årsredovisningar kan skilja på vinnare och förlorare och på så sätt förbättra resultatet för en investerare. Genom att köpa aktier som Piotroskis modell karaktäriserar som starka fås en marknadsjusterad avkastning 14,8% 2. Detta kan jämföras med avkastningen för alla hög-b/m-företag som är 10,5%. Om man enligt denna modell köper starka- och blankar svaga företag ges en marknadsjusterad avkastning på 14,8%. Med Piotroskis modell som grund konstruerar och testar vi vidare tre modeller som alla visar sig prestera bättre än den ursprungliga modellen. Den första modellen, som viktar om faktorerna baserat på korrelationer mellan nyckeltalen i Piotroskis modell och resulterande avkastning, ger en avkastning för den starka portföljen på 18,9% och en skillnad mellan den svaga- och den starka på 40,2%. Den andra modellen som viktar om Piotroskis faktorer beroende på nyckeltalens relativa storlek ger motsvarande avkastningar 22,9% respektive 31,9%. Den sista modellen är en sammanslagning av de två första och genererar i genomsnitt avkastningana 26,4% för den starka portföljen och 42,0% i skillnad mellan den starka och svaga. Att dessa modeller fungerar stödjer påståendet att marknaden underreagerar på historiskt information. De två första modellerna ökar informationen i faktorerna på två fundamental olika sätt. Det faktum att båda dessa presterar bättre än Piotroskis tyder på att information försvinner i hans binära representation. Detta styrks ytterligare av resultaten för den tredje modellen som visar sig ge en ännu högre avkastning. Vi anser detta vara den viktigaste anledningen till varför våra modeller konsekvent presterar bättre än Piotroskis. I sin artikel hänvisar Piotroski valet av binär representation av faktorerna till enkelhet. De modeller som testats här ökar dock endast marginellt svårigheten att praktiskt genomföra dem. Det finns flera möjliga vägar att ytterligere förbättra resultaten utan att 2 Alla siffor i slutsatsen baseras på en ettårs buy-and-hold strategi. I avsnittet resultat redovisas även tvåårs buy-and-hold avkastningar. 21

22 öka komplexiteten nämnvärt. En möjlig väg att förbättra urskiljningen av de lågt presterande företagen är att lägga till en negativ skala på modellerna, dvs. utöka F_SCORE till exempel till -9 till 9, där man tar hänsyn till den relativa storleken på de signaler som indikerar svaghet. Detta är bara en av många möjliga vägar att försöka optimera resultaten. I tabell A2 i appendix finns korrelationerna mellan nyckeltalen och de resulterande avkastningarna som vi observerat för den undersökta tidsperioden. Dessa kan eventuellt användas för konstruktion av framtida modeller. 6. APPENDIX I tabell A1 kan korrelationen mellan Piotroskis signaler och den resulterande ettårs buyand-hold-avkastningen, samt den ett- och tvååriga marknadsjusterade avkastning ses. Informationen är beräknad på observationer mellan 1976 och Tabell A2 visar motsvarande korrelationer mellan signalerna i Piotroskis F_SCORE och resulterande avkastningar för de observationerna i denna undersökning. Dessa uppvisar starka likheter. I vissa fall visar några kolumner konsekvent olika tecken, dessa signaler är de som har en negativ relation till avkastningen. Detta gäller till exempel för LEVER som enligt Piotroski skall ge F_LEVER = 1 om signalen är negativ, dock har han i sin tabell ett positivt samband mellan signalen och avkastningen. Detta leder till antagandet att han i tabellen visar det positiva korrelationen mellan signalen och avkastningen medan tabell A2 visar det direkta sambandet. Vidare kan man se att signalerna TURN och ACCRUAL här har ett väldigt litet och icke-signifikant samband med avkastningen medan EQ_OFFER i större utsträcking än i Piotroskis data korrelerar med resultaten. Om detta beror på den något annorlunda definitionen av signalerna i detta arbete gentemot Piotroskis eller att det föreligger en förändring i signalernas relevans över tid finns här inte möjlighet att svara på. Dock kan det vara relevant för eventuella framtida modeller att ta reda på om man kan få fram mer relevanta och exakta korrelationer då detta kan påverka resultatet man kan uppnå. 22

23 23

24 24

25 7. LITTERATURFÖRTECKNING Abarbanell, J. & Bushee, B. (1998). Abnormal Returns to a Fundamental Analysis Strategy. Accounting Review, 73(1), 19. Deegan, Craig & Unerman, Jeffrey (2006). FINANCIAL ACCOUNTING THEORY. European ed. Maidenhead: Mc Graw-Hill Education Fama, Eugene F., Jensen, Michael C., Fisher, Lawrence & Roll, Richard W. (1969). The Adjustment of Stock Prices to New Information. International Economic Review, Vol. 10, Fama, Eugene F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance 25(2), Fama, E. & French, K. (2008). Dissecting Anomalies. Journal of Finance, 63(4), Lakonishok, J., Shleifer, A., & Vishny, R. (1994). Contrarian Investment, Extrapolation, and Risk. Journal of Finance, 49(5), Ou, J. & Penman, S. (1989). Financial Statement Analysis and the Prediction of Stock Returns. Journal of Accounting & Economics, 11(4), Ou, J. & Penman, S. (1990). Accounting Measurement, Price-Earnings Ratio, and the Information Content of Security Prices. Journal of Accounting Research, 27(3), Piotroski, J. (2000). Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers. Journal of Accounting Research, 38(3), Rosenberg, B., Reid, K. & Lanstein, R. (1985). Persuasive Evidence of Market Inefficiency. Journal of Portfolio Management, 11(3), Sloan, R. (1996). Do Stock Prices Fully Reflect Information in Accruals and Cash Flows About Future Earnings? Accounting Review, 71(3),