Department of Banking and Finance
Center for Sustainable Finance and Private Wealth
Der Einfluss makroökonomischer Faktoren auf die Rendite der
italienischen im Aktienindex FTSE MIB enthaltenen Firmen
Bachelor Thesis in Banking and Finance
Giuseppe Scafiti
Full Text Version
CSP Thesis Series no. 26 (2019)
October 2019
CSP Thesis Series (formerly CMF Thesis Series)
Der Einfluss makroökonomischer Faktoren auf die Rendite der italienischen im Aktienindex FTSE MIB
enthaltenen Firmen
Bachelor Thesis in Banking and Finance
Giuseppe Scafiti
Advisor: Dr. Annette Krauss
Professor: Professor Dr. Marc Chesney
Full Text Version
CSP Thesis Series no. 26 (2019)
Zürich: University of Zurich, Department for Banking and Finance / Center for Sustainable Finance and Private
Wealth, Plattenstrasse 14, 8032 Zurich, Switzerland
Exsecutive SummaryVermögenswerte reagieren auf die verschiedensten ökonomischen Geschehnisse und
Veränderungen, was ein faszinierendes Forschungsfeld darstellt und als Fokus für die
vorliegende Arbeit gewählt wurde. Es wird im Folgenden thematisiert, wie einzelne
Vermögenspreise von einer Vielzahl unvorhersehbarer Ereignisse geprägt werden und
wie bestimmte Ereignisse eine bedeutendere Wirkung auf die Vermögenspreise aus-
üben als andere. Da durch die Risikodiversifizierung aus der Kapitalmarkttheorie die
firmenspezifischen Risiken als eliminierbar gelten, hat sich die moderne Finanztheorie
bisher auf systematische sogenannte marktspezifische, nicht eliminierbare Risiken als
Einflussfaktor des Anlagerisikos konzentriert (N.-F. Chen, Roll und Ross, 1986).
Basierend auf der modernen Finanztheorie werden in dieser Arbeit nur ökonomische
Variablen verwendet, welche als potenzielle systematische Risikofaktoren gelten.
Ziel dieser Arbeit ist es, die Frage zu beantworten, ob ausgewählte makroökonomi-
sche Risikofaktoren einen signifikanten Einfluss auf die Überrendite des italienischen
Aktienmarkts ausüben. Zu diesem Zweck werden Überrenditen der Aktien, welche im
FTSE MIB enthalten sind, auf monatlicher Basis für den Zeitraum Februar 2006 bis De-
zember 2018 empirisch analysiert. Dieser Zeitraum ist durch ein relativ instabiles wirt-
schaftliches und politisches Umfeld gekennzeichnet und daher besonders interessant
zu analysieren. Durch die Verwendung eines Multifaktormodells, nämlich die Arbitra-
ge Pricing Theory, werden die Überrenditen des italienischen Aktienmarktes auf zehn
Sektor-Portfolios aufgeteilt. Insgesamt wird der Zusammenhang zwischen 14 makro-
ökonomischen sowie finanzmarktorientierten Variablen und der erwähnten Überrendi-
te untersucht. Die unabhängigen Variablen sind die unerwartete Inflation, die staatliche
Verschuldung, die Risikoprämie, das Geldangebot, die Zinskurve, der Term of Trade,
die Arbeitslosenquote, die Performance des europäischen Aktienindex Stoxx 600, der
Ölpreis, der Wechselkurs, die Performance des weltweiten Aktienindex MSCI World,
die Veränderung des Kreditvolumens, die Veränderung der Industrieproduktion und
des „Credit Default Swaps“ Preises. Ein Grossteil der verwendeten Risikofaktoren sind
I
der Studie von N.-F. Chen, Roll und Ross (1986) entnommen, während ergänzend Fak-
toren aus anderen Studien aufgegriffen werden.
Da die Arbitrage Pricing Theory der Annahme der absoluten nicht vorhandenen Korre-
lation zwischen Risikofaktoren unterliegt, sind statistische Überprüfungen notwendig,
um eine bessere Schätzung des Modells zu ermöglichen. Aus diesem Grund wird vor
der empirischen Regressionsanalyse sowohl die Korrelation als auch die Autokorrelati-
on der verwendeten Risikofaktoren gemessen. Daraus folgt, dass nur die Inflation, die
Risikoprämie und die Zinsstruktur stark autokorreliert sind. Die Inflation wird dabei
nicht als eigener Einflussfaktor eingesetzt, sondern als Mittel, um die unerwartete In-
flation zu schätzen. Die Hauptanalyse erfolgt schlussendlich anhand mehrerer Zeitrei-
henregressionen. Dabei werden Unterschiede zwischen den Ergebnissen von Sektor-
Portfolien festgestellt. Sowohl die Anzahl der Risikofaktoren, welche als signifikant zu
bezeichnen sind, als auch die Erklärung der Variation der Überrendite der analysierten
Aktien (R2) variiert. Dies impliziert, dass branchenabhängige Risikoeinflüsse vorhan-
den sind. Risikofaktoren wie die Risikoprämie, die Veränderung der Performance bei-
der Indizes, der CDS-Preise sowie des Wechselkurses, die Finanzkrise, die Veränderung
des Ölpreises, die Veränderung des Kreditvolumens, die staatliche Verschuldung und
die Industrieproduktion üben in mehreren Aktienportfolios einen signifikanten Einfluss
aus. Die Arbeitslosenquote, die Veränderung der Zinsstruktur, unerwartete Inflation
und das Geldangebot hingegen spielen keine signifikante Rolle.
II
Inhaltsverzeichnis
Abbildungsverzeichnis V
Tabellenverzeichnis VI
1 Einleitung 1
2 Stand der Forschung 4
3 Das Arbitrage Pricing Theory Modell 12
3.1 Annahme und formale Herleitung . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Mögliche Ansätze für die Schätzung der APT . . . . . . . . . . . . . . . . . 16
4 Empirische Analyse 17
4.1 Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Beschreibung der verwendeten Risikofaktoren . . . . . . . . . . . . . . . . 18
4.2.1 Industrieproduktion . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.2 Ölpreis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.3 Zinsstruktur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2.4 Staatliche Verschuldung . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2.5 Geldangebot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2.6 Wechselkurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.7 Term of Trade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.8 MSCI und Stoxx 600 Indices . . . . . . . . . . . . . . . . . . . . . . . 23
4.2.9 Arbeitslosenrate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2.10 Kreditvolumen im Privatsektor . . . . . . . . . . . . . . . . . . . . . 24
4.2.11 Risikoprämie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2.12 Unerwartete Inflation . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.13 CDS-Preise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 Statistische Eigenschaften der makroökonomischen Variablen . . . . . . . 28
III
5 Empirische Anwendung des Arbitrage Pricing Theory Modells 31
5.1 Bildung von Portfolios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.2 Regressionanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6 Zusammenfassung und Diskussion 43
Literatur 50
IV
Abbildungsverzeichnis1 Prognose der erwarteten Inflation für den Beobachtungzeitraum . . . . . . 27
V
Tabellenverzeichnis1 Korrelationmatrix der verwendeten ökonomischen Risikofaktoren . . . . 29
2 Autokorrelationsmatrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Resultate der ersten fünf Portfoliosektoren . . . . . . . . . . . . . . . . . . 35
4 Resultate der restlichen Portfoliosektoren und des gesamten Modells . . . 39
VI
1 Einleitung
Die Zusammenhänge zwischen Aktienkursen und makroökonomischen Variablen, wie
der Geldmenge, Inflation, Industrieproduktion, des Wechselkurses und der Verände-
rung der Zinsstruktur, sind nicht nur für die Analyse von Aktienrenditen, sondern auch
für das Verständnis der Zusammenhänge zwischen erwarteten Renditen und der Real-
wirtschaft von entscheidender Bedeutung (Panetta, 2002).
Die vorliegende Arbeit baut auf dem grossen Interesse und dem erheblichen Forschungs-
bestand über den Mechanismus zwischen Aktienmärkten und wirtschaftlichen Grössen
auf. Über die letzten Jahrzehnte konnte ein bedeutender Bestand an Forschungsliteratur
aufgebaut werden, die den Zusammenhang zwischen Aktienrenditen und einer Reihe
makroökonomischer und finanzieller Variablen über verschiedene Aktienmärkte und
Zeithorizonte hinweg untersucht. Die bestehende finanzwirtschaftliche Theorie liefert
eine Reihe von Modellen, die einen Rahmen für die Untersuchung dieser Beziehung
bieten. Zur Schätzung der Eigenkapitalkosten von Unternehmen hat sich in der Praxis
das von Sharpe (1964) und Lintner (1965) entwickelte Kapitalmarktgleichgewichtsmo-
dell Capital Asset Pricing Model (CAPM) etabliert.
Ross (1976) entwickelte das Arbitrage Pricing Theory Modell (APT) und hat zur Er-
kenntnis verholfen, dass bereits eine kleine Anzahl ökonomischer Variablen ausreicht,
um das Verhältnis zwischen Rendite und systematischen Risiken zu beschreiben. Die-
se prominenten theoretischen Beiträge haben eine umfangreiche empirische Forschung
nach sich gezogen, vorerst in einem Ein-Risikoprämie-Forschungsrahmen und ansch-
liessend sukzessive innerhalb eines multifaktoriellen Rahmens. Ausgehend von der Ar-
beit von N.-F. Chen, Roll und Ross (1986), hat die Annahme, dass ökonomische Varia-
blen wie Industrieproduktionswachstum, Ausfallrisikoprämien, Veränderung der uner-
warteten Inflation und Renditedifferenzen zwischen lang- und kurzfristigen Staatsan-
leihen für die Erklärung der Preiseveränderungen von Vermögenswerten wichtig sind,
einen grossen Teil der empirischen Forschung generiert.
1
Der amerikanische Aktienmarkt wurde dabei zur Hauptstichprobe vieler empirischer
Untersuchungen. Das Verhältnis zwischen makroökonomischen Faktoren und erwar-
teter Rendite wurde weiter von McElroy, Burmeister und Wall (1985), Burmeister und
McElroy (1988) untersucht. Fama und French (1993) sowie Carhart (1997) analysierten
den amerikanischen Aktienmarkt anhand der von ihnen eingeführten Dreifaktor- und
Vierfaktor-Modelle. Der amerikanische Aktienmarkt blieb jedoch nicht der einzige er-
forschte Markt. Hamao (1988) untersuchte den japanischen Aktienmarkt, während Be-
enstock, K.-F. Chan u. a. (1988) sich dem Londoner Aktienmarkt widmeten. Die Studien
Panetta (2002), Aleati, Gottardo und Murgia (2000), Mazzariello und Roma (1999) sowie
Cagnetti (2002) hingegen, setzten den italienischen Aktienmarkt als ihren Fokus fest
und analysierten diesen empirisch. In mehrerer dieser Studien wurden die makroöko-
nomischen Determinanten der Aktienrenditen aus statistischer Sicht analysiert. Nelson
(1976), Fama und Schwert (1977), Schwert (1981), Keim und Stambaugh (1986), Camp-
bell (1987), Fama und French (1988a), Fama und French (1988b) und Fama und French
(1989) führten dabei ihre Analysen durch die Anwendung von Zeitreihen-Regressionen
durch.
Aus dieser bedeutenden wissenschaftlichen Grundlage geht sowohl die Fragestellung
als auch die Methodik dieser Arbeit hervor. Im Folgenden soll bestimmt werden, ob
ökonomische Faktoren, welche als mögliche Risikofaktoren auszeigen, einen signifikan-
ten Einfluss auf die Überrendite der im italienischen Aktienmarkt gehandelten Aktien
ausüben. Zu diesem Zweck wird die Anzahl der Faktoren, die in früheren Studien ver-
wendet wurden, um zusätzliche makroökonomische Variablen wie beispielsweise die
staatliche Verschuldung, die Veränderung des Kreditvolumens, die Arbeitslosenquo-
te, der „Term of Trade“, die Veränderung der „Credit-Default-Swap“-Preise und die
Performance des Stoxx 600 und der MSCI World erweitert. Somit werden Risiken, wel-
che den italienischen Aktienmarkt betreffen, weitläufig erfasst. Bei der Analyse werden
„fixed effects“ eingebaut, um herauszufinden, ob Ereignisse wie die jüngste Finanzkri-
se (2007 – 2008) eine zusätzliche Wirkung auf die italienischen Aktienrendite erken-
nen lassen. Dazu werden Aktienrenditen von insgesamt 35 Firmen, die im Aktienin-
2
dex FTSE MIB enthalten sind, mittels einer Zeitreihen-Regression analysiert. Anhand
einer Sektor-Auswahl werden zehn verschiedene Aktienportfolio sortiert und zusam-
mengestellt. Die vorliegende Arbeit ist wie folgt aufgebaut: Die Gliederung besteht aus
sechs Kapiteln, wobei Kapitel 2 zunächst einen Überblick zur Entstehung verschiede-
ner Faktormodelle sowie verschiedener bisher ausgeführter Studien gibt. Im Fokus des
dritten Kapitels steht das Arbitrage Pricing Theory Modell, dessen Annahmen und An-
wendungsmöglichkeiten aus einer analytischen Sicht detailliert dargestellt werden. In
Kapitel wird 4 auf die Methodik eingegangen. Dies umfasst die Daten, welche für die
empirische Analyse verwendet wurden und eine Auflistung der Risikofaktoren mit de-
ren statistischen Eigenschaften. Anschliessend wird in Kapitel 5 die Betrachtung der Re-
gressionsmodelle erfolgen. Dies beinhaltet die ermittelten Risikoprämien der Faktoren
aufzuführen und mit den Resultaten vorheriger Studien zu vergleichen. Schlussendlich
erfolgt in Kapitel 6 die Konklusion mit möglichen Verbesserungsvorschlägen dieser Ar-
beit.
3
2 Stand der Forschung
Das Verhalten der Aktienkurse und das Verhältnis von Risiko und Rendite an den Fi-
nanzmärkten sind für Forscher seit langem von Interesse. Der zugrunde liegende An-
satz ist dabei die Brown‘sche Bewegung. Die Brown‘sche Bewegung stellt ein makro-
skopisches Bild dar, welches aus einem Partikel entsteht und sich zufällig auf einer Linie
bewegt, ohne im Prozess grosse Sprünge zu machen. Auf der mikroskopischen Ebene
erhält das Partikel zu jedem Zeitpunkt eine zufällige Verschiebung, die z. B. durch an-
dere Partikel, die es treffen, oder durch eine äussere Kraft verursacht wird (Mörters und
Peres, 2010).
Während Albert Einstein im Jahr 1905 eine auf der Brown‘schen Bewegung basieren-
de Theorie entwickelte, um die Existenz von Atomen zu demonstrieren, hat Louis Ba-
chelier die Brow‘nsche Bewegung fünf Jahre zuvor als Basis für die Berechnung der
Schwankungen der Aktienkurse an der Pariser Börse und deren Wahrscheinlichkeits-
rechnung entdeckt (Cagnetti, 2002). Bachelier‘s Theorie beinhaltet, dass unzählige aktu-
elle und wiederholende Ereignisse, die oft keinen offensichtlichen Bezug zu den Schwan-
kungen aufweisen, Einflüsse ergeben, welche die Bewegungen der Börse bestimmen. Er
argumentierte, dass kleine Preisschwankungen, die über einen kurzen Zeitraum gese-
hen werden, unabhängig vom aktuellen Wert des Preises sein sollten (Davis und Ethe-
ridge, 2006). Vielmehr unterliegt die Bestimmung dieser Bewegungen einer unendli-
chen Anzahl an Faktoren. Neben den natürlichen Ursachen von Schwankungen gibt es
auch künstliche Ursachen. Die Börse agiert selbstständig und die aktuelle Bewegung ist
nicht nur eine Funktion der vorherigen Bewegungen, sondern auch der Marktposition.
Es ist daher unmöglich, eine mathematische Vorhersage zu erstellen, jedoch kann der
statische Zustand des Marktes zu einem bestimmten Zeitpunkt mathematisch unter-
sucht, d. h. die Wahrscheinlichkeitsverteilung von Preisänderungen, welche der Markt
zu diesem Zeitpunkt annimmt, festgelegt werden (Bachelier, 1900).
Studien, die basierend auf Bachelier’s Theorie zu weiteren Forschungsergebnissen ge-
führt haben, folgten erst etwa 50 Jahre später von Mandelbrot (1967) und Fama (1965).
4
Sie hielten zwei wichtige Forschungsergebnisse fest: Die Varianz der Renditen ist im
Zeitablauf nicht konstant (Heteroskedastizität) und die Verteilung der Preisänderun-
gen ist nicht gaussförmig, sondern leptokurtisch 1. Diese Ergebnisse gehören bis heute
zu den Grundlagen der modernen Finanztheorie.
Parallel dazu führten Sharpe (1964) und Lintner (1965) das Capital Asset Pricing Mo-
del (CAPM) ein, welches im Jahr 1990 zu einem Nobelpreis für William Sharpe führte.
Das CAPM baut auf früheren Arbeiten von Markowitz (1952) auf, der das "Mittelwert-
Varianz-Modell" oder das Modell der Portfoliowahl entwickelte. Letzteres wird ver-
wendet, um eine theoretisch angemessene und erforderliche Rendite eines Vermögens-
wertes zu bestimmen und geht davon aus, dass Investoren effizient sind, d. h. risiko-
scheu und nutzenmaximierend jene Punkte auswählen, welche sich an der effizienten
Grenze befinden (die sogenannte minimale Varianzgrenze). Somit hängt das ausge-
wählte Portfolio von der Risiko-Rendite-Nutzen-Funktion des Investors ab.
Markowitz‘s (1952) Modell schlägt vor, dass Investoren ein Portfolio wählen, das die
Varianz der Portfoliorendite bei einer bestimmten Höhe der erwarteten Rendite mini-
miert oder die erwartete Rendite bei einer bestimmten Höhe der Varianz maximiert.
Sharpe (1964) und Lintner (1965) erweiterten das Markowitz-Modell, das vom Kompro-
miss zwischen Risiko und Rendite abhängt, um zwei weitere Schlüsselannahmen. Die
erste Annahme basiert auf einem risikofreien Zinssatz bei der Kreditaufnahme und Kre-
ditvergabe. Investoren können jeden Geldbetrag zu einem risikofreien Zinssatz, der für
alle Investoren gleich ist und nicht vom Betrag abhängt, leihen oder verleihen. Die zwei-
te Annahme lautet, dass alle Investoren homogene Erwartungen haben. Dies führt da-
zu, dass identische Wahrscheinlichkeitsverteilungen für zukünftige Renditen geschätzt
werden können, d. h. eine vollständige Einigung über die Verteilung der Vermögens-
renditen von t-1 auf t erreicht werden kann. Obwohl das CAPM die Grundlage für viele
wissenschaftliche Studien war und erhebliche Auswirkungen auf die nichtakademische
1Die Endpunkte der leptokurtischen Verteilungen sind "dicker" (fat tails) als diejenigen der Gaussi-
an’sche Verteilung. Ausserdem zeigt eine leptokurtische Verteilung in der Regel eine Exzess-Kurtosis,
welche grösser als Null ist auf. (Kitt und Kalda, 2006).
5
Finanzwelt hatte, wurde es theoretisch und empirisch kritisiert (Merton u. a., 1973).
Da das CAPM davon ausgeht, dass Investoren ihre Portfolios nach dem Markowitz‘schen
„Mittelwert-Varianzkriterium“ wählen, unterliegt das CAPM theoretischen Einwänden.
Die zusätzlich von Sharpe (1964) und Lintner (1965) getroffenen Annahmen wurden
ebenso, insbesondere aufgrund der homogenen Erwartungen und des Einperiodencha-
rakters, kritisiert. Während das CAPM aussagt, dass die erwartete Überrendite eines
Vermögenswertes proportional zur Kovarianz seiner Rendite mit dem Marktportfolio
(als sein "Beta") funktioniert, hat die spätere empirische Arbeit von Black, Jensen und
Scholes (1972) dies widerlegt. Insbesondere stellten sie fest, dass "Low-beta" -Anlagen
im Durchschnitt eine höhere Rendite und "High-beta" -Anlagen im Durchschnitt eine
niedrigere Rendite erzielen, als vom Modell prognostiziert. Da es sich beim CAPM aber
um ein Gleichgewichtsmodell handelt, das leicht interpretierbar ist, wird das Modell
dennoch weiterhin verwendet (Merton u. a., 1973). Ausserdem deuten empirische Be-
weise darauf hin, dass das Modell einen signifikanten Teil der Variation der Anlagen-
renditen erklärt.
Um empirische Beweise dafür zu sammeln, dass das Capital Asset Pricing Model (CAPM)
bei der Erklärung realisierter Renditen Schwachpunkte aufweist, entwickelten Fama
und French (1993) das Drei-Faktor-Modell mithilfe amerikanischer Aktienrenditen. Das
Modell besagt, dass die erwartete Rendite eines Portfolios, welche über die risikofreie
Rate hinausgeht, durch die Sensitivität seiner Renditegrössen erklärt werden kann. Da-
für werden die Überrendite eines Marktportfolios, die Differenz zwischen der Rendite
eines Portfolios von Aktien kleiner Unternehmen und grosser Unternehmen sowie die
Differenz zwischen der Rendite eines Portfolios von High-Book-to-Market-Aktien und
von Low-Book-to-Market-Aktien verwendet.
Das Drei-Faktor-Modell von Fama und French (1993) wurde von anderen Wissenschaft-
lern genutzt, um weitere Studien durchzuführen. Gaunt (2004) führte eine Studie auf
dem australischen Aktienmarkt durch, wobei der untersuchte Zeitraum im Gegensatz
zu derselben Studie von Halliwell, Heaney, Sawicki u. a. (1999), durchgeführt von 1981
– 1991, um zehn Jahre erweitert wurde. Schlussendlich ergaben beide Studien, dass das
6
Drei-Faktor-Modell eine bessere Erklärung der beobachteten australischen Aktienren-
diten als das CAPM lieferte. Im Gegensatz zu den US-Beweisen von Fama und French
(1993) ergab sich der Grossteil der höheren Aussagekraft der Studien von Gaunt (2004)
sowie von Halliwell, Heaney, Sawicki u. a. (1999) ) aus nur einem der beiden zusätzlich
erforschten Faktoren: der Grösse. Connor und Sehgal (2001) untersuchten empirisch
das Fama-French-Drei-Faktoren-Modell nun in Indien, wo signifikante Hinweise auf
allgegenwärtige Markt-, Grössen- und Book-to-Market-Einflüsse auf indische Aktien-
renditen gefunden wurden. Sie stellten fest, dass die Rendite auf dem indischen Aktien-
markt zwar durch drei Faktoren erklärt werden kann, aber nicht durch den Marktfaktor
(CAPM) allein.
Das Drei-Faktor-Modell wird oft um einen Momentumfaktor erweitert, welcher von
Carhart (1997) initiiert wurde. Dieser Faktor stellt die Überrendite von Aktien mit ho-
her Rendite im letzten Jahr der Überrendite von Aktien mit tiefer Rendite im letzten Jahr
gegenüber. Der Momentumfaktor wurde in Analysen des US-Aktienmarktes (Barroso
und Santa-Clara (2015)), der Schwellenländer (Rouwenhorst (1998) und Rouwenhorst
(1999)), des Länderaktienindex (Cliff S Asness, Liew und Stevens (1997)), der Branchen-
portfolios (Moskowitz und Grinblatt (1999)), der Währungsmärkte (Okunev und White
(2003) und Menkhoff u. a. (2012)), der Rohstoffe (Erb und Harvey (2006)), und der Asset-
klassen (Clifford S Asness, Moskowitz und Pedersen (2013)) eingesetzt und erweist sich
als signifikanter Faktor. Ausserdem haben Pástor und Stambaugh (2003) einen weiteren
Faktor, den Liquiditätsfaktor – das Risiko, dass sich aus unvorhersehbaren Veränderun-
gen der Liquidität während der Zeit ergibt – in das Drei-Faktor-Modell von Fama und
French (1993) eingefügt.
Weitere auf diesem Ansatz basierende Studien (Novy-Marx (2013) und Titman, Wei und
Xie (2004)) kritisieren das Drei-Faktor-Modell und zeigen, dass die erwartete Rendi-
te nur unvollständig erklärt wird, da die drei Faktoren einen Grossteil der Variation
der durchschnittlichen Rendite verfehlen. Ausgehend von diesen Erkenntnissen haben
Fama und French (2015) das Drei-Faktor-Modell um Rentabilitäts- und Investitionsfak-
toren erweitert. Der Rentabilitätsfaktor wurde als die Differenz zwischen den Renditen
7
diversifizierter Portfolios von Aktien mit robuster und schwacher Rentabilität gerech-
net. Der Investitionsfaktor hingegen wurde als die Differenz zwischen den Renditen
diversifizierter Portfolios von Aktien niedriger und hoher Wertpapierfirmen berechnet.
Ungefähr ein Jahrzehnt nach der Einführung des CAPM entwickelte Ross (1976) die Ar-
bitrage Pricing Theory (APT) als prüfbare Alternative zum „Capital Asset Pricing Mo-
del". Die Arbitrage Pricing Theory (APT) unterscheidet sich vom Capital Asset Pricing
Model (CAPM) durch die Hypothese, dass tatsächliche und erwartete Wertpapierren-
diten nicht nur von einer Art nicht diversifizierbaren Risikos (d. h. Beta- oder Mark-
trisiko), sondern von einer Vielzahl verschiedener Risikoarten abhängen. Die APT ist
als eine verallgemeinerte Version des CAPM zu betrachten, da sie eine Vielzahl ver-
schiedener Risikoquellen akzeptiert. Dies entspricht der Intuition, dass beispielsweise
Zinsen, Inflation und Geschäftstätigkeit wichtige Auswirkungen auf die Volatilität der
Aktienrendite haben. Zudem ermöglicht die APT dem Portfoliomanager eine Vielzahl
neuer und einfach zu implementierender Tools, um Risiken zu kontrollieren und die
Portfolio-Performance zu verbessern (Burmeister, Roll und Ross, 1994).
Das Verhältnis zwischen dem Aktienmarkt und makroökonomischen Faktoren wurde
in der Finanzforschung umfassend analysiert (Panetta, 2002). N.-F. Chen, Roll und Ross
(1986) wenden die APT an, um diesen Zusammenhang auf dem US-Aktienmarkt zu un-
tersuchen. Ihre Nachforschungen ergaben, dass die Industrieproduktion, Inflation, Ri-
sikoprämie und die Steigung der Zinskurve zu den wichtigsten Preisfaktoren gehören.
Sie erwiesen sich als stark signifikante Einflussfaktoren der erwarteten Aktienrenditen,
während sich die unerwartete Inflation und die Veränderung der erwarteten Inflation
als weniger signifikante Einflussfaktoren herausstellten. Schliesslich untersuchten N.-F.
Chen, Roll und Ross (1986) die Wirkung eines Indexes von Ölpreisänderungen auf die
Aktienpreise, fanden jedoch keinen signifikanten Effekt.
Hamao (1988) führte mit japanischen makroökonomischen Variablen eine parallele Ana-
lyse in den japanischen Märkten durch. Die verwendeten makroökonomischen Varia-
blen in ihrem Modell waren vergleichbar mit jenen, die bei N.-F. Chen, Roll und Ross
(1986) für den US-Markt abgeleitet wurden. Es wurde festgestellt, dass Veränderungen
8
der erwarteten Inflation, unerwartete Veränderungen der Risikoprämie und unerwar-
tete Veränderungen der Steigung der Zinsstruktur einen signifikanten Einfluss auf den
japanischen Aktienmarkt ausüben. Schwächere Einflüsse wurden von der Veränderung
der monatlichen industriellen Produktion und den Terms of Trade abgeleitet.
S.-J. Chen und Jordan (1993) führten eine Studie durch, in welcher die Fähigkeit zweier
auf der APT basierender Modelle untersucht wurde. Ziel war es, die Portfoliorendi-
ten über den Zeitraum von 1971 bis 1986 vorherzusagen. Der Unterschied der beiden
Modelle liegt in den verwendeten Faktoren. Im sogenannten Factor Loading Modell
(FLM) werden die Faktoren durch die Faktoranalyse erzeugt und sind somit nicht spe-
zifiziert. Das makroökonomische Variablenmodell (MVM) hingegen ist angelehnt an
die Studie von N.-F. Chen, Roll und Ross (1986) und verwendet daher dieselben Ma-
krovariablen. Aufgrund der Eigenschaft des FLM wurde die Methode im Voraus als die
bessere eingestuft, was sich mit der Analyse bestätigte. Jedoch sind die beobachteten
Unterschiede zwischen den beiden Modellen relativ gering. Derselbe vergleichende An-
satz wurde des Weiteren in Studien für verschiedene europäische Länder angewendet:
Asprem (1989) untersuchte den Zusammenhang zwischen Aktienindizes, Assetportfo-
lios und makroökonomischen Variablen in zehn europäischen Ländern. Die Analyse
ergibt, dass die Beschäftigung, die Importe, die Inflation und die Zinsen einen negati-
ven Zusammenhang mit den Aktienkursen haben. Hingegen stehen die Erwartungen
an die zukünftige reale Aktivität, die Geldmenge und die US-Zinskurve in einem posi-
tiven Zusammenhang mit den Aktienkursen. Die Assoziation zwischen Aktienkursen
und makroökonomischen Variablen bildet sich am stärksten in Deutschland, den Nie-
derlanden, der Schweiz und dem Vereinigten Königreich heraus.
Weitere empirische Nachweise wurden von Clare und Thomas (1994) an der britischen
Börse für die Zeitperiode 1983 bis 1990 unter Verwendung zweier verschiedener Techni-
ken der Portfolio-Aufstellung präsentiert. Sie erweiterten die Modelle, welche von K. C.
Chan, N.-f. Chen und Hsieh (1985) und N.-F. Chen, Roll und Ross (1986) entwickelt wur-
den, um neue makroökonomische Faktoren wie den Wechselkurs und das Leistungs-
bilanzsaldo. Ihre Schlussfolgerungen lauteten, dass unter Verwendung beta-sortierter
9
Portfolios eine Reihe von Faktoren – die Ölpreise, zwei Variablen für den Ausfall von
Unternehmen als Marktrisikofaktoren, der Einzelhandelspreisindex, die Kreditvergabe
an britische Privatbanken, der Leistungsbilanzsaldo und die Rückzahlungsrendite auf
einen Index britischer Unternehmensanleihen und Unternehmenskredite – signifikant
wirkten. Diese Ergebnisse befinden sich weitgehend im Einklang mit den Ergebnissen
von K. C. Chan, N.-f. Chen und Hsieh (1985) sowie N.-F. Chen, Roll und Ross (1986).
Die Analyse steht jedoch im Widerspruch zu Beenstock, K.-F. Chan u. a. (1988), die fest-
stellten, dass bis zu 20 Faktoren einen möglichen Einfluss darstellen könnten. Ebenfalls
widersprechen die Ergebnisse jenen von Abeysekera und Mahajan (1987) die mithil-
fe der Faktoranlyse während des Beobachtungszeitraums von 1971 bis 1982 nur einen
Faktor als potenzielles systematisches Risiko gefunden haben.
Der kanadische Aktienmarkt wurde von Kryzanowski und Zhang (1992) untersucht.
Sie haben die Saisonalität von sieben makroökonomischen Variablen (verzögerte In-
dustrieproduktion, verzögertes BIP, Zinsstruktur, unerwartete Inflation, Risikoprämie,
US-Verbundindex und Cdn/US-Wechselkurs) getestet. Drei dieser makroökonomische
Variablen – Industrieproduktion, unerwartete Inflation und BIP – wiesen dabei eine
starke Saisonalität auf. Unter Verwendung aller sieben makroökonomischen Variablen
und der Residualmarktfaktoren dreier Marktindizes wurde nun ein APT-Modell ge-
schätzt, welches ein nichtlineares, multivariates Regressionssystem darstellte. Die Stich-
probe enthielt 50 Aktienportfolios, die an der Toronto Stock Exchange gehandelt wur-
den. Sie stellten fest, dass die Faktoren – verzögerte Industrieproduktion, verzögertes
BIP, Zinsstruktur, unerwartete Inflation und Risikoprämie – einen signifikanten Einfluss
aufwiesen, was mit den Forschungsergebnissen von N.-F. Chen, Roll und Ross (1986)
übereinstimmt.
Untersuchungen wurden auch auf dem italienischen Aktienmarkt durchgeführt. Panet-
ta (2002) hat makroökonomische Variablen, welche auf die italienischen Aktienrendi-
ten einwirken, identifiziert und die Stabilität der Beziehung zu den Wertpapierrenditen
getestet. Unter der Annahme, dass verschiedene Volkswirtschaften wahrscheinlich bis
zu einem gewissen Grad idiosynkratisch sind, wurde das Modell um Variablen erwei-
10
tert, die insbesondere für den italienischen Aktienmarkt von besonderer Bedeutung sein
könnten. Seine Ergebnisse deuten darauf hin, dass die Steigung der Zinskurve, die uner-
warteten Änderungen der Inflationsrate, die Industrieproduktion, die Veränderung der
Preise der Rohölimporte und die Veränderung des Lira-US-Dollar-Wechselkurses einen
signifikanten Einfluss auf die italienischen Aktienrenditen ausüben. Andere Variablen,
wie die erwartete Inflation, die unerwartete Veränderung der Ausfallrisikoprämie, die
unerwarteten Verschiebungen der Geldmenge und die Änderungsrate des Verbrauchs
pro Kopf, erweisen sich für die Erklärung der Wertpapierrenditen hingegen als nicht
signifikant.
Eine weitere Studie auf dem italienischen Aktienmarkt ging von Aleati, Gottardo und
Murgia (2000) aus. Sie untersuchten ökonomische Faktoren und Preiseffekte als syste-
matische Risiken. Zusätzlich zu all den volkswirtschaftlichen Faktoren wurde das Mo-
dell um eigenkapitalbasierte Faktoren, ähnlich den von Fama und French (1993) entwi-
ckelten Faktoren, erweitert. Es handelt sich dabei um den „Size-Effect“ (SMB) und dem
Book-to-Market Equity Risk (HML). Die Studie zeigt, dass Veränderungen des Markt-
index, Veränderungen des Ölpreises, die Ausfallprämie, die Änderung der Zinssätze,
die Faktoren SMB und HML einen grossen Teil der Variation der durchschnittlichen
italienischen Rendite ausmachen. Diese Ergebnisse lassen erkennen, dass sowohl ma-
kroökonomische Variablen als auch Aktienrisikofaktoren für die Bewertung von Akti-
enrenditen relevant sind. Diese Nachforschungen unterscheiden sich erheblich von den
Ergebnissen für den US-Aktienmarkt von Fama und French (1993).
11
3 Das Arbitrage Pricing Theory Modell
3.1 Annahme und formale Herleitung
Zusammenfassend wurde die APT, wie im vorherigen Kapitel erwähnt, ausgehend vom
Einfaktor-Modell CAPM, welches als Risikoquelle einzig die Sensitivität gegenüber dem
Markt annimmt, in einem zweiten Schritt die Arbitrage Pricing Theory eingeführt. Die
Hauptbeziehung, die sich aus dem CAPM ergibt, besagt, dass die (ex ante) erwarte-
te Rendite für jeden Vermögenswert beziehungsweise für jede risikoreiche Anlage wie
folgt ausgedrückt werden kann:
E(Ri) = Rf + (E(Rm)−Rf ) ∗ βi (1)
wobei Rf und E(Rm) − Rf die erwartete Überrendite auf dem Markt ist. βi kann wie
folgt ausgedrückt werden:
βi =cov(Ri, Rm)
σ2(Rm)(2)
cov(Ri, Rm) stellt die Kovarianz zwischen den Renditen des i-ten Vermögenswertes und
des Marktportfolios und σ2(Rm) die Varianz des Marktsportfolios dar (Fama und French,
2004).
Wie bereits im vorherigen Kapital aufgeführt, wurde das Arbitrage-Pricing-Modell als
Alternative zum von Sharpe, Lintner und Treynor eingeführtem CAPM vorgeschlagen.
Da das APT-Modell eine Vielzahl verschiedener Risikoquellen einbezieht, erweist es
sich im Gegensatz zum CAPM als allgemein anwendbar. Daraus folgt, dass empirisch
Finanz-Aktiva durch mehrere Risikoquellen beeinflusst werden können, wie beispiels-
weise durch Zinsen, Inflation und Geschäftstätigkeit. Diese Faktoren können wichtige
Auswirkungen auf die Volatilität der Aktienrendite haben. Sowohl das CAPM als auch
die APT nehmen an, dass firmenspezifische Risiken einen Einfluss auf die Rendite ei-
ner Aktie nehmen könnten. Durch das Zusammensetzen gut diversifizierter Portfoli-
os können diese firmenspezifischen bzw. idiosynkratischen Risiken eliminiert werden
(Burmeister, Roll und Ross, 1994).
12
Die Arbritage Pricing Theory nimmt an, dass die Rendite einer Aktiva in jeder Periode
t durch ein lineares Mehrfaktormodell generiert werden kann. Die Differenz zwischen
der realisierten Rendite und der erwarteten Rendite einer Anlage i beträgt dabei:
ri(t)− E[ri (t)] = bi1f1(t) + ...+ biKfK(t) + εi(t) (3)
wobei ri die am Ende der Periode t erzielte Gesamtkapitalrendite (Kapitalgewinne plus
Dividenden) ist, während E[ri (t)] die erwartete Rendite zu Beginn der Periode t, βij
die Risikoexposition oder das Beta des Anlagegegenstandes i zum Risikofaktor j für j =
1,...,K, fj(t) den Wert der Realisierung am Ende der Periode für den j-ten Risikofaktor j =
1,...,K und εi(t) den Wert des anlagespezifischen (idiosynkratischen) Schocks am Ende
der Periode darstellt. Die Differenz ri(t) − E[ri (t)] ist dementsprechend der Summe
aller systematischen Risikofaktoren multipliziert mit dem jeweilig eigenen beta βiK plus
einem anlagespezifischen idiosynkratischen Fehlerterm εi(t) gleichzustellen.
Diese Berechnungen unterliegen mehreren Annahmen. Zum einen wird die Annahme
getroffen, dass die Erwartungen zu Beginn der Periode für alle Faktorrealisierungen
und für den vermögensspezifischen Schock gleich null sind, d. h.
E (f1 (t)) =, ...,= E (fK (t)) = E (εi (t)) = 0 ∀t (4)
Ausserdem wird eine weitere strukturelle Annahme getroffen: Der anlagespezifische
Schock ist mit allen Faktorrealisierungen unkorelliert, was sich formal in der folgenden
Gleichung darstellen lässt:
cov (εi (t) , fj (t)) = 0 ∀ j mit j = 1, . . . , K (5)
Ferner wird angenommen, dass alle Faktorrealisierungen und die anlagespezifischen
Schocks über die Zeit unkorreliert sind:
cov (fj (t) , fj (t′)) = cov (εi (t) , εi (t
′)) = 0 ∀ j mit j = 1, . . . , K ; ∀t 6= t′ (6)
Zum anderen unterliegt das Modell der Bedingung, dass auch die Faktoren untereinan-
der nicht korreliert sein dürfen. Dieses Argument gilt ebenso für die anlagespezifischen
13
Schocks unterschiedlicher Anlagen (Burmeister, Roll und Ross, 1994).
Um die erwartete Rendite anhand der APT herleiten zu können, wird – zusätzlich zu
den bisher aufgezählten Annahmen – von einer weiteren wichtigen Annahme ausge-
gangen: Reine Arbitragegewinne sind unmöglich zu realisieren. Da auf dem Finanz-
markt Wettbewerb seitens der Akteure vorhanden ist, kann ein Anleger keine positive
erwartete Rendite aus einer beliebigen Kombination von Anlageinstrumenten erzielen,
ohne ein Risiko einzugehen und ohne eine Nettoinvestition zu tätigen. Unter all den
oben getroffenen Annahmen besagt das Haupttheorem der APT, dass es K + 1 Zah-
len P0, P1, ..., PK , gibt, welche nicht alle null sind. Somit kann die erwartete Rendite der
Anlage i folgendermassen approximiert werden:
E[ri (t)] ≈ P0 + β1P1 + ...+ βiKPK (7)
Unter den zusätzlichen Annahmen, dass es ein Portfolio ohne idiosynkratisches Risiko
und mindestens einem erwartungsnutzenmaximierenden Anleger gibt, welcher dieses
als sein optimales Portfolio betrachtet, gilt die obige Gleichung exakt:
E[ri (t)] = P0 + β1P1 + ...+ βiKPK (8)
wobei Pj mit j = 1, ..., K die Risikoprämie für den jten Risikofaktor darstellt und den
Zusammenhang zwischen Risiko und erwarteter Rendite bestimmt (N.-f. Chen und In-
gersoll Jr, 1983).
Um auf die finale Gleichung der APT zu kommen, wird ein perfekt diversifiziertes Port-
folio (εp(t) = 0) betrachtet, welches keine Sensitivität zu den Faktoren beinhaltet (βpj = 0
mit j = 1, ..., K). Ein solches Portfolio hat kein Risiko und die erwartete Rendite ist dabei
P0. Deshalb muss P0 der Rendite einer risikolosen Anlage R entsprechen (Burmeister,
Roll und Ross, 1994). Analog entspricht die Risikoprämie auf dem jten Faktor, Pj , der
über den risikolosen Zinssatz hinausgehenden erwarteten Rendite einer Anlage mit ei-
ner Sensitivität von βij zum jten Faktor und von null zu allen anderen Faktoren (βih ∀
h 6= k). Das Einsetzen des Ausdrucks der erwarteten Rendite in das Mehrfaktormodell
ergibt:
ri(t)− P0 = βi1[P1 + f1 (t)]+, ...,+βiK [PK + fKt] + εi(t) (9)
14
Die Gleichung besagt, dass sich die Überschussrendite einer Anlage aus den folgenden
Komponenten ergibt:
1. erwartete Renditen auf den makroökonomischen Faktoren (die P ′s), d. h. eine Ent-
lohnung für die getragenen Risiken,
2. unerwartete Renditen auf den makroökonomischen Faktoren (die f ′s) und
3. eine idiosynkratische Komponente (ε).
Gemäss der APT-Gleichung können die erwarteten Überschussrenditen einer beliebi-
gen Anlage i mittels folgender Gleichung berechnet werden:
ri (t)− P0 = βi1P1+, . . . ,+βiKPK (10)
Die erwartete Überschussrendite einer Anlage i ist somit als Summe der über alle Risi-
kofaktoren K des Produkts der Faktorrisikoprämie PK und der Sensitivität der Anlage
zu diesem Faktor βik zu betrachten. Diese Formulierung der erwarteten Renditen unter-
scheidet sich beim CAPM und APT. Während das CAPM die Risikoprämie einer Anlage
von einem einzigen Faktor – der Kovarianz mit dem Marktportfolio – abhängig macht,
können bei der APT hingegen mehrere Faktoren die erwartete Rendite beeinflussen. Die
APT trifft jedoch keine Aussage darüber, welches diese Faktoren sind (Burmeister, Roll
und Ross, 1994).
Da die Daten in vielen Studien monatlich beobachtet werden, wird der 30-tägige Treasury-
Bill als Indikator für den risikofreien Zinssatz herangezogen, d. h. P0 in Gleichung (7)
wird durch den 30-tägigen Treasury-Bill TB(t) ersetzt, der den Investoren zu Beginn
des Monats t bekannt ist. Für ein Modell mit N Vermögenswerten (i = 1, ..., N) und
einem Stichprobenzeitraum von T Zeiträumen (t =, ..., T ) sind die Anlagerendite ri(t),
die Treasury-Bill TB(t) und die Faktorrealisierungen fi(t) die einzelnen Datenelemente.
15
3.2 Mögliche Ansätze für die Schätzung der APT
Nachfolgend werden unterschiedliche Ansätze für die Schätzung der APT präsentiert.
Ausgehend von der obigen Annahme, dass die Rendite der 30-tägigen Treasury-Bill
als risikolose Anlage eingesetzt werden kann, wird die Gleichung der APT wie folgt
aussehen:
ri(t)− TB(t) = βi1[P1 + f1 (t)] + ...+ βiK [PK + fK(t)] + εi(t) (11)
Basierend auf Gleichung (11) können drei mögliche Ansätze ausgeführt werden, um die
APT einzuschätzen:
1. Die Berechnung der Faktoren fK(t) anhand statistischer Methoden. Die Ergebnis-
se unterliegen jedoch dem Nachteil schwer interpretierbarer geschätzter Faktoren.
2. Verwendung vonK gut diversifizierter Portfolios als Faktoren (siehe Appendix B;
Burmeister, Roll und Ross (1994)).
3. Verwendung der ökonomischen Theorie und der Erkenntnisse aus den Finanz-
märkten, um K Risikofaktoren zu spezifizieren, welche mit verfügbaren makro-
ökonomischen und finanziellen Daten gemessen werden können.
Der Vorteil des dritten Ansatzes besteht darin, dass er eine intuitiv ansprechende Rei-
he von Faktoren bietet, die eine wirtschaftliche Interpretation der Risikopositionen (die
βij‘s) und der Risikoprämien (die Pj‘s) zulassen. Aus rein statistischer Sicht hat dieser
Ansatz den Vorteil, dass neben den Aktienrenditen auch ökonomische Informationen
verwendet werden (Burmeister, Roll und Ross, 1994). In der vorliegenden Arbeit wer-
den daher die Überrenditen des italienischen Aktienmarktes anhand des dritten Ansat-
zes analysiert.
16
4 Empirische Analyse
4.1 Daten
Die vorliegende Arbeit untersucht monatliche Überrenditen italienischer Aktien, wo-
bei die Untersuchung den Zeitraum von Februar 2006 bis Dezember 2018 umfasst. Es
handelt sich somit um einen Beobachtungszeitraum von 155 Monaten. Diese Entschei-
dung hat hauptsächlich zwei Gründe: Zum einen ist dieser Zeitraum durch ein relativ
instabiles wirtschaftliches und politisches Umfeld gekennzeichnet. Beispielsweise kann
man auf der politischen Ebene acht verschiedene Regimewechsel in der Beobachtungs-
periode festhalten, 2 während auf wirtschaftlicher Ebene in den Jahren 2007 und 2008
die Finanzkrise stattfand. Der zweite Hauptgrund ist, dass der Zeitraum der gesamten
Periode des italienischen Index FTSEMIB entspricht, erweitert um noch drei zusätzliche
Jahre, damit es möglich ist, den Effekt der Finanzkrise auf die Rendite der Aktien der
in den Indizes enthaltenen Unternehmen zu analysieren. Der Datensatz enthält die mo-
natliche Aktienrendite der 35 von 40 im FTSEMIB Index aufgeführten Unternehmen.
Von allen Renditen der Aktien der Unternehmen wird noch die Rendite der risikolo-
sen Anlage subtrahiert, damit die Überrendite herangezogen werden kann. Als Proxy
für die Rendite der risikolosen Anlage werden die dreimonatigen „Buoni Ordinari del
Tesoro“ (BOT) verwendet. In einer anderen Studie, welche den amerikanischen Akti-
enmarkt untersucht, werden die sogenannten Schatzwechsel des Staates (Treasury Bill)
verwendet (N.-F. Chen, Roll und Ross, 1986; Jorion, 1991).
Die Überschussrendite Ri,t wurde mit der folgenden Gleichung berechnet:
Ri,t =Pi, t − Pi,t−1
Pi,t
− rf,t (12)
wobei Pi,t den um Ausschüttungen und Kapitalmassnahmen bereinigten Preis der i-ten
Unternehmensaktie zum Zeitpunkt t und rf,t die Rendite einer risikolosen Anlage von
2Die Chronologie des Regimewechsels während der Beobachtungsperiode kann unter folgender Seite
gefunden werden. http://www.governo.it/i-governi-dal-1943-ad-oggi/191
17
t − 1 bis t darstellt. Die Aktienpreise aller 35 analysierten Unternehmen stammen aus
Bloomberg, während die Renditen der dreimonatigen BOT, welche als Proxy für die
risikolose Anlage verwendet wurden, der Datenbank der „Banca d’Italia“ entnommen
wurden.
4.2 Beschreibung der verwendeten Risikofaktoren
Das Ziel dieses Abschnitts liegt darin, die unabhängigen Variablen, welche in der em-
pirischen Analyse dieser Arbeit verwendet werden, verständlich zu machen. Die Be-
hauptung soll hierbei nicht sein, dass das genutzte Modell alle makroökonomischen
Variablen, die die Aktienrenditen prägen, enthält. Es gibt keine formal theoretischen
Hinweise für die Wahl der geeigneten Faktoren, welche einen Einfluss haben könnten
(S.-J. Chen und Jordan, 1993). Zu Vergleichszwecken werden ähnliche Faktoren unter-
sucht, die sowohl in N.-F. Chen, Roll und Ross (1986), als auch in anderen früheren
Studien vorkommen.
Um ein Teil der gesamten verwendeten Faktoren für die empirische Analyse dieser Ar-
beit herzuleiten, wird ein von der Finanztheorie vorgeschlagener Massstab hinzugezo-
gen. Das sogenannte Dividenden-Diskontmodell besagt, dass die Wertpapierkurse dem
diskontierten Wert der erwarteten Dividenden entsprechen müssen (Panetta, 2002):
Pt =∞∑j=0
Et
[Dt+j
1 + rt,t+j
]3 (13)
wobei Dt die Dividende zum Zeitpunkt t ist, rt,t+j der Zinssatz zwischen dem Datum
t und t + j und Et die Erwartung zum Zeitpunkt t bezeichnet. Daraus folgt, dass die
systematischen Kräfte, welche die Rendite beeinflussen können, diejenigen sind, die
den Diskontierungsfaktor rt,t+j und die erwarteten Cashflows aus den DividendenDt+j
verändern (Panetta, 2002).3Einfachheit halber wurde ber der Gleichung (13) die selbe Notation wie in der Studie von Panetta
(2002) verwendet.
18
4.2.1 Industrieproduktion
Eine positive Veränderung der Industrieproduktion geht theoretisch mit einem höheren
Umsatz einher und legt somit die Erwartung nahe, dass dies einen positiven Einfluss
auf die Aktienrendite ausüben wird. Wie in den Studien von Aleati, Gottardo und Mur-
gia (2000) und Panetta (2002) wird die monatliche Wachstumsrate der Industrieproduk-
tion aus dem monatlichen Index der Industrieproduktion berechnet. Der Index wird
vom italienischen Zentralamt für Statistik (ISTAT) erstellt und ist saisonal adjustiert.
Dementsprechend beträgt die monatliche Wachstumsrate der Industrieproduktion:
GIP = ln (IP t)− ln(IP t−1) (14)
wobei IPt den Index der Industrieproduktion im Monat t und IPt−1 den Index der In-
dustrieproduktion im vorherigen Monat t− 1 bezeichnet.
4.2.2 Ölpreis
Italien ist stark von ausländischem Öl abhängig. Der Ölpreis wird als systematischer
Faktor im empirischen Modell berücksichtigt, da er als einer der wichtigsten Produkti-
onskosten gilt (Aleati, Gottardo und Murgia, 2000). Des Weiteren argumentieren diverse
Studien, dass der Ölpreis in jedes empirische Modell, welches die Renditen und Prei-
se der Aktienmärkte bestimmen will, als systematischer Einflussfaktor einzugliedern ist
(N.-F. Chen, Roll und Ross, 1986). Um diese Hypothese zu testen und somit einen weite-
ren Einflussfaktor zu untersuchen, wurden die monatlichen Unterschiede des Ölpreises
mithilfe des Logarithmus des Producer Price Index/Crude Petroleum berechnet. Die
Daten wurden aus dem Federal Reserve Economic Data der Bank of St.Louis genom-
men:
GOP = ln(POILt)− ln(POILt−1) (15)
wobei POILt den “Producer Price Index of Crude Petroleum” im Monat t und POILt−1
im vorherigen Monat t− 1 darstellt.
19
4.2.3 Zinsstruktur
Der Wert einer Aktie wird direkt durch den Diskontsatz beeinflusst. In den meisten Mo-
dellen der Asset-Pricing-Theorie wird der Faktor Zinsrisiko akzeptiert und oft verwen-
det (Rjoub, Türsoy und Günsel, 2009). N.-F. Chen, Roll und Ross (1986) und Clare und
Thomas (1994) fanden heraus, dass die Zinsstruktur wichtige Informationen für die Vor-
hersage von Aktienmarktrenditen enthält. Nach N.-F. Chen, Roll und Ross (1986) wurde
die unerwartete Veränderung der Steigung der Zinsstruktur mit der Differenz zwischen
der Rendite langfristiger (zehnjährige) Staatsanleihen im Monat t und der Rendite kurz-
fristiger Staatsanleihen (drei Monate) am Ende des Vormonats t− 1 bestimmt. In Italien
entsprechen die langfristigen Staatsanleihen der sogenannten BTP (Buoni del Tesoro
Poliennali) und die kurzfristigen Staatsanleihen der BOT (Buono Ordinario del Teso-
ro), welche maximal eine Laufzeit von zwölf Monaten aufweisen (Aleati, Gottardo und
Murgia, 2000). Um den Faktor „Term of structure“ zu bestimmen, wurden demnach
die Renditen der zehnjährigen italienischen Staatsanleihen und solcher dreimonatigen
Staatsanleihen verwendet. Die Daten stammen aus der Datenbank der Banca d’Italia.
Die Streuung der Rendite stellt die intertemporale Veränderung in Form der Zinsstruk-
tur wie folgt dar:
UTS = Y LGBt − Y TBt−1 (16)
wobei UTS, Y LGBt und Y TBt−1 der unerwarteten Veränderung der Zinsstruktur, der
Rendite langfristiger italienischer Staatsanleihen und der Rendite der kurzfristigen drei-
monatigen Staatsanleihen entsprechen.
4.2.4 Staatliche Verschuldung
Aus theoretischer Sicht, namentlich in einer Studie von Elmendorf und Mankiw (1999),
wird ein negativer Zusammenhang zwischen Verschuldung und Wachstum erwartet:
Es existiert eine umfangreiche Literatur über die potenziellen negativen Auswirkungen
einer hohen Staatsverschuldung durch höhere, langfristige Zinssätze sowie über die
Erwartung einer höheren Besteuerung in der Zukunft (Elmendorf und Mankiw, 1999).
20
Ausserdem kann eine hohe Verschuldung die makroökonomische Unsicherheit steigern
und Investitionen abschrecken (Serven u. a., 1997). Auf Basis der oben erwähnten Über-
legungen wird in der vorliegenden Arbeit getestet, ob die Höhe der Staatsschulden in
Italien einen signifikanten Einfluss auf die Rendite der Aktien der analysierten Firmen
aufweist. Die staatliche Verschuldung wird als logarithmische Veränderung eingesetzt
und ist in der folgenden Gleichung ersichtlich:
GD = ln(GDt)− ln(GDt−1) (17)
wobei GDt und GDt−1 die staatliche Verschuldung im Monat t und t− 1 darstellen.
4.2.5 Geldangebot
Die Geldmenge kann die Aktienkurse durch mindestens drei Mechanismen mitbestim-
men: Erstens können Änderungen der Geldmenge mit unerwarteten Inflationssteige-
rungen und zukünftigen Inflationsunsicherheiten zusammenhängen und somit negativ
auf den Aktienkurs wirken. Zweitens können Änderungen der Geldmenge den Aktien-
kurs durch ihre Auswirkungen auf die Wirtschaftstätigkeit positiv beeinflussen, da die
Portfoliotheorie eine Zunahme der Geldmenge mit einer Portfolioumschichtung von
unverzinslichem Geld zu finanziellen Vermögenswerten, einschliesslich Aktien, in Ver-
bindung bringt. Letztens führt die Erhöhung der Geldmenge zu einem Rückgang der
Realzinsen (Humpe und Macmillan, 2009). So sehen sich Unternehmen mit einem nied-
rigen Diskontsatz für ihren zukünftigen Bargeldumlauf konfrontiert. Dies führt dazu,
dass die Unternehmen auf steigende Erträge reagieren, indem sie ihre Investitionen an-
passen, um mehr Umsatz und Gewinn zu generieren, was wiederum zu einem höheren
zukünftigen Bargeldumlauf und höheren Aktienkursen führt (Rjoub, Türsoy und Gün-
sel, 2009).Die monatlichen Daten für diesen Aspekt der Untersuchung stammen aus der
Datenbank der Banca d‘Italia und entsprechen der Geldmenge M1.
21
4.2.6 Wechselkurs
Gemäss Granger, Huangb und Yang (2000) beeinflusst eine Veränderung des Wechsel-
kurses aus mikroökonomischer Sicht das Angebot multinationaler Unternehmen. Ei-
ne Aufwertung der lokalen Währung wird höchstwahrscheinlich den Gewinn des Un-
ternehmens und damit den Aktienkurs senken. Ebenso wird aus makroökonomischer
Sicht eine Aufwertung der lokalen Währung im Rahmen des flexiblen Wechselkursre-
gimes die Wettbewerbsfähigkeit des Produkts verringern und den Aktienkurs senken.
Aus beiden Perspektiven wird erwartet, dass die Wechselkursänderung zu einer Kurs-
entwicklung führt. Die italienische Wirtschaft beispielsweise ist stark auf den interna-
tionalen Handel ausgerichtet, weshalb vermutet werden kann, dass die Volatilität der
Wechselkurse einen erheblichen Einfluss auf die italienischen Aktien ausüben könnte
(Aleati, Gottardo und Murgia, 2000).
Der Indikator für die unerwartete Veränderung der Wechselkurse ist der Änderungs-
kurs des Wechselkurses Euro/US-Dollar:
GEXR = ln(SP t)− ln(SP t−1) (18)
wobei GEXR die Veränderung des Wechselkurses EUR/USD darstellt. SPt und SPt−1
hingegen geben die Wechselkurse im Monat t und im vorherigen Monat t − 1 wie-
der. Basierend auf der Studie von Panetta (2002) ist die Entscheidung für den US-EUR-
Wechselkurs damit zu begründen, dass der US-Dollar die wichtigste Währung im ita-
lienischen Aussenhandel darstellt.
4.2.7 Term of Trade
Eine weitere Variable, die die Auswirkungen von Wechselkursänderungen auf die Wirt-
schaft beschreibt, ist die Veränderung der Terms of Trade. Die Terms-of-Trade-Daten
stammen aus den monatlichen ISTAT-Statistiken und werden als Verhältnis zwischen
dem Preisindex der Exportgüter und dem Preisindex der Importgüter definiert. In die-
ser Arbeit wird die Veränderung der Terms of Trade als makroökonomischer Faktor
22
verwendet, welcher die Rolle der realen Wechselkursschocks für den italienischen Ak-
tienmarkt erfasst (Panetta, 2002). Die verwendete Variable ist die logarithmische Verän-
derung der Terms of Trade, ausgedrückt als:
GTT = ln(TT t)− ln(TT t−1) (19)
wobei TTt den Term of Trade im Monat t und TTt−1 den Term of Trade des vorherigen
Monats t− 1 darstellt.
4.2.8 MSCI und Stoxx 600 Indices
Die Co-Bewegungen zwischen dem italienischen Markt und den ausländischen Akti-
enmärkten werden berücksichtigt, indem die Veränderungen des Morgan Stanley Ca-
pital International World Equity Index (MSCI) und des Euro Stoxx 600, welcher die 600
grössten europäischen Unternehmen enthält, einbezogen werden. Die verwendeten Va-
riablen sind die logarithmischen monatlichen Veränderungen der Performance beider
Indizes:
GMSCI = ln(PMSCI t)− ln(PMSCI t−1 ); GSXX = ln(SXX t)− ln(SXX)t−1 (20)
wobei PMSCIt und PMSCIt−1 die Performance des Morgan Stanley Capital Interna-
tional World Equity Index im Monat t und im vorherigen Monat t − 1 darstellen. Die
analoge Berechnung und Interpretation gelten auch für den europäischen Aktien-Index
Eurostoxx 600. Die Daten der beiden Indizes stammen aus Bloomberg (2019).
4.2.9 Arbeitslosenrate
In dieser Arbeit wird die Arbeitslosenquote durch die tatsächliche Zahl der Arbeitslo-
sen in der Wirtschaft dargestellt. Ausserdem wird die Arbeitslosenquote als makroöko-
nomischer Risikofaktor eingesetzt, welcher die Rendite des Aktienmarkts beeinflussen
könnte. Analog zur Studie von Boyd, Hu und Jagannathan (2005) wird die kurzfristige
Reaktion des Aktienkurses auf die Ankündigung einer bestimmten Arbeitslosenquote
23
untersucht. Sie stellten damals fest, dass diese Reaktion davon abhängt, ob die Wirt-
schaft expandiert oder schrumpft. Im Durchschnitt reagiert der Aktienmarkt positiv
auf die Nachricht von steigender Arbeitslosigkeit bei Expansionen und negativ bei Kon-
traktionen. Da sich die Wirtschaft in der Regel in einer Expansionsphase befindet, folgt
daraus, dass die Börse entsprechend bei der Bekanntgabe schlechter Signale vom Ar-
beitsmarkt steigt. Die Daten der italienischen monatlichen Arbeitslosenquote stammen
aus der Datenbank der OECD. Die makroökonomische Variable wird als logarithmische
Veränderung der Arbeitslosenquote verwendet:
GUNEMP = ln(UNEMP t)− ln(UNEMP t−1) (21)
wobei UNEMt und UNEMPt−1 die italienische Arbeitslosenquote im Monat t und t−1
darstellen.
4.2.10 Kreditvolumen im Privatsektor
Laut der Banca d’Italia (2019) hat sich die Kreditvergabe an Unternehmen im letzten
Quartal von 2018 verlangsamt. Ausserdem, haben sich die Kreditangebotsbedingungen
verschärft. Dies ist sowohl auf die Verschlechterung der makroökonomischen Aussich-
ten als auch auf den Anstieg der Finanzierungskosten zurückzuführen. Um zu beurtei-
len, ob das Kreditvolumen des Privatsektors einen signifikanten Einfluss auf die Rendi-
te der italienischen Aktien aufweist, wurde die Veränderung des Kreditvolumens in das
Regressionsmodell eingefügt. Die verwendete Variable ist definiert als logarithmische
Veränderung des monatlichen Kreditvolumens:
GLN = ln(LNV t)− ln(LNV t−1) (22)
wobei LNVt und LNVt−1 das Kreditvolumen im Monat t und t − 1 darstellen. Die ver-
wendeten Daten stammen aus der Datenbank der Banca d’Italia.
4.2.11 Risikoprämie
Die Risikoprämie wird in der Studie von N.-F. Chen, Roll und Ross (1986) als potenziel-
ler Risikofaktor aus dem Geldmarkt verwendet. Sie erklärten, dass dadurch die Risiko-
24
aversion des Investors direkt gemessen werden kann. Da Unternehmen mit einem tiefe-
ren Rating sehr stark gehebelt sind, zielt die Risikoprämie auf einen Levarage-Effekt ab.
Die Variable wurde definiert als Differenz der Rendite zwischen einer Portfolioanleihe
von Unternehmen, welche ein maximales Rating von „Baa“ aufwies, und der Rendite
eines Portfolios langfristiger Staatsanleihen. Die Renditedifferenz war ausreichend un-
korreliert, sodass sie dem Modell als Faktor hinzugefügt wurde. In dieser Arbeit wird
die Risikoprämie jedoch auf Basis der Studie von Aleati, Gottardo und Murgia (2000) be-
rechnet. Grund dafür ist, dass genau wie bei Aleati, Gottardo und Murgia (2000) Zeitrei-
hendaten für Renditen von Unternehmensobligationen mit Rating „Baa“ oder schlech-
ter schwer zu finden waren. Die Laufzeit von italienischen Unternehmensobligationen
entsprach ausserdem nicht der Laufzeit der für die vorliegende Analyse verwendeten
Staatsanleihen. Aufgrund dessen wird eine Variable, die stattdessen die Differenz zwi-
schen den Zinssätzen für Bankkredite und der Rendite langfristiger Staatsanleihen er-
fasst, hinzugezogen. Die unabhängige Variable ist definiert als:
RP = BIRt − Y LGBt (23)
wobei BIRt der durchschnittliche Zinssatz für monatliche Bankkredite ist, welcher aus
der Datenbank der Banca dItalia stammt.
4.2.12 Unerwartete Inflation
Das Verhältnis zwischen unerwarteter Inflation und Aktienkursen ist unklar. Während
einige Studien eine signifikante negative Beziehung fanden (Bodie (1976), Jaffe und
Mandelker (1976), Nelson (1976), Fama und Schwert (1977), Schwert (1981) und Fa-
ma (1981)), stellten jüngste Studien keine signifikante Beziehung fest (Pearce und Roley
(1984), Hardouvelis (1987) und McQueen und Roley (1993)). In all diesen Studien wur-
de die unerwartete Inflation aus Zeitreihenschätzungen der erwarteten Inflation sowie
aus der Differenz zwischen Nominalzinsen und Inflation berechnet. Um die erwartete
Inflation abzuleiten, wird in dieser Arbeit das Zeitreihenverfahren von Fama und Gib-
bons (1984) verwendet. Es gibt jedoch mehrere unterschiedliche Ansätze zur Modellie-
25
rung von Zeitreihen. Während Fama und Gibbons (1984) einen Ansatz des sogenannten
„gleitenden Durchschnitts“ als Modell für die Änderung der Inflationsrate benutzen,
folgt diese Arbeit einer ARIMA 4 Methode. Fama und Gibbons (1984) war es möglich,
den Ansatz des „gleitenden Durchschnitts“ zu befolgen, da sich die Autokorrelation
erster Ordnung der monatlichen Inflationsveränderung auf -0.53 belief. Ausserdem la-
gen alle anderen Autokorrelationen höherer Ordnung der monatlichen Inflationsver-
änderung beinahe bei null. In der vorliegenden Arbeit wird die erwartete Inflation,
basierend auf der Schätzung von Panetta (2002), mithilfe eines ARIMA-Modells und
der tatsächlichen Inflation angenähert. Die Inflation ist dabei über einen rollenden Zeit-
raum von 48 Monaten als monatliche Veränderung des Konsumentenpreisindex gege-
ben. Mit der Funktion „auto.arima“ in R-Studio wird in dieser Arbeit erhoben, welches
ARIMA-Modell die geeignetste Methode für die vorliegenden Daten ist. Anhand dieser
Schätzung wird eine einstufige Prognose für jeden Monat und somit für den gesamten
Beobachtungszeitraum erstellt. Abb. 1 zeigt die geschätzten Prognosen für jeden Monat
des Beobachtungzeitraums. Die unerwartete Inflation wird definiert als:
UI t = It − E [It| t− 1] (24)
wobei It als tatsächliche Inflation gegeben wird undE [It| t− 1] die anhand des ARIMA-
Modells geschätzte erwartete Inflation darstellt.
4ARIMA-Modelle gehen davon aus, dass die vorliegenden Daten einer bestimmten Variablen eine
lineare Funktion der vergangenen Daten der selben Variablen darstellen. Ausserdem wird angenommen,
dass die Fehlerterme einer Normal-Verteilung folgen (Babu und Reddy, 2014).
26
Abbildung 1: Prognose der erwarteten Inflation für den Beobachtungzeitraum
Geschätzte erwartete inflationsrate
Beobachtungszeitraum auf monatlicher Basis
Infla
tions
rate
0 50 100 150 200
01
23
4
Die Abbildung 1 zeigt die Schätzung der erwarteten Inflation für den Beobachtungzeitraum. Während
die rote Linie die durch das Modell prognostizierte erwartete Inflation zeigt, ist die tatsächliche Inflation
durch die schwarze Linie erkennbar. Auf der X-Achse ist die Zeit auf monatlicher Basis abgebildet. Die
Y-Achse hingegen stellt die Inflationsrate dar.
4.2.13 CDS-Preise
Die Marktwahrnehmung des Ausfallrisikos von Staaten wird anhand der „Spreads“ auf
Credit Default Swaps (CDS) von Staaten mit unterschiedlichen Laufzeiten gemessen.
CDS-Instrumente werden hauptsächlich an ausserbörslichen (OTC-) Derivatemärkten
gehandelt. Die Spreads stellen die vierteljährlichen Zahlungen dar, die der Käufer von
CDS an den Verkäufer für die bedingte Forderung im Falle eines Kreditereignisses, bei-
spielweise der Nichtzahlung von Staatsschulden, zu zahlen hat, und sind daher ein
hervorragender Massstab für die marktbasierte Ausfallrisikopreisgestaltung. Staatliche
CDS bieten einen marktbasierten Echtzeit-Indikator für die Qualität staatlicher Kredi-
te und für das Ausfallrisiko. Zwischen Ende 2010 und Anfang 2011 hatte Italien mit
fast 300 Mrd. USD weltweit die grössten ausstehenden CDS-Nennbeträge (Aizenman,
Hutchison und Jinjarak, 2013). Eine höherer CDS-Price deutet somit darauf hin, dass
27
eine höhere Wahrscheinlichkeit eines Kreditereignisses vorhanden ist. Aufgrund dieser
Überlegungen wird in dieser Arbeit der CDS-Preis auf italienische Staatsanleihen als
potenzieller Risikoindikator für das Land und somit auch für den Aktienmarkt inter-
pretiert. Die verwendete Variable wird als logarithmische Veränderung der monatlichen
CDS-Preise berechnet. Die Daten stammen aus Bloomberg:
CCDS = ln(CDSP t)− ln(CDSP t−1) (25)
4.3 Statistische Eigenschaften der makroökonomischen Variablen
Eine statistische Beschreibung aller Faktoren ist in den Tabellen 1 und 2 gegeben. Die
Korrelationsmatrix (Tabelle 1) umfasst den gesamten 155-monatigen Stichprobenzeit-
raum von Februar 2006 bis Dezember 2018. Werden die Korrelationen mit dem Stoxx
600 Aktienmarktindex betrachtet, so sind ein deutlich positiver Koeffizient für den MS-
CI World Aktienmarktindex und etwas weniger positive Koeffizienten mit dem Ölpreis,
dem Wechselkurs und der Zinskurve bzw. der Zinsstruktur (Term of Structure) fest-
zustellen. Eine stärker negative Beziehung kann zwischen den Variablen Zinsstruktur
und Risikoprämie erkannt werden. Ein möglicher Grund dafür könnte sein, dass beide
Faktoren mit Renditen auf zehnjährigen italienischen Staatsanleihen berechnet wurden.
Eine hohe Korrelation zwischen der Zinsstruktur und der Risikoprämie war auch in der
Studie von N.-F. Chen, Roll und Ross (1986) für den amerikanischen Aktienmarkt und
Hamao (1988) für den japanischen Aktienmarkt ersichtlich. Eine mögliche Begründung
hierbei könnte sein, dass in all diesen Fällen die Rendite auf zehnjährige Staatsanleihen
verwendet wurde, um beide Faktoren zu berechnen. Eine weitere negative Korrelation
kann zwischen der Term of Trade und dem Ölpreis festgestellt werden. Diese negati-
ve Beziehung wurde in der Studie von Aleati, Gottardo und Murgia (2000) detaillierter
erklärt. Sie argumentieren, dass eine Abwertung der italienischen Lira gegenüber dem
US-Dollar mit einem Anstieg des Ölpreises im Inland und darüber hinaus mit einer Ver-
schlechterung der Terms of Trade einhergeht.
Eine weitere negative Beziehung ist ebenso zwischen dem europäischen Aktienindex
28
Tabe
lle1:
Kor
rela
tion
mat
rix
der
verw
ende
ten
ökon
omis
chen
Ris
ikof
akto
ren
ING
DM
1R
PG
OP
GEX
RG
MSC
IG
LNG
IPU
TS
GT
TG
UN
EMP
CC
DS
GSX
XU
E
Infla
tion
(IN
)1
0.045
-0.126
-0.303
-0.026
0.001
-0.185
0.185
-0.179
0.047
-0.099
0.137
0.147
-0.200
-0.038
Staa
tlic
heVe
rsch
uldu
ng(G
D)
0.045
1-0.308
-0.035
0.061
-0.034
0.049
0.129
-0.061
0.040
-0.009
0.141
-0.134
0.074
-0.015
Gel
dang
ebot
(M1)
-0.126
-0.308
10.149
-0.019
0.081
0.090
-0.323
0.049
-0.114
-0.006
-0.042
-0.043
0.098
0.031
Ris
ikop
räm
ie(R
P)-0.303
-0.035
0.149
1-0.143
-0.030
-0.122
0.154
-0.022
-0.788
0.131
-0.150
0.050
-0.119
0.067
Ölp
reis
(GO
P)-0.026
0.061
-0.019
-0.143
10.262
0.322
0.059
0.122
0.090
-0.401
0.035
-0.086
0.215
0.318
Wec
hsel
kurs
(GEX
R)
0.001
-0.034
0.081
-0.030
0.262
10.588
-0.028
-0.081
-0.018
-0.131
-0.174
-0.351
0.183
0.166
MSC
IWor
ldEq
uity
(GM
SCI)
-0.185
0.049
0.090
-0.122
0.322
0.588
1-0.104
0.008
0.174
-0.141
-0.133
-0.573
0.854
0.162
Kre
dits
volu
me
(GLN
)0.185
0.129
-0.323
0.154
0.059
-0.028
-0.104
1-0.124
-0.320
0.028
-0.036
0.094
-0.105
-0.005
Indu
stri
epro
dukt
ion
(GIP
)-0.179
-0.061
0.049
-0.022
0.122
-0.081
0.008
-0.124
10.059
-0.170
-0.096
0.090
0.070
0.101
Zin
sstr
uktu
r(U
TS)
0.047
0.040
-0.114
-0.788
0.090
-0.018
0.174
-0.320
0.059
1-0.051
0.166
-0.144
0.215
-0.055
Term
ofTr
ade
(GTT
)-0.099
-0.009
-0.006
0.131
-0.401
-0.131
-0.141
0.028
-0.170
-0.051
10.022
0.034
-0.100
-0.235
Arb
eits
lose
nquo
te(G
UN
EMP)
0.137
0.141
-0.042
-0.150
0.035
-0.174
-0.133
-0.036
-0.096
0.166
0.022
10.051
-0.081
-0.157
CD
S-Pr
eise
(CC
DS)
0.147
-0.134
-0.043
0.050
-0.086
-0.351
-0.573
0.094
0.090
-0.144
0.034
0.051
1-0.579
0.059
Stox
x60
0(G
SXX
)-0.200
0.074
0.098
-0.119
0.215
0.183
0.854
-0.105
0.070
0.215
-0.100
-0.081
-0.579
10.083
Une
rwar
tete
Infla
tion
(UI)
-0.038
-0.015
0.031
0.067
0.318
0.166
0.162
-0.005
0.101
-0.055
-0.235
-0.157
0.059
0.083
1
Tabe
lle1.
Die
Kor
rela
tion
enw
erde
nan
hand
eine
rSt
ichp
robe
von
155
Beob
acht
unge
nge
schä
tztw
ähre
ndde
rM
onat
sdat
envo
nFe
brua
r20
06
bis
Dez
embe
r20
18.
29
(Stoxx600), dem World Equity Index (MSCI) und dem CDS-Preis zu verzeichnen. Diese
negative Korrelation entspricht den Erwartungen, da ein höherer CDS-Preis mit einer
eher schlechten Bonität staatlicher Kredite und somit einem höheren Ausfallrisiko ein-
hergeht. Daher könnte sich die schlechte Bonität des Landes während einer Periode
eventuell negativ auf die Aktienmärkte auswirken. Die Korrelationen zwischen den
restlichen makroökonomischen Variablen sind relativ klein. Tabelle 2 gibt die Autokor-
relationen für die berechneten Variablen über den gesamten Stichprobenzeitraum von
Februar 2006 bis Dezember 2018 wieder. Hier kann beobachtet werden, dass die Inflati-
on, die Risikoprämie und die Zinsstruktur stark autokorreliert sind. Die anderen Varia-
blen weisen dagegen nur leichte Autokorrelationen auf. Dabei haben die Variablen alle
sechs oder zwölf Monate keine starken saisonalen Schwankungen. Ein Spitzenwert in
der Verzögerung warnt davor, dass eine Variable stark saisonabhängig ist. Ausserdem
impliziert die Autokorrelation in den unabhängigen Variablen das Vorhandensein eines
Fehlers, welcher die Schätzungen verzerren könnte (N.-F. Chen, Roll und Ross, 1986).
30
Tabelle 2: Autokorrelationsmatrix
ρ1 ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8 ρ9 ρ10 ρ11 ρ12
Inflation 0.975 0.942 0.893 0.838 0.777 0.714 0.649 0.580 0.512 0.448 0.391 0.336
Staatliche Verschuldung -0.226 -0.096 0.031 0.004 -0.127 0.103 -0.171 0.021 0.073 -0.095 -0.134 0.576
Geldangebot -0.280 -0.157 0.253 -0.240 -0.026 0.418 -0.116 -0.109 0.217 -0.233 -0.102 0.573
Risikoprämie 0.959 0.908 0.852 0.808 0.769 0.738 0.708 0.677 0.647 0.608 0.561 0.514
Ölpreis 0.300 0.203 -0.027 -0.130 -0.098 -0.119 -0.096 -0.129 -0.123 -0.030 0.062 0.072
Wechselkurs -0.041 -0.012 0.146 -0.049 -0.002 0.113 -0.191 -0.069 -0.123 0.048 -0.087 -0.122
MSCI Wolrd Equity 0.179 -0.002 0.125 0.159 -0.008 -0.137 -0.091 0.036 -0.094 -0.061 -0.061 -0.007
Kreditsvolume 0.021 0.230 0.190 0.263 0.096 0.325 0.078 0.277 0.075 0.149 0.079 0.436
Industrieproduktion -0.118 0.149 0.178 0.103 0.073 0.050 -0.019 0.095 -0.005 0.024 -0.145 -0.123
Zinsstruktur 0.979 0.948 0.914 0.882 0.850 0.821 0.792 0.762 0.731 0.696 0.655 0.613
Term of Trade -0.0002 0.057 0.048 0.095 -0.058 -0.023 0.062 -0.112 0.045 -0.005 -0.053 0.112
Arbeitslosenquote -0.152 0.222 -0.058 0.276 0.023 0.162 0.086 0.008 0.164 -0.027 0.187 -0.316
CDS-Preise 0.081 0.005 0.186 -0.095 -0.129 -0.080 -0.116 -0.030 0.046 0.021 0.030 0.095
Stoxx 600 0.194 -0.003 0.125 0.175 0.034 -0.098 -0.067 0.081 0.068 -0.100 -0.044 0.005
Unerwartete Inflation 0.001 0.159 -0.001 0.056 -0.060 0.022 0.083 -0.045 -0.070 -0.137 0.085 -0.420
Tabelle 2. Die Autokorrelation-Koeffizienten (ρi mit i = 1, ..., 12) der ökonomischen Risikofaktoren
werden auf der Grundlage einer Stichprobe von 155 Beobachtungen geschätzt während der
Monatsdaten von Februar 2006 bis Dezember 2018.
5 Empirische Anwendung des Arbitrage Pricing Theory
Modells
Mittlerweile existiert ein bedeutendes Mass an Literatur, die den Zusammenhang zwi-
schen Aktienrenditen und einer Reihe makroökonomischer und finanzieller Variablen
über eine Vielzahl verschiedener Aktienmärkte und Zeithorizonte hinweg untersucht.
Die bestehende finanzwirtschaftliche Theorie liefert zahlreiche Modelle, die einen Rah-
men für die Untersuchung dieser Beziehung bieten. Der italienische Aktienmarkt wur-
de in mehreren Studien bereits anhand verschiedener Modelle und Prozeduren analy-
siert. Cagnetti (2002) untersuchte den italienischen Aktienindex (ISM), welcher aus 30
Unternehmen bestand und mehr als 40% der gesamten, damaligen Marktkapitalisie-
31
rung entsprach. Die empirischen Tests seiner Studie zeigten auf, dass das CAPM im
Vergleich zum APT eine schlechtere Aussagekraft und das APT in all seinen Analysen
eine bessere Performance aufwies. Anhand einer Kombination von Faktoranalyse und
Zeitreihenregression haben Aleati, Gottardo und Murgia (2000) in ihrer Studie die Ren-
dite derjenigen Unternehmen analysiert, welche während der Periode 1981 und 1993
auf dem italienischen Aktienmarkt gelistet waren.
In der vorliegenden Arbeit wurden durch Verwendung der ökonomischen Theorie und
der Kenntnis der Finanzmärkte K Risikofaktoren verwendet, welche mit verfügbaren
makroökonomischen und finanziellen Daten gemessen wurden, um Aktienrenditen des
italienischen Aktienmarktes zu analysieren.
5.1 Bildung von Portfolios
Die Rendite von 35 italienischen Firmen, welche im FTSE MIB Index enthalten sind,
stellen die abhängige Variable der vorliegenden Studie dar. Portfolios werden zusam-
mengesetzt, um sowohl das diversifizierbare Risiko zu eliminieren als auch den Fehler-
term der unabhängigen Variablen zu reduzieren (Clare und Thomas, 1994). Um die em-
pirische Analyse in dieser Arbeit durchzuführen, werden zehn Portfolios zusammen-
gestellt, deren Formierung nach Sektoren bzw. Branchen erfolgt. Dies ist ersichtlich in
den Tabellen 3 und 4. Der Grund für diese Formierung liegt darin, dass ein identisches
Risikoprofil für alle Portfolios nicht sinnvoll ist. Aus diesen Grunde erstellten Berry,
Burmeister und McElroy (1988) insgesamt sogar 82 auf Sektoren basierende Portfolios.
Ihre Studie beweist deutlich, dass verschiedene Aktien sehr unterschiedliche Profile der
Risikoexposition annehmen und je nach Industriesektoren sehr unterschiedlicheR2 auf-
gezeichnet werden können. In der Studie von Jorion (1991) wurden alle Aktien, welche
zu dieser Zeit an der „New York Stock Exchange“ gelistet waren, in 20 wertgewichtete
Branchenportfolios unterteilt. S.-J. Chen und Jordan (1993) analysierten Aktienrenditen
von Unternehmen, welche von Januar 1971 bin Dezember 1986 sowohl an der „New
York Stock Exchange“ als auch an der „American Stock Exchange“ gelistet waren. In
32
dieser Studie wurden insgesamt 69 Portfolios nach Industriesektoren gegliedert. Rjoub,
Türsoy und Günsel (2009) untersuchten den türkischen Aktienmarkt und testeten die
Sensitivität von sechs makroökonomischen Variablen auf 13 nach Sektoren sortierten
Portfolios. Trotz der zahlreichen Studien, welche Aktienrenditen in Sektoren-Portfolios
unterteilt haben, gibt es auch Studien, in denen Aktien nach der Grösse in Portfolios
differenziert wurden (Hamao, 1988; N.-F. Chen, Roll und Ross, 1986). Die vorliegen-
de Arbeit richtet sich nach der Mehrheit der Studien und basiert ihre Analysen auf
Sektoren-Portfolios.
5.2 Regressionanalyse
In diesem Abschitt wird die zugrundeliegende Hypothese dieser wissenschaftlichen
Arbeit anhand von Zeitreihenregressionen getestet. Die Hypothese ist dabei, dass die
verwendeten Risikofaktoren einen signifikanten Einfluss auf die italienischen Aktien-
renditen ausüben. Dieser signifikante Einfluss sollte je nach analysiertem Portfoliosek-
tor unterschiedlich sein. Schliesslich wird zusätzlich ein vollständiges Modell geschätzt,
welches die gesamten Paneldaten nach allen Risikofaktoren regressiert. Dies wird einen
besseren Vergleich mit anderen Studien ermöglichen. Ausserdem wurden sowohl bei
jeder Portfoliosektor-Schätzung als auch für das gesamte Modell „fixed effects“ einge-
baut. Das Modell wird durch folgende Gleichung geschätzt:
Rit = αit + βit1 ∗ UI + βit2 ∗GD + βit3 ∗MS1 + βit4 ∗RP + βit5 ∗ UTS
+ βit6 ∗GTT + βit7 ∗GUNEMP + βit8 ∗GSXX + βit9 ∗GOP
+ βit10 ∗GEXR + βit11 ∗GMSCI + βit12 ∗GLN + βit13 ∗GIP
+ βit14 ∗ CCDS + εit
(26)
wobeiRit die Überrendite eines Portfolios i in der Zeit tmit t = 1, .., 155 ist, während βitj
die Sensitivität gegenüber dem jeweiligen Risikofaktor j mit j = 1, .., 14 und εit einen
Fehlerterm des jeweiligen Portfolios darstellt. Jeder dieser Faktoren wird duch einen T-
test überprüft, um zu definieren, ob der Faktor signifikant verschieden von null ist. Die
33
Resultate der Zeitreihenregressionen sind in den Tabelle 3 und 4 ersichtlich. Den darge-
stellten Resultaten kann nun entnommen werden, dass die Erwartungen bezüglich der
unterschiedlichen Signifikanzniveaus und Sensitivitäten eingetroffen sind. Vorab soll
verdeutlicht werden, wie die Ergebnisse allgemein zu interpretieren sind: Angenom-
men, der Stoxx 600 steigt um 1%, während die Veränderung aller anderen Risikofakto-
ren gleich null ist, so wird die Überrendite der Aktien des Bankensektors, welche über
den risikolosen Zinssatz hinausgeht, um 2.58% steigen. Diese Logik ist anwendbar auf
alle folgenden signifikanten Schätzer.
34
Tabelle 3: Resultate der ersten fünf Portfoliosektoren
Portfolios:
Erste fünf Sektoren
(Banken) (Versicherungen) (Finanzdinstleistung) (Versorger) (Energie)
Unerwartete Inflation (UE) −0.009 0.009 −0.011 −0.008 −0.0002
(0.012) (0.026) (0.018) (0.016) (0.013)
Staatsschulden (GD) 0.276 0.603 0.564 −0.216 −0.124
(0.372) (0.786) (0.534) (0.473) (0.386)
Geldangebot (M1) 0.242 0.239 0.296 −0.131 0.187
(0.184) (0.389) (0.264) (0.234) (0.191)
Risikoprämie (RP) 0.013∗∗∗ 0.022∗∗ 0.017∗∗ 0.013∗∗ −0.002
(0.005) (0.010) (0.007) (0.006) (0.005)
Zinsstruktur (UTS) 0.006 0.001 0.006 −0.003 −0.004
(0.004) (0.009) (0.006) (0.005) (0.004)
Term of Trade (GTT) −0.244 −1.196∗ −0.791∗ −0.355 −0.067
(0.288) (0.608) (0.413) (0.366) (0.299)
Arbeitslosenquote (GUNEMP) 0.144 0.040 0.278 −0.051 0.044
(0.127) (0.269) (0.183) (0.162) (0.132)
Stoxx 600 (GSXX) 2.583∗∗∗ 1.981∗∗∗ 2.026∗∗∗ 1.107∗∗∗ 1.145∗∗∗
(0.215) (0.455) (0.309) (0.274) (0.223)
Ölpreis (GOP) 0.035 −0.108 −0.043 0.020 0.086∗∗∗
(0.032) (0.067) (0.046) (0.041) (0.033)
Wechselkurs (GEXR) 1.539∗∗∗ 1.377∗∗∗ 0.909∗∗∗ 0.724∗∗∗ 0.272
(0.192) (0.406) (0.276) (0.244) (0.200)
MSCI World Equity (GMSCI) −1.751∗∗∗ −1.124∗∗ −0.991∗∗∗ −0.630∗∗ −0.353
(0.225) (0.476) (0.323) (0.286) (0.234)
Kreditvolumen (GLN) −0.103 −0.501 −0.188 −0.585 −0.547
(0.323) (0.682) (0.463) (0.410) (0.335)
Industrieproduktion (GIP) −0.402∗∗ −0.097 −0.359 −0.149 −0.140
(0.180) (0.380) (0.258) (0.229) (0.187)
CDS-Preise (CCDS) −0.091∗∗∗ −0.115∗∗ −0.105∗∗∗ −0.038 −0.039∗
(0.023) (0.048) (0.033) (0.029) (0.024)
Finanzkrise −0.022∗ −0.039 −0.032∗∗ −0.052∗∗∗ −0.019
(0.011) (0.024) (0.016) (0.014) (0.012)
Beobachtungen 1,085 310 465 310 620
R2 0.360 0.333 0.410 0.301 0.287
Adjusted R2 0.347 0.296 0.387 0.263 0.266
Tabelle 3. Die Tabelle zeigt die durch das Modell geschätzen Resultate der ersten fünf Port-
foliosektoren für den Beobachtungzeitraum Februar 2006 bis Dezember 2018. Die Standard-
fehler der Schätzer sind in den Klammern enthalten. Die folgende Symbolen *,**,*** zeigen,
ob die Koeffizienten statistisch signifikant sind auf dem 10%, 5% und 1% Niveau.
∗p<0.1; ∗∗p<0.05; ∗∗∗p<0.01
35
Zuerst soll auf die Analysen des Bankensektors eingegangen werden. Dabei zeigt sich
ein signifikanter Einfluss wie folgt: Die Risikoprämie weist ein Signifikanzniveau von
1% und eine positive Sensitivität auf. Ein möglicher Grund dafür könnte sein, dass die
Risikoprämie mit dem Zinssatz der Bankkredite berechnet wurde, analog der Studie
von (Aleati, Gottardo und Murgia, 2000). In anderen Studien, wie beispielweise der von
N.-F. Chen, Roll und Ross (1986) und Berry, Burmeister und McElroy (1988), wird die
Risikoprämie als Differenz der Rendite von Unternehmensanleihen mit einem tieferen
Rating und der Rendite langfristiger Staatsanleihen berechnet. Die Interpretation des
Einflusses der Risikoprämie für den Finanzsektor, welche Berry, Burmeister und McEl-
roy (1988) in ihrer Studie gegeben haben, war die folgende: Da Unternehmen in diesen
Sektoren stark ausgehebelt sind, erhöht jede nicht antizipierte Ausweitung der Diffe-
renz zwischen den Renditen von Staats- und Unternehmensanleihen den angemessenen
Diskontsatz dieser Unternehmen. Die Berechnung der Risikoprämie durch die Rendi-
te von Staats- und Unternehmensanleihen analog den erwähnten Studien impliziert,
dass ein Vergleich mit den Resultaten der vorliegenden Studie sinnlos wäre, da die Be-
rechnungsart unterschiedlich ist. Beide Faktoren, welche die Performance des sowohl
europäischen als auch weltweiten Marktindex messen, weisen ein hohes Signifikanzni-
veau von 1% auf.
Die positive Sensitivität des europäischen Aktienindex Stoxx Europe 600 von 2.5828
könnte durch die hohe Marktkorrelation zwischen den europäischen Ländern interpre-
tiert werden. Die Sensitivität des MSCI Aktienindex hingegen weist einen negativen
Zusammenhang mit der Rendite der Aktien von italienischen Banken auf. Der Wechsel-
kurs EUR/USD zeichnet sich durch ein hohes Signifikanzniveau von 1% und eine posi-
tive Sensitivität von 1.5386 aus. Das Resultat entspricht der Interpretation von (Granger,
Huangb und Yang, 2000). Eine Aufwertung beziehungsweise eine Abwertung der italie-
nischen Währung, dementsprechend des EURO, wird sowohl auf mikro- als auch ma-
kroökonomischer Ebene Einfluss auf den Aktienkurs eines Unternehmens haben. Die
Erwartungen bezüglich des Einflusses der Finanzkrise und des CDS-Preises auf italie-
nische Bankenaktien sind eingetroffen. Die Finanzkrise weist ein Signifikanzniveau von
36
10% und eine negative Sensitivität gegenüber dem Bankensektor auf. Diese Beziehung
steht ausser Zweifel, da grosse Umsatzeinbrüche während dieser Zeit erfolgten. Ebenso
passt die Erklärung auf die Analysen der meisten Sektoren. Der CDS-Preis ergibt ein
Signifikanzniveau von 1% und eine negative Sensitivität, was ebenfalls den vorher for-
mulierten Erwartungen entspricht. Eine erhöhte CDS-Prämie deutet auf ein geringeres
Staatsvertrauen bzw. eine geringere Staatsglaubwürdigkeit hin, was als ein möglicher
Indikator für eine instabile wirtschaftliche Situation gilt und somit indirekt einen nega-
tiven Einfluss auf die Aktienrendite ausüben könnte.
Die Faktoren, welche die Rendite der Versicherungsaktien signifikant beeinflussen, sind
denen des Bankensektors sehr ähnlich. Die Risikoprämie weist eine positive Sensitivität
von 0.0215 mit einem Signifikanzniveau von 5% aus. Nicht nur auf den Bankensektor,
sondern auch auf die Rendite der Versicherungsaktien, haben sowohl der Stoxx 600 mit
einem Signifikanzniveau von 1% und einer positiven Sensitivität als auch der MSCI-
World Index mit einem Signifikanzniveau von 5% und einer negativen Sensitivität einen
starken Einfluss. Der Wechselkurs weist eine positive Sensitivität von 1.3770 und ein
hohes Signifikanzniveau von 1% aus. Auf dem italienischen Versicherungsaktienmarkt
zeigen sich die CDS-Preise als signifikant negativer Einflussfaktor. Im Gegensatz zum
Bankensektor scheint der „Term of Trade“ mit einem Signifikanzniveau von 10% einen
negativen Einfluss zu haben.
Eine eingehende Analyse der Aktien von Unternehmen, welche als Kerngeschäft Fi-
nanzdienstleistungen anbieten, ergibt dieselben systematischen Risiken. Übereinstim-
mend mit der Analyse für die Banken und Versicherungen haben die Indizes Stoxx
600 und MSCI World, der Wechselkurs, die Risikoprämie, die Veränderung des CDS-
Preises, der „Term of Trade“ und die Finanzkrise einen signifikanten Einfluss auf die
Rendite der Aktien dieses Sektors. Erklären lässt sich diese Ähnlichkeit mit der hohen
positiven Korrelation zwischen Banken, Versicherungen und Finanzdienstleistungsun-
ternehmen. Die Resultate für den Einfluss des Wechselkurses unterscheiden sich von
jenen der Studie von (Jorion, 1991). In seiner Studie schien der Wechselkurs keinen si-
gnifikanten Einfluss auf die Aktien des Finanzsektors während des Beobachtungszeit-
37
raums von 1971 bis 1987 zu nehmen. Gleichartig ist bei der Studie von Rjoub, Türsoy
und Günsel (2009) ersichtlich, dass der Wechselkurs keinen signifikanten Einfluss auf
die Aktienrendite des Banken- und Versicherungssektors ausübt. Als möglicher Grund
für diese Unterschiede können verschiedene Aktienmärkte und verschiedene Untersu-
chungsperioden betrachtet werden.
Bei einer Analyse der Aktienrenditen des Versorgersektors zeigt sich die Finanzkrise mit
einem hohen Signifikanzniveau von 1% und einer negativen Sensitivität. Dies erscheint
einleuchtend, da dieser Sektor während der Finanzkrise in Italien stark betroffen war.
Weitere Risikofaktoren, welche die Aktienrendite des Versorgersektors signifikant be-
einflussen, sind die Performance der Indizes Stoxx 600 und MSCI World, die Risikoprä-
mie und der Wechselkurs. Faktoren, welche den Versorgersektor nicht zu beeinflussen
scheinen, sind die unerwartete Inflation, die staatliche Verschuldung, das Geldangebot,
die Veränderung des CDS-Preises, die Veränderung der Zinskurve, der Term of Tra-
de, die Arbeitslosenquote, der Ölpreis, die Veränderung der Industrieproduktion und
die Veränderung des Kreditvolumens. Dies entspricht den Resultaten von (Berry, Bur-
meister und McElroy, 1988). Sie erklärten in ihrer Studie das Resultat dadurch, dass
Versorgungsunternehmen ihre Kostensteigerungen leichter als Unternehmen anderer
Branchen bewältigen können. Damit die Gewinne in dieser Branche an der Kapitalbasis
konstant gehalten werden, sind die Versorgungspreise stark reguliert, was somit dazu
führt, dass die Regulierung die Auswirkungen einer unerwarteten Inflation auf die Ver-
sorgungsunternehmen dämpft.
Bei der Betrachtung des Energiesektors werden Aktienrenditen von Unternehmen, wel-
che sich mit Öl, Gas und Energie beschäftigen, einbezogen. Die Performance des Index
Stoxx 600, die Veränderung der CDS-Preise und die Veränderung des Ölpreises weisen
einen signifikanten Einfluss auf. Der Ölpreis umfasst dabei eine positive Sensitivität
gegenüber der Rendite des Energiesektors. Dies stimmt mit den Erwartungen überein,
da ein Anstieg des Ölpreises den Umsatz des Unternehmens steigert, und dementspre-
chend dadurch die Aktienkurse dieser Unternehmen positiv beeinflusst werden könn-
ten. Hingegen weist die Veränderung der CDS-Preise eine negative Beziehung auf, was
38
die Erwartungen bestätigt.
Tabelle 4: Resultate der restlichen Portfoliosektoren und des gesamten Modells
Portfolios:
Restliche Sektoren und gesamtes Modell
(Luxusbranche) (Infrastruktur) (Gast. und Getränke) (Industrie) (Med. und Tele.) (Gesamtes Modell)
Unerwartete Inflation (UE) −0.006 0.025 −0.021 0.011 0.006 −0.0002
(0.014) (0.019) (0.015) (0.010) (0.021) (0.005)
Staatsschulden (GD) 0.261 −0.248 −0.032 0.561∗ −0.115 0.239
(0.436) (0.571) (0.459) (0.311) (0.636) (0.150)
Geldangebot (M1) −0.311 0.208 0.264 0.050 0.060 0.117
(0.216) (0.283) (0.227) (0.154) (0.315) (0.074)
Risikoprämie (RP) 0.004 0.006 0.005 0.010∗∗ 0.019∗∗ 0.010∗∗∗
(0.006) (0.007) (0.006) (0.004) (0.008) (0.002)
Zinsstruktur (UTS) 0.0002 0.002 0.002 −0.001 0.005 0.002
(0.005) (0.006) (0.005) (0.003) (0.007) (0.002)
Term of Trade (GTT) −0.178 0.327 −0.340 0.019 −0.787 −0.269∗∗
(0.337) (0.442) (0.356) (0.241) (0.492) (0.116)
Arbeitslosenquote (GUNEMP) −0.151 0.612∗∗∗ −0.152 −0.118 0.240 0.057
(0.149) (0.195) (0.157) (0.106) (0.217) (0.051)
Stoxx 600 (GSXX) 1.588∗∗∗ 1.777∗∗∗ 0.618∗∗ 1.368∗∗∗ 2.221∗∗∗ 1.710∗∗∗
(0.252) (0.331) (0.266) (0.180) (0.368) (0.087)
Ölpreis (GOP) 0.010 −0.056 −0.041 0.056∗∗ −0.100∗ 0.011
(0.037) (0.049) (0.039) (0.027) (0.055) (0.013)
Wechselkurs (GEXR) 0.419∗ 0.577∗ −0.042 0.156 1.545∗∗∗ 0.727∗∗∗
(0.225) (0.295) (0.237) (0.161) (0.329) (0.077)
MSCI World Equity (GMSCI) −0.672∗∗ −0.690∗∗ 0.254 −0.127 −1.442∗∗∗ −0.770∗∗∗
(0.264) (0.346) (0.278) (0.188) (0.385) (0.091)
Kreditvolumen (GLN) −1.200∗∗∗ −0.398 −0.211 −0.145 −0.661 −0.370∗∗∗
(0.378) (0.496) (0.399) (0.270) (0.552) (0.130)
Industrieproduktion (GIP) −0.594∗∗∗ −0.178 0.157 −0.389∗∗∗ −0.163 −0.292∗∗∗
(0.211) (0.276) (0.222) (0.150) (0.307) (0.072)
CDS-Preise (CCDS) −0.059∗∗ −0.083∗∗ 0.005 −0.046∗∗ −0.022 −0.062∗∗∗
(0.027) (0.035) (0.028) (0.019) (0.039) (0.009)
Finanzkrise −0.029∗∗ −0.020 −0.045∗∗∗ −0.053∗∗∗ −0.037∗ −0.035∗∗∗
(0.013) (0.017) (0.014) (0.009) (0.019) (0.005)
Beobachtungen 465 310 310 1,240 310 5,425
R2 0.393 0.426 0.361 0.398 0.337 0.335
Adjusted R2 0.369 0.395 0.326 0.387 0.301 0.329
Tabelle 4. Die Tabelle zeigt die durch das Modell geschätzen Resultate der restlischen Portfoliosektoren und des
gesamten Modells für den Beobachtungzeitraum Februar 2006 bis Dezember 2018. Die Standardfehler der Schät-
zer sind in den Klammern enthalten. Die folgende Symbolen *,**,*** zeigen, ob die Koeffizienten statistisch signi-
fikant sind auf dem 10%, 5% und 1% Niveau sind.
∗p<0.1; ∗∗p<0.05; ∗∗∗p<0.01
39
In der Luxusbranche wurden Unternehmen, welche sich hauptsächlich mit Mode be-
schäftigen, analysiert. Hierbei sind ergänzend zu den bisher analysierten Einflussfak-
toren zwei weitere zu nennen: Die Veränderung des Kreditvolumens und die Verände-
rung der Industrieproduktion weisen neu ein Signifikanzniveau von 1% auf. Die rest-
lichen Einflussfaktoren bleiben unverändert, wie die CDS-Preise, die Performance der
Indizes Stoxx 600 und MSCI World, der Wechselkurs und die Finanzkrise. Dabei haben
die CDS-Preise, die Finanzkrise, das Kreditvolumen, die Industrieproduktion und die
Performance des Index MSCI World einen negativen Einfluss auf die Aktienrenditen
der Luxusbranche. Die Performance des Stoxx 600 und der Wechselkurs hingegen wei-
sen eine positive Sensitivität auf.
Die Infrastrukturbranche umfasst alle Anlagen, Dienstleistungen und Einrichtungen,
die für das Funktionieren einer Gesellschaft notwendig sind. Wird der Infrastruktur-
sektor eingehend analysiert, stellt sich die Arbeitslosenquote im Unterschied zu den
bisherigen Analysen als wichtiger Einflussfaktor mit einer positiven Sensitivität von
0.6117 heraus. Überdies zeichnen sich die Performance der beiden Indizes, der Wech-
selkurs und die Veränderung der CDS-Preise, auch hier wieder als signifikante Ein-
flussfaktoren ab. Wichtige Eigenschaften wie beispielweise eine monopolistische Struk-
tur, hohe Eintrittsbarrieren und unelastische Nachfrage gelten als mögliche Vorteile für
einen stabilen Cash-Flow der in diesem Sektor enthaltenen Unternehmen. Daraus folgt
die mögliche Aussage, dass diese Unternehmen den restlichen verwendeten Risikofak-
toren nicht ausgesetzt sind.
Den Sektor Gastronomie und Getränke scheinen nur die Performance des Stoxx 600
und die Finanzkrise signifikant zu beeinflussen. Daraus kann gefolgert werden, dass
die Aktien der Firmen des Gastronomie- und Getränke-Sektors als antizyklische bzw.
defensive Aktientitel betrachtet werden könnten. Es erscheint naheliegend, dass dieser
Sektor wenigen Marktrisiken ausgesetzt ist, da Nahrungsmittel den Grundbedürfnissen
der Menschen entsprechen. Hierbei lässt sich ein direkter Vergleich zu der Studie von
Rjoub, Türsoy und Günsel (2009) herstellen: Sie stellen einen ähnlichen Portfoliosek-
tor zusammen, in welchem Unternehmen enthalten sind, die Nahrungsmittel, Getränke
40
und Tabacco herstellen. Dabei zeigen sie einzig die unerwartete Inflation als signifikan-
ten Faktor auf.
Bei der Analyse des Industriesektors fällt auf, dass die Staatsschulden mit einer posi-
tiven Sensitivität von 0.5607 und einem Signifikanzniveau von 10% signifikante Ein-
flussfaktoren ergeben. Das Resultat entspricht zwar der Erwartung bezüglich des Signi-
fikanzniveaus, jedoch nicht hinsichtlich der positiven Sensitivität dieses Faktors. Die
Theorie benennt einen negativen Zusammenhang zwischen Verschuldung und Wachs-
tum (Elmendorf und Mankiw, 1999). Dasselbe kann für den Risikofaktor, der die Verän-
derung der Industrieproduktion darstellt, beobachtet werden. Intuitiv hingegen würde
bei einem Anstieg der Industrieproduktion eine Erhöhung der Umsätze der Firmen und
somit ein positiver Einfluss auf Aktienkurse vorhergesagt werden. Die meisten restli-
chen Einflussfaktoren entsprechen hinsichtlich des Signifikanzniveaus und der Sensi-
tivität den Erwartungen. Die Risikoprämie, die Performance des Index Stoxx 600, die
Veränderung des Ölpreises, die Veränderung des CDS-Preises und die Finanzkrise ha-
ben einen signifikanten Einfluss auf die Renditen des Industriesektors. Die Sensitivität
der Veränderung des Ölpreises betrachtend, ergibt sich jedoch eine Unstimmigkeit. Da
viele Firmen des Industriesektors auf Ölressourcen angewiesen sind, würde bei einer
Steigung des Ölpreises eine Senkung des Umsatzes und somit der Rendite dieser Un-
ternehmen erwartet werden. Darauf deuten die Ergebnisse jedoch nicht hin.
Bei dem Portfoliosektor „Medien und Telekommunikation“ weisen die Finanzkrise und
die Veränderung des Ölpreises ein Signifikanzniveau von 10% mit einer negativen Be-
ziehung zur Rendite der Branche aus. Die Performance der Stoxx 600 und der Wech-
selkurse ist signifikant auf einem 1% Niveau und verfügt über eine positive Beziehung
zu den Renditen der Branche, während die Performance des MSCI mit einer negativen
Beziehung assoziiert wird. Die Risikoprämie zeichnet sich durch ein Signifikanzniveau
von 5% und durch eine positive Beziehung aus. Die Erklärung für die assoziierten Be-
ziehungen in diesem Portfolio sind nicht eindeutig gegeben und interpretierbar.
41
An dieser Stelle werden die Resultate des gesamten Modells nun ohne Unterteilung
in Portfoliosektoren diskutiert. Es ist ersichtlich, dass die Anzahl der Faktoren, welche
einen signifikanten Einfluss haben, wesentlich höher ist als bei der Analyse der ein-
zelnen Portfoliosektoren. Hier kommen die Risikoprämie, die Performance der beiden
Indizes Stoxx 600 und MSCI World, der Wechselkurs, die Veränderung der Industrie-
produktion, die Veränderung des CDS-Preises und die Finanzkrise mit einem hohen
Signifikanzniveau von 1% vor. Der „Term of Trade“ und die Veränderung des Kredit-
volumens sind signifikant auf dem 5% respektive auf dem 1% Niveau. Die unerwartete
Inflation, die Veränderung der Zinsstruktur, die Arbeitslosenquote, die Staatsverschul-
dung und die Veränderung des Ölpreises haben in diesem gesamten Modell keinen
signifikanten Einfluss auf die Aktienrendite des italienischen Aktienmarktes. Das Re-
sultat der Risikofaktoren-Veränderung der Zinsstruktur und der unerwarteten Inflation
steht im Widerspruch zu den Resultaten von Panetta (2002) und (N.-F. Chen, Roll und
Ross, 1986). Sie fanden einen signifikanten Einfluss für diese beide Risikofaktoren auf
dem italienischen respektive amerikanischen Aktienmarkt. Unterschiede sind auch zur
Studie von Hamao (1988) auf dem japanischen Aktienmarkt zu erkennen. Im Gegensatz
zum in dieser Arbeit festgestellten signifikanten Einfluss des Term of Trade, stellten die
Untersuchungen von Hamao (1988) keinen signifikanten Einfluss dieses Risikofaktors
dar. Die Resultate von Panetta (2002) bezüglich des Wechselkurses und der Verände-
rung der Industrieproduktion hingegen stehen im Einklang mit den Resultaten dieser
Studie. In diesem Modell sind die Erwartungen bezüglich des Einflusses der CDS-Preise
und der Finanzkrise vollständig eingetroffen.
42
6 Zusammenfassung und Diskussion
In dieser Arbeit wurden über einen Beobachtungszeitraum von 13 Jahren die im Ak-
tienindex FTSE MIB enthaltenen Firmen in Portfoliosektoren aufgeteilt und die Über-
rendite der Aktien in den verschiedenen Sektoren analysiert. Als unabhängige Varia-
blen wurden makroökonomische Risikofaktoren verwendet, welche bereits in verschie-
denen vorherigen Studien herangezogen worden sind. Zusätzlich wurde der Satz der
verwendeten unabhängigen Variablen um andere Faktoren – wie beispielweise die Per-
formance zweier Aktienindizes, die Veränderung des CDS-Preises und die Veränderung
des Kreditvolumens – erweitert. Während der gesamten Beobachtungsperiode wurden
zudem sogenannte „fixed effects“ eingebaut, um auch auf unbeobachtete zeit- oder in-
dividuenspezifische Einflussfaktoren wie die Finanzkrise Rücksicht zu nehmen.
Zusammenfassend wurde festgestellt, dass die Anzahl der Risikofaktoren einen signi-
fikanten Einfluss auf die Rendite haben und deren Signifikanzniveau je nach Portfolio-
sektor variieren. Die Ergebnisse deuten darauf hin, dass ein eindeutiger Zusammen-
hang zwischen den meisten verwendeten makroökonomischen Risikofaktoren und den
Aktienrenditen besteht. Die Risikoprämie, die staatliche Verschuldung, der Term of Tra-
de, die Arbeitslosenquote, die Performance des europäischen Aktienindex Stoxx 600,
die Veränderung des Ölpreises, die Performance des weltweiten Aktienindex MSCI
World, die Veränderung des Kreditvolumens, der Industrieproduktion sowie des CDS-
Preises und die Finanzkrise weisen einen signifikanten Einfluss auf die analysierten
Aktienrenditen auf. Die unerwartete Inflation und die Veränderung der Zinsstruktur
hingegen üben bei keinem Portfolio einen signifikanten Einfluss aus, was sich erheb-
lich von den bekannten Ergebnissen für den US-Aktienmarkt unterscheidet. Schliesslich
deutet auch das Geldangebot auf keinen signifikanten Einfluss hin. Die erklärte Variati-
on der Portfolio-Renditen liegt mit einem adjustierten R2 zwischen 0.2656 bis 0.3871.
Durch eine Kombination von makroökonomischen Risikofaktoren und eigenkapital-
orientierten Faktoren von Fama und French (1993) oder sogenannten pfadabhängigen
Momentum-Faktoren von Carhart (1997) könnte die Variation der analysierten Überren-
43
dite möglicherweise besser erklärt werden. Eine andere mögliche Verbesserung dieser
Arbeit könnte implementiert werden, indem verschiedene Modelle mit sehr ähnlichen
Faktoren – wie beispielweise die von N.-F. Chen, Roll und Ross (1986) - aufgebaut wer-
den. Durch das Hinzufügen neuer Risikofaktoren könnte dann beobachtet werden, wie
stark sich die Sensitivität der grundliegenden Risikofaktoren verändert, um somit ei-
ne bessere Interpretation heranzuziehen. Weiterhin könnte die Stichprobe ausgedehnt
werden. Durch eine Erweiterung der Portfoliosektoren um andere italienische Firmen –
wie beispielweise um Mid-Cap-Unternehmen – könnte eine mögliche Verbesserung der
Ergebnisse gelingen. Nichtsdestotrotz sind die vorgestellten Erkenntnisse ermutigend,
weshalb weitere Forschung mit den vorgestellten Analysemitteln von Erfolg gekrönt
sein könnten.
44
Literatur
Abeysekera, Sarath P und Arvind Mahajan (1987). „A test of the APT in pricing UK
stocks“. In: Journal of Business Finance & Accounting 14.3, S. 377–391.
Aizenman, Joshua, Michael Hutchison und Yothin Jinjarak (2013). „What is the risk of
European sovereign debt defaults? Fiscal space, CDS spreads and market pricing of
risk“. In: Journal of International Money and Finance 34, S. 37–59.
Aleati, Annalisa, Pietro Gottardo und Maurizio Murgia (2000). „The pricing of Italian
equity returns“. In: Economic Notes 29.2, S. 153–177.
Asness, Cliff S, John M Liew und Ross L Stevens (1997). „Parallels between the cross-
sectional predictability of stock and country returns“. In: Journal of Portfolio Manage-
ment 23.3, S. 79.
Asness, Clifford S, Tobias J Moskowitz und Lasse Heje Pedersen (2013). „Value and
momentum everywhere“. In: The Journal of Finance 68.3, S. 929–985.
Asprem, Mads (1989). „Stock prices, asset portfolios and macroeconomic variables in
ten European countries“. In: Journal of Banking & Finance 13.4-5, S. 589–612.
Babu, C Narendra und B Eswara Reddy (2014). „A moving-average filter based hybrid
ARIMA–ANN model for forecasting time series data“. In: Applied Soft Computing 23,
S. 27–38.
Bachelier, Louis (1900). „Théorie de la spéculation“. In: Annales scientifiques de l’École
normale supérieure. Bd. 17, S. 21–86.
Banca d’Italia, Ecosistema (2019). „Bollettino economico n. 2“. In: Bollettino Economico
N.2. URL: https://www .bancaditalia .it/pubblicazioni/bollettino
-economico/2019-2/boleco-2-2019.pdf (besucht am 10. 09. 2019).
Barroso, Pedro und Pedro Santa-Clara (2015). „Momentum has its moments“. In: Journal
of Financial Economics 116.1, S. 111–120.
Beenstock, Michael, Kam-Fai Chan u. a. (1988). „Economic forces in the London stock
market“. In: Oxford Bulletin of Economics and Statistics 50.1, S. 27–39.
45
Berry, Michael A, Edwin Burmeister und Marjorie B McElroy (1988). „Sorting out risks
using known APT factors“. In: Financial Analysts Journal 44.2, S. 29–42.
Bodie, Zvi (1976). „Common stocks as a hedge against inflation“. In: The journal of finance
31.2, S. 459–470.
Boyd, John H, Jian Hu und Ravi Jagannathan (2005). „The stock market’s reaction to
unemployment news: Why bad news is usually good for stocks“. In: The Journal of
Finance 60.2, S. 649–672.
Burmeister, Edwin und Marjorie B McElroy (1988). „Joint estimation of factor sensitivi-
ties and risk premia for the arbitrage pricing theory“. In: The Journal of Finance 43.3,
S. 721–733.
Burmeister, Edwin, Richard Roll und Stephen A Ross (1994). „A practitioner’s guide to
arbitrage pricing theory“. In: Finanzmarkt und Portfolio Management 8.3, S. 312–331.
Cagnetti, Arduino (2002). „Capital asset pricing model and arbitrage pricing theory in
the Italian stock market: an empirical study“. In:
Campbell, John Y (1987). „Stock returns and the term structure“. In: Journal of financial
economics 18.2, S. 373–399.
Carhart, Mark M (1997). „On persistence in mutual fund performance“. In: The Journal
of finance 52.1, S. 57–82.
Chan, Kevin C, Nai-fu Chen und David A Hsieh (1985). „An exploratory investigation
of the firm size effect“. In: Journal of Financial Economics 14.3, S. 451–471.
Chen, Su-Jane und Bradford D Jordan (1993). „Some empirical tests in the arbitrage
pricing theory: Macro variables vs. derived factors“. In: Journal of Banking & Finance
17.1, S. 65–89.
Chen, Nai-fu und Jonathan E Ingersoll Jr (1983). „Exact pricing in linear factor models
with finitely many assets: A note“. In: The Journal of Finance 38.3, S. 985–988.
Chen, Nai-Fu, Richard Roll und Stephen A Ross (1986). „Economic forces and the stock
market“. In: Journal of business, S. 383–403.
Clare, Andrew D und Stephen H Thomas (1994). „Macroeconomic Factors, the APT and
the UK Stockmarket“. In: Journal of Business Finance & Accounting 21.3, S. 309–330.
46
Connor, Gregory und Sanjay Sehgal (2001). „Tests of the Fama and French model in
India“. In:
Davis, Mark und Alison Etheridge (2006). „Louis Bachelier’s theory of speculation“.
In: URL: https://f-origin. hypo1heses. org/wp-content/blogs. dir/1596/files/2014/12/Mark-
Davis-Talk. pdf.
Elmendorf, Douglas W und N Gregory Mankiw (1999). „Government debt“. In: Hand-
book of macroeconomics 1, S. 1615–1669.
Erb, Claude B und Campbell R Harvey (2006). „The strategic and tactical value of com-
modity futures“. In: Financial Analysts Journal 62.2, S. 69–97.
Fama, Eugene F (1965). „The behavior of stock-market prices“. In: The journal of Business
38.1, S. 34–105.
— (1981). „Stock returns, real activity, inflation, and money“. In: The American economic
review 71.4, S. 545–565.
Fama, Eugene F und Kenneth R French (1988a). „Dividend yields and expected stock
returns“. In: Journal of financial economics 22.1, S. 3–25.
— (1988b). „Permanent and temporary components of stock prices“. In: Journal of poli-
tical Economy 96.2, S. 246–273.
— (1989). „Business conditions and expected returns on stocks and bonds“. In: Journal
of financial economics 25.1, S. 23–49.
— (1993). „Common risk factors in the returns on stocks and bonds“. In: Journal of fi-
nancial economics 33.1, S. 3–56.
— (2004). „The capital asset pricing model: Theory and evidence“. In: Journal of economic
perspectives 18.3, S. 25–46.
— (2015). „A five-factor asset pricing model“. In: Journal of financial economics 116.1, S. 1–
22.
Fama, Eugene F und Michael R Gibbons (1984). „A comparison of inflation forecasts“.
In: Journal of monetary Economics 13.3, S. 327–348.
Fama, Eugene F und G William Schwert (1977). „Asset returns and inflation“. In: Journal
of financial economics 5.2, S. 115–146.
47
Gaunt, Clive (2004). „Size and book to market effects and the Fama French three factor
asset pricing model: evidence from the Australian stockmarket“. In: Accounting &
Finance 44.1, S. 27–44.
Granger, Clive WJ, Bwo-Nung Huangb und Chin-Wei Yang (2000). „A bivariate causali-
ty between stock prices and exchange rates: evidence from recent Asianflu“. In: The
Quarterly Review of Economics and Finance 40.3, S. 337–354.
Halliwell, Jason, Richard Heaney, Julia Sawicki u. a. (1999). „Size and book to market
effects in Australian share markets: a time series analysis“. In:
Hamao, Yasushi (1988). „An empirical examination of the arbitrage pricing theory: Using
Japanese data“. In: Japan and the World economy 1.1, S. 45–61.
Hardouvelis, Gikas A (1987). „Macroeconomic information and stock prices“. In: Journal
of Economics and Business 39.2, S. 131–140.
Humpe, Andreas und Peter Macmillan (2009). „Can macroeconomic variables explain
long-term stock market movements? A comparison of the US and Japan“. In: Applied
Financial Economics 19.2, S. 111–119.
Jaffe, Jeffrey F und Gershon Mandelker (1976). „The"Fisher effect"for risky assets: An
empirical investigation“. In: The Journal of finance 31.2, S. 447–458.
Jorion, Philippe (1991). „The pricing of exchange rate risk in the stock market“. In: Jour-
nal of financial and quantitative analysis 26.3, S. 363–376.
Keim, Donald B und Robert F Stambaugh (1986). „Predicting returns in the stock and
bond markets“. In: Journal of financial Economics 17.2, S. 357–390.
Kitt, Robert und Jaan Kalda (2006). „Leptokurtic portfolio theory“. In: The European Phy-
sical Journal B-Condensed Matter and Complex Systems 50.1-2, S. 141–145.
Kryzanowski, Lawrence und Hao Zhang (1992). „Economic forces and seasonality in
secirity returns“. In: Review of Quantitative Finance and Accounting 2.3, S. 227–244.
Lintner, John (1965). „Security prices, risk, and maximal gains from diversification“. In:
The journal of finance 20.4, S. 587–615.
Mandelbrot, Benoit (1967). „The variation of some other speculative prices“. In: The Jour-
nal of Business 40.4, S. 393–413.
48
Markowitz, Harry (1952). „Portfolio selection“. In: The journal of finance 7.1, S. 77–91.
Mazzariello, Giovanni und Antonio Roma (1999). „Stability of risk premia in the Italian
stock market“. In: Economic Notes 28.1, S. 73–89.
McElroy, Marjorie B, Edwin Burmeister und Kent D Wall (1985). „Two estimators for the
APT model when factors are measured“. In: Economics Letters 19.3, S. 271–275.
McQueen, Grant und V Vance Roley (1993). „Stock prices, news, and business conditi-
ons“. In: The Review of Financial Studies 6.3, S. 683–707.
Menkhoff, Lukas, Lucio Sarno, Maik Schmeling und Andreas Schrimpf (2012). „Curren-
cy momentum strategies“. In: Journal of Financial Economics 106.3, S. 660–684.
Merton, Robert C u. a. (1973). „An intertemporal capital asset pricing model“. In: Econo-
metrica 41.5, S. 867–887.
Mörters, Peter und Yuval Peres (2010). Brownian motion. Bd. 30. Cambridge University
Press.
Moskowitz, Tobias J und Mark Grinblatt (1999). „Do industries explain momentum?“
In: The Journal of finance 54.4, S. 1249–1290.
Nelson, Charles R (1976). „Inflation and rates of return on common stocks“. In: The
journal of Finance 31.2, S. 471–483.
Novy-Marx, Robert (2013). „The other side of value: The gross profitability premium“.
In: Journal of Financial Economics 108.1, S. 1–28.
Okunev, John und Derek White (2003). „Do momentum-based strategies still work in
foreign currency markets?“ In: Journal of Financial and Quantitative Analysis 38.2, S. 425–
447.
Panetta, Fabio (2002). „The stability of the relation between the stock market and ma-
croeconomic forces“. In: Economic Notes 31.3, S. 417–450.
Pástor, L’uboš und Robert F Stambaugh (2003). „Liquidity risk and expected stock re-
turns“. In: Journal of Political economy 111.3, S. 642–685.
Pearce, Douglas K und V Vance Roley (1984). Stock prices and economic news.
49
Rjoub, Husam, Turgut Türsoy und Nil Günsel (2009). „The effects of macroeconomic
factors on stock returns: Istanbul Stock Market“. In: Studies in Economics and Finance
26.1, S. 36–45.
Ross, Stephen A (1976). „0The arbitrage pricing of capital asset pricing1“. In: Journal of
Economic Theory 13, S. 341–360.
Rouwenhorst, K Geert (1998). „International momentum strategies“. In: The journal of
finance 53.1, S. 267–284.
— (1999). „Local return factors and turnover in emerging stock markets“. In: The journal
of finance 54.4, S. 1439–1464.
Schwert, G William (1981). „The adjustment of stock prices to information about inflati-
on“. In: The Journal of Finance 36.1, S. 15–29.
Serven, Luis u. a. (1997). „Irreversibility, uncertainty and private investment: Analytical
issues and some lessons for Africa“. In: Journal of African Economies 6.3, S. 229–268.
Sharpe, William F (1964). „Capital asset prices: A theory of market equilibrium under
conditions of risk“. In: The journal of finance 19.3, S. 425–442.
Titman, Sheridan, KC John Wei und Feixue Xie (2004). „Capital investments and stock
returns“. In: Journal of financial and Quantitative Analysis 39.4, S. 677–700.
50