Archief - Risicovrije rente

Ja inderdaad, klopt, mijn data ziet er zo uit als in je link
Men rendementen zijn ondertussen al gecorrigeerd aan de markt. Zoveel verschil maakt het wel niet.

Die wekelijkse rendementen van underpricing zal ik later ook nog zoeken. Kan wel handig zijn om te verklaren wat nu de wekelijkse underpricing is.

Ja inderdaad, die returns die je niet kan berekenen aangezien je uitgaat van gegevens die toen nog niet beschikbaar, had mijn promotor ook al iets over gezegd. Ik gebruik inderdaad returns van NA de IPO, kan toch moeilijk van voor de IPO gebruiken dan zijn er nog geen gegevens? En ja, je hebt gelijk, echt juist is het niet. Maar het is volgens mij toch de beste manier om de underpricing na de uitgifte van de IPO in kaart te brengen. Het is de bedoeling dat we ons baseren op historische data. Het is dus echt kijken hoe de underpricing in London was tussen een periode van 10 jaar. Hoe de underpricing in de toekomst er zal uitzien daar moet ik me niet mee bezig houden.

Nu ben ik bezig met de uitschieters op te sporen. En ik heb er blijkbaar ongelofelijk veel als ik ze via een boxplot zoek Ik verkies dus een andere manier om dit te bepalen.
Is het hierbij juist om de uitschieters te bepalen met de z-scores??? Hierbij verwijder ik de z-scores die groter zijn dan 3 of kleiner dan -3. (komt op ongeveer een betrouwbaarheidsinterval van 99.7%).
Of zou ik beter 2 standaardafwijkingen gebruiken van het gemiddelde om dit als uitschieter te beschouwen?

Weet je wat het probleem is met data van NA de IPO te gebruiken. Ik heb dat eens in getest in Excel. Ik heb gewoon data gesimuleerd voor 500 aandelen en 30 dagen, waarvan de eerste de IPO is. Ieder aandeel heeft zijn eigen beta, die ik laat evolueren van 0.50 voor het eerste aandeel tot 3.00 voor het laatste aandeel, maar dat maakt eigenlijk niet uit.

De returns van de dag van de IPO volgen het volgende proces:

R_aandeel(t) = a1 + beta * R_m(t) + error

De returns van de volgende 29 dagen volgen het volgende proces:

R_aandeel(t) = a2 + beta * R_m(t) + error

Dus je kan zien dat ik in mijn simulatie de underpricing van de IPO zelf kan kiezen door a1 te kiezen wat ik wil. Verder kan ik ook kiezen of er under- of overpricing is gedurende de laatste 29 dagen door a2 zelf te kiezen. Dan simuleer ik nog de markt zelf door een random trekking uit een normaalverdeling met gemiddelde 0 en standaardafwijking 2%.

Nu heb ik dus het volgende:
- 30 marktreturns
- 1 dagelijkse return voor alle 500 aandelen met elk een eigen under/overpricing (alpha1)
- 29 dagelijkse returns voor alle 500 aandelen met elk een eigen under/overpricing die eventueel anders kan zijn dan die van op dag 1 (alpha2)

Stel dat alle aandelen die een IPO ondergaan eerst een underpricing hebben van 1% op de dag van de IPO zelf (alpha1 = 0.01) en stel dat de laatste 29 dagen in die 30 dagen, dat ze dan een overpricing hebben van 1% (alpha2 = -1%).

Stel dat je het CAPM dan gaat schatten op basis van de laatste 20 dagen. Je komt voor ieder aandeel een alpha uit die rond de -1% ligt (de echte alpha voor die laatste 20 dagen). Vervolgens ga je op de dag van de IPO de return corrigeren voor de markt op deze manier:

R_gecorrigeerd = R_geobserveerd - a - b*R_markt

waarbij a en b de schattingen zijn op basis van die laatste 20 dagen, die a is overal dus ongeveer -1%. Bij het corrigeren ga je overal die -1% er dus aftrekken. Je krijgt dus op de dag van de IPO sowieso een return van 1% (alpha1), maar gaat er ook nog eens alpha2 van aftrekken. -(-1%) is +1%.

Wat heb je dus? Op de dag van de IPO zelf zal je een underpricing van 2% vinden, waarvan 1% de echte underpricing is en 1% een nep-underpricing omdat je data van NA de IPO hebt gebruikt.

Snap je wat ik wil zeggen?

Als je data van NA de IPO gebruikt om zo te bepalen wat je normaalgezien zou verwachten op de dag van IPO zelf, dan zou het wel eens goed kunnen dat de effecten van de IPO nog in die data zitten. Je gaat dan IPO rendement corrigeren voor data gebaseerd op hetzelfde IPO rendement.

Dat is dus absoluut een no-no. Vandaar dat het veel makkelijker is om gewoon de marktreturn ervan af te trekken. Die moet je niet schatten of niks en die is bekend.

Kendie zei:

Ja inderdaad, klopt, mijn data ziet er zo uit als in je link
Men rendementen zijn ondertussen al gecorrigeerd aan de markt. Zoveel verschil maakt het wel niet.

Die wekelijkse rendementen van underpricing zal ik later ook nog zoeken. Kan wel handig zijn om te verklaren wat nu de wekelijkse underpricing is.

Ja inderdaad, die returns die je niet kan berekenen aangezien je uitgaat van gegevens die toen nog niet beschikbaar, had mijn promotor ook al iets over gezegd. Ik gebruik inderdaad returns van NA de IPO, kan toch moeilijk van voor de IPO gebruiken dan zijn er nog geen gegevens? En ja, je hebt gelijk, echt juist is het niet. Maar het is volgens mij toch de beste manier om de underpricing na de uitgifte van de IPO in kaart te brengen. Het is de bedoeling dat we ons baseren op historische data. Het is dus echt kijken hoe de underpricing in London was tussen een periode van 10 jaar. Hoe de underpricing in de toekomst er zal uitzien daar moet ik me niet mee bezig houden.

Nu ben ik bezig met de uitschieters op te sporen. En ik heb er blijkbaar ongelofelijk veel als ik ze via een boxplot zoek Ik verkies dus een andere manier om dit te bepalen.
Is het hierbij juist om de uitschieters te bepalen met de z-scores??? Hierbij verwijder ik de z-scores die groter zijn dan 3 of kleiner dan -3. (komt op ongeveer een betrouwbaarheidsinterval van 99.7%).
Of zou ik beter 2 standaardafwijkingen gebruiken van het gemiddelde om dit als uitschieter te beschouwen?

Klik om te vergroten...

Waarom zou je uitschieters verwijderen? Doe eerst eens de analyse met alle data.

Ik heb al de analyse gedaan met alle data. Het is volgens mij handig te weten wat de underpricing is zonder uitschieters (als extra). Is mijn methode van uitschieters berekenen correct?

Hier mijn resultaten.

Beide gegevens zijn dus na marktcorrectie berekent.
De main market kent op de eerste beursdag een underpricing van 10,84%. Zonder de 3 uitschieters (gebaseerd op 3x de z-scores) bekom ik 8,60%. Dit is volgens mij logisch, aangezien de 3 IPO's alle drie software bedrijven zijn, en een beursintroductie hebben in het jaar 2000, wat tevens rond de periode van de dot-com bubble ligt.

De alternative market (dus kleinere bedrijven met groeipotentieel) kent op de eerste beursdag een underpricing van 14,26%. Hier heb ik ook 3 uitschieters gevonden, en zonder de uitschieters is dit 12,70%. Dit heb ik verder nog niet gestaafd. Geen idee of de underpricing hier toevallig hoger ligt door mijn random sample van 152 bedrijven.

Is het logisch dat de underpricing op de groeimarkten hoger liggen dan op de main market??? Of zou dit puur toeval zijn?
Verder denk ik dat mijn percentages wel kloppen, aangezien ik al literatuur gelezen heb dat er op de Londense beurs de meeste underpricing voorkomt.

Edit: Met die data van na de IPO. Als ik het goed begrijp vormt dit dus enkel problemen als je werkt met schattingen? Ik heb vernomen dat wij geen regressies moeten toepassen. Gelukkig want ik snap het nu wel een beetje, maar nog ver van goed. Ik heb alles gecorrigeerd door die markreturn ervan af te trekken. Perfect zal dit ook wel niet zijn, aangezien ik één benchmark heb voor verschillende marktsegmenten.

Effe door op die dotcom bubble. Je zegt dat dat logisch is dat er dan underpricing is. Wat is het verhaal daarachter dan? Als je zoiets in je thesis schrijft en ik je promotor zou zijn, zou die vraag zeker volgen op je verdediging

Wat is de statistische significantie van die gemiddelden? Is het significant? Wat is de p-waarde? Je kan wel een gemiddelde vinden van 14.26% en dergelijke, maar wil dat statistisch iets zeggen? Dat is zéér belangrijk!

En daarop verder bouwend: je kan een independent samples t-test doen om te zien of het gemiddelde op de main market verschillend is van het gemiddelde op de alternative market. Waarschijnlijk zijn die statistisch niet verschillend. Je kan dan zeggen dat underpricing hoger is op de alternatieve markt, maar dat het statistisch niet significant verschillend is. M.a.w. na de foutenmarge in rekening te brengen zou het kunnen dat underpricing overal even groot is.

Jouw correctie, de marktreturn ervan aftrekken, is het beste wat je kan doen denk ik. Houden zo! Eventueel zou je dan nog kunnen verbeteren door niet de volledige markt overal af te trekken, maar een industrie gemiddelde per bedrijf uit die industrie, maar dat gaat al wat ver, laat dat dus maar.

Kendie zei:

Ik heb al de analyse gedaan met alle data. Het is volgens mij handig te weten wat de underpricing is zonder uitschieters (als extra). Is mijn methode van uitschieters berekenen correct?

Hier mijn resultaten.

Beide gegevens zijn dus na marktcorrectie berekent.
De main market kent op de eerste beursdag een underpricing van 10,84%. Zonder de 3 uitschieters (gebaseerd op 3x de z-scores) bekom ik 8,60%. Dit is volgens mij logisch, aangezien de 3 IPO's alle drie software bedrijven zijn, en een beursintroductie hebben in het jaar 2000, wat tevens rond de periode van de dot-com bubble ligt.

Klik om te vergroten...

Waarom gebruik je z-scores als maatstaf voor uitliggers? Dit dient toch net om statistsche significantie aan te tonen in deals, niet om uitschieters aan te duiden?

De alternative market (dus kleinere bedrijven met groeipotentieel) kent op de eerste beursdag een underpricing van 14,26%. Hier heb ik ook 3 uitschieters gevonden, en zonder de uitschieters is dit 12,70%. Dit heb ik verder nog niet gestaafd. Geen idee of de underpricing hier toevallig hoger ligt door mijn random sample van 152 bedrijven.

Is het logisch dat de underpricing op de groeimarkten hoger liggen dan op de main market??? Of zou dit puur toeval zijn?
Verder denk ik dat mijn percentages wel kloppen, aangezien ik al literatuur gelezen heb dat er op de Londense beurs de meeste underpricing voorkomt.

Klik om te vergroten...

Lijkt mij aannemelijk, de volatiliteit ligt normaalgezien hoger op groeimarkten dan op mainmarkten, dus gegeven dat er een effect van underpricing is bij een bepaalde event zal dit zich meer tonen in de groeimarkten (dito voor overpricing effecten).

Edit: Met die data van na de IPO. Als ik het goed begrijp vormt dit dus enkel problemen als je werkt met schattingen? Ik heb vernomen dat wij geen regressies moeten toepassen. Gelukkig want ik snap het nu wel een beetje, maar nog ver van goed. Ik heb alles gecorrigeerd door die markreturn ervan af te trekken. Perfect zal dit ook wel niet zijn, aangezien ik één benchmark heb voor verschillende marktsegmenten.

Klik om te vergroten...

Zeg dan maar dat een regressie noodzakelijk is daarvoor. Geen regressies moeten toepassen, jeeses ...

Straddle zei:

Waarom gebruik je z-scores als maatstaf voor uitliggers? Dit dient toch net om statistsche significantie aan te tonen in deals, niet om uitschieters aan te duiden?

Klik om te vergroten...

Z-score is gewoon een maatstaf van hoeveel standaardafwijkingen een observatie van zijn gemiddelde ligt. De intuïtie is dat als iets veel standaardafwijkingen van het gemiddelde afligt, dat het dan een uitschieter is. In de finance vind ik zoiets eigenlijk zeer gevaarlijk. Je zou Black Monday dan ook uit je data gooien, terwijl dat nu net een interessant punt is . Zou het zelf nooit doen. Of hoogstens als een voetnoot opnemen.

Lijkt mij aannemelijk, de volatiliteit ligt normaalgezien hoger op groeimarkten dan op mainmarkten, dus gegeven dat er een effect van underpricing is bij een bepaalde event zal dit zich meer tonen in de groeimarkten (dito voor overpricing effecten).

Klik om te vergroten...

Volatiliteit ligt er algemeen hoger, zeker akkoord. Maar kunnen we dat zomaar doortrekken naar IPO's? Lijkt mij vooral dat de IPO onzekerder moet zijn en dus een grotere compensatie moet bieden voor risico. Zijn IPO's risicovoller in groeimarkten? Waarschijnlijk wel he?

Straddle zei:

Zeg dan maar dat een regressie noodzakelijk is daarvoor. Geen regressies moeten toepassen, jeeses ...

Klik om te vergroten...

Normaalgezien wel ja, maar het punt is dat je op de IPO datum nog geen data hebt voor je regressie. Je aandeel begint dan pas net te traden. Vandaar zijn regressies dus niet mogelijk, tenzij je gegevens gebruikt van NA de IPO om te schatten wat je verwacht OP de dag van de IPO. En dat is absurd => hindsight bias.

Riverdale27 zei:

De intuïtie is dat als iets veel standaardafwijkingen van het gemiddelde afligt, dat het dan een uitschieter is. In de finance vind ik zoiets eigenlijk zeer gevaarlijk. Je zou Black Monday dan ook uit je data gooien, terwijl dat nu net een interessant punt is . Zou het zelf nooit doen. Of hoogstens als een voetnoot opnemen.

Klik om te vergroten...

Ja, voor Black Monday kan dit misschien wel een interessant punt worden. Aangezien ik zowel de underpricing berekend heb met en zonder uitschieters (waarbij ik dus enkel de extreme uitschieters neem op basis van 3 x z-score) lijkt mij dit niet meteen een probleem.

Volatiliteit zal waarschijnlijk hoger liggen op alternatieve markt. Maar hoe bereken of bewijs je dit dan? Mag ik een gemiddelde bèta-cijfer nemen per marktsegment om dit te verklaren? Bv de hoofdmarkt heeft bv. 150 bedrijven met 150 bèta's is dan: Alle bèta's optellen / 150. Lijkt me iets te simplistisch, maar mag dit? De gemiddeldes op beide markten zijn inderdaad niet significant verschillend. Maar dat was eigenlijk op voorhand al te verwachten.

De hindsight bias vermeld ik ook in mijn thesis kort. Zodat ze weten dat ik hiermee rekening heb gehouden.

Als je de bèta's optelt en daarna deelt door 150, dan zal je imo de volatiliteit van de markt overschatten.

Kendie zei:

Ja, voor Black Monday kan dit misschien wel een interessant punt worden. Aangezien ik zowel de underpricing berekend heb met en zonder uitschieters (waarbij ik dus enkel de extreme uitschieters neem op basis van 3 x z-score) lijkt mij dit niet meteen een probleem.

Volatiliteit zal waarschijnlijk hoger liggen op alternatieve markt. Maar hoe bereken of bewijs je dit dan? Mag ik een gemiddelde bèta-cijfer nemen per marktsegment om dit te verklaren? Bv de hoofdmarkt heeft bv. 150 bedrijven met 150 bèta's is dan: Alle bèta's optellen / 150. Lijkt me iets te simplistisch, maar mag dit? De gemiddeldes op beide markten zijn inderdaad niet significant verschillend. Maar dat was eigenlijk op voorhand al te verwachten.

De hindsight bias vermeld ik ook in mijn thesis kort. Zodat ze weten dat ik hiermee rekening heb gehouden.

Klik om te vergroten...

Denk eens na over wat beta is. De gemiddelde beta van de markt is 1. Ahja, het is de gevoeligheid van de markt... ten opzichte van ... ZICHZELF!

Volatiliteit van de markt kan je meten door een risicomaatstaf te berekenen voor beide markten en die dan te vergelijken. Standaardafwijking, expected shortfall, value at risk, etc...

Je zou beta kunnen gebruiken maar dan moet je de gevoeligheid van beide markten t.o.v. een nog grotere markt nemen. Dat klinkt vrij onlogisch allemaal. Je kan zoiets doen met sectoren ofzo, maar met volledige markten... Neh.