Název projektu
Analýza a predikce finanční výkonnosti
Kód
SP2024/047
Předmět výzkumu
Projekt je zaměřen na analýzu finanční výkonnosti a predikci budoucího vývoje s využitím nejnovějších finančních modelů, a to jak v podnikové oblasti, konkrétně zkoumáním výkonností firem zasažených pandemií covid-19, tak modelováním tržních finančních časových řad.
Konkrétní oblasti výzkumu vycházejí ze zaměření diplomových a disertačních prací jednotlivých zapojených studentů a dále z výzkumných oblastí zapojených akademických pracovníků.
Dopad pandemie covid-19 na výkonnost podniků
Předmětem výzkumu v podnikové oblasti je posouzení heterogenních dopadů covid-19 na výkonnost podniků ve vybraných odvětvích v České republice. Prvotní výzkum bude zaměřen na potravinářský průmysl v České republice, přičemž záměrem projektu je následně jej rozšířit o další země Evropské unie, případně i další průmyslové sektory. Cílem této oblasti výzkumu bude odhadnout rozdíly dopadu pandemie na firmy pomocí vybraných finančních ukazatelů, a to využitím relativně nové metody heterogenní difference in difference, vyvinuté Wooldridgem (2021). Pro účely výzkumu budou použita jak finanční data firem, tak epidemiologické údaje týkající se průměrné nemocnosti na úrovni NUTS-3 regionů.
Vzhledem k charakteristikám pandemických zásahů jednotlivých vlád je nutné při zjišťování příčinných účinků vycházet z kvaziexperimentálních strategií. Jako vhodný se v tomto případě jeví přístup difference-in-differences (DiD), který nabízí značné výhody oproti klasickým metodám časových řad (Tobías, 2020). Technika DiD byla dosud převážně využívána při analýzách dopadu nemedicínských protivirových opatření na pandemické ukazatele v různých zemích (např. Cho 2020; Dave et al., 2021; Flaxman et al. 2020; Hsiang et al., 2020). Ačkoli ve výzkumu byl zatím využíván převážně pouze klasický přístup k DiD, při jeho využití v letech nadcházejících je třeba se vypořádat s určitou mírou heterogenity, blíže viz Wooldridge (2021). Proto je technika heterogenního DiD klíčová z hlediska využití různých kohort podniků.
Vliv sentimentu a pozornosti na charakteristiky tržních finančních časových řad
V rámci modelování finančních časových řad se do popředí vědeckého zájmu dostávají nefinanční ukazatele mapující pozornost (attention) a sentiment na akciových trzích. Z hlediska finančních trhů je sentiment obecným přesvědčením investorů o trhu, resp. akcii, který odráží spekulativní tendence investorů (Baker a Wurgler, 2006). Například Tetlock (2007) převzal "faktor pesimismu" ze sloupku Wall Street Journal a ukázal, že mediální pesimismus vyvíjí negativní cenový tlak na denní výnosy akciového indexu Dow Jones. Da et al. (2011) zase ověřili, že tržní sentiment má vliv na ceny akcií. Kim a Kim (2014) pak analyzovali vliv kvalitativních textových složek ve zpravodajství a na internetu na ceny akcií. Sentiment má také vliv na sestavení portfolia, např. Fu et al. (2015) rozšiřují tradiční optimalizaci portfolia o sentiment, který podle nich může ovlivnit investory při výběru optimálního portfolia.
Zatímco sentiment měří, do jaké míry jsou investoři optimističtí/pesimističtí, pozornost je čistě měřítkem toho, jak hodně se investoři zaměřují (tj. si vyhledávají informace) ohledně konkrétní akcie či trhu obecně. Kromě literatury zkoumající vztah pozornosti, ceny a výnosu akcií, Hamid (2015) používá data z vyhledávačů jako měřítko pozornosti investorů a aplikuje Google Trends, aby zjistil, že volatilita a pozornost investorů vykazují v krátkém období silnou korelaci. Toho využívá i Krištoufek (2013), který navrhuje nový přístup k diverzifikaci portfolia s využitím dat z vyhledávačů a tvrdí, že s využitím míry pozornosti můžeme diverzifikovat riziko.
Od doby, kdy Markowitz (1952) položil základy Moderní teorie portfolia, je optimalizace portfolia předmětem velkého zájmu jak výzkumníků, tak i praktiků. V tradiční teorii optimalizace portfolia se nepočítá s vlivem pozornosti (attention) ani sentimentu (sentiment), avšak stále více studií ukazuje, že tyto mohou mít vliv na budoucí výnos nebo riziko. Kvalitativní analýza zahrnující názory investorů je tedy rozumnou alternativou pro zlepšení optimalizace portfolia (Yu et al., 2022). Ačkoli různé empirické studie zkoumaly vliv sentimentu na výnosy a volatilitu, výzkumu využití sentimentu při optimalizaci portfolia bylo dosud věnováno jen málo pozornosti.
Samotnou kapitolou je pak modelování výnosů. Aktuálně se pro vysvětlení akciové nadvýnosnosti (tedy výnosu nad bezrizikovou sazbou) využívá rozšířený Fama-French model (Fama a French, 2015, 2017, 2018), který modeluje očekávaný výnos na základě těchto šesti faktorů:
- Tržní faktor (Mkt-RF) měří výkonnost celého trhu akcií. Je to rozdíl mezi výnosem trhu a bezrizikovou mírou.
- Velikostní faktor (SMB: Small Minus Big) měří výkonnost menších firem ve srovnání s většími firmami. Pozitivní hodnoty naznačují, že menší firmy ve výkonnosti předčí větší firmy.
- Hodnotový faktor (HML: High Minus Low) sleduje výkonnost hodnotových akcií versus růstových akcií.
- Investiční faktor (CMA: Conservative Minus Aggressive) měří výkonnost konzervativních firem ve srovnání s agresivnějšími firmami. Konzervativní firmy jsou obvykle opatrnější při financování.
- Kvalitativní faktor (RMW: Robust Minus Weak) se zaměřuje na kvalitu firem. Měří výkonnost firem s robustními ziskovými ukazateli ve srovnání s firmami s nižší kvalitou.
- Přidáním momentum faktoru (Mom) model zohledňuje, jak se akcie chovají v krátkodobém horizontu. Měří se změna v cenách akcií v nedávné době, tzv. momentum.
Rovněž zde jsou patrné snahy výzkumníků přidat další faktor, zachycující sentiment, viz například Gambarelli a Muzzioli (2022). V souladu s logikou Fama-French modelu je tak sestaven sedmý faktor (portfolio akcií s vysokou mírou sentimentu mínus portfolio akcií s nízkou mírou sentimentu), který je použit k vysvětlení akciových nadvýnosů.
Chování akciových indexů během a kolem FOMOC days
Další oblastí modelování akciových výnosů je zaměření se na měnovou politiku. Konkrétně bude zkoumáno, zda jsou akciové výnosy ovlivněny měnovou politikou (výše Federal Fund Rates) a dále chování akciových indexů během zasedání FOMOC.
Lyócsa (2019) prokázal, že volatilita akciového trhu v G7 zemích významně roste pět dní před oficiálními oznámeními centrálních bank o změně úrokových sazeb a snižuje se pět dní po nich. Oznámení nekonvenčních kvantitativních uvolňovacích opatření má omezený vliv na riziko akcií. Studie s vysokofrekvenčními daty ukázala, že vliv centrálních bank je silnější v období finančních potíží. Inoue (2019) analyzoval dopad konvenčních i nekonvenčních oznámení měnové politiky na výnosové křivky čtyř rozvinutých trhů. Oba typy politiky ovlivňují výnosovou křivku, s větším mezinárodním dopadem u nekonvenční politiky.
Chování trhů a jejich účastníků a vliv sentimentu
Také očekávání investorů mají zásadní roli při tvorbě investičních rozhodnutí a vliv na celkovou dynamiku trhu. Pro analýzu tohoto jevu se využívají Learning to Forecast experimenty, které slouží k pochopení toho, jak lidé tvoří svá individuální očekávání a jak se následně tato očekávání promítají na finančních trzích či do makroekonomiky. Koncept Learning to Forecast (dále jen LtF) experimentů byl představen v Marimon et al. (1993). Účastníci v těchto experimentech hrají roli profesionálních prognostiků (Hommes, 2011; Hommes et al. 2021) a jejich úkolem je stanovovat svá očekávání ohledně nejrůznějších ekonomických ukazatelů např. ceny aktiva, inflační míry apod. Jakmile jsou shromážděna očekávání veškerých účastníků, je dopočítána realizovaná hodnota dané proměnné, což se opakuje pro mnoho po sobě jdoucích period. Laboratorními experimenty je tedy možné analyzovat, jak různé dostupné informace ovlivňují očekávání subjektů.
Lze tak například zkoumat vliv historického vývoje na volatilitu ceny aktiva (Anufriev et al., 2022) nebo vliv nejrůznějších informací na budoucí očekávání, a tedy i budoucí dynamiku trhu. Hennequin (2022) prováděla LtF experiment, který byl založen na dvou fázích. V první fázi byl účastník součástí trhu, kde působilo pět robotů, prostřednictvím kterých byl zajištěn určitý cenový vývoj. Zde byl účastník součástí buď stabilního trhu s velmi malými odchylkami a konvergující k fundamentální hodnotě, nebo trhu, který byl charakteristický velmi výraznými bublinami. V druhé fázi byl trh složen pouze z účastníků. Z výsledků jejího experimentu je zřejmé, že byl prokázán vliv první fáze na dynamiku trhu v druhé fázi. Konvergence k fundamentální hodnotě byla mnohem rychlejší ve skupinách, kde všechny subjekty zažily v první fázi stabilní vývoj. Naopak výskyt a vznik bublin byl typický pro skupiny, kde účastníci prožili velmi výrazné výkyvy na trhu v první fázi experimentu.
Vliv investičního horizontu na volatilitu ceny aktiva je studován v Anufriev et al. (2022). Účastníci obdrželi na začátku experimentu cenovou historii rizikového aktiva, které bylo charakteristické buď velmi stabilním cenovým vývojem, nebo volatilnějším historickým vývojem. Jednotlivé varianty experimentu se tak odlišovaly investičním horizontem a historií ceny aktiva. Oproti experimentu prováděného Hennequin (2022) zde účastník pouze pozoruje předchozí vývoj, který ale nezažil. Z jejich výsledků je jasné, že bez ohledu na délku investičního horizontu byla prokázána nízká volatilita ceny aktiva, pokud byl historický vývoj stabilní. Vývoj a porovnání závěrů z LtF experimentů je možné nalézt také v Bao et al. (2021).
Investice firem a chování účastníků P2P trhů
Další dílčí část projektu bude zaměřena na vybrané oblasti a současné trendy na finančních trzích. Bude se mimo jiné zabývat vlivem nálady firem (sentimentu) na agregátní investiční výdaje. V souladu s Gardini et al. (2023) lze předpokládat, že firmy vykazují jeden ze tří stavů nálady. Když národní důchod silně roste (klesá), firmy jsou optimistické (pesimistické) a agregátní investiční výdaje jsou vysoké (nízké). V opačném případě jsou firmy neutrální a agregátní investiční výdaje jsou normální. Matematická analýza makroekonomického modelu vrhá nové světlo na to, jak může nálada přispívat k výkyvům ekonomické aktivity. Gardini et al. (2023) zejména ukazují, že obousměrný zpětnovazební proces mezi národním důchodem a náladou investorů může vytvářet endogenní hospodářské cykly, které se společně vyvíjejí s vlnami optimismu a pesimismu.
Dílčím cílem bude posoudit využití P2P způsobu financování, který se rozšířil zejména v souvislosti s rozvojem fintechu a crowdfundingu jako alternativy k tradičnímu způsobu financování přes finanční zprostředkovatele, zejména banky. Záměrem projektu v této oblasti bude odhadnout defaultní modely a hlavní determinanty defaultu zvolené P2P platformy, a to na základě finančních a nefinančních faktorů. V rámci tohoto dílčího cíle budou aplikovány metody logistické regrese a analýzy přežití.
Metodika a vstupní data
Navrhovaná metodika a vstupní data jsou popsány v příloze návrhu projektu.
Časový harmonogram řešení
Vzhledem k délce řešení projektu (necelý rok), lze konstatovat, že práce na jednotlivých tématech budou probíhat paralelně, a to po celou dobu řešení projektu. V rámci řešení projektu předpokládáme standartní průběh: nejdříve (první čtvrtletí) se budeme věnovat studiu literatury, rozšíření a aktualizaci datové základny a práci s ní; následně (druhé a třetí čtvrtletí) sestavíme a odhadneme jednotlivé modely, jejichž výsledky budou spolu s diskuzí a závěry submitovány do jednotlivých časopisů (třetí a čtvrté čtvrtletí). Lze předpokládat, že revize jednotlivých již zaslaných příspěvků budou probíhat i v následujícím roce 2025.
Reference
[1] Anufriev, M., Chernulich, A., and Tuinstra, J. (2022). Asset price volatility and investment horizons: An experimental investigation. Journal of Economic Behavior and Organization, 193, 19–48.
[2] Baker, M., and Wurgler, J. (2006). Investor sentiment and the cross‐section of stock returns. The journal of Finance, 61(4), 1645–1680.
[3] Bao, T., Hommes, C., and Pei, J. (2021). Expectation formation in finance and macroeconomics: A review of new experimental evidence. Journal of Behavioral and Experimental Finance, 32(520), 100591.
[4] Cho, S.-W. (2020). Quantifying the impact of nonpharmaceutical interventions during the COVID-19 outbreak: The case of Sweden. The Econometrics Journal, 23(3): 323–344, https://doi.org/10.1093/ectj/utaa025.
[5] Da, Z., Engelberg, J., and Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461–1499.
[6] Dave, D., Friedson, A. I., Matsuzawa, K., Sabia, J. J. (2021). When do shelter-in-place orders fight COVID-19 best? Policy heterogeneity across states and adoption time. Economic Inquiry, 59(1), 29–52. https://doi.org/10.1111/ecin.12944
[7] Fama, E.F.; French, K.R. (2015). A Five-factor asset pricing model. Journal of Financial economics, 116(1), 1–22.
[8] Fama, E.F.; French, K.R. (2017). International tests of a five-factor asset pricing model. Journal of Financial Economics, 123(3), 441–463.
[9] Fama, E.F.; French, K.R. (2018). Choosing factors. Journal of Financial economics, 128(2), 234–252.
[10] Flaxman, S. et al. (2020). Estimating the number of infections and the impact of non-pharmaceutical interventions on COVID-19 in 11 European countries. Imperial College London (March), 1–35. https://doi.org/10.48550/arXiv.2004.11342.
[11] Fu, C., G. Jacoby, and Y. Wang. (2015). Investor sentiment and portfolio selection. Finance Research Letters, 15, 266–273.
[12] Gambarelli., L. and S., Muzzioli. (2022). News Sentiment indicators and the Cross‐Section of Stock Returns in the European Stock Market. Working paper, DEMB WORKING PAPER SERIES, Dipartimento di Economia Marco Biagi - Università degli Studi di Modena e Reggio Emilia, 2022. https://doi.org/10.25431/11380_1261317
[13] Gardini, L., Radi, D., Schmitt, N., Sushko, I., & Westerhoff, F. (2023). Sentiment-driven business cycle dynamics: An elementary macroeconomic model with animal spirits. Journal of Economic Behavior & Organization, 210, 342–359.
[14] Hamid, A., and M. Heiden (2015). Forecasting volatility with empirical similarity and Google Trends. Journal of Economic Behavior & Organization, 117, 62–81.
[15] Hennequin, M. (2021). Experiences and expectations in asset markets: an experimental study. University of Amsterdam Working Paper.
[16] Hommes, C. (2011). The heterogeneous expectations hypothesis: Some evidence from the lab. Journal of Economic Dynamics and Control, 35(1), 1–24.
[17] Hommes, C., Kopányi-Peuker, A., and Sonnemans, J. (2021). Bubbles, crashes and information contagion in large-group asset market experiments. Experimental Economics, 24(2), 414–433.
[18] Hsiang, S., Allen, D., Annan-Phan, S. et al. (2020). The effect of large-scale anti-contagion policies on the COVID-19 pandemic. Nature, 584, 262–267. https://doi.org/10.1038/s41586-020-2404-8.
[19] Inoue, A., a Rossi, B. (2019). The effects of conventional and unconventional monetary policy on exchange rates. Journal of International Economics, 118, 419–447.
[20] Kim, S. H., and Kim, D. (2014). Investor sentiment from Internet message postings and the predictability of stock returns. Journal of Economic Behavior & Organization, 107, 708–729.
[21] Kristoufek, L. (2013). Can Google Trends search queries contribute to risk diversification? Sci Rep 3, 2713. Available at: https://doi.org/10.1038/srep02713.
[22] Levene, H. (1960). Robust tests for equality of variances. Contributions to probability and statistics, 278–292.
[23] Lyócsa, Š., Molnár, P., a Plíhal, T. (2019). Central bank announcements and realized volatility of stock markets in G7 countries. Journal of International Financial Markets, Institutions and Money, 58, 117–135.
[24] Mann, H. B., and D. R. Whitney. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18, 50–60.
[25] Markowitz, H. (1952). The utility of wealth. Journal of political Economy, 60(2), 151–158.
[26] Naqvi, A. (2021). COVID-19 European regional tracker. Sci Data, 8 181. https://doi.org/10.1038/s41597-021-00950-7.
[27] Stöckl, T., Huber, J., and Kirchler, M. (2010). Bubble measures in experimental asset markets. Experimental Economics, 13(3), 284–298.
[28] Tetlock, P.C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62 (3), 1139–1168.
[29] Tobías, A. (2020). Evaluation of the lockdowns for the SARS-CoV-2 epidemic in Italy and Spain after one month follow up. Science of the Total Environment, 725(138539). https://doi.org/10.1016/j.scitotenv.2020.138539.
[30] Yu, Jing-Rung, et al. (2022). Dynamic rebalancing portfolio models with analyses of investor sentiment. International Review of Economics & Finance,77, 1–13.
[31] Wooldridge, J. M. (2020). Pooling Cross Sections Across Time: Simple Panel Data Methods (Chapter 13). In: Wooldridge, J. M. (ed.): Introductory Econometrics: A Modern Approach, Seventh Edition. Boston: Cengage Learning, 426–461.
[32] Wooldridge, J. M. (2021). Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators. Working paper: 1-77. Department of Economics, Michigan State University, East Lansing, MI. https://doi.org/10.2139/ssrn.3906345.
Rok zahájení
2024
Rok ukončení
2024
Poskytovatel
Ministerstvo školství, mládeže a tělovýchovy
Kategorie
SGS
Typ
Specifický výzkum VŠB-TUO
Řešitel