Wp ïyw opublikowanej rekomendacji na reakcj Ú inwestorów

(1)

* Kamil Polak – mgr inĝ., doktorant w Akademii Leona Koěmiñskiego, pracownik Deloitte Polska.

Adres do korespondencji: Akademia Leona Koěmiñskiego, ul. Jagielloñska 57/59, 03-301 Warszawa;

e-mail: kamil.polak@onet.pl.

Wp ïyw opublikowanej rekomendacji na reakcj Ú inwestorów

Kamil Polak

^*

Celem artykuïu jest analiza wpïywu opublikowanych rekomendacji gieïdowych na zachowanie siÚ kursu akcji spóïek notowanych na Warszawskiej Gieïdzie Papierów WartoĂciowych wcho- dzÈcych w skïad indeksu WIG20. Badaniu poddano 364 depesze o wydaniu rekomendacji w latach 2015–2016 opublikowane na stronie www.infostrefa.com. W badaniu posïuĝono siÚ klasycznÈ analizÈ zdarzeñ w celu okreĂlenia wpïywu danego zdarzenia na zachowanie siÚ kursów akcji.

Sïowa kluczowe: zwyĝkowa stopa zwrotu, analiza zdarzeñ.

Nadesïany: 15.10.17 | Zaakceptowany do druku: 05.01.18

Investors’ Reaction to a Published Recommendation

The aim of the research was to analyze the influence of published stock market recommendations on the behavior of share prices of companies listed on the Warsaw Stock Exchange in the WIG20 index. The presented research examined 364 recommendations from January 2015 to December 2016. The analysis was carried out using the event study methodology to determine the impact of a given event on the behavior of share prices.

Keywords: abnormal returns, event study.

Submitted: 15.10.17 | Accepted: 05.01.18

JEL: C10, C15, G14

Studia i Materiaïy, 1/2018 (27), cz. 2: 127– 135 ISSN 1733-9758, © Wydziaï ZarzÈdzania UW DOI 10.7172/1733-9758.2018.27.11

1. WstÚp

Uczestnicy rynków finansowych w pro- cesie decyzyjnym dotyczÈcym nabycia lub sprzedaĝy aktywów finansowych wspoma- gajÈ siÚ róĝnego rodzaju analizami, do których moĝemy zaliczyÊ min. historyczne notowania, bieĝÈce informacje finansowe publikowane przez notowane podmioty czy rekomendacje gieïdowe. Ostatnia grupa,

bÚdÈca przedmiotem niniejszego badania, stanowi wynik wnikliwej analizy dokonanej przez profesjonalnych analityków w oparciu o dostÚpne dane finansowe danego pod- miotu oraz otoczenie makroekonomiczne.

BiorÈc jednak pod uwagÚ teoriÚ rynku efektywnego, powstaje pytanie o efektyw- noĂÊ wydawanych rekomendacji.

EfektywnoĂÊ rynku i jej zwiÈzek z pre- dykcjÈ przyszïego zachowania siÚ ceny jest

(2)

bardzo czÚsto poruszanym zagadnieniem wielu opracowañ naukowych poĂwiÚco- nych rynkowi finansowemu (Gurgul, 2006).

Warto zaznaczyÊ, ĝe efektywnoĂÊ w kontek- Ăcie nauk ekonomicznych nie tylko róĝni siÚ w swym znaczeniu od innych obszarów, ale takĝe dodatkowo moĝe byÊ rozpatrywana z punktu widzenia kryterium alokacyj- nego, transakcyjnego lub informacyjnego (Sharpe, 1992).

Zgodnie ze spostrzeĝeniami Shar- pe’a ob efektywnoĂci alokacyjnej moĝemy mówiÊ, gdy dostÚpny kapitaï jest uloko- wany w spóïki, które sÈ w stanie dokonaÊ najefektywniejszej alokacji. W przeciwnym wypadku, rynek kapitaïowy nie daje gwa- rancji realizacji jedynie najlepszych projek- tów inwestycyjnych.

EfektywnoĂÊ transakcyjna ma miejsce, jeĂli na rynku wystÚpuje wielu poĂredników.

IstniejÈca konkurencja wpïywa na obniĝe- nie kosztów transakcyjnych oraz powoduje niemal natychmiastowe realizowanie transakcji kupna/sprzedaĝy walorów notowanych na rynku.

O efektywnoĂci informacyjnej moĝemy mówiÊ, jeĂli kaĝdy z uczestników dysponuje jednakowym dostÚpem do informacji. Takie zaïoĝenie prowadzi do wniosków, iĝ nowa informacja natychmiast zostaje odzwierciedlona w nowym poziomie cen, które pre- zentujÈ realnÈ wartoĂÊ walorów.

WĂród trzech typów efektywnoĂci –balo- kacyjnej, transakcyjnej i informacyjnej –b ostatnia z nich jest najczÚstszym przedmiotem badañ (Arnold, 2008). PopularnoĂÊ badañ nad efektywnoĂciÈ informacyjnÈ zostaïa zainicjowana przez badanie Malkiela i Fame’a (Malkiel i Fama, 1970), którzy na przeïomie lat 60. i 70. sformuïowali wystar- czajÈce wedïug autorów warunki, aby twier- dziÊ, iĝ rynek kapitaïowy jest efektywny:

– powszechna dostÚpnoĂÊ informacji dla kaĝdego uczestnika rynku,

– brak kosztów transakcyjnych,

– zgodnoĂÊ inwestorów co do wpïywu nowej treĂci na kierunek ceny waloru.

W rzeczywistoĂci niezwykle trudno zna- leěÊ rynek speïniajÈcy wszystkie powyĝsze kryteria. Naleĝy jednak pamiÚtaÊ, iĝ wymie- nione warunki sÈ wystarczajÈce, ale nie konieczne. Zatem nie oznacza to, ĝe naleĝy odrzuciÊ hipotezÚ efektywnego rynku.

Kluczowym kryterium dla efektywnoĂci informacyjnej jest czas, w jakim informacja zostaje odzwierciedlona w cenie. Jeĝeli bieĝÈce poziomy cen odzwierciedlajÈ

historyczne notowania, to mówimy o sïabej efektywnoĂci rynku (weak form efficiency).

MajÈc do czynienia z rynkiem o sïabej efek- tywnoĂci, stosowanie strategii opartych na narzÚdziach analizy technicznej nie moĝe prowadziÊ do ponadprzeciÚtnych zysków.

JeĂli bieĝÈcy poziom cen jest wynikiem cen historycznych oraz dodatkowo publicz- nie dostÚpnych informacji, to mówimy ob efektywnoĂci póïsilnej (semi-strong form eficiency). JeĂli rynek cechuje siÚ efektyw- noĂciÈ póïsilnÈ, to ani analiza techniczna, ani analiza fundamentalna nie przyczyniÈ siÚ do uzyskania ponadprzeciÚtnych docho- dów. JeĂli bieĝÈca cena stanowi odzwier- ciedlenie wszystkich aktualnych informacji, takĝe tych o charakterze poufnym, to mamy do czynienia z silnÈ efektywnoĂciÈ rynku (strong form efficiency). Na rynku sil- nie efektywnym wykorzystywanie prywatnej informacji do celów inwestycyjnych nie prowadzi go osiÈgniÚcia ponadprzeciÚtnego dochodu.

Celem pracy jest zbadanie wpïywu opublikowanych rekomendacji gieïdowych na zachowanie siÚ uczestników rynku rozpa- trywanego przez pryzmat zmiany cen akcji za pomocÈ modelu analizy zdarzeñ. W rozdziale drugim dokonano chronologicznego przeglÈdu literatury poĂwiÚconej analizie zdarzeñ. W kolejnym rozdziale zdefinio- wano pojÚcie efektywnoĂci rynku. Rozdziaï czwarty zostaï poĂwiÚcony dokïadnemu opisowi metodyki badañ z wykorzystaniem analizy zdarzeñ. Rozdziaï piÈty przedstawia najpowszechniej stosowane metody weryfikacji hipotez statystycznych. W ostatnim rozdziale zawarto charakterystykÚ badanej próby wraz z opisem metodyki badania ibuzyskanymi rezultatami.

2. PrzeglÈd literatury

Analiza zdarzeñ jest metodÈ z dïugÈ historiÈ, czego odzwierciedleniem jest obszerny zbiór literatury poĂwiÚconej temu zagadnieniu. Nie zmienia to faktu, ĝe pozostaje ona wciÈĝ aktualna, a co wiÚcej – dziÚki staïemu rozwojowi rynków, mocy obliczeniowych komputerów oraz ïatwiej- szemu dostÚpowi do danych – jest ona stale rozwijana (Gurgul, 2006).

Za pioniera empirycznego zastosowania modelu analizy zdarzeñ uznaje siÚ Jamesa Dolleya (Dolley, 1933), który zbadaï wpïyw dokonanych splitów akcji na ksztaï- towanie siÚ ich ceny. W tym celu Dolley

(3)

dokonaï analizy 95-elementowej próby pochodzÈcej z rynku amerykañskiego zblat 1921–1931. Na podstawie przeprowadzo- nego badania stwierdziï, ĝe w 57bprzypad- kach nastÈpiï wzrost cen akcji, a w 26 spadek. W pozostaïych 12b przypadkach nie zaobserwowano wpïywu podziaïu akcji na zmianÚ jej ceny.

W kolejnych dekadach metodyka analizy zdarzeñ znacznie ewoluowaïa, do czego przyczyniïy siÚ min. prace: Myers i Bakay (1948) oraz Barker (1956; 1957; 1958), wbktórych zwrócono uwagÚ na koniecznoĂÊ neutralizacji zdarzeñ zakïócajÈcych i specy- fikacji zachodzÈcych zdarzeñ wpïywajÈcych na ksztaïtowanie siÚ ceny (Gurgul, 2006).

Nie sposób równieĝ nie wspomnieÊ o pracy pt. The Adjustment of Stock Prices to New Information (Fama, Fisher i Jensen, 1969), która za sprawÈ swej ogromnej popularno- Ăci daïa wyraěny impuls do dalszego roz- woju metodyki analizy zdarzeñ. Dowodem rangi wspomnianej pracy jest chociaĝby iloĂÊ cytowañ, która na moment pisania tego artykuïu wynosiïa 5201. Wspomniany rozwój metodyki przejawiaï siÚ gïównie wbzakresie analizy mocy wykorzystywanych testów statystycznych (Brown i Warner, 1985) oraz warunkowej analizy zdarzeñ (Prabhala, 1997).

Od momentu publikacji pracy Famy i in.

(1969) rozwojowi ulegïa nie tylko metodyka analizy zdarzeñ, ale takĝe zakres przedmio- towy badañ. PoczÈtkowo prace skupiaïy siÚ gïównie na analizie wpïywu splitu akcji na ksztaïtowanie siÚ ich kursu. Rozwój ryn- ków oraz dostÚpnych narzÚdzi badawczych pozwoliï na szerszÈ eksploracjÚ rynków finansowych i podjÚciu siÚ badania wpïywu takich zjawisk, jak ogïoszenie informacji ob fuzji lub przejÚciu, zmianie w struktu- rze kluczowych akcjonariuszy, rozpoczÚciu postÚpowania likwidacyjnego czy wypïacie dywidendy. To zaowocowaïo wspomnianÈ wczeĂniej specyfikacjÈ zachodzÈcych zda- rzeñ i podziaïem badañ na poszczególne kategorie, takiej jak min. analiza wpïywu informacji o podziale zysku (Jin, 2000;

Best i Best, 2001), realizacji planowanego wyniku (Cheung i Sami, 2000; Jackson ibMadura, 2003) czy analiza wpïywu ogïo- szonych rekomendacji gieïdowych (Gur- gul, 2006; Mielcarz, Podgorski i Weremc- zuk, 2007; Buzaïa, 2012).WiÚkszoĂÊ badañ poĂwiÚconych analizie wpïywu upublicznienia rekomendacji na ksztaïtowanie siÚ cen akcji dotyczy rynku amerykañskiego.

Jednym z przykïadów jest Stickel (1995), który na podstawie analizy 16b967 depeszy pochodzÈcych z lat 1988–1991 zidentyfiko- waï, ĝe podanie do publicznej wiadomoĂci rekomendacji „kupuj” powoduje wzrost wartoĂci cen akcji o Ărednio 1,16%, natomiast negatywna rekomendacja przyczynia siÚ do spadku kursu o Ărednio 1,28%.

Potwierdzenie powyĝszych danych stanowi badanie (Habegger i Pace, 2008), które na podstawie 419 elementowej próby zaobser- wowanej w roku 2015 pozwoliïo na osiÈ- gniÚcie analogicznych rezultatów – publikacja rekomendacji „kupuj” przyczynia siÚ do wzrostu kursu o Ărednio 1,17%, natomiast zalecenie „sprzedaj” powoduje spadek obĂrednio 5,85%.

WĂród badañ poĂwiÚconych rynkom europejskim moĝemy wymieniÊ min. pracÚ Ruhma, Menichettiego i Gantenbeina (2011), którzy dokonali obserwacji wpïywu 14b 471 depeszy opublikowanych w latach 1998–2008 na niemieckim rynku papierów wartoĂciowych. Wykonana analiza pozwo- liïa stwierdziÊ wystÚpowanie istotnego wpïywu publikowanych rekomendacji na ksztaïtowanie siÚ kursu akcji.

Analiza zdarzeñ na polskim rynku zostaïa po raz pierwszy zastosowana pod koniec lat 90. XX wieku, co byïo zwiÈzane zb faktem, iĝ dopiero 16 kwietnia 1991 r.

nastÈpiïa reaktywacja Gieïdy Papierów WartoĂciowych w Warszawie i potrzeba byïo kilku lat, aby rynek nabraï rozmiarów pozwalajÈcych na prowadzenie badañ nad jego efektywnoĂciÈ. Jednym z pierwszych badañ nad polskim rynkiem jest wspo- mniana juĝ praca Gurgula (2006), w której dokonano analizy 139 depeszy pochodzÈ- cych z lat 1995–2003. Wnioski z niej pïy- nÈce nie w peïni pokrywajÈ siÚ z wynikami badañ prowadzonych na rozwiniÚtych rynkach kapitaïowych (nieistotny wpïyw rekomendacji „kupuj” na cenÚ akcji).

Co ciekawe, w badaniu Czapiewskiego (2015), który poddaï analizie próbÚ ponad 17 085 róĝnego typu rekomendacji wyda- nych w latach 1998–2013 dla 436 spóïek, stwierdzono istotny wpïyw upublicznienia zarówno pozytywnej, jak i negatywnej rekomendacji na kurs akcji. Warto jednak zaznaczyÊ, ĝe w przypadku pierwszej pracy obszarem badañ byïy jedynie spóïki wcho- dzÈce w skïad indeksu WIG20, natomiast druga próba nie miaïa takiego ogranicze- nia, co sprawia, ĝe próby nie sÈ homoge- niczne.

(4)

3. Charakterystyka modelu zdarzeñ Pierwszym krokiem w budowie modelu opartego na analizie zdarzeñ jest zdefiniowanie momentu, w którym doszïo po raz pierwszy do upublicznienia nowej informacji. Moment ten nosi nazwÚ dnia zdarzenia.

Jego dokïadne okreĂlenie nie zawsze jest ïatwe, dlatego aby w jak najwiÚkszym stop- niu zminimalizowaÊ prawdopodobieñstwo popeïnienia bïÚdu, naleĝy speïniÊ kilka warunków(Tabak i Dunbar, 1999):

– informacja musi byÊ precyzyjna i jedno- znaczna,

– moĝna precyzyjnie okreĂliÊ moment upublicznienia informacji,

– informacja musi byÊ nieprzewidywalna, – w chwili upublicznienia wiadomoĂci na

rynku nie mogÈ pojawiaÊ siÚ inne wia- domoĂci dotyczÈce tej samej spóïki.

AnalizujÈc powyĝsze wymagania, wyïa- niajÈ siÚ dwa najczÚĂciej wystÚpujÈce problemy. Pierwszym z nich jest moment publikacji. CzÚsto zdarza siÚ, ĝe informacja zostaje podana do wiadomoĂci publicznej wbgodzinach wieczornych, tzn. po zamkniÚ- ciu sesji, przez co rynek nie moĝe na niÈ zareagowaÊ w dniu ogïoszenia, a dopiero nazajutrz. Dlatego dokonujÈc identyfika- cji dnia zdarzenia, naleĝy mieÊ na uwadze nie tylko dzieñ, ale takĝe porÚ publikacji.

Drugi problem dotyczy punktu, wedïug którego inwestorzy nie mogÈ mieÊ wiedzy o treĂci informacji przed jej publikacjÈ.

Zdarza siÚ jednak, ĝe na rynku sÈ osoby, które dysponujÈ poufnÈ informacjÈ, przez co mogÈ zareagowaÊ z wyprzedzeniem, skïadajÈc zlecenie kupna/sprzedaĝy jesz- cze przed oficjalnÈ publikacjÈ. Mamy tu do czynienia zb tzw. problemem wycieku informacji. OdpowiedziÈ na wskazany problem jest zastosowanie okna zdarzenia, które stanowi przedziaï czasowy, w którym badane sÈ zmiany cen w stosunku do dnia zdarzenia (zarówno przed, jak i po), który stanowi punkt odniesienia i oznaczany jest indeksem 0.

Zdefiniowanie dïugoĂci okna zdarzenia nie zawsze jest jednoznaczne. W praktyce wykorzystuje siÚ dwa rodzaje okien: sta- tyczne (o staïej szerokoĂci) oraz dynamiczne o zmiennej szerokoĂci dla kaĝdego pojedynczego zajĂcia zdarzenia (Gurgul, 2006).

Zastosowanie statycznego okna ma uza- sadnienie jedynie w przypadku posiadania duĝej próby badawczej, tak aby ewentualne bïÚdy w oszacowaniu mogïy siÚ wzajemnie

skompensowaÊ. W literaturze moĝna spo- tkaÊ poglÈd, iĝ jeĂli zachodzi podejrzenie wycieku informacji, rozmiar okna przed zdarzeniem powinien byÊ na tyle dïugi, aby jego poczÈtek siÚgaï przynajmniej dnia, wbktórym doszïo do ewentualnego wycieku informacji. Niestety poprawne zidenty- fikowanie momentu wycieku informacji jest bardzo trudne, przez co wielu badaczy zwiÚksza szerokoĂÊ okna, naraĝajÈc siÚ tym samym na znieksztaïcenie wyników na skutek wystÚpowania zdarzeñ zakïócajÈcych.

W odniesieniu do dïugoĂci okna po zaj- Ăciu okreĂlonego zdarzenia istnieje prze- konanie, ĝe naleĝy przyjÈÊ na tyle dïugi okres, aby efekt badanego zjawiska mógï siÚ w peïni zdyskontowaÊ przez wszystkich uczestników. Takĝe w tym przypadku zna- lezienie ram czasowych, które dla kaĝdego pojedynczego zdarzenia speïniïyby przy- jÚty warunek, jest trudne. W zwiÈzku z tym czÚĂÊ badaczy skïania siÚ ku stosowaniu dynamicznych okien. W takim podejĂciu, szerokoĂÊ okna jest za kaĝdym razem usta- lana indywidualnie w oparciu o okreĂlone zasady (Krivin, Patton, Rose i Tabak, 2003):

– okno zdarzenia powinno siÚgaÊ aĝ do pierwszego dnia po zdarzeniu, w którym nie zaobserwowano istotnej wartoĂci zwyĝkowej stopy zwrotu,

– dïugoĂÊ okna zdarzenia obejmuje caïy okres, w którym zidentyfikowano istotnÈ wartoĂÊ zwyĝkowego wolumenu, – dïugoĂÊ okna zdarzenia obejmuje caïy

okres, w którym zidentyfikowano istotnÈ wartoĂÊ wariancji stóp zwrotu.

Kolejnym elementem niezbÚdnym do prawidïowej aplikacji modelu zdarzeñ jest zbudowanie tzw. okna estymacji. Jest to przedziaï czasowy, na podstawie którego dokonujÚ siÚ kalkulacji parametrów modeli, które sïuĝÈ do okreĂlenia oczekiwanych stóp zwrotu w oknie zdarzenia. Funda- mentalnÈ zasadÈ konstrukcji okna estymacji jest brak oddziaïywania analizowanego zdarzenia. W zwiÈzku z tym wb literaturze moĝna spotkaÊ dwa podejĂcia do odstÚpu pomiÚdzy oknem estymacji a oknem zdarzenia. JeĂli nie ma powodu, aby twierdziÊ, ĝe wpïyw badanego zjawiska moĝe wpïy- waÊ na estymacjÚ parametrów modelu, stosuje siÚ okna przylegajÈce, tj. estymujemy okres bezpoĂrednio poprzedzajÈcy okno zdarzenia. W przeciwnym wypadku zaleca siÚ stosowanie odstÚpu. Podsumowaniem dotychczas przedstawionych informacji jest rysunek 1.

(5)

Rysunek 1. Umiejscowienie okien estymacji ibzdarzeñ wokóï dnia zdarzenia

okno estymacji okno estymacji

dzień zdarzenia

T¹ T² T³ 0 T⁴

½ródïo: opracowanie wïasne.

MajÈc zdefiniowany moment wystÈpie- nia zdarzenia oraz okreĂlone okna odpowiednio estymacji i zdarzenia, moĝna przejĂÊ do pomiaru reakcji rynku na opu- blikowanÈ informacjÚ. W tym celu naleĝy obliczyÊ zwyĝkowÈ stopÚ zwrotu, która stanowi róĝnicÚ pomiÚdzy rzeczywistÈ stopÈ zwrotu a oczekiwanÈ stopÈ zwrotu akcji spóïki i wbokresie t:

AR_i,t = R_i,t – E(R_i,t), (1) gdzie:

AR_i,t – zwyĝkowa stopa zwrotu z akcji i wbokresie t,

R_i,t – rzeczywista stopa zwrotu z akcji i wbokresie t,

E(R_i,t) – oczekiwana stopa zwrotu z akcji i w okresie t w sytuacji, gdyby zdarzenie nie nastÈpiïo.

W sytuacji gdy wartoĂÊ zwyĝkowej stopy zwrotu jest dodatnia, oznacza to, ĝe majÈce miejsce zdarzenie tworzy dodatkowÈ war- toĂÊ z punktu widzenia uczestników rynku.

WartoĂÊ ujemna Ăwiadczy o negatywnym oddziaïywaniu zdarzenia. Z kolei gdy zwyĝkowa stopa zwrotu jest równa zero, to zdarzenie zostaïo odebrane w sposób neutralny.

Kalkulacja rzeczywistej stopy zwrotu sprowadza siÚ do obliczenia dziennej loga- rytmicznej stopy zgodnie ze wzorem:

, R ln

P P

,

, , i t

i t i t

1

=

-

e o (2)

gdzie:

R_i,t – zaobserwowana dzienna stopa zwrotu, P_i,t – cena akcji j w dniu t,

P_i,t–1 – cena akcji j w dniu t – 1.

Oszacowanie oczekiwanej stopy zwrotu pozwala na uzyskanie informacji na temat oczekiwanego poziomu dochodowoĂci, który prawdopodobnie zrealizowaïbym siÚ

w oknie zdarzenia w przypadku niezajĂcia analizowanego zdarzenia. Na tym etapie moĝna skorzystaÊ z szerokiej palety rozwiÈ- zañ, jakie powstaïy na przestrzeni ostatnich kilkunastu lat na skutek dynamicznego roz- woju dziedziny modelowania finansowych szeregów czasowych. Jednak w praktyce najczÚĂciej stosowanymi rozwiÈzaniami sÈ cztery najprostsze modele, a miano- wicie model wyceny aktywów i pasywów (CAPM), model rynkowy Sharpe’a, model skorygowanej Ăredniej (MAR) i model indeksowy (IM) (Gurgul, 2006).

Oczekiwana stopa zwrotu dla akcji spóïki i w okresie t oparta na modelu CAPM jest liczona na podstawie wyraĝenia:

E R_^ i t,_h=Rf+bi_^Rm t, -Rf_h, (3) gdzie:

R_¦ – stopa zwrotu wolna od ryzyka, R_m – stopa zwrotu z portfela rynkowego w dniu t,

b_i – wspóïczynnik ryzyka dla akcji i.

Oczekiwana stopa zwrotu z akcji spóïki i w okresie t oparta na modelu rynkowym jest wyznaczana na podstawie równania:

E R_{^ h}_{i t}_, =a_i+b_i#R_{m t}_,, (4) gdzie:

a_i – wyraz wolny.

Model rynkowy to jednowskaěnikowy model wedïug Sharpe’a (single-index model), który w odróĝnieniu od modelu CAPM nie uwzglÚdnia stopy wolnej od ryzyka jako determinanty stopy zwrotu.

Model skorygowanej Ăredniej trak- tuje oczekiwanÈ stopÚ zwrotu jako Ăred- niÈ dziennÈ lub miesiÚcznÈ stopÚ zwrotu obliczonÈ na podstawie obserwacji pocho- dzÈcych z okna estymacji, co przedstawia równanie:

E(Ri,t) = R_i, (5) gdzie:

R_i – Ărednia stopa zwrotu z akcji i.

Ostatni z przytoczonych modeli – model indeksowy – definiuje oczekiwanÈ stopÚ zwrotu akcji i w dniu t jako stopÚ zwrotu zbportfela rynkowego:

E(R_i,t) = R_m,t. (6)

(6)

Model indeksowy nie wymaga szacowa- nia parametrów a i b znanych z modelu rynkowego. Jest on zgodny z modelem CAPM, przy zaïoĝeniu, ĝe wspóïczynnik bb=b1 dla wszystkich akcji (Perepeczo, 2011).

Aby oceniÊ peïny wpïyw zdarzenia lub kiedy efekt zdarzenia nie moĝe byÊ precyzyjnie przypisany do dnia zdarzenia, zwyĝkowe stopy zwrotu powinny byÊ agre- gowane w czasie. W tym celu w analizie zdarzeñ stosuje siÚ zagregowane zwyĝkowe stopy zwrotu CAR kalkulowane zgodnie ze wzorem:

CAR_it = CAR_i,t–1 + AR_i,t, (7) gdzie:

CAR_i,t – skumulowana stopa zwrotu z akcji i w okresie t.

4. Testowanie statystyczne

W celu prawidïowej interpretacji uzyskanych wyników niezbÚdne jest oszacowanie poziomu ich istotnoĂci. Dlatego dopeï- nieniem opisanego wczeĂniej procesu jest wnioskowanie statystyczne na podstawie uĂrednionej próby badawczej. W tym celu w pierwszym kroku naleĝy obliczyÊ ĂredniÈ zwyĝkowÈ stopÚ zwrotu:

AAR ,

n AR

1

, ,

i t i i t

n

=

/

₌1 (8)

gdzie:

AAR_i,t – Ărednia zwyĝkowa stopa zwrotu zbakcji i w okresie t.

W celu oszacowania statystycznej istot- noĂci Ăredniej zwyĝkowej stopy zwrotu zb akcji i w kaĝdym dniu zawierajÈcym siÚ w oknie zdarzenia najczÚĂciej wykorzystuje siÚ klasyczny test oparty na statystyce t-Stu- denta:

t ,

n AAR_,

AR AR

i t

= v (9)

gdzie:

t_AR – statystyka test t-Studenta,

s_AR – odchylenie standardowe w okresie t.

Aby okreĂliÊ wielkoĂÊ zwyĝkowych stóp zwrotów w caïym oknie zdarzenia, naleĝy najpierw skalkulowaÊ zagregowanÈ zwyĝ- kowÈ stopÚ zwrotu (CAR), a nastÚpnie sku- mulowanÈ ĂredniÈ zwyĝkowÈ stopÚ zwrotu (CAAR), która okreĂlona jest wzorem:

CAAR_t = CAAR_t–1 + AAR_t, (10) gdzie:

CAAR_t – skumulowana Ărednia zwyĝkowa stopa zwrotu w okresie t,

CAAR_t–1 – skumulowana Ărednia zwyĝkowa stopa zwrotu w okresie t – 1.

W celu oszacowania statystycznej istot- noĂci uzyskanych wyników takĝe w tym przypadku powszechnie stosuje siÚ test oparty na statystyce t-Studenta:

n,

t CAAR^,

CAR CAR

i t

= v (11)

gdzie:

t_CAR – statystyka test t-Studenta,

s_CAR – odchylenie standardowe w okresie t.

5. Opis zastosowanej metodyki oraz prezentacja

wyników badañ

Badaniu poddano 364 rekomendacje analityków, które miaïy miejsce w okresie od stycznia 2015 r. do grudnia 2016 r.

ib dotyczyïy jedynie spóïek wchodzÈcych wbskïad indeksu WIG20. ZawÚĝenie próby do najwiÚkszych i najbardziej pïynnych podmiotów miaïo na celu zminimalizo- wanie ryzyka znieksztaïcenia danych na skutek prób manipulacji kursem oraz fakt, ĝe grupa ta stanowi najczÚstszy przedmiot analizy przez profesjonalnych analityków.

Jako datÚ zdarzenia przyjÚto dzieñ, w któ- rym po raz pierwszy doszïo do podania rekomendacji do informacji publicznej, zbzastrzeĝeniem, ĝe jeĂli informacja zostaïa opublikowana po zamkniÚciu sesji, to za dzieñ zdarzenia przyjÚto pierwszy kolejny dzieñ sesyjny. Dane zawierajÈce liczbÚ ib rodzaj rekomendacji pochodzÈ bezpo- Ărednio z serwisu www.infostrefa.com nale- ĝÈcego do Polskiej Agencji Prasowej oraz Gieïdy Papierów WartoĂciowych w War- szawie. Rekomendacje usystematyzowano wbtrzystopniowej skali:

– kupuj, – trzymaj, – sprzedaj.

W tabeli 1 zaprezentowano liczbÚ ogïoszonych rekomendacji w badanym okresie, dotyczÈcych wyïÈcznie analizo- wanej próby w podziale na rodzaj rekomendacji.

(7)

Tabela 1. Liczba ogïoszonych rekomendacji wblatach 2015–2016 dla badanej próby spóïek

Rok Liczba rekomendacji

Liczba zdarzeñ kupuj trzymaj sprzedaj

2015 179 66 55 58

2016 185 66 45 74

Ècznie 364 132 100 132

W badaniu posïuĝono siÚ klasycznÈ analizÈ zdarzeñ w celu okreĂlenia wpïywu danego zdarzenia na zachowanie siÚ kur- sów akcji. Do analizy wykorzystano szeregi czasowej dziennych cen zamkniÚcia pocho- dzÈcych z bazy udostÚpnionych przez serwis www.infostrefa.com. DïugoĂÊ okna estymacji wynosi 150 dni sesyjnych. Okno zdarze- nia obejmuje t = (–1, 1).

W pierwszej kolejnoĂci policzono dzienne logarytmiczne stopy zwrotu zbakcjibi. NastÚpnie dla kaĝdego zdarzenia policzono zwyĝkowe stopy zwrotu (AR_i,t), jako róĝnicÚ pomiÚdzy faktycznie zaob- serwowanÈ stopÈ Ri,t a oczekiwanÈ E(Ri,t) wyliczonÈ na podstawie modelu rynkowego Sharpe’a. Jako benchmark zastosowano dziennÈ logarytmicznÈ stopÚ zwrotu

zbindeksu WIG20. Parametry a i b zostaïy obliczone na podstawie 150-dniowego okna estymacji. W dalszej kolejnoĂci skalkulo- wano skumulowane stopy zwrotu (CAR_i,t) jako sumÚ dziennych stóp w danym okresie dla poszczególnych zdarzeñ. W ostatnim kroku dokonano kalkulacji skumulowanej Ăredniej zwyĝkowej stopy zwrotu (CAAR_i,t).

W celu weryfikacji statystycznej istotno- Ăci uzyskanych wyników zastosowano klasyczny test oparty na statystyce t-Studenta.

Weryfikacji poddano nastÚpujÈce hipotezy badawcze:

– H1: Pierwsza publikacja rekomendacji

„kupuj” ma statystycznie istotny wpïyw na wzrost ceny akcji.

– H2: Pierwsza publikacja rekomendacji

„trzymaj” nie ma statystycznie istotnego wpïywu na zmianÚ ceny akcji.

– H3: Pierwsza publikacja rekomendacji „sprzedaj” ma statystycznie istotny wpïyw na obniĝenie siÚ ceny akcji.

– H4: Wpïyw transakcji insiderów nie ma statystycznie istotnego wpïywu na zmianÚ ceny akcji w dniu poprzedzajÈ- cym dzieñ zdarzenia.

Wyniki empiryczne zostaïy przedsta- wione w tabeli 2 zawierajÈcej skumulowane Ărednie zwyĝkowe stopy zwrotu w oknie zdarzenia oraz odpowiadajÈce im wartoĂci statystyki t-Studenta.

Tabela 2. Wyniki empirycznej weryfikacji skumulowanych zwyĝkowych stóp zwrotu w oknie zdarzenia

Dzieñ zdarzenia t

–1 0 1

Kupuj

CAR % –0,82% –1,02% –1,23%

Statystyka t-Studenta –0,458 –0,557 –0,663

Trzymaj

CAR % 0,73% 1,38%* 2,23%*

Statystyka t-Studenta 1,918 3,228 4,891

Sprzedaj

CAR % –1,03%* –2,29%* –3,88%*

Statystyka t-Studenta –2,465 –5,421 –9,099

* WartoĂci istotne na poziomie istotnoĂci 5%.

Z danych przedstawionych w tabeli 2

wynika, ĝe statystyka jest nieistotna w przypadku rekomendacji „kupuj”. Oznacza to, ĝe nie mamy podstaw do przyjÚcia pierw-

(8)

szej hipotezy, wedïug której pierwsza publikacja o pozytywnym wyděwiÚku ma istotny statystycznie wpïyw na wzrost ceny akcji.

W przypadku pierwszej publikacji rekomendacji „trzymaj” widaÊ, ĝe ma ona statystycznie istotny dodatni wpïyw na zmianÚ kursu akcji w dniu zajĂcia zdarzenia oraz wbdniu nastÚpnym. Wynik ten nie pozwala na przyjÚcie drugiej hipotezy.

Rekomendacja „sprzedaj” ma istotnie statystyczny negatywny wpïyw na zmianÚ ceny akcji. Pozwala to na przyjÚcie trze- ciej hipotezy. Co wiÚcej, widaÊ, ĝe wynik uzyskany w dniu poprzedzajÈcym dzieñ zdarzenia jest nie tylko ujemny, ale takĝe statystycznie istotny. Pozwala to domnie- mywaÊ, ĝe uczestnicy rynku dysponowali juĝ wczeĂniej informacjami opublikowa- nymi wb tb =b 0, a zatem uniemoĝliwia to przyjÚcie czwartej hipotezy.

6. Wnioski

Przeprowadzone badanie miaïo na celu ocenÚ realnego wpïywu opublikowanych rekomendacji gieïdowych na ksztaït ceny akcji spóïek naleĝÈcych do indeksu WIG20. Innymi sïowy, dokonano weryfikacji postrzegania opinii profesjonalnych analityków przez inwestorów gieïdowych, ab takĝe sïusznoĂci teorii rynków efektyw- nych.

Wyniki badania, w którym posïuĝono siÚ modelem analizy zdarzeñ, odbiegajÈ od rezultatów prezentowanych w pracach poĂwiÚconych rozwiniÚtym rynkom kapi- taïowym. Dane prezentowane w artykule wskazujÈ na nieistotnoĂÊ wydanej rekomendacji „kupuj” na ksztaïtowanie siÚ ceny, co stanowi sprzeczny wynik z przytoczonymi pracami z rynków zarówno amerykañskich, jak i europejskich. Co wiÚcej, wynik ten nie pokrywa siÚ ze znakomitÈ wiÚkszoĂciÈ prac analizujÈcych rynek polski. WyjÈtek stanowiÈ jedynie badania Gurgula, który równieĝ skupiï siÚ wyïÈcznie na spóïkach wchodzÈcych w skïad indeksu WIG20. Fakt ten, zdaniem autora, otwiera drogÚ do dalszej eksploracji polskiego rynku kapitaïo- wego w kontekĂcie teorii efektywnoĂci, ze szczególnym uwzglÚdnieniem róĝnicy efek- tywnoĂci spóïek o najwiÚkszej kapitalizacji do pozostaïych notowanych podmiotów.

W przypadku upublicznienia rekomendacji „trzymaj” i „sprzedaj” odnotowano statystycznie istotny wpïyw, odpowiednio dodatni i ujemny na ksztaït cen. O ile istot-

noĂÊ oddziaïywania negatywnej oceny jest szeroko potwierdzona w literaturze, to wbprzypadku rekomendacji neutralnej stanowi to rzadkoĂÊ, takĝe w odniesieniu do badañ rynku polskiego.

Warty podkreĂlenia jest równieĝ fakt, iĝ w przypadku rekomendacji „sprzedaj”

badania wskazaïy na statystycznÈ istotnoĂÊ wyniku z dnia poprzedzajÈcego dzieñ zdarzenia, co pozwala wnioskowaÊ, ĝe doszïo do wykorzystania prywatnej informacji.

Takĝe w tym przypadku wynik ten jest zgodny z badaniami Gurgula, pomimo iĝ próba pochodzi z okresu odlegïego o trzy- naĂcie lat, w którym mieliĂmy do czynienia z dwoma ogólnoĂwiatowymi kryzysami finansowymi, które odcisnÚïy swe piÚtno na postrzeganiu sektora finansowego i rynków kapitaïowych przez grupy interesariuszy.

Fakt ten pozwala wnioskowaÊ, iĝ w przypadku podmiotów o najwiÚkszej kapitalizacji i bardzo szerokiej grupie osób zaan- gaĝowanych w kreowanie informacji niemal niemoĝliwe jest wyeliminowanie zjawiska wykorzystania poufnej informacji.

Bibliografia

Arnold, G. (2008). Corporate Financial Manage- ment.

Barker, C. (1956). Effective Stock Splits. Harvard Business Review, 34, 101–106.

Barker, C. (1957). Stock splits in a Bull Market.

Harvard Business Review, 35, 72–79.

Barker, C. (1958). Evaluation of Stock Dividends.

Harvard Business Review, 36, 99–114.

Best, R. i Best, R. (2001). Prior Information and the Market Reaction to Dividend Changes. Review of Quantitative Finance and Accounting, 17, 361– 376.

Brown, S. i Warner, J. (1985). Using Daily Stock Returns: The Case of Event Studies. Journal of Financial Economics, 14, 3–31.

Buzaïa, P. (2012). Reakcja inwestorów na rekomendacje gieïdowe. Implikacje dla efektywnoĂci rynku akcji. Zeszyty Naukowe Uniwersytetu Szczeciñskiego, 50, 11–20.

Cheung, D. i Sami, H. (2000). Price and Trading Volume Reaction: The Case of Hong Kong Com- panies’ Earnings Announcements. Journal of Inter- national Accounting, Auditing and Taxation, 9(1), 19–42.

Czapiewski, L. (2015). Czy inwestorzy wierzÈ analitykom? Analiza reakcji inwestorów na rekomendacje gieïdowe na GPW w Warszawie. Zeszyty Naukowe Uniwersytetu Szczeciñskiego. Finanse, Rynki Finansowe, Ubezpieczenia, (75), s. 111–121.

(9)

Dolley, J. (1933). Characteristics and Procedure of Common Stock Split-ups. Harvard Business Review, 11(3), 316–326.

Fama, E., Fisher, L. i Jensen, M. (1969). The Adju- stment of Stock Prices to New Information. Inter- national Economic Review, 10(1), 1–21.

Gurgul, H. (2006). Analiza zdarzeñ na rynkach akcji:

wpïyw informacji na ceny papierów wartoĂciowych.

Kraków: Oficyna Ekonomiczna.

Habegger, W.D. i Pace, R.D. (2008). The Inve- stment Value of the Wall Street Journal’s Smart Money Stock Screen. International Journal of Busi- ness, 13(2), 165–175.

Jackson, D. i Madura, J. (2003). Profit warnings and timing. The Financial Review, 38, 497–513.

Jin, Z. (2000). On the Differential Market Reaction to Dividend Initiations. The Quarterly Review of Economics and Finance, 40, 263–277.

Krivin, D., Patton, R., Rose, E. i Tabak, D. (2003).

Determination of the Appropriate Event Window Length in Individual Stock Event Studies. New York:

NERA Economic Consulting.

Malkiel, B. i Fama, E. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work.

The Journal of Finance, 25(2), 383–417.

Mielcarz, P., Podgorski, B. i Weremczuk, P. (2007).

Positive Recommendations and Abnormal Returns on the Warsaw Stock Exchange in 2005–2006

(s.b181–190). W: E. Urbañczyk (red.). The Problem of Company Value Management. Szczecin: Wydziaï Nauk Ekonomicznych i ZarzÈdzania.

Myers, J. i Bakay, A. (1948). Influence of Stock Split-ups on Market Price. Harvard Business Review, 26(2), 251–255.

Perepeczo, A. (2011). Analiza zdarzenia i jej zasto- sowania. Zeszyty Naukowe Uniwersytetu Szczeciñ- skiego. Finanse, Rynki Finansowe, Ubezpieczenia, (33), 35–51.

Prabhala, N. (1997). Conditional Methods in Event Studies and an Equilibrium Justification for Stan- dard Event-Study Procedures. The Review of Finan- cial Studies, 10, 1–38.

Ruhm, J., Menichetti, M.J. i Gantenbein, G.P.

(2011). Market Price Reaction of Analyst Revision and Determining Factors on the German Stock Market. Current Issues in Economic and Manage- ment Sciences, 30–44.

Sharpe, W. (1992). Asset Allocation: Management Style and Performance Measurement. The Journal of Portfolio Management, 18(2), 7–19.

Stickel, S.E. (1995). The Anatomy of the Perfor- mance of Buy and Sell Recommendations. Finan- cial Analysts Journal, 51(5), 25–39.

Tabak, D. i Dunbar, F. (1999). Materiality and Magnitude: Event Studies in the Courtroom. NERA Working Paper, 34.