Czy model Millera działa? Część 2

W ekonomii, jak we wszystkich naukach ścisłych, należy uważać na każde słowo, a jeszcze bardziej na wypowiadane sądy. Nieuwzględnienie pewnych czynników, np. ukrytych założeń, prowadzi często do błędnego wnioskowania. Błędy mogą być dwojakiego rodzaju. Pierwszy błąd powstaje gdy dana teoria czegoś istotnego nie uwzględnia, a drugi błąd, gdy metody badawcze czegoś istotnego nie uwzględniają. Pierwszy błąd łatwo wykryć pod warunkiem, że nie występuje drugi błąd, gdyż wtedy teoria nie zgadza się z doświadczeniem. Gorzej jeśli drugi błąd nie został wykryty, bo wtedy teoria/teza może się wydawać prawdziwa, podczas gdy w rzeczywistości jest fałszywa. Tak więc weryfikacja teorii powinna zawsze zaczynać się od weryfikacji samych metod badawczych.

Weryfikacja modelu Millera stanowi właśnie przykład, gdzie mogą pojawić się błędy obydwu rodzajów. W pierwszej części artykułu poświęconemu weryfikacji teorii Millera, przedstawiłem wyniki badań Diether, Malloy i Scherbiny [1] (DMS), które potwierdziły ją empirycznie. Sytuacja jednak okazuje się dużo bardziej skomplikowana niż to na pierwszy rzut oka wygląda. Przypomnijmy, że teoria Millera przewiduje, że wyższa rozbieżność opinii na temat wartości akcji generuje wyższą wartość akcji, a co za tym idzie mniejsze oczekiwane stopy zwrotu w przyszłości. Ponieważ wartość akcji ściśle zależy od oczekiwanych zysków netto spółki, pośrednikiem rozbieżności opinii o wartości akcji może być rozbieżność opinii o oczekiwanych zyskach netto. Za pośredników inwestorów szacujących te zyski możemy uznać analityków giełdowych. Wydaje się prawidłowe, że rozbieżność taką można obliczyć jako odchylenie standardowe prognoz zysków (szacowanych przez analityków).

Jednak diabeł tkwi jak zawsze w szczegółach. Wahania wyników finansowych zależą w głównej mierze od branży w jakiej spółka funkcjonuje. Np. spółki farmaceutyczne będą niewątpliwie "bezpieczniejsze" od spółek, których wyniki zależą w dużym stopniu od cen surowców. Oznacza to, że sama natura spółek o mniejszym zakresie wahań wyników spowoduje, że oczekiwania wyników będą mniej "rozbieżne" (rozstrzelone). Ten fakt został pominięty przez DMS, na co zwracają uwagę Doukas, Kim i Pantzalis [2] (DKP).

Autorzy podają najpierw teoretyczne uzasadnienie tego błędu wprowadzone przez Barrona, Kima, Lima i Stevensa [3], którzy pokazują, że dyspersja (wariancja) prognoz może być wyrażona w postaci D = V(1-p), gdzie V to niepewność prognozy, a 1-p to rozbieżność opinii analityków, natomiast p to konsensus (stopień zbieżności opinii analityków), który stanowi współczynnik korelacji błędów prognozy wśród analityków. Należy zwrócić uwagę, że wzór został odpowiednio wyprowadzony.

Widzimy więc, że dyspersja prognoz analityków została rozbita na dwie części: zwyczajne ryzyko oraz stopień braku konsensusu prognozy. Jeśli dana branża będzie bardziej ryzykowna, będzie rosło V. Jeśli analitycy będą mniej zgodni w swoich przewidywaniach, wzrośnie 1-p. Jeśli wszyscy będą zgodni w 100%, czyli p = 1, to D = 0, a więc nie będzie istnieć zróżnicowanie prognoz. Jeśli analitycy będą mieć różne nieskorelowane zdania, to p = 0, a stąd D = V, a więc zróżnicowanie prognoz będzie równe zwykłej niepewności prognozy związanej ze zmiennością wyników danej spółki. Jeśli analitycy będą mieć ekstremalnie różne zdania, to p = -1, a stąd D = 2V, tj. zróżnicowanie prognoz podwaja się w stosunku do zwykłej niepewności. DMS posługiwali się całkowitą dyspersją D jako pośrednikiem rozbieżności opinii o wartości akcji, a więc można powiedzieć, że zakładali stałość V. Jednak V zmienia się w zależności od specyfiki branży czy samej spółki, zatem D raczej słabo odzwierciedla faktyczną rozbieżność opinii. DKP stwierdzają, że do testu modelu Millera należy użyć 1-p, gdyż jest to faktyczna miara rozbieżności prognoz zysku.

DKP pobierali, podobnie jak DMS, dane z Institutional Brokers Estimate System. Zakres badania zawiera się w podobnym przedziale co DMS, bo od lipca 1983 do grudnia 2001. Najpierw powtórzono metodę zastosowaną przez DMS. Tak więc dyspersja prognoz analityków została obliczona jako wyskalowane odchylenie standardowe prognoz zysków (tzn. odchylenie standardowe prognoz rocznego zysku podzielone przez moduł średniej prognozy). Następnie podzielono te dyspersje na 5 grup, według wielkości dyspersji: od najmniejszej do największej (kwintyle). Podobnie zostały uszeregowane akcje według wielkości kapitalizacji, dzięki czemu można ocenić wpływ dyspersji na stopy zwrotu dla różnych wielkości spółek. Wyniki zostały zaprezentowane w tabeli poniżej - średnie miesięczne stopy zwrotu w zależności od wielkości spółki (SIZE) oraz dyspersji prognoz zysków (D).

***, **, * oznacza odpowiednio istotność statystyczną na poziomie 1%, 5% i 10%.

Wyniki są zbieżne z otrzymanymi przez DMS. Po pierwsze większa dyspersja prognoz wiąże się z mniejszą stopą zwrotu, dla każdej grupy spółek. Jest to wynik nawet bardziej poprawny z punktu widzenia modelu Millera niż w badaniu DMS. Następnie przeprowadzono ten sam test, ale tym razem sprawdzono zachowanie stóp zwrotu w zależności od (1-p). Otrzymano następujące wyniki:

Rezultaty zmieniają się o 180 stopni. Większej rozbieżności prognoz towarzyszy istotnie większa średnia stopa stopa zwrotu, dla każdej grupy spółek. Wynika z tego, że cały efekt spadku stopy zwrotu wraz ze wzrostem dyspersji wynika z niepewności prognozy V, który kompensuje dodatni wpływ rozbieżności. Zatem większa niepewność prognozy prowadzi do spadku średniej stopy zwrotu, a większa rozbieżność opinii do wzrostu stopy zwrotu.

Rodzą się więc nowe pytania. Dlaczego rozbieżność opinii prowadzi do wzrostu stopy zwrotu? DKP stawiają hipotezę, że rozbieżność opinii stanowi jeden z czynników ryzyka systematycznego (rynkowego), a wyższe ryzyko systematyczne implikuje wyższą oczekiwaną stopę zwrotu. Swoją hipotezę weryfikują budując wieloczynnikowy model wyceny aktywów (rozbudowany model Famy-Frencha), będący modyfikacją CAPM. Hipoteza zdaje test, gdyż rozbieżność opinii okazuje się być istotnym czynnikiem w modelu, a więc prawdopodobnie stanowi czynnik ryzyka dla inwestora.

Kolejne pytanie jakie się nasuwa to: dlaczego wzrost niepewności prognozy prowadzi do spadku stopy zwrotu (wzrostu wartości akcji) i czy nie jest to anomalia sprzeczna z teorią efektywności rynku i CAPM? Na pierwszy rzut oka wydaje się to być faktycznie sprzeczne, gdyż niepewność to po prostu ryzyko, a przecież ryzyko w teorii portfela, CAPM i jego modyfikacji zawsze stanowi koszt inwestora, który w zamian wymaga wyższej stopy zwrotu. Ale samo ryzyko jest pojęciem względnym. W teorii portfela większa wariancja akcji nie implikuje wyższej stopy zwrotu. Dopiero wariancja portfela efektywnego implikuje wyższą oczekiwaną stopę zwrotu. Mówiąc ściślej tylko ryzyko systematyczne (rynkowe) kreuje wyższą oczekiwaną stopę zwrotu, ponieważ jest niedywersyfikowalne. Z kolei ryzyko specyficzne, czyli właśnie wariancja dowolnej akcji jest ryzykiem dywersyfikowalnym, a przez to nie generuje automatycznie oczekiwanej stopy zwrotu.

Jednak taka odpowiedź byłaby nieprzekonująca. W końcu rezultaty statystyczne wskazują na istotną ujemną korelację pomiędzy stopą zwrotu a niepewnością prognozy, a klasyczne teorie tego nie tłumaczą. DKP odpowiadają na to pytanie nawiązując do stosunkowo nowego artykułu Pastora i Veronesi'ego [4], którzy z kolei dowodzą, że na efektywnym rynku zwiększona niepewność prognozy zysku podnosi paradoksalnie wartość akcji (dokładniej zwiększa wskaźnik cena/wartość księgowa), a tym samym - zdaniem DKP - zmniejsza stopę zwrotu. (To czy DKP mają rację, należy omówić oddzielnie). DKP argumentują, że stanowisko DMS było błędne, bo ich badanie nie potwierdziło teorii Millera. Wszystkie wyniki statystyczne można ciągle wyjaśnić na gruncie teorii efektywnego rynku. Zdaje się, że model Millera trzeba odrzucić, bo wyższa wartość rynkowa akcji nie wynika z większej rozbieżności opinii o wartości wewnętrznej, lecz z większej niepewności prognozy - ale to jak niepewność może zwiększyć wartość akcji stanowi oddzielny temat.


Dodatek:

p i V zostały obliczone następująco:

gdzie

h jest to precyzja zwykłej, wspólnej informacji, s jest to precyzja prywatnej informacji (opinii)

gdzie
y - faktyczny prognozowany zysk (EPS),
u(i) - prognoza i-tego analityka
u - średnia prognoz wszystkich analityków
N - liczba analityków (prognoz).


Literatura:

[1] Diether, K, B; C, J, Malloy; A, Scherbina; "Differences of Opinion and the Cross Section of Stock Returns", 2002
[2] Doukas, J.A., Kim C., Pantzalis C., "Divergence of Opinion and Equity Returns", 2006
[3] Barron, O, E,; O, Kim; S, C, Lim; and D, E, Stevens, "Using Analysts' Forecasts to Measure Properties of Analysts' Information Environment," Accounting Review, 73 (1998), 421-433,
[4] Pastor, L., and P. Veronesi. "Stock Valuation and Learning about Profitability." Journal of Finance, 58 (2003), 1749-1789.

Czy model Millera działa? Część 1

Zgodnie z modelem Millera (który został opisany w artykule Rozbieżność opinii, nieefektywność rynku i trendy akcji, czyli model Millera) większa rozbieżność opinii na temat wartości akcji powoduje (przy założeniu, że krótka sprzedaż jest ograniczona) wzrost ceny rynkowej akcji, a co za tym idzie spadek stopy zwrotu.

Model Millera można starać się przeanalizować pod kątem formalnym, aby znaleźć jego słabe punkty. Ukryte założenia lub intuicje zawsze wychodzą na wierzch, jeśli zagadnienie bada się ścisłym językiem.

Na tym etapie skoncentrujmy się jednak na najważniejszej, czyli praktycznej stronie modelu Millera. Diether, Malloy i Scherbina (2002) testują go doświadczalnie. Początkowe pytanie przy jego testowaniu jest takie: jak w ogóle mierzyć rozbieżność opinii na temat wartości akcji? Wartość akcji jest to suma zdyskontowanych oczekiwanych dywidend. Jak już dowiedziono, wartość akcji jest to jednocześnie suma zdyskontowanych oczekiwanych przepływów pieniężnych: jest to Uogólniony model Grahama-Dodda , w skrócie UMGD. Zgodnie z UMGD na wartość akcji wpływają trzy zmienne: oczekiwane zyski netto firmy, oczekiwane inwestycje oraz koszt kapitału własnego. Decydującym i najbardziej zmiennym przy szacunkach czynnikiem są zyski. Zatem pośrednikiem rozbieżności opinii o wartości akcji jest rozbieżność opinii o prognozowanych zyskach firmy. Z kolei za pośredników inwestorów szacujących te zyski możemy uznać analityków giełdowych. Im większa będzie rozbieżność analityków w prognozach zysków, tym większa będzie rozbieżność w ocenie wartości akcji.

Autorzy omawianego artykułu pobierali miesięczne stopy zwrotu z Center for Research in Securities Prices (CRSP), który zawiera dane NYSE, AMEX i Nasdaq. Dane analityków o prognozach zysków zostały wzięte z Institutional Brokers Estimate System (IBES). Test został przeprowadzony dla okresu luty 1983 - grudzień 2000.

Dyspersja prognoz analityków została obliczona jako wyskalowane odchylenie standardowe prognoz zysków (tzn. odchylenie standardowe prognoz rocznego zysku podzielone przez moduł średniej prognozy). Następnie podzielono te dyspersje na 5 grup, według wielkości dyspersji: od najmniejszej do największej (kwintyle). Podobnie zostały uszeregowane akcje według wielkości kapitalizacji, dzięki czemu można także ocenić efekt małych czy dużych spółek. Wnioski zostały zaprezentowane w formie różnych tabel. Poniżej pierwsza z nich:



a, b - istotne statystycznie na poziomie odpowiednio 1 i 5%.

Najpierw przypatrzmy się prawej stronie tabeli, gdzie ujęte są wszystkie akcje (All stocks). Im większa dyspersja (D), tym mniejsza średnia stopa zwrotu (Mean Returns). Teraz możemy przejść do kolejnych grup według wielkości spółek. Najmniejsze spółki (Small) charakteryzują się bardzo silną ujemną korelacją pomiędzy dyspersją a stopą zwrotu. Największe spółki (Large) charakteryzują się już dużo mniejszą taką nagatywną relacją i jak widać jest już ona nieistotna statystycznie.

Dla pełniejszego obrazu Autorzy sporządzili ten sam test dla 3 podokresów.



Sytuacja tutaj bardziej się komplikuje. Efekt dla najmniejszych spółek S1 nadal jest silny, jednak już większe spółki stają się coraz bardziej odporne i tracą istotność. Możliwe, że dzieje się tak, ponieważ większe spółki są bardziej eksponowane i lepiej obserwowane, a więc inwestorzy mogli zacząć wykorzystywać zaobserwowane zależności. Być może jednak chodzi o to, że informacje zaczęły być w latach 80 i 90-tych coraz łatwiej dostępne, w szczególności dla większych spółek. To spowodowało, że inwestorzy lepiej szacowali przyszłe zyski, stąd rozbieżności tych prognoz stały się mniejsze, co z kolei musiało skutkować spadkiem stopy zwrotu (efekt rozbieżności stał się nieistotny).

Warto zasygnalizować, że Autorzy dodatkowo także dla pełniejszego obrazu zrobili test tylko dla spółek z NYSE. Efekt jest podobny, wyniki spółek o mniejszej kapitalizacji mają większą istotność stat.

Autorzy dodatkowo testują teorię Millera w kontekście efektu momentum. Dzielą spółki na małe, średnie i duże, a następnie wszystkie na 3 grupy o stopie zwrotu w ostatnim roku: o najniższej, średniej i najwyższej. "Przegrani" (Losers) stanowią grupę 33% najgorzej zachowujących się akcji, a "Wygrani" (Winners) grupę 33% najlepiej zachowujących się akcji. Oto wyniki:



Pomimo że Autorzy nie badają istotności statystycznej efektu momentum, możemy zauważyć "naocznie", że taki efekt występował. Zarówno małe, średnie, jak i duże spółki mają najniższe średnie stopy zwrotu gdy występują w grupie Losers i najwyższe gdy występują w grupie Winners. Oznacza to, że spółki które gorzej zachowywały się w ostatnim roku, będą również gorzej zachowywać się w kolejnym miesiącu. A spółki które lepiej zachowywały się w ostatnim roku, będą również lepiej zachowywać się w kolejnym miesiącu. Wszystko to dzieje się niezależnie od dyspersji prognoz.

Wpływ samej dyspersji na stopy zwrotu staje się bardziej skomplikowany. Istotna statystycznie ujemna korelacja występuje jedynie dla małych spółek, które nie należą do grupy Winners. Pomimo braku istotności dla Mid-Cap i Large-Cap, dla Losers i środkowej grupy nadal utrzymuje się ujemna zależność. Większa dyspersja ciągle wywołuje mniejszą stopę zwrotu. Ten efekt dopiero psuje się całkowicie dla Winners. Co więcej, dla Small-Cap negatywny wpływ dyspersji także jest tajemniczo słaby. Pytanie co może powodować usunięcie efektu dyspersji? Wprawdzie Autorzy podają różne rozwiązania i podpowiedzi, ale zamiast tego przypomnimy sobie jak wyjaśniłem ostatnio powstanie trendu, czyli właśnie efektu momentum na gruncie teorii Millera.

Wniosek z teorii był taki, że okres wzrastającej rozbieżności opinii podnosi natychmiastowo kurs, co powoduje, że późniejsza stopa zwrotu spada. Ale sam okres wzrostu rozbieżności opinii przynosi oczywiście wyższe stopy zwrotu.

Aby połączyć to z całością teorii, musimy rozbić sytuację na dwa efekty:

- rozbieżność opinii może być sama w sobie wyższa, jeśli informacje są mniej dostępne, jak w przypadku małych spółek. To sprawia, że kurs akcji jest wyższy, ale oczekiwana stopa zwrotu jako taka jest mniejsza,
- rozbieżność opinii może rosnąć lub spadać. Jeśli rośnie, to kurs podnosi się i wtedy dopiero w następnym okresie stopa zwrotu spada. Jeśli z kolei rozbieżność opinii spada, to kurs spada i wtedy dopiero w następnym okresie stopa zwrotu rośnie.

Oba efekty mogą się niwelować lub wzmacniać i tym samym wywoływać różne paradoksalne zjawiska.

W przypadku Losers dla małych spółek trend jest spadkowy lub słabo wzrostowy, bo np. rozbieżność opinii spada. Kurs spada (nie rośnie), oczekiwana stopa zwrotu w kolejnym okresie rośnie, ale jej wzrost jest hamowany przez większą ogólną rozbieżność opinii ze względu na to, że są to małe spółki. W konsekwencji średnia stopa zwrotu pozostaje niewielka (i efekt pozostaje bardzo istotny stat.).
Jednak dla większej spółki (większej kapitalizacji) rozbieżność opinii nie jest tak duża, co powoduje, że stopa zwrotu rośnie. Wtedy - pomimo słabości kursu waloru - przyszła stopa zwrotu może się utrzymywać na wyższym poziomie, powodując nieistotność ujemnej korelacji z rozbieżnością opinii.

W przypadku Winners dla małych spółek trend jest wyraźnie wzrostowy, bo np. rozbieżność opinii rośnie. Kurs rośnie, oczekiwana stopa zwrotu w kolejnym okresie spada, co zostaje wzmocnione przez fakt, iż dla małych spółek rozbieżność opinii jest większa. Ale ponieważ rozbieżność opinii ciągle rośnie, tak że trend wzrostowy się utrzymuje, spadek stopy zwrotu zostaje zahamowany. Stąd ujemna korelacja stopy zwrotu z rozbieżnością opinii staje się słabsza (przestaje być istotna stat).
W przypadku większych spółek rozbieżność opinii jest z natury mniejsza, a więc stopa zwrotu utrzymuje się na wyższym poziomie. Dodatkowo sam wzrost rozbieżności opinii wzmacnia stopę zwrotu w bieżącym okresie. To powoduje, że dla Winners (pozytywnego momentum) stopa zwrotu większych spółek nie koreluje z rozbieżnością opinii lub nawet korelacja ta wydaje się dodatnia.

Przypomnijmy obrazek ilustrujący ideę Millera:



Gdy wszyscy się zgadzają co do wartości akcji (zysku), wartość wewnętrzna równa się G, czyli jest to linia prosta. Gdy rozbieżność opinii o wartości rośnie, krzywa popytu na akcje się wygina, tak że przy stałej podaży będącej liczbą akcji N, cena rynkowa wzrasta (M, R, Q).

W ten sposób można wyjaśnić niejednoznaczne wyniki statystyczne badaczy przy diagnozie momentum.

Na postawione pytanie w tytule Autorzy odpowiadają oczywiście twierdząco, a więc teoria Millera sprawdza się w praktyce.

Na koniec tego artykułu należy zasygnalizować, że choć cała odkryta statystyczna strona modelu Millera wydaje się pociągająca, prawdziwa i niosąca pewne implikacje praktyczne, to inni Autorzy jak John A. Doukas, Chansog (Francis) Kim i Christos Pantzalis (2006) negują te wyniki, przedstawiają własne, które są przeciwne i argumentują, że model Millera wcale się nie sprawdza. I nie chodzi tu o błędy obliczeń. To odmienne stanowisko zostanie opisane w następnym artykule.


Literatura:

1. Diether, K, B; C, J, Malloy; A, Scherbina; "Differences of Opinion and the Cross Section of Stock Returns", 2002
2. Doukas, J.A., Kim C., Pantzalis C., "Divergence of Opinion and Equity Returns", 2006.