Μ.Β.Α. ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΟΙΚΟΝΟΜΙΚΗ ΑΒΕΒΑΙΟΤΗΤΑ ΚΑΙ ΧΡΗΜΑΤΑΓΟΡΕΣ ΑΝΔΡΕΑΣ ΚΑΛΟΥΔΗΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ:AΘΑΝΑΣΙΟΣ ΤΣΑΓΚΑΝΟΣ ΕΠΙΤΡΟΠΗ:ANΔΡΟΥΛΑΚΗΣ ΓΕΩΡΓΙΟΣ ΓΕΩΡΓΟΠΟΥΛΟΣ ΑΝΤΩΝΙΟΣ 16
ΕΥΧΑΡΙΣΤΙΕΣ Θα ήθελα να ευχαριστήσω θερμά τον επιβλέποντα καθηγητή μου,κύριο Αθανάσιο Τσαγκανό για την διαρκή επικοινωνία και καθοδήγηση και την βοήθειά του κατά την διάρκεια συγγραφής της παρούσας εργασίας όπως και όλους τους διδάσκοντες του Μεταπτυχιακού Προγράμματος της Διοίκησης Επιχειρήσεων ( Μ.Β.Α.). Επίσης θα ήθελα να εκφράσω βαθιά ευγνωμοσύνη στην οικογένεια μου για την διαρκή συμπαράσταση καθώς και την αρραβωνιαστικιά μου για τις στιγμές που έδειξαν κατανόηση. 2
Περιεχόμενα Περίληψη...5 1 ο ΚΕΦΑΛΑΙΟ - Εισαγωγή...6 1.1. Η Διαχείριση Χρηματοοικονομικού Κινδύνου...6 1.1.1. Εισαγωγή στην έννοια του κινδύνου...6 1.1.1. Η Εξέλιξη της Διαχείρισης Χρηματοοικονομικού Κινδύνου...7 1.1.2. Μορφές Χρηματοοικονομικών Κινδύνων...8 1.1.2.1. Γενική Επισκόπηση...8 1.1.2.2. Ο Κίνδυνος της Αγοράς... 10 1.1.2.3. Ο Πιστωτικός Κίνδυνος... 11 1.1.2.4. Κίνδυνος Ρευστότητας... 14 1.1.2.5. Λειτουργικός Κίνδυνος... 15 1.1.2.6. Ο Νομικός Κίνδυνος... 15 1.2 Επισκόπηση της εμπειρικής βιβλιογραφίας στη ζήτηση για κεφάλαιο υπό συνθήκες αβεβαιότητας... 17 2 ο ΚΕΦΑΛΑΙΟ Ανασκόπηση βιβλιογραφίας για την μέτρηση του χρημ/κου κινδύνου... 25 2.1 Οικονομετρική Μεθοδολογία-Μέθοδος Τυχαίων Επιδράσεων (Σακκάς Γ. 2011)... 25 2.1.1. Εμπειρικά αποτελέσματα... 27 2.1.2. Συμπεράσματα... 35 2.2 Μέτρηση οικονομικής αβεβαιότητας και η επίδρασή της στη χρηματιστηριακή αγορά (Michal Dzielinski 2011)... 36 2.2.1 Αναζητήσεις στο Internet και οικονομική αβεβαιότητα... 38 2.2.2 Συμπεράσματα... 44 3ο Κεφάλαιο Εμπειρική εφαρμογή... 45 3
3.1 Στασιμότητα (Ύπαρξη Μοναδιαίας Ρίζας)... 45 3.1.1. Ορισμός στασιμότητας... 45 3.1.2. Περιγραφικά χαρακτηριστικά μεταβλητών... 46 3.1.3. Έλεγχος στασιμότητας... 46 3.2 Έλεγχος αιτιότητας... 49 3.2.1. Αποτελέσματα ελέγχου αιτιότητας... 51 3.3 Η Θεωρία της Συνολοκλήρωσης... 52 3.4 Αποτελέσματα ελέγχου Συνολοκλήρωσης... 54 3.5 Ανάλυση Χρονοσειρών... 55 3.5.1 Περιγραφικά στοιχεία και ανάλυση χρονοσειρών... 55 3.6 Οικονομετρική προσέγγιση της αβεβαιότητας μέσω των αποδόσεων των κρατικών ομολόγων... 61 3.7 Συμπεράσματα... 67 Βιβλιογραφία... 70 4
Περίληψη Στην εργασία αυτή έγινε μια προσπάθεια για μια θεωρητική αλλά και εμπειρική προσέγγιση των τρόπων μέτρησης της αβεβαιότητας. Η εργασία ξεκινά με τη διαμόρφωση του θεωρητικού πλαισίου όσον αφορά στο τι είναι ο χρηματοοικονομικός κίνδυνος και τι μορφές μπορεί αυτός να έχει. Γίνεται τόσο μια γενική επισκόπηση όσο και λεπτομερής ανάλυση της κάθε μορφής κινδύνου ξεχωριστά Στην συνέχεια γίνεται μια σύντομη βιβλιογραφική ανασκόπηση για την ζήτηση για κεφάλαιο υπό συνθήκες αβεβαιότητας όπου αναλύονται διάφορες προσεγγίσεις όσον αφορά τα χαρακτηριστικά των καταναλωτών όταν ζητούν κεφάλαιο υπό ορισμένες συνθήκες. Στην συνέχεια ακολουθεί η παρουσίαση της εμπειρικής βιβλιογραφίας και πιο συγκεκριμένα δυο προσεγγίσεων που μετρούν με εντελώς διαφορετικό τρόπο την αντιλαμβανόμενη αβεβαιότητα εκ μέρους των επενδυτών. Η πρώτη αναφέρεται στην μέθοδο των τυχαίων επιδράσεων και η δεύτερη στον τρόπο με τον οποίο οι επενδυτές αναζητούν πληροφορίες στο διαδίκτυο, και πως αυτό μπορεί να συνδεθεί με την ύπαρξη ή την αύξηση της αβεβαιότητας. Τέλος στο τελικό κεφάλαιο ακολουθεί το εμπειρικό κομμάτι της εργασίας όπου γίνεται μια προσπάθεια μέσω της χρήσης οικονομετρικών μοντέλων να αποτυπωθεί ένας τρόπος μέτρησης της αβεβαιότητας μέσω της εξέτασης των αποδόσεων των κρατικών ομολόγων. Στο τμήμα αυτό χρησιμοποιήθηκαν οι τιμές του γερμανικού και του ελληνικού δεκαετούς κρατικού ομολόγου με σκοπό την εύρεση του τρόπου με τον οποίο κινήθηκαν οι επενδυτές την εξεταζόμενη περίοδο και την ανίχνευση της αβεβαιότητας δια μέσου των επενδυτικών κινήσεων τους κατά την κρίσιμη περίοδο που εξετάζεται εντός της οποίας υφίστανται και αρνητικά γεγονότα οικονομικών κρίσεων τόσο σε παγκόσμιο επίπεδο όσο και σε επίπεδο Ευρωπαϊκής Ένωσης. 5
1 ο ΚΕΦΑΛΑΙΟ - Εισαγωγή 1.1. Η Διαχείριση Χρηματοοικονομικού Κινδύνου 1.1.1. Εισαγωγή στην έννοια του κινδύνου Στον τομέα των χρηματοοικονομικών μπορούμε να αναφέρουμε ότι ο ορισμός του κινδύνου δεν είναι σαφής αλλά μπορεί να διατυπωθεί ως η πιθανότητα οι τελικές αποδόσεις (profit & loss) να διαφέρουν από τις αναμενόμενες. Η αβεβαιότητα έχει άμεση σχέση με τον κίνδυνο καθώς οι οικονομικές πράξεις χαρακτηρίζονται από μεταβλητότητα και αστάθεια όσον αφορά τις πιθανές μελλοντικές τιμές τους και δεν υπάρχει 100% σιγουριά για το πως θα κινηθούν μελλοντικά. Ο κίνδυνος μετριέται με βάση την κατανομή των μελλοντικών αποδόσεων. Η κατανομή (ή η συνάρτηση πυκνότητας πιθανότητας) περιγράφει την πιθανότητα των διαφορετικών δυνατών αποτελεσμάτων. Αν για παράδειγμα μπορούμε να θεωρήσουμε πρώτον την ρίψη ενός κέρματος (κέρδος 10$ σε περίπτωση που έρθει κορώνα, ζημία 10$ αν έρθει γράμματα) και δεύτερον μια υποθετική καμπύλη αποδόσεων με πολλά πιθανά αποτελέσματα. Γραφικά μπορούμε να αναπαραστήσουμε τις δυο κατανομές ως εξής: Σχήμα 1:Αποδόσεις της ρίψης ενός κέρματος και μιας υποθετικής περίπτωσης όπου οι αποδόσεις ακολουθούν κανονική κατανομή 6
Στο πρώτο σχήμα βλέπουμε τα δυο πιθανά αποτελέσματα από την ρίψη του κέρματος, το καθένα από αυτά με πιθανότητα 1/2. Είναι μια πολύ απλή κατανομή γιατί έχει μόνο δυο πιθανά αποτελέσματα, και τα δυο με την ίδια πιθανότητα. Στο δεύτερο σχήμα βλέπουμε την απόδοση να ακολουθεί κανονική κατανομή με μέση τιμή μηδέν. Αυτό σημαίνει ότι υπάρχουν κάποια μεγάλα κέρδη, κάποιες μεγάλες ζημίες, αλλά οι συνήθεις αποδόσεις κινούνται γύρω από το μηδέν. Η συνάρτηση κατανομής περιέχει όλη την πληροφορία για τα πιθανά τυχαία αποτελέσματα. Η μέτρηση του κινδύνου βασίζεται κατά κύριο λόγο στην κατανόηση της κατανομής των αποδόσεων (P & L). Όσο περισσότερα γνωρίζουμε για αυτή την κατανομή τόσο περισσότερα ξέρουμε για τον κίνδυνο των διάφορων καταστάσεων. Δεν ξέρουμε τι κέρδος θα έχουμε αύριο (το μέλλον είναι πάντα άγνωστο), αλλά μπορούμε να προσδιορίσουμε την πιθανότητα να έχουμε ένα συγκεκριμένο κέρδος. Η γνώση της κατανομής των αποδόσεων δεν αναιρεί την αβεβαιότητα του μέλλοντος, αλλά θέτει κάποια όρια. Η γνώση των κατανομών όπως για παράδειγμα στο παραπάνω σχήμα, δεν είναι το μόνο που χρειαζόμαστε για την μέτρηση του κινδύνου, είναι όμως πολύ σημαντική. Σε πολλές περιπτώσεις ο προσδιορισμός της κατανομής είναι ένα δύσκολο πρόβλημα. Στην περίπτωση που έχουμε ένα χαρτοφυλάκιο με διάφορα προϊόντα (σε αντίθεση με την περίπτωση της ρίψης ενός κέρματος), μπορούμε να κάνουμε κοντινές προβλέψεις για τις πιθανότητες των αποδόσεων αλλά ποτέ δεν θα είμαστε απόλυτα σίγουροι. Από στατιστικής άποψης αυτό που θέλουμε να ξέρουμε μετρώντας τον κίνδυνο είναι μια τιμή, και την πιθανή διασκόρπιση γύρω από αυτή. Όπως θα δούμε στην συνέχεια, την τιμή αυτή την έχουμε από τα μέτρα κινδύνου και την διασκόρπιση από τα διάφορα μοντέλα διακύμανσης. 1.1.1. Η Εξέλιξη της Διαχείρισης Χρηματοοικονομικού Κινδύνου Ως Διαχείριση Χρηματοοικονομικού Κινδύνου (Financial Risk Management ή FRM) ονομάζεται η διαδικασία μέσω της οποίας ταυτοποιούνται, μετρούνται και ελέγχονται οι διάφοροι χρηματοοικονομικοί κίνδυνοι. Το αντικείμενο του FRM εξελίχθηκε αρκετά τα τελευταία 15 χρόνια, κυρίως, λόγω της επινόησης ενός νέου μεγέθους μέτρησης του χρηματοοικονομικού κινδύνου, το οποίο ονομάζεται Αξία στον Κίνδυνο (Value at Risk ή 7
VaR). Ο παρακάτω πίνακας [Jorion, 2000] παρουσιάζει την εξέλιξη των αναλυτικών εργαλείων που χρησιμοποιούνται στα πλαίσια του FRM. 1938 Bond duration 1952 Markowitz mean-variance framework 1963 Sharpe s capital asset pricing model 1966 Multiple factor models 1973 Black-Scholes option pricing model, Greeks 1979 Binomial option model 1983 RAROC, risk-adjusted return 1986 Limits on exposure by duration bucket 1987 Risk-weighted assets for banks Limits on Greeks Σχήμα 1.1. Η εξέλιξη των εργαλείων που χρησιμοποιούνται στα πλαίσια του FRM. Το αποτέλεσμα των απωλειών υψηλών κεφαλαίων τις οποίες υπέστησαν μεγάλες τράπεζες και πολυεθνικές εταιρείες στις αρχές της δεκαετίας του 90 ήταν η δημιουργία της VaR. Τέτοια παραδείγματα είναι οι Barings, Metallgesellschaft, OrangeCounty και Daiwa. Το άμεσο συμπέρασμα που προκύπτει από αυτές τις απώλειες κεφαλαίων είναι ότι σημαντικά κεφάλαια είναι δυνατό να χαθούν λόγω ανεπαρκούς επίβλεψης και διαχείρισης των χρηματοοικονομικών κινδύνων. (Κακούρης 2006) 1.1.2. Μορφές Χρηματοοικονομικών Κινδύνων 1.1.2.1. Γενική Επισκόπηση Ένας οργανισμός, ο οποίος λειτουργεί στα πλαίσια της οικονομίας της αγοράς, υπάρχει πιθανότητα να υποστεί οικονομικές ζημίες λόγω ενός μη αναμενόμενου γεγονότος. Η πιθανότητα αυτή καλείται κίνδυνος. Ως κίνδυνος, λοιπόν, μπορεί να οριστεί η αβεβαιότητα που συνδέεται με κάποιο προσδοκώμενο αποτέλεσμα. 8
Χρηματοοικονομικοί κίνδυνοι ονομάζονται οι κίνδυνοι που σχετίζονται με πιθανές οικονομικές ζημίες που μπορούν να συμβούν στις χρηματοοικονομικές αγορές. Τέτοιοι μπορεί να είναι αυτοί που οφείλονται στις μεταβολές των επιτοκίων και αυτές που προκύπτουν σε μια τράπεζα λόγω αθέτησης των πληρωμών από την μεριά του δανειολήπτη. Το σχήμα που ακολουθεί απεικονίζει τις πέντε γενικότερες κατηγορίες κινδύνων. Market Risk Credit Risk Financial Liquidity Risk Operational Risk Legal Risk Σχήμα 1.2. Οι πέντε βασικές κατηγορίες χρηματοοικονομικών κινδύνων. Στο τραπεζικό σύστημα, δύο επιπλέον βασικές κατηγορίες είναι ο Κίνδυνος Επιτοκίου (Interest Rate Risk) και ο Συναλλαγματικός Κίνδυνος (Foreign Exchange Risk). Οι παραπάνω κατηγορίες κινδύνων δεν είναι ανεξάρτητες μεταξύ τους. Συχνά επικαλύπτονται ή αλληλεπιδρά η μία στην άλλη. Για να αντιμετωπισθεί η κάθε μορφή κινδύνου, πρέπει να αναπτυχθεί μια ξεχωριστή στρατηγική αντιστάθμισης ή εξουδετέρωσής του. Για να επιτευχθεί αυτό, πρέπει να αναγνωρισθεί η πηγή και η φύση του κάθε κινδύνου, ώστε να αποφασισθεί η αποτελεσματικότερη και ενδεικνυόμενη, ανά περίπτωση, επιλογή αντιμετώπισής του. (Αφεντάκης 2014) 9
1.1.2.2. Ο Κίνδυνος της Αγοράς Ο Κίνδυνος Αγοράς (Σταϊκούρας 2005), (Jorion, 2000) αντανακλάται στη μεταβλητότητα της αξίας ενός χαρτοφυλακίου επενδύσεων, η οποία οφείλεται στις αλλαγές των αγοραίων τιμών των στοιχείων του ενεργητικού ενός οργανισμού. Αυτός ο τύπος κινδύνου είναι περισσότερο ορατός στις δραστηριότητες διαπραγμάτευσης μετοχικών και ομολογιακών τίτλων στη δευτερογενή αγορά ή στο άνοιγμα θέσεων σε συνάλλαγμα. Μπορούμε να διακρίνουμε τον Κίνδυνο αγοράς σε δύο κατηγορίες, στον Κατευθυντικό Κίνδυνο (Directional Risk) και στο Μη κατευθυντικό Κίνδυνο (Non directional Risk). Ο Κατευθυντικός Κίνδυνος σχετίζεται με την έκθεση στην κατεύθυνση προς την οποία μεταβάλλονται οι διάφορες χρηματοοικονομικές μεταβλητές, όπως οι τιμές μετοχών ή πολύτιμων μετάλλων, τα επιτόκια και οι συναλλαγματικές ισοτιμίες. Αυτός ο κίνδυνος μετράται με γραμμικές προσεγγίσεις, όπως ο συντελεστής Βήτα (Βeta) για μετοχές, η διάρκεια (duration) για τα επιτόκια και ο συντελεστής Δέλτα (Delta) για Δικαιώματα Προαίρεσης (Options). Ο Μη Κατευθυντικός Κίνδυνος περιλαμβάνει μη γραμμικούς κινδύνους. Ο κίνδυνος δεύτερης τάξης ή τετραγωνικός κίνδυνος μετράται με την κύρτωση (convexity) όταν πρόκειται για επιτόκια ή τον συντελεστή Γάμμα (Gamma) όταν πρόκειται για Δικαιώματα Προαίρεσης. Ένας άλλος διαχωρισμός του Κινδύνου Αγοράς βασίζεται στη λογική της στρατηγικής διαχείρισης κινδύνου που ακολουθείται. Έτσι, μπορούμε να διακρίνουμε τον Κίνδυνο Αγοράς σε Απόλυτο και Σχετικό. Ο πρώτος μετράται από τις δυνητικές απώλειες (π.χ σε ή $) και ο δεύτερος υπολογίζεται σε σχέση με έναν συγκριτικό δείκτη. Στη χρηματοοικονομική θεωρία, ο Κίνδυνος Αγοράς ορίζεται ως η διασπορά των μη αναμενόμενων αποτελεσμάτων του χαρτοφυλακίου, η οποία οφείλεται σε αιφνίδιες διακυμάνσεις ορισμένων χρηματοοικονομικών μεταβλητών. Υπό αυτήν την έννοια, τόσο οι θετικές όσο και οι αρνητικές αποκλίσεις μπορούν να θεωρηθούν ως πηγές κινδύνων. Το ευρύ επενδυτικό κοινό, συχνά, δεν αντιλαμβάνεται αυτό το γεγονός και δεν αναγνωρίζει ότι οι υψηλές αποδόσεις ορισμένων επενδύσεων ενέχουν στην πραγματικότητα υψηλότατους κινδύνους. 10
Στην πράξη, για να μετρήσουμε τον Κίνδυνο Αγοράς, πρέπει να ορίσουμε με ακρίβεια τη μεταβλητή που μας ενδιαφέρει. Η μεταβλητή αυτή μπορεί να είναι η συνολική αξία του χαρτοφυλακίου, τα έσοδα, το κεφάλαιο ή οι αποδόσεις των συγκεκριμένων τοποθετήσεων. Ο Κίνδυνος Αγοράς αναφέρεται στις επιδράσεις άλλων χρηματοοικονομικών παραγόντων στη μεταβλητή που μας ενδιαφέρει. Ο κίνδυνος υπολογίζεται από την τυπική απόκλιση της εξεταζόμενης μεταβλητής. Οι απώλειες μπορούν να προέλθουν από συνδυασμό δύο παραγόντων, τη μεταβλητότητα κάθε χρηματοοικονομικού παράγοντα και το βαθμό έκθεσης στις μεταβολές κάθε παράγοντα. Ο Γενικός ή Συστηματικός Κίνδυνος Αγοράς συνδέεται με τις διακυμάνσεις στις τιμές όλων των τίτλων στην αγορά λόγω ενός εξωτερικού παράγοντα όπως, για παράδειγμα, μιας αλλαγής στην οικονομική πολιτική ή των προσδοκιών του επενδυτικού κοινού. Μη Συστηματικός ή Ειδικός Κίνδυνος Αγοράς υφίσταται στην περίπτωση που η τιμή ενός τίτλου κινείται σε διαφορετική κατεύθυνση από τους υπόλοιπους τίτλους της αγοράς, λόγω εξελίξεων που σχετίζονται με τον εκδότη του τίτλου. Ιδιαίτερα σημαντικές είναι οι συσχετίσεις του Κινδύνου Αγοράς με τον Επιτοκιακό και το Συναλλαγματικό Κίνδυνο. Μια γενική αύξηση στα επιτόκια οδηγεί συνήθως σε μείωση των τιμών των ομολόγων. Μια υποτίμηση ενός νομίσματος μειώνει την αξία όλων των τίτλων που εκφράζονται σε αυτό το νόμισμα. 1.1.2.3. Ο Πιστωτικός Κίνδυνος Ο Πιστωτικός Κίνδυνος (Credit Risk) (Σταϊκούρας, 2005), (Jorion, 2000) αναφέρεται στην άρνηση ή αδυναμία του αντισυμβαλλόμενου να εκπληρώσει τις υποχρεώσεις του, οι οποίες προκύπτουν από κάποιο επίσημο έγγραφο. Σε αυτές τις περιπτώσεις, το μέγεθος που παρουσιάζει την έκταση της ζημίας είναι το Ποσοστό Ανάκτησης (RecoveryRate), το οποίο εκφράζει το ποσοστό της ονομαστικής ή αγοραίας αξίας των απαιτήσεων του δανειστή που θα ικανοποιηθεί εν τέλει. Συνήθως, πριν συμβεί η πίστωση, ο αντισυμβαλλόμενος αξιολογείται με βάση τον Βαθμό Πιστοληπτικής Ικανότητας (CreditRating) που τον διακρίνει. Στον Πιστωτικό Κίνδυνο βρίσκονται εκτεθειμένα τα ομόλογα, τα δάνεια και τα παράγωγα. Σε απλές περιπτώσεις, η έκθεση στον Πιστωτικό Κίνδυνο μπορεί να μετρηθεί ως η ονομαστική αξία της οφειλής, αλλά στην περίπτωση παράγωγων χρηματοοικονομικών 11
προϊόντων, όπως, για παράδειγμα, οι Συμβάσεις Ανταλλαγής (swaps), η έκθεση είναι πολύ μικρότερη, διότι η αρχική αξία ενός swap είναι εν γένει μηδενική. Σε αυτήν την περίπτωση, η έκθεση μετράται ως η μεταβολή της αξίας της θέσης, αν αυτή είναι θετική όταν συμβεί η αθέτηση (default). Κατά συνέπεια, η μέτρηση του Πιστωτικού Κινδύνου για τα swaps απαιτεί λεπτομερή ανάλυση της συσχέτισης Κινδύνου Αγοράς και Πιστωτικού Κινδύνου. Ένα είδος Πιστωτικού Κινδύνου είναι ο Κυβερνητικός Κίνδυνος (SovereignRisk). Πρόκειται για τον κίνδυνο που αντιμετωπίζει ένας επενδυτής από μία ξένη κυρίαρχη κυβέρνηση ή την κεντρική τράπεζα ενός κυρίαρχου κράτους, όσον αφορά τους ενδεχόμενους περιορισμούς που μπορεί να επιβάλλουν στα περιουσιακά του στοιχεία. Για παράδειγμα, μετά από μία βίαιη πολιτική μεταβολή ή μια οικονομική κρίση, δεσμεύονται από τη κυβέρνηση προσωρινά ή μόνιμα οι περιουσίες των ξένων επενδυτών ή, λόγω αδυναμίας αποπληρωμής του δημόσιου χρέους, δεσμεύονται οι τραπεζικές καταθέσεις για ένα ορισμένο χρονικό διάστημα Επιπλέον, απαγορεύεται προσωρινά η εξαγωγή από τη χώρα των κερδών ξένων εταιριών και αναβάλλεται η εξόφληση των εκδοθέντων κρατικών εντόκων γραμματίων και ομολόγων, ακόμη και αυτών που κατέχονται από ξένους επενδυτές. Μία άλλη έκφανση του Πιστωτικού Κινδύνου είναι ο Κίνδυνος Διακανονισμού (Settlement Risk). Πρόκειται για μια ειδική μορφή Πιστωτικού Κινδύνου που προκύπτει από τη μη ταυτόχρονη ανταλλαγή πληρωμών, ή πληρωμής και παράδοσης χρεογράφου, και υποδηλώνει την πιθανότητα πραγματοποίησης ζημιών λόγω αδυναμίας συμψηφισμού ορισμένων συναλλαγών. Αυτός ο κίνδυνος επηρέασε τους αντισυμβαλλόμενους της γερμανικής τράπεζας Bankhaus Herstatt, η οποία το 1974 δεν μπόρεσε να τιμήσει τις υποχρεώσεις της σε συνάλλαγμα έναντι των συμβληθέντων πιστωτικών ιδρυμάτων και πτώχευσε. Συγκεκριμένα, η Bankhaus Herstatt ήταν μια μικρού μεγέθους τράπεζα με έδρα την Κολωνία και ειδικευόταν κύρια στις αγοραπωλησίες συναλλάγματος. Οι αντισυμβαλλόμενοι της Bankhaus Herstatt είχαν συνάψει με αυτή πράξεις arbitrage (πρόκριση συναλλάγματος) με βάση τις οποίες έπρεπε να της παραδώσουν γερμανικά μάρκα και να λάβουν δολάρια ΗΠΑ. Οι αντισυμβαλλόμενοι τίμησαν την υποχρέωσή τους αλλά ο ανταποκριτής της Bankhaus Herstatt στις ΗΠΑ έπαυσε τις πληρωμές σε δολάρια και οι αντισυμβαλλόμενοι εκτέθηκαν στον κίνδυνο διακανονισμού. Στις 26 Ιουνίου 1974 η γερμανική εποπτική αρχή αφαίρεσε την άδεια λειτουργίας από τη BankhausHerstatt που τέθηκε στη συνέχεια σε εκκαθάριση. Ο κίνδυνος αυτός στις πράξεις συναλλάγματος 12
αντιμετωπίζεται σήμερα με τη χρήση του συστήματος Continuous Linked Settlement (CLS), το οποίο δεν προβαίνει στην παράδοση συναλλάγματος στον έναν αντισυμβαλλόμενο πριν ο δεύτερος θέσει στη διάθεση του CLS το συνάλλαγμα που οφείλει με βάση την ισχύουσα συμφωνία. Η πτώχευση της Bankhaus Herstatt αποτέλεσε το εφαλτήριο για την ίδρυση της Επιτροπής της Βασιλείας (BasleCommittee), η οποία 15 χρόνια αργότερα θέσπισε τους κανόνες κεφαλαιακής επάρκειας για το τραπεζικό σύστημα. 13
1.1.2.4. Κίνδυνος Ρευστότητας Ο Κίνδυνος Ρευστότητας (Liquidity Risk) (Σταϊκούρας, 2005), (Jorion, 2000) περιλαμβάνει δυο είδη κινδύνου, τον Κίνδυνο Ρευστότητας Επένδυσης (Asset Liquidity Risk ή Market/Product Liquidity Risk) και τον Κίνδυνο Ρευστότητας Κεφαλαίου (Funding Liquidity Risk ή Cash-Flow Risk). Ο Κίνδυνος Ρευστότητας Επένδυσης ανακύπτει όταν μια επένδυση δεν είναι δυνατό να πωληθεί σύμφωνα με τις τιμές που επικρατούν στην αγορά, λόγω του μεγάλου όγκου της σε σχέση με τον όγκο των επενδύσεων που διακινούνται συνήθως. Αυτός ο κίνδυνος είναι διαφορετικός για κάθε είδος επένδυσης και εξαρτάται από τις συνθήκες που επικρατούν στην αγορά. Ορισμένες επενδύσεις, όπως κυρίαρχα νομίσματα και κρατικά ομόλογα (Treasury Bonds), διαπραγματεύονται στα πλαίσια ώριμων αγορών και μπορούν να ρευστοποιηθούν εύκολα, χωρίς μεγάλες επιπτώσεις στην τιμή τους. Υπάρχουν, όμως, και επενδύσεις, όπως οι Μετοχές Αναδυόμενων Αγορών (Emerging Market Equities), οποιαδήποτε συναλλαγή των οποίων μπορεί να επηρεάσει άμεσα την τιμή τους. Καθοριστικό ρόλο διαδραματίζει πάντοτε ο όγκος της επένδυσης. Ο Κίνδυνος Ρευστότητας Κεφαλαίου αναφέρεται στην αδυναμία εκπλήρωσης των οικονομικών υποχρεώσεων, γεγονός που μπορεί να οδηγήσει σε πρόωρη ρευστοποίηση τίτλων, μετατρέποντας ζημίες που έχουν καταγραφεί στην αγοραία αξία ( paper losses) σε πραγματικές ζημίες. Αυτό το πρόβλημα είναι ιδιαίτερα έντονο σε χαρτοφυλάκια που υφίστανται Μόχλευση (Leverage-πρακτική του πολλαπλασιασμού ενός ποσού χρημάτων με την αλλεπάλληλη επένδυσή του στις χρηματοοικονομικές αγορές) και υπόκεινται σε Απαιτήσεις Πρόσθετου Περιθωρίου (Margin Call) από τους δανειστές. Ο Κίνδυνος Ρευστότητας Κεφαλαίου αλληλεπιδρά με τον Κίνδυνο Ρευστότητας Επένδυσης στις περιπτώσεις που το χαρτοφυλάκιο περιλαμβάνει επενδύσεις οι οποίες δεν ρευστοποιούνται εύκολα και πρέπει να πωληθούν με έκπτωση. Για να αντιμετωπιστεί ο Κίνδυνος Ρευστότητας Κεφαλαίου απαιτείται κατάλληλος προγραμματισμός εσόδων και εξόδων, ώστε να εξασφαλίζεται επάρκεια ρευστών διαθεσίμων. 14
1.1.2.5. Λειτουργικός Κίνδυνος Ο Λειτουργικός Κίνδυνος (Operational Risk) (Σταϊκούρας, 2005), (Jorion, 2000) αναφέρεται στις απώλειες που μπορεί να προκύψουν λόγω της ανεπάρκειας των συστημάτων και των εσωτερικών ελέγχων, των ανθρωπίνων σφαλμάτων, των αποτυχιών της διοίκησης και ενδεχομένων δυσχερειών μεταξύ των βασικών παραγόντων της εταιρικής διοίκησης (μετόχων, διευθυντικών στελεχών και εκπροσώπων εργαζομένων). Τέτοια προβλήματα μπορεί να προκύψουν από την αδυναμία ανάληψης προληπτικής δράσης. Ένα σημαντικό είδος Λειτουργικού Κινδύνου αφορά στον τεχνολογικό κίνδυνο, δηλαδή στον κίνδυνο βλάβης ή ανεπάρκειας των συστημάτων τεχνολογίας πληροφορικής. Αυτό σημαίνει ότι υπάρχει ανάγκη προστασίας των συστημάτων από ενδογενείς δυσχέρειές ή εξωτερικές παρεμβάσεις. Άλλες μορφές Λειτουργικού Κινδύνου είναι φυσικές καταστροφές όπως οι πυρκαγιές και οι σεισμοί. Ο Λειτουργικός Κίνδυνος συνδέεται με τις μεταβολές του λειτουργικού κόστους (διαχειριστικός κίνδυνος). Η υπερβολική αύξηση του λειτουργικού κόστους προκαλεί αυξημένους κινδύνους σχετικά με την κερδοφορία ενός οργανισμού. Δύο βασικοί δείκτες του διαχειριστικού κινδύνου είναι οι παρακάτω: Συνολικό Ενεργητικό / Αριθμός Απασχολουμένων Δαπάνες για Μισθούς / Αριθμός Απασχολουμένων 1.1.2.6. Ο Νομικός Κίνδυνος Το νομικό πλαίσιο που διέπει τη λειτουργία της αγοράς μπορεί να αλλάζει συχνά, επηρεάζοντας την κερδοφορία των οργανισμών. Μια δικαστική απόφαση που αφορά σε έναν συγκεκριμένο οργανισμό μπορεί να έχει ευρύτερες επιπτώσεις για τη διευθέτηση σημαντικών ζητημάτων του συνόλου της αγοράς. Επιπλέον, οι οργανισμοί πρέπει να διερευνούν με προσοχή το νομικό κίνδυνο, όταν αναπτύσσουν νέα χρηματοοικονομικά προϊόντα ή εισάγουν νέους τύπους συναλλαγών. Ο Νομικός Κίνδυνος (LegalRisk) (Σταϊκούρας, 2005), (Jorion, 2000) έχει συχνά και διεθνή διάσταση. Το νομικό πλαίσιο για τις χρηματοοικονομικές συναλλαγές διαφέρει ευρύτατα μεταξύ χωρών και μπορεί να επιδέχεται διαφορετικών ερμηνειών. Η εσφαλμένη 15
κατανόηση από έναν ξένο οργανισμό του νομικού πλαισίου που διέπει το χρηματοοικονομικό σύστημα μιας χώρας μπορεί να οδηγήσει στην επιβολή επώδυνων κυρώσεων. 16
1.2 Επισκόπηση της εμπειρικής βιβλιογραφίας στη ζήτηση για κεφάλαιο υπό συνθήκες αβεβαιότητας Σε αυτή τη παράγραφο παρουσιάζεται ένα τμήμα των εμπειρικών μελετών που αφορούν στη σχέση επένδυσης-αβεβαιότητας. Αν και από θεωρητική άποψη η κατεύθυνση της σχέσης αυτής δεν είναι απόλυτα ξεκάθαρη, οι εμπειρικές μελέτες στην πλειοψηφία τους επιδεικνύουν μια αρνητική επίπτωση της αβεβαιότητας στην επένδυση και ιδιαίτερα κατά την παρουσία μη αναστρεψιμότητας του κεφαλαίου. Οι μελέτες αυτές προκειμένου να διερευνήσουν τις επιπτώσεις της αβεβαιότητας στη ζήτηση για επένδυση υιοθετούν διαφορετικές προσεγγίσεις. Ειδικότερα, διαφέρουν ως προς τον τρόπο μέτρησης της αβεβαιότητας, της αναστρεψιμότητας και, εάν χρησιμοποιούν στοιχεία σε βιομηχανικό επίπεδο ή σε επίπεδο επιχείρησης. (Σακκάς Γ. 2011) Στις εμπειρικές μελέτες, η αναστρεψιμότητα του κεφαλαίου έχει μετρηθεί με τρεις εναλλακτικούς τρόπους. Πρώτον, μια adhoc ιεράρχηση υπάρχει όπου ο ερευνητής apriori ιεραρχεί τα κεφαλαιουχικά αγαθά σύμφωνα με τα ιδιοσυγκρασιακά τους χαρακτηριστικά. Επομένως, ανάλογα με την έκθεση του χρήστη σε κάθε τύπο κεφαλαίου θα μπορούσε κάποιος να συμπεράνει το βαθμό αναστρεψιμότητας. Παραδείγματος χάριν, η επένδυση σε Έρευνα & Ανάπτυξη χαρακτηρίζεται από μικρότερο βαθμό αναστρεψιμότητας σε σχέση με την επένδυση που δεν περιλαμβάνει δαπάνες σε Έρευνα & Ανάπτυξη (Goelκαι Ram, 2001). Επίσης, η επένδυση που πραγματοποιείται από τις επιχειρήσεις που ανήκουν στη βιομηχανία παρασκευής πρώτων υλών χαρακτηρίζεται από μικρότερο βαθμό αναστρεψιμότητας σε σχέση με αυτή που πραγματοποιείται από τις επιχειρήσεις που ανήκουν στη βιομηχανία του μηχανολογικού εξοπλισμού (Ogawaκαι Suzuki, 2000). Ο δεύτερος τρόπος είναι έμμεσος, όπου ο ερευνητής συμπεραίνει το βαθμό αναστρεψιμότητας των κεφαλαιουχικών αγαθών σύμφωνα με την αντίδραση της επένδυσης σε ένα δεδομένο ερέθισμα (Carruthetal.2000; Bo, 2002; Fussκαι η επένδυση σε Έρευνα & Ανάπτυξη χαρακτηρίζεται από μικρότερο βαθμό αναστρεψιμότητας σε σχέση με την επένδυση που δεν περιλαμβάνει δαπάνες σε Έρευνα & Ανάπτυξη (Goel και Ram, 2001). Επίσης, η επένδυση που πραγματοποιείται από τις επιχειρήσεις που ανήκουν στη βιομηχανία παρασκευής πρώτων υλών χαρακτηρίζεται από μικρότερο βαθμό αναστρεψιμότητας σε σχέση με αυτή που πραγματοποιείται από τις επιχειρήσεις που ανήκουν στη βιομηχανία του μηχανολογικού εξοπλισμού (Ogawa και Suzuki, 2000). Ο 17
δεύτερος τρόπος είναι έμμεσος, όπου ο ερευνητής συμπεραίνει το βαθμό αναστρεψιμότητας των κεφαλαιουχικών αγαθών σύμφωνα με την αντίδραση της επένδυσης σε ένα δεδομένο ερέθισμα (Carruthetal. 2000; Bo, 2002; Fuss και Vermeulen, 2004; Bo και Lensink, 2005; Driveretal. 2006). Παραδείγματος χάριν, οι κλάδοι παραγωγής που αντιμετωπίζουν ετερογενή βαθμό αναστρεψιμότητας του κεφαλαίου αναμένεται να επιδεικνύουν διαφορετική ευαισθησία στην αβεβαιότητα. Ομοίως, μια ανομοιόμορφη ευαισθησία στις αποκλίσεις από τη μακροχρόνια ισορροπία, μετρημένη από τις παραμέτρους της ταχύτητας προσαρμογής, θα ήταν επίσης σύμφωνη με ανομοιόμορφο βαθμό αναστρεψιμότητας του κεφαλαίου για διαφορετικούς κλάδους. Ο τρίτος τρόπος είναι άμεσος, όπου ο ερευνητής ιεραρχεί το βαθμό αναστρεψιμότητας των κλάδων παραγωγής σύμφωνα με ένα μέτρο που προέρχεται από τα δεδομένα και απεικονίζει την πηγή της αναστρεψιμότητας. Παραδείγματος χάριν, στην περίπτωση που ο βασισμένος στην τεχνολογία ορισμός εφαρμόζεται, ο βαθμός αναστρεψιμότητας του κεφαλαίου θα μπορούσε να μετρηθεί άμεσα από τη δυνατότητα υποκατάστασης της εργασίας με κεφάλαιο (Leahy και Whited, 1996). Επιπλέον, όταν εφαρμόζεται ο βασισμένος στις συναλλαγές ορισμός, ο βαθμός αναστρεψιμότητας θα μπορούσε να αξιολογηθεί από τη δραστηριότητα των αγορών χρηματοδοτικής μίσθωσης ήvermeulen, 2004; Boκαι Lensink, 2005; Driveretal. 2006). Παραδείγματος χάριν, οι κλάδοι παραγωγής που αντιμετωπίζουν ετερογενή βαθμό αναστρεψιμότητας του κεφαλαίου αναμένεται να επιδεικνύουν διαφορετική ευαισθησία στην αβεβαιότητα. Ομοίως, μια ανομοιόμορφη ευαισθησία στις αποκλίσεις από τη μακροχρόνια ισορροπία, μετρημένη από τις παραμέτρους της ταχύτητας προσαρμογής, θα ήταν επίσης σύμφωνη με ανομοιόμορφο βαθμό αναστρεψιμότητας του κεφαλαίου για διαφορετικούς κλάδους. Ο τρίτος τρόπος είναι άμεσος, όπου ο ερευνητής ιεραρχεί το βαθμό αναστρεψιμότητας των κλάδων παραγωγής σύμφωνα με ένα μέτρο που προέρχεται από τα δεδομένα και απεικονίζει την πηγή της αναστρεψιμότητας. Παραδείγματος χάριν, στην περίπτωση που ο βασισμένος στην τεχνολογία ορισμός εφαρμόζεται, ο βαθμός αναστρεψιμότητας του κεφαλαίου θα μπορούσε να μετρηθεί άμεσα από τη δυνατότητα υποκατάστασης της εργασίας με κεφάλαιο (Leahyκαι Whited, 1996). Επιπλέον, όταν εφαρμόζεται ο βασισμένος στις συναλλαγές ορισμός, ο βαθμός αναστρεψιμότητας θα μπορούσε να αξιολογηθεί από τη δραστηριότητα των αγορών χρηματοδοτικής μίσθωσης ήμεταχειρισμένου κεφαλαίου (Kessides, 1990; Worthington, 1995; Guiso και Parigi, 1999). Τέλος, η αναστρεψιμότητα θα μπορούσε να οριστεί είτε από το λόγο της αξίας μεταπώλησης του κεφαλαίου προς την 18
αξία αντικατάστασής του (Pattillo, 1998) είτε από το λόγο των διαθέσεων (πωλήσεις) προς τις αποκτήσεις (αγορές) κεφαλαίου (Driver et al. 2006). Οι εμπειρικές μελέτες διαφέρουν επίσης ως προς το εάν χρησιμοποιούν συναθροιστική (aggregate) ή υποδιαιρεμένη (disaggregate) εμπειρική προσέγγιση. Μερικές μελέτες χρησιμοποιούν δεδομένα σε επίπεδο χωρών (Pindyck και Solimano, 1993; Ramey και Ramey, 1995; Alesina και Perotti, 1996; Aizenman και Marion, 1999; Calcagnini και Saltari, 2000). Άλλες μελέτες χρησιμοποιούν συναθροιστικά δεδομένα σε βιομηχανικό ή κλαδικό επίπεδο (Ghosal και Loungani, 1996; Bell και Campa, 1997). Τέλος, αρκετές μελέτες χρησιμοποιούν δεδομένα σε επίπεδο επιχείρησης (Leahy και Whited, 1996; Guiso και Parigi, 1999; Bloom et al. 2007). Προκειμένου να αξιολογηθεί με μεγαλύτερη ακρίβεια η σχέση επένδυσης-αβεβαιότητας θα ήταν ωφέλιμο εάν κάποιος διέθετε δεδομένα σε επίπεδο επιχείρησης, καθώς η θεωρητική βιβλιογραφία έχει καταδείξει ότι η σχέση αυτή εξαρτάται από τα ιδιοσυγκρασιακά χαρακτηριστικά της επιχείρησης. Η χρησιμοποίηση δεδομένων σε επίπεδο επιχείρησης έχει διάφορα πλεονεκτήματα. Πρώτον, επιτρέπουν στα μέτρα της αβεβαιότητας να αποτυπώσουν την επίδραση της συναθροιστικής διαταραχής αλλά και τις επιδράσεις των ιδιοσυγκρασιακών παραγόντων που επηρεάζουν μια μεμονωμένη επιχείρηση. Δεύτερον, παρέχουν τη δυνατότητα να ελεγχθεί η ύπαρξη πιθανού ταυτοχρονισμού μεταξύ της επένδυσης και της αβεβαιότητας στην περίπτωση που ΧΕΔΣ είναι διαθέσιμα. Τρίτον, επειδή η θεωρία της επένδυσης υπό συνθήκες αβεβαιότητας έχει επιδείξει διαφορετικά αποτελέσματα για διαφορετικούς τύπους επιχειρήσεων, η εμπειρική ανάλυση αυτών των χαρακτηριστικών μπορεί να αξιολογηθεί μόνο με μικροοικονομικά στοιχεία. Κατά συνέπεια, αγνοώντας την ετερογένεια μεταξύ των επιχειρήσεων η αξιολόγησή της επίδρασης της αβεβαιότητας στην επένδυση είναι μεροληπτική. Οι εμπειρικές μελέτες αντιμετωπίζουν πολλές δυσκολίες κατά τον έλεγχο των θεωρητικών υποδειγμάτων. Πρώτον, τα περισσότερα υποδείγματα επένδυσης υπό αβεβαιότητα δεν προσδιορίζουν μια λύση ανοιγμένης μορφής. Δεύτερον, δεδομένα σε μικροοικονομικό επίπεδο που είναι απαραίτητα προκειμένου να αξιολογηθούν σχετικές θεωρητικές προβλέψεις δεν είναι συχνά διαθέσιμα. Τρίτον, η φύση της σχέσης επένδυσηςαβεβαιότητας εξαρτάται από παράγοντες όπως ο βαθμός αναστρεψιμότητας του κεφαλαίου και οι αποδόσεις κλίμακας οι οποίοι δε μπορούν να μετρηθούν εύκολα. Τέλος, 19
επειδή η αβεβαιότητα δεν είναι εύκολα παρατηρήσιμη, οι έμμεσοι δείκτες που χρησιμοποιούνται για την προσέγγισή της συχνά περιλαμβάνουν προβλήματα μέτρησης. Γενικότερα, οι εμπειρικές μελέτες θα μπορούσαν να ταξινομηθούν σε δύο κατηγορίες. Συγκεκριμένα, οι μελέτες της πρώτης κατηγορίας διερευνούν το πρόσημο της σχέσης επένδυσης-αβεβαιότητας εστιάζοντας αποκλειστικά στο πρόσημο του σχετικού συντελεστή (Carruth et al. 2000; Bo, 2002; Fuss και Vermeulen, 2004; Bo και Lensink, 2005; Bond et al. 2005). Οι μελέτες της δεύτερης κατηγορίας προσπαθούν να αποδώσουν την επίδραση της αβεβαιότητας σε ειδικούς παράγοντες. Αυτό γίνεται είτε διαχωρίζοντας το δείγμα σύμφωνα με κατάλληλα επιλεγμένους δείκτες που δίνουν έμφαση σε δομικούς παράγοντες που αναμένεται να επηρεάσουν το πρόσημο της σχέσης επένδυσηςαβεβαιότητας, είτε ενσωματώνοντας αυτούς τους δομικούς παράγοντες στο υιοθετημένο οικονομετρικό υπόδειγμα (Ghosal και Loungani, 1996; Leahy και Whited,1996; Pattillo, 1998; Butzen et al. 2002; Bulan, 2005; Drakos, 2006). Παρακάτω, παρέχουμε μια συνοπτική επισκόπηση των εμπειρικών μελετών που εστιάζουν στην αντίδραση της επένδυσης στην αβεβαιότητα καθώς και στους παράγοντες που επιδρούν στη σχέση αυτή. Αν και η θεωρία της επένδυσης υπό αβεβαιότητα έχει αναπτυχθεί σε σχέση με τη συμπεριφορά της επιχείρησης, το μεγαλύτερο μέρος των εμπειρικών μελετών βασίζεται σε συναθροιστικά δεδομένα. Οι Pindyck και Solimano (1993) χρησιμοποιούν διαστρωματικά και χρονολογικά στοιχεία για ένα σύνολο αναπτυσσόμενων και βιομηχανοποιημένων χωρών. Σύμφωνα με τα εμπειρικά τους ευρήματα, η διακύμανση της οριακής αποδοτικότητας του κεφαλαίου (που χρησιμοποιείται ως μέτρο της αβεβαιότητας) ασκεί αρνητική επίδραση στη συνολική επένδυση και το μέγεθος αυτής της επίδρασης είναι μεγαλύτερο για τις αναπτυσσόμενες χώρες. Ο Huizinga (1993) χρησιμοποιώντας δεδομένα για τον κλάδο της μεταποίησης στις ΗΠΑ, κατά τη διάρκεια της περιόδου 1954-1989, δείχνει ότι η αβεβαιότητα ως προς τον πληθωρισμό μειώνει τη συνολική επένδυση. Ο Ferderer (1993α) στηρίζεται στην αναλογικότητα μεταξύ του ασφαλίστρου κινδύνου και της διακύμανσης των αποδόσεων προκειμένου να εξάγει ένα μέτρο για την αβεβαιότητα χρησιμοποιώντας δεδομένα για τη Χρονική Διάρθρωση των Επιτοκίων (Term Structure of 20
Interest Rates). Διαπίστωσε ότι αυτό το μέτρο της αβεβαιότητας έχει αρνητική επίπτωση στη δαπάνη για διαρκή εξοπλισμό. Σε μία άλλη μελέτη, ο Ferderer (1993b) συνάγει παρόμοια συμπεράσματα χρησιμοποιώντας δεδομένα σχετικά με τις μακροοικονομικές προβλέψεις χρηματοδοτικών και μη χρηματοδοτικών οργανισμών (Blue Chip survey). Η αρνητική επίπτωση της αβεβαιότητας παρέμεινε σημαντική ακόμη και όταν το κόστος χρήστη του κεφαλαίου και το Tobin q λαμβάνονται υπόψη. Ο Ferderer χρησιμοποίησε την τυπική απόκλιση των σημειακών προσδοκιών της έρευνας για να μετρήσει την αβεβαιότητα. Αυτό το μέτρο της αβεβαιότητας έχει το πλεονέκτημα ότι είναι ένα προνοητικό μέτρο. Οι Alesina και Perotti (1996) αναλύουν ένα δείγμα 71 χωρών κατά τη χρονική περίοδο 1960-1985 και βρίσκουν αρνητική σχέση μεταξύ των δεικτών πολιτικής και κοινωνικής αστάθειας, που χρησιμοποιούνται ως προσεγγίσεις της αβεβαιότητας, και της συνολικής επένδυσης. Οι Ghosal και Loungani (1996) χρησιμοποιώντας ένα δείγμα από τον κλάδο της μεταποίησης στις ΗΠΑ, διερευνούν την επίδραση της δομής αγοράς διαχωρίζοντας το δείγμα τους σε βιομηχανίες με χαμηλή και υψηλή δύναμη αγοράς. Καταλήγουν στο συμπέρασμα ότι η αβεβαιότητα μειώνει την επένδυση στις ιδιαίτερα ανταγωνιστικές βιομηχανίες, ενώ δεν ασκεί καμία επίδραση στο κίνητρο για επένδυση στις βιομηχανίες με υψηλότερη συγκέντρωση. Επιπλέον, τα αποτελέσματά τους υποστηρίζουν ότι υπό την παρουσία μη αναστρεψιμότητας η αυξανόμενη αβεβαιότητα ελαττώνει την επένδυση. Οι Leahy και Whited (1996) διερεύνησαν τη σχέση επένδυσης-αβεβαιότητας σε επίπεδο επιχειρήσεων. Χρησιμοποίησαν ΧΕΔΣ για 600 μεταποιητικές επιχειρήσεις στις ΗΠΑ κατά τη διάρκεια της περιόδου 1981-1987. Προκειμένου να προσεγγίσουν την αβεβαιότητα, υιοθέτησαν υπό συνθήκη (conditional) μέτρα της διακύμανσης, βασισμένα σε υποδείγματα GARCH, καθώς επίσης και αδέσμευτα (unconditional) μέτρα της μεταβλητότητας. Όλα τα μέτρα της αβεβαιότητας ασκούν αρνητική επίδραση στην επένδυση. Οι Bell και Campa (1997) εστιάζουν στις επενδύσεις νέας δυναμικότητας στη βιομηχανία χημικής επεξεργασίας στις ΗΠΑ και στην Ευρώπη. Προσδιορίζουν διάφορες πηγές αβεβαιότητας που προέρχονται από τις διακυμάνσεις των συναλλαγματικών ισοτιμιών, των τιμών του πετρελαίου και της βιομηχανικής παραγωγής. Τα αποτελέσματά τους 21
υποστηρίζουν ότι μόνο η διακύμανση των συναλλαγματικών ισοτιμιών έχει επιπτώσεις στην επένδυση σύμφωνα με τις προβλέψεις της βιβλιογραφίας της μη αναστρέψιμης επένδυσης. Η Pattillo (1998) χρησιμοποιεί ΧΕΔΣ για μεταποιητικές επιχειρήσεις στη Γκάνα και εστιάζει στο ρόλο της μη αναστρεψιμότητας της επένδυσης στον προσδιορισμό της σχέσης μεταξύ της επένδυσης και της αβεβαιότητας. Βρίσκει ότι ο υψηλότερος βαθμός αβεβαιότητας οδηγεί σε χαμηλότερη επένδυση υπό την παρουσία μη αναστρεψιμότητας του κεφαλαίου. Οι Aizenman και Marion (1999) ερευνούν τη σχέση επένδυσης-αβεβαιότητας χρησιμοποιώντας ένα δείγμα 46 αναπτυσσόμενων χωρών κατά τη διάρκεια της περιόδου 1970-1992. Βρίσκουν μία ιδιαίτερα σημαντική αρνητική σχέση μεταξύ των μέτρων μεταβλητότητας που υιοθετούνται και της ιδιωτικής επένδυσης ακόμα και όταν τυπικές προσδιοριστικές μεταβλητές προστίθενται στο υπόδειγμα. Οι Guiso και Parigi (1999) χρησιμοποιούν διαστρωματικά στοιχεία για ιταλικές επιχειρήσεις προκειμένου να διερευνήσουν τις μεμονωμένες επιδράσεις της δομής αγοράς και του βαθμού αναστρεψιμότητας. Διαχωρίζουν το δείγμα, πρώτα μεταξύ επιχειρήσεων με υψηλή και χαμηλή δύναμη αγοράς, και έπειτα μεταξύ επιχειρήσεων που χαρακτηρίζονται από υψηλό και χαμηλό βαθμό μη αναστρεψιμότητας. Τα ευρήματά τους δείχνουν ότι η επίδραση της αβεβαιότητας στην επένδυση διαφέρει όταν οι επιχειρήσεις ομαδοποιούνται σύμφωνα με το βαθμό αναστρεψιμότητας των επενδυτικών αποφάσεων ή με το βαθμό δύναμης αγοράς. Παραδείγματος χάριν, η αρνητική επίπτωση της αβεβαιότητας είναι ισχυρότερη όταν οι επιχειρήσεις δε μπορούν εύκολα να διαθέσουν το επιπλέον κεφαλαιουχικό τους απόθεμα στις αγορές μεταχειρισμένου κεφαλαίου (υψηλή μη αναστρεψιμότητα). Επιπλέον, η αβεβαιότητα είναι περισσότερο επιβλαβής για τις επιχειρήσεις που αντιμετωπίζουν ανελαστική ζήτηση (υψηλή δύναμη αγοράς). Οι Bohm et al. (1999) χρησιμοποιώντας ΧΕΔΣ για γερμανικές επιχειρήσεις ακολούθησαν διαφορετική στρατηγική απέχοντας από το διαχωρισμό του δείγματος και περιλαμβάνοντας έναν όρο αλληλεπίδρασης μεταξύ της αβεβαιότητας και ενός δείκτη της δύναμης αγοράς. Εκθέτουν μια θετική σχέση μεταξύ της επένδυσης και της αβεβαιότητας και καταλήγουν στο συμπέρασμα ότι το πρόσημο της σχέσης αυτής διαφέρει ως προς το 22
βαθμό δύναμης αγοράς. Συγκεκριμένα, η επίδραση της αβεβαιότητας γίνεται αρνητική για τις επιχειρήσεις που δραστηριοποιούνται σε περισσότερο συγκεντρωμένες βιομηχανίες. Οι Goel και Ram (1999) χρησιμοποιούν συναθροιστικά στοιχεία για 12 χώρες του ΟΟΣΑ προκειμένου να εξετάσουν την επίδραση της αβεβαιότητας στη ζήτηση για επένδυση στα ακόλουθα περιουσιακά στοιχεία που χαρακτηρίζονται από διαφορετικό βαθμό αναστρεψιμότητας: α) διαρκή προϊόντα, β) οικιστικές κατασκευές, και γ) μη οικιστικές κατασκευές. Υποθέτουν ότι η επένδυση στα διαρκή προϊόντα χαρακτηρίζεται από μεγαλύτερο βαθμό μη αναστρεψιμότητας, ακολουθούμενη από την επένδυση στις μη οικιστικές κατασκευές. Καταλήγουν στο συμπέρασμα ότι όταν αθροίζονται επενδύσεις με διαφορετικούς βαθμούς αναστρεψιμότητας, η επίδραση της αβεβαιότητας δεν είναι αρκετά σαφής. Σε μια πιο πρόσφατη μελέτη, οι Goel και Ram (2001) υιοθετούν μία παρόμοια βάση δεδομένων και διακρίνουν μεταξύ της επένδυσης σε Έρευνα & Ανάπτυξη και της επένδυσης που δεν περιλαμβάνει δαπάνες σε Έρευνα & Ανάπτυξη, όπου η πρώτη χαρακτηρίζεται από μεγαλύτερο βαθμό μη αναστρεψιμότητας. Σύμφωνα με τα εμπειρικά τους ευρήματα, η αβεβαιότητα επιδεικνύει ιδιαίτερα αρνητική επίδραση όταν η επένδυση σε Έρευνα & Ανάπτυξη λαμβάνεται υπόψη, ενώ παρουσιάζει «λανθασμένο» πρόσημο όταν η επένδυση που δεν περιλαμβάνει δαπάνες σε Έρευνα & Ανάπτυξη λαμβάνεται υπόψη. Οι Calcagnini και Saltari (2000) χρησιμοποιώντας δεδομένα για την ιταλική οικονομία κατά τη διάρκεια της περιόδου 1971-1995, δεικνύουν ότι οι μεταβολές στο επίπεδο της διακύμανσης της αναμενόμενης ζήτησης ασκούν αρνητική επίδραση στη συνολική επένδυση. Οι Butzen et al. (2002) διερεύνησαν τον τρόπο με τον οποίο η αβεβαιότητα ως προς τη ζήτηση και την τιμή του προϊόντος επιδρά στην επενδυτική συμπεριφορά χρησιμοποιώντας ΧΕΔΣ για μεταποιητικές επιχειρήσεις του Βελγίου. Σύμφωνα με τα εμπειρικά τους αποτελέσματα, η αρνητική επίπτωση της αβεβαιότητας είναι μικρότερη όταν η επένδυση σε κτίρια λαμβάνεται υπόψη, τα οποία χαρακτηρίζονται από μεγαλύτερο βαθμό αναστρεψιμότητας σε σχέση με την επένδυση σε μηχανολογικό εξοπλισμό. Με άλλα λόγια, κατέληξαν στο συμπέρασμα ότι η μη αναστρεψιμότητα ενισχύει την αρνητική επίδραση της αβεβαιότητας στην επένδυση. 23
Οι Le Khuong et al. (2004) χρησιμοποιώντας μια έρευνα για 210 επιχειρήσεις αλέσματος ρυζιού που δραστηριοποιούνται στο Δέλτα του Ποταμού Mekong στο Βιετνάμ, διαπίστωσαν ότι η αρνητική επίδραση της αβεβαιότητας στην επένδυση αυξάνεται καθώς αυξάνεται ο βαθμός μη αναστρεψιμότητας του κεφαλαίου.η Bulan (2005) ερευνά την επίδραση της αβεβαιότητας στην επένδυση διχοτομώντας το δείγμα με βάση τη δύναμη αγοράς, το βαθμό αναστρεψιμότητας, και το μέγεθος. Προσδιορίζει ότι η αναστρεψιμότητα προέρχεται από τα ιδιοσυγκρασιακά χαρακτηριστικά του κεφαλαίου σε επίπεδο βιομηχανίας. Σύμφωνα με τα εμπειρικά της ευρήματα, υπό την παρουσία υψηλότερης μη αναστρεψιμότητας του κεφαλαίου η αυξανόμενη αβεβαιότητα μειώνει την επένδυση, εύρημα που επιβεβαιώνεται και από τη Θεωρία των Πραγματικών Δικαιωμάτων. Εστιάζοντας στη βρετανική περίπτωση, οι Driver et al. (2006) συγκρίνουν την επένδυση σε μηχανολογικό εξοπλισμό και την επένδυση σε κτίρια. Προκειμένου να διεξαχθεί η ανάλυσή τους υποθέτουν ότι ο μηχανολογικός εξοπλισμός χαρακτηρίζεται από υψηλότερο βαθμό μη αναστρεψιμότητας σε σχέση με τα κτίρια. Καταλήγουν στο συμπέρασμα ότι η μη αναστρεψιμότητα ενισχύει την αρνητική επίδραση της αβεβαιότητας στην επένδυση παγίων στοιχείων. Με βάση την ανωτέρω επισκόπηση της εμπειρικής βιβλιογραφίας παρατηρούμε ότι τα εμπειρικά ευρήματα στην πλειοψηφία τους καθιερώνουν αρνητική σχέση μεταξύ επένδυσης και αβεβαιότητας. Επίσης, ο βαθμός μη αναστρεψιμότητας της επένδυσης ενισχύει την αρνητική επίπτωση της αβεβαιότητας. Άλλοι παράγοντες που επηρεάζουν τη σχέση επένδυσης-αβεβαιότητας είναι ο βαθμός ανταγωνισμού στην αγορά προϊόντος, καθώς και ο βαθμός ομογένειας της συνάρτησης παραγωγής. Κατά συνέπεια, διαφορετικοί συνδυασμοί αυτών των παραγόντων οδηγούν σε διαφορετικά συμπεράσματα σχετικά με την αντίδραση της επένδυσης στην αβεβαιότητα. (Σακκάς Γ. 2011) 24
2 ο ΚΕΦΑΛΑΙΟ Ανασκόπηση βιβλιογραφίας για την μέτρηση του χρημ/κου κινδύνου 2.1 Οικονομετρική Μεθοδολογία-Μέθοδος Τυχαίων Επιδράσεων (Σακκάς Γ. 2011) Μια ακόμα οικονομετρική προσέγγιση για την μέτρηση της επίδρασης της αβεβαιότητας στις επενδύσεις είναι αυτή που παρουσιάζεται στην συνέχει από το Γ. Σακκά (2011). Στην εν λόγω έρευνα μελετώνται 103 διαφορετικοί κλάδους της μεταποιητικής βιομηχανίας μεταξύ 7 ευρωπαϊκών χωρών (Αυστρία, Γαλλία, Γερμανία, Ισπανία, Ιταλία, Σουηδία και Ηνωμένο Βασίλειο) για τη περίοδο 1995-2008 (πίνακας 1) και γίνεται προσπάθεια να διερευνηθεί η σχέση μεταξύ της αβεβαιότητας και των επενδύσεων, καθώς επίσης και το πώς επηρεάζει ο διαφορετικός βαθμός της αναστρεψιμότητας του κεφαλαίου τη σχέση αυτή. Τα δεδομένα που χρησιμοποιήθηκαν για την εκτίμηση των αποτελεσμάτων προέρχονται από την Eurostat. Το επενδυμένο κεφάλαιο έχει χωριστεί ανάλογα με το βαθμό μη αναστρεψιμότητας σε τρεις διαφορετικές κατηγορίες επενδύσεων. Αυτές οι κατηγορίες είναι : Οι επενδύσεις σε κτιριακές υποδομές οι οποίες έχουν χαμηλό βαθμό μη αναστρεψιμότητας, τις επενδύσεις σε κατασκευές με μεσαίο βαθμό μη αναστρεψιμότητας και τέλος τις επενδύσεις σε μηχανολογικό εξοπλισμό οι οποίες χαρακτηρίζονται από υψηλό βαθμό μη αναστρεψιμότητας. Η αβεβαιότητα και η επίδραση αυτής στις επενδύσεις, έχει μετρηθεί μέσω του Δείκτη Οικονομικής Εμπιστοσύνης και για την ακρίβεια από τα δεδομένα του ESI, έχει ληφθεί η τυπική απόκλιση των μηνιαίων ποσοστιαίων διαφορών για τα έτη 1995-2008. Αξίζει να σημειωθεί επίσης πως ο ερευνητής για την ασφάλεια της μέτρησης και λόγω του γεγονότος πως ο Δείκτη Οικονομικής Εμπιστοσύνης είναι ένα μέγεθος που περικλείει πολλές διαφορετικές εκφάνσεις της οικονομικής δραστηριότητας, χρησιμοποιήθηκαν εναλλακτικά τρία συστατικά του: ο Βιομηχανικός Δείκτης Εμπιστοσύνης, ο Δείκτης Κατασκευών και ο Δείκτης Υπηρεσιών. Σκοπός της εν λόγω εργασίας είναι να βρεθεί ο τρόπος με τον οποίο η αβεβαιότητα επηρεάζει τις επενδύσεις στους διαφορετικούς τύπους κεφαλαίου. Η συνάρτηση που 25
χρησιμοποιείται για να διερευνηθεί αυτή η σχέση αυτή έχει ως εξαρτημένη μεταβλητή τις επενδύσεις διαιρεμένες με την αξία παραγωγής (production value). Το (d ln sales)t είναι η μεταβλητή των πωλήσεων (εκφρασμένη σε λογαρίθμους). Για να προκύψει αυτή τη μεταβλητή, υπολογίζονται αρχικά οι πωλήσεις (sales), οι οποίες ισούνται με το πηλίκο του κύκλου εργασιών(tumover) προς την αξία παραγωγής και στη συνέχεια υπολογίστηκε ο λογάριθμος του επιπέδου των πωλήσεων και της πρώτης υστέρησης των πωλήσεων, για να υπολογιστεί εν τέλει τη διαφορά αυτών των δυο λογαρίθμων. Οι ταμειακές ροές (cashflow) ορίζονται ως το πηλίκο των λειτουργικών κερδών προς την αξία της παραγωγής. Τα λειτουργικά κέρδη είναι η διαφορά του κύκλου εργασιών από το άθροισμα των μισθών των εργαζομένων και του κόστους των υλικών. Το περιθώριο κέρδους ορίζεται ως το πηλίκο του πλεονάσματος των επιχειρήσεων προς την αξία της παραγωγής. Επίσης, έχουν χρησιμοποιήσει ψευδομεταβλητές για τα χρόνια από το 1995 έως και το 2008, ενώ έχει χρησιμοποιηθεί και η πρώτη υστέρηση της μεταβλητής της αβεβαιότητας (ο τρόπος από τον οποίο προήλθε η μεταβλητή της αβεβαιότητας έχει αναλυθεί παραπάνω). Τέλος να σημειωθεί ότι το i αναφέρεται στον κάθε κλάδο του τομέα της μεταποίησης από το δείγμα που εξετάζουμε το t στα έτη και το k στους διαφορετικούς τύπους κεφαλαίου. Τέλος τα β και τα τ είναι οι συντελεστές του υποδείγματος που πρέπει να εκτιμηθούν και τέλος το ε είναι ο διαταρακτικός όρος. Αφού αρχικά, ο συγγραφέας έτρεξε τη παλινδρόμησή για τις συνολικές επενδύσεις,στη συνέχεια για να εισάγει στη μελέτη και την ετερογένεια του κεφαλαίου και να διαπιστωθεί με ποιο τρόπο επηρεάζει τις επενδύσεις ο διαφορετικός βαθμός μη αναστρεψιμότητας του κεφαλαίου, υπολογίστηκαν για κάθε διαφορετική μέτρηση της αβεβαιότητας τρεις ακόμα παλινδρομήσεις που αντιστοιχούν στους τρεις διαφορετικούς τύπους κεφαλαίου (κτίρια, κατασκευές και μηχανήματα). Έτσι λοιπόν, στη θέση της εξαρτημένης μεταβλητής μπήκαν οι επενδύσεις σε κάθε ξεχωριστό τύπο κεφαλαίου. Με τον τρόπο αυτό, δημιουργήσαμε τη μεταβλητή των επενδύσεων σε κτίρια, των επενδύσεων σε κατασκευές και σε μηχανήματα που ορίστηκαν ως τα πηλίκα των αξιών των επενδύσεων στους τρεις αυτούς ξεχωριστούς τύπους κεφαλαίου προς την αξία της παραγωγής. Τέλος σε καθεμία από αυτές τις τρεις παλινδρομήσεις, στις ερμηνευτικές μεταβλητές, αντί των συνολικών επενδύσεων, χρησιμοποιήσαμε τις επενδύσεις σε κάθε ξεχωριστό τύπο κεφαλαίου. 26
Το εμπειρικό κομμάτι της εργασίας έχει βασιστεί σε χρονικώς επαναλαμβανόμενα διαστρωματικά στοιχεία.. Στα χρονικώς επαναλαμβανόμενα διαστρωματικά στοιχεία, η εξαρτημένη μεταβλητή είναι δυσδιάστατη, με την έννοια ότι εξαπλώνεται σε δύο μεταβλητές. Για παράδειγμα, η εξαρτημένη μεταβλητή είναι οι επενδύσεις,όπου to i αναφέρεται στο κάθε κλάδο της i,t μεταποιητικής βιομηχανίας, ενώ το t στα χρόνια 1995-2008. Το πλεονεκτήματα που παρέχουν τα χρονικώς επαναλαμβανόμενα στοιχεία (σε σχέση με τα διαστρωματικά ή τις χρονοσειρές) είναι ότι εξαιτίας του δυσδιάστατου χαρακτήρα τους δίνουν μεγαλύτερα δείγματα, παρέχουν ακριβέστερους εκτιμητές, ενώ μειώνουν και τη πολυσυγραμμικότητα.. 2.1.1. Εμπειρικά αποτελέσματα Ύστερα από τη παρουσίαση ορισμένων βασικών στατιστικών χαρακτηριστικών του δείγματός. Οι πίνακες 1-4 που ακολουθούν παρουσιάζουν τα αποτελέσματα που έχουν προκύψει από τη χρήση τεσσάρων διαφορετικών δεικτών της αβεβαιότητας, ενώ στο πίνακα 5 έχουμε μια σύνοψη των συντελεστών της αβεβαιότητας, μαζί με τη στατιστική τους σημαντικότητα, προκειμένου να μπορούμε να προβούμε σε συγκρίσεις μεταξύ των διαφορετικών τύπων κεφαλαίου. Ο πίνακας 1 παρουσιάζει τα αποτελέσματα της συνάρτησης επένδυσης με βάση τον δείκτη ESI. Επειδή όμως, ο ESI θεωρείται ένα συνολικό μέγεθος, που ενσωματώνει αρκετούς τομείς από την οικονομία, θεωρήσαμε σκόπιμο να χρησιμοποιήσουμε και τρεις εναλλακτικούς δείκτες, που αποτελούν συστατικά (components) του ESI. Έτσι οι τρεις επόμενοι πίνακες παρουσιάζουν τα αντίστοιχα αποτελέσματα που προκύπτουν με τη χρήση των τριών αυτών δεικτών- συστατικών του ESI. Ο πρώτος δείκτης ενσωματώνει στοιχεία από τη βιομηχανία (industrial), ο δεύτερος από τις κτιριακές υποδομές (buildings) και ο τρίτος από τις υπηρεσίες (services). Τέλος o πίνακας 5 εστιάζει στη βασική μεταβλητή που μας ενδιαφέρει, την αβεβαιότητα, δίνοντας μας τη δυνατότητα να συγκρίνουμε τους συντελεστές της για τα διαφορετικά είδη επενδυμένου κεφαλαίου. Στο πίνακα 1, ο δείκτης της αβεβαιότητας που έχει χρησιμοποιηθεί είναι ο ESI ενώ και οι υπόλοιπες μεταβλητές είναι όλες εκφρασμένες σε πρώτες υστερήσεις. 27
Πίνακας 1: έλεγχος για την επίδραση της αβεβαιότητας στις επενδύσεις με βάση το δείκτη Οικονομικής εμπιστοσύνη(economic Sentiment Indicator) Dependent variable Total investment Building investment Construction investment Machinery Investment Regressor Coefficient Estimates (std. errors) Intercept 0.0162 *** (0.002) 0.0003*** (0.0001) 0.0034*** (0.0006) 0.0108 *** (0.0014) Investl1 0.4704 *** (0.0519) 0.1613** (0.0402) 0.366 *** (0.0671) 0.5333 *** (0.0449) Dlnsalesl1 0.0461 (0.0599) 0.0041 (0.0048) 0.0679 *** (0.0154) 0.0959** (0.0402) Cashflowl1 0.0056 ** (0.0023) 0.0005* (0.0003) 0.0033*** (0.0008) 0.0096*** (0.0021) Surplusl1 0.0569*** (0.0101) 0.004 *** (0.0008) 0.0108 *** (0.0032) 0.0354 *** (0.0074) Uncertaintyl1-0.0246 (0.0186) 0.0136 (0.003) -0.0072 (0.0072) -0.0289 * (0.0152) R 2 within 0.0393 0.0006 0.0365 0.0546 R 2 between 0.8710 0.5397 0.7841 0.9125 R 2 overall 0.3155 0.0553 0.1694 0.3775 Wald Test 1213.07 169.25 439.23 1494.55 Observations 6175 5526 5725 6106 Παρατηρείται ότι ο συντελεστής των πωλήσεων είναι στατιστικά σημαντικός (σε επίπεδο σημαντικότητας 5%) σε δύο από τους τρείς τύπους κεφαλαίου (στα μηχανήματα και τις κατασκευές), κάτι το οποίο ισχύει και για τις ταμειακές ροές (οι οποίες όμως είναι στατιστικά σημαντικές και στα κτίρια, αλλά σε επίπεδο σημαντικότητας 10%), ενώ το 28
περιθώριο κέρδους είναι θετικό και στατιστικά σημαντικό για όλους τους τύπους κεφαλαίου. Τέλος, όσον αφορά τη βασική μεταβλητή, την αβεβαιότητα, αυτή είναι στατιστικά σημαντική και αρνητική για τις επενδύσεις σε μηχανήματα(σε επίπεδο σημαντικότητας 10%), ενώ για τους δύο άλλους τύπους κεφαλαίου παρουσιάζεται στατιστικά μη σημαντική. Θα λέγαμε ότι τα αποτελέσματα αυτά είναι κάτι που θα αναμέναμε, μιας και οι πωλήσεις, οι ταμειακές ροές, και το περιθώριο κέρδους μιας επιχείρησης αποτελούν θετικούς παράγοντες για την επενδυτική δραστηριότητα, ενώ για την αβεβαιότητα αναμέναμε σημαντικότερη επίδραση (και αρνητική) στο τύπο εκείνο του κεφαλαίου με το μεγαλύτερο βαθμό μη αναστρεψιμότητας. Στο πίνακα 2, ο δείκτης της αβεβαιότητας που χρησιμοποιείται είναι ο βιομηχανικός δείκτης εμπιστοσύνης (industrial). Πίνακας 2: έλεγχος για την επίδραση της αβεβαιότητας στις επενδύσεις με τη χρήση του βιομηχανικού δείκτη εμπιστοσύνης (industrial sentiment indicator) Dependent variable Total investment Buildings Construction Machinery Regressor Coefficient Estimates (std. errors) Intercept 0.0154*** (0.0018) 0.0007 *** (0.0002) 0.0033*** (0.0005) 0.0103*** (0.0013) Investl1 0.4714** (0.0516) 0.1663** (0.0404) 0.3632*** (0.0674) 0.53*** (0.045) Dlnsalesl1.054078 (0.0603) -0.0012 (0.0050) 0.0757 *** (0.0160) 0.1210*** (0.0421) Cashflowl1 0.0061 *** (0.0023) 0.0002 (0.0003) 0.0035*** (0.0008) 0.0102** (0.0022) Surplusl1.05570 *** (0.0097) 0.0047*** (0.0008) 0.0102 *** (0.0030) 0.0337*** (0.007) Uncertaintyl1 0.0018 (0.0025) -0.0005* (0.0003) -0.0050 *** (0.0015) -0.0114** (0.0027) R 2 within 0.0389 0.0008 0.0375 0.0561 29
R 2 between 0.8700 0.5965 0.7789 0.9084 R 2 overall 0.3152 0.0513 0.1705 0.3783 Wald Test 1139.28 170.86 595.81 1733.50 Observations 6175 5526 5725 6106 Για τις πωλήσεις και τις ταμειακές ροές ισχύει ότι και στη πρώτη περίπτωση. Είναι θετικές δηλαδή και στατιστικά σημαντικές όταν μελετάμε τις επενδύσεις σε μηχανήματα και στις κατασκευές, ενώ είναι μη στατιστικά σημαντικές όταν πρόκειται για επενδύσεις σε κτιριακές εγκαταστάσεις. Επίσης για το περιθώριο κέρδους των επιχειρήσεων, ισχύει ότι και στη προηγούμενη περίπτωση (είναι δηλαδή θετικό και στατιστικά σημαντικό για όλα τα είδη επενδυμένου κεφαλαίου). Όσον αφορά την αβεβαιότητα, αυτή είναι αρνητική και στατιστικά σημαντική (σε επίπεδο σημαντικότητας 5%) για τις επενδύσεις σε μηχανολογικό εξοπλισμό και σε κατασκευές, ενώ για τα κτίρια είναι στατιστικά σημαντική (και αρνητική) σε επίπεδο σημαντικότητας 10%. Θα πρέπει στο σημείο αυτό να ειπωθεί, ότι κάτι τέτοιο ίσως να ήταν κάτι το αναμενόμενο, αφού οι δύο αυτοί τύποι κεφαλαίου (κατασκευές και μηχανολογικός εξοπλισμός) χαρακτηρίζονται από υψηλότερο βαθμό μη αναστρεψιμότητας σε σχέση με τα κτίρια, κάτι που όπως αναφέρεται και στη βιβλιογραφία έχει σαν αποτέλεσμα να αυξάνεται η επίδραση της αβεβαιότητας στις επενδύσεις. Στον πίνακα 3, ο δείκτης της αβεβαιότητας που χρησιμοποιείται είναι ο οικοδομικός δείκτης εμπιστοσύνης (buildings), με τα αποτελέσματα να είναι παρόμοια με τις παραπάνω περιπτώσεις. 30
Πίνακας 3: έλεγχος για την επίδραση της αβεβαιότητας στις επενδύσεις με βάση τον οικοδομικό δείκτη εμπιστοσύνης( building sentiment indicator) Dependent variable Total investment Building investment Construction investment Machinery investment Regressor Coefficient Estimates (std. errors) Intercept 0.0155 *** (0.0018) 0.0007** (0.0002) 0.0033*** (0.0005) 0.0105*** (0.0013) Investl1 0.4713*** (0.0515) 0.1670 *** (0.0405) 0.3659 *** (0.0669) 0.5316 *** (0.0446) Dlnsalesl1 0.0549 (0.0601) -0.0017 (0.0050) 0.0713*** (0.0157) 0.0011*** (0.0004) Cashflowl 1 0.0062 *** (0.0023) 0.0002 (0.0003) 0.0035 *** (0.0009) 0.0107*** (0.0022) Surplusl1 0.0555 *** (0.0097) 0.0048** (0.0009) 0.0103*** (0.003) 0.0332*** (0.007) Uncertaintyl 1-0.0131 (0.0138) 0.0019 (0.002) -0.006 (0.0048) -0.0479** (0.0131) R 2 within 0.0390 0.0006 0.0362 0.0548 R 2 between 0.8705 0.6080 0.7839 0.9111 R 2 overall 0.3153 0.0498 0.1693 0.3784 Wald Test 1141.13 119.98 370.28 1454.26 Observation s 6175 5526 5725 6106 Δηλαδή ταμειακές ροές και πωλήσεις είναι θετικές και στατιστικά σημαντικές για τις δύο πρώτες περιπτώσεις κεφαλαίου, ενώ είναι στατιστικά μη σημαντικές για τα κτίρια, ενώ το περιθώριο κέρδους των επιχειρήσεων είναι θετικό και στατιστικά σημαντικό για όλους 31
τους τύπους κεφαλαίου. Τέλος, στον πίνακα 4 ο δείκτης που έχει χρησιμοποιηθεί είναι ο δείκτης εμπιστοσύνης υπηρεσιών(services). Πίνακας 4: έλεγχος για την επίδραση της αβεβαιότητας στις επενδύσεις με βάση το δείκτη εμπιστοσύνης υπηρεσιών (services sentiment indicator) Dependent variable Total investment Building investment Construction investment Machinery investment Regressor Coefficient Estimates (std. errors) Intercept 0.0156 *** (0.0019) 0.0005*** (0.0001) 0.003 *** (0.0005) 0.0104*** (0.0014) Investl1 0.4770 *** (0.0554) 0.1609** (0.0413) 0.3653 *** (0.0714) 0.5458 *** (0.0478) Dlnsalesl1 0.0527 (0.0599) -0.0008 (0.0051) 0.0752 *** (0.0163) 0.1061 ** (0.0415 Cashflowl1 0.0059** (0.0023) 0.0003 (0.0003) 0.0035 *** (0.0009) 0.0099*** (0.0022) Surplusl1 0.0543*** (0.001) 0.0045 *** (0.0009) 0.0115*** (0.0029) 0.0316** (0.0069) Uncertaintyl 1-0.0031 (0.0038) 0.0025* (0.0014) 0.001 (0.0015) -0.0059 ** (0.0024) R 2 within 0.0316 0.0002 0.0441 0.0433 R 2 between 0.8720 0.5886 0.7655 0.9176 R 2 overall 0.3139 0.0496 0.1782 0.3788 Wald Test 948.51 92.78 322.81 1206.91 Observation s 5634 4976 5184 5561 32
Οι συντελεστές των πωλήσεων και των ταμειακών ροών είναι στατιστικά σημαντικοί και θετικοί για τις επενδύσεις σε μηχανολογικό εξοπλισμό και σε κατασκευές (για τη μεταβλητή των πωλήσεων στις επενδύσεις σε μηχανήματα, παρατηρούμε ότι το επίπεδο σημαντικότητας κατεβαίνει στο 5%), ενώ για τις κτιριακές υποδομές είναι στατιστικά μη σημαντικός. Ο συντελεστής του πλεονάσματος είναι στατιστικά σημαντικός (και θετικός) για όλους τους τύπους κεφαλαίου. Όσον αφορά το δείκτη της αβεβαιότητας, αυτός είναι αρνητικός και στατιστικά σημαντικός για τις επενδύσεις σε μηχανήματα, μη στατιστικά σημαντικός για επενδύσεις σε κατασκευές, ενώ αξιοσημείωτο είναι ότι παρουσιάζεται θετικός (και στατιστικά σημαντικός σε επίπεδο σημαντικότητας 10%) για τις επενδύσεις σε κτίρια. Ο πίνακας 5, περιέχει όλους τους συντελεστές και τη στατιστική σημαντικότητα της βασικής μεταβλητής, της αβεβαιότητας, για όλες τις παραπάνω παλινδρομήσεις που έχουν προκύψει με βάση τους διαφορετικούς δείκτες της αβεβαιότητας. Πίνακας 5 Σύνοψη των εκτιμητών της αβεβαιότητας με τους παραπάνω δείκτες και της στατιστικής σημαντικότητας τους Industrial (p-value) Buildings (p-value) Services (p-value) ESI (p-value) (0.942) (0.340) (0.420) (0.187) Buildings -0.0005 0.0019 0.0025 0.0136 (0.047) (0.351) (0.068) (0.121) Construction -0.005-0.006 0.001-0.0072 (0.001) (0.211) (0.522) (0.321) Machinery -0.0114-0.0479-0.0059-0.0289 (0.000) (0.000) (0.013) (0.057) Στη πρώτη στήλη, παρουσιάζονται τα αποτελέσματα που έχουν προκύψει όταν χρησιμοποιείται ο βιομηχανικός δείκτη εμπιστοσύνης. Από την εμπειρική βιβλιογραφία θα ανέμενε κανείς η σχέση μεταξύ επενδύσεων και αβεβαιότητας να ήταν αρνητική και 33
μάλιστα στις επενδύσεις με μεγαλύτερο βαθμό μη αναστρεψιμότητας (μηχανήματα), η αρνητική αυτή σχέση να γίνεται και πιο έντονη. Κάτι τέτοιο επιβεβαιώνεται από τα αποτελέσματα στην εν λόγω εργασία. Ο συντελεστής της αβεβαιότητας για τις επενδύσεις σε μηχανήματα είναι μεγαλύτερος (σε απόλυτη τιμή) από τον αντίστοιχο συντελεστή για τις κατασκευές και αυτός με τη σειρά του από το συντελεστή για τα κτιριακές υποδομές. Πιο συγκεκριμένα, ο συντελεστής της αβεβαιότητας για τις επενδύσεις σε μηχανολογικό εξοπλισμό (-0114) είναι περίπου έξι φορές μεγαλύτερος (σε απόλυτη τιμή) από τον αντίστοιχο για τις επενδύσεις σε μη οικιστικές υποδομές (-0.005), και αυτός με τη σειρά του είναι αρκετά μεγαλύτερος ( περίπου δέκα φόρες) από το συντελεστή της αβεβαιότητας για κτιριακές υποδομές (- 0.0005). Κάτι ανάλογο παρατηρείται να συμβαίνει με τους συντελεστές στατιστικής σημαντικότητας. Στη δεύτερη στήλη του πίνακα, τα αποτελέσματα έχουν προκύψει με τη χρήση του οικοδομικού δείκτη εμπιστοσύνης. Στη περίπτωση αυτή ο συντελεστής της αβεβαιότητας είναι στατιστικά σημαντικός μόνο για τις επενδύσεις σε μηχανολογικό εξοπλισμό (- 0.0479). Ο τρίτος δείκτης για την αβεβαιότητα είναι ο δείκτης εμπιστοσύνης υπηρεσιών (services). Στη περίπτωση αυτή, στατιστικά σημαντικός και αρνητικός είναι ο συντελεστής της αβεβαιότητας για επενδύσεις σε μηχανολογικό εξοπλισμό (-0.0059), ενώ συναντάται θετικό πρόσημο στις επενδύσεις σε κτιριακές υποδομές. Αυτό μπορεί να ερμηνευτεί από τον πολύ χαμηλό βαθμό μη αναστρεψιμότητας που χαρακτηρίζει τα κτίρια ως επένδυση. Τέλος στην τέταρτη στήλη παρουσιάζονται τα αποτελέσματα που προκύπτουν με τη χρήση του δείκτη ESI. Και εδώ ισχύει ότι και παραπάνω, με το συντελεστή της αβεβαιότητας για επενδύσεις σε μηχανολογικό εξοπλισμό να είναι στατιστικά σημαντικός και θετικός (- 0.029), ενώ οι αντίστοιχοι συντελεστές για τους δύο άλλους τύπους κεφαλαίου είναι στατιστικά μη σημαντικοί. Αυτό που διαπιστώνεται είναι ότι η σχέση μεταξύ αβεβαιότητας και επενδυτικής δραστηριότητας επηρεάζεται άμεσα από το βαθμό μη αναστρεψιμότητας του επενδυμένου κεφαλαίου. Έτσι σε άλλες περιπτώσεις ο συντελεστής της αβεβαιότητας στη παλινδρόμηση της επένδυσης σε κτιριακές υποδομές, όπου χαρακτηρίζονται από πολύ μικρό βαθμό μη αναστρεψιμότητας, είναι πολύ μικρότερος (πάνω από δέκα φορές σε πολλές περιπτώσεις) από τον αντίστοιχο συντελεστή για μηχανολογικό εξοπλισμό (που 34
είναι η επένδυση με το μεγαλύτερο βαθμό μη αναστρεψιμότητας), ενώ σε άλλες περιπτώσεις διαπιστώνεται ότι ο συντελεστής της αβεβαιότητας δεν είναι στατιστικά σημαντικός για κεφάλαιο που χαρακτηρίζεται από μικρό βαθμό μη αναστρεψιμότητας. 2.1.2. Συμπεράσματα Στη παραπάνω εργασία, ο συγγραφέας προσπαθεί να διερευνήσει τη σχέση ανάμεσα στην αβεβαιότητα και τις επενδύσεις, ενώ επίσης εισήγσαγε, το βαθμό μη αναστρεψιμότητας του κεφαλαίου, προσπαθώντας να δεί πως αυτό το μέγεθος επηρεάζει συνολικά τη σχέση αβεβαιότητας-επενδύσεων. Κατά τη διάρκεια της μελέτης του, διαπιστώνει ότι τα αποτελέσματα του συνόλου των εμπειρικών ερευνών, είχαν ανατρέψει τη Νεοκλασική Θεωρία (όπως αυτή είχε διατυπωθεί από τους Hartman και Abel) σύμφωνα με την οποία η σχέση ανάμεσα σε αβεβαιότητα και επενδύσεις είναι θετική. Επίσης αναφέρει πως η θεωρητική βιβλιογραφία που ακολούθησε τη Νεοκλασική, έθεσε ως βασική αιτία της ανατροπής της, την εισαγωγή αποκλίσεων στη σχέση αβεβαιότητας και επενδύσεις. Αυτό που διαπιστώθηκε, πλην του αρνητικού προσήμου που διέπει τη σχέση ανάμεσα σε αβεβαιότητα και επενδύσεις, είναι πως ο διαφορετικός βαθμός μη αναστρεψιμότητας του κεφαλαίου παίζει σημαντικό ρόλο στην ένταση της σχέσης αυτής. Τα συμπεράσματα στα οποία κατέληξε από το εμπειρικό υπόδειγμα συμφωνούν πλήρως με τα αποτελέσματα των ερευνών που έχουν αναφερθεί και προηγούμενα στην εμπειρική βιβλιογραφία. Το συνολικό συμπέρασμα από την εν λόγω εργασία είναι πως η αβεβαιότητα σε πρώτη φάση επηρεάζει αρνητικά την επενδυτική δραστηριότητα, ενώ διαπιστώνεται μεγαλύτερη επίδραση της αβεβαιότητας σε επενδύσεις που χαρακτηρίζονται από μεγαλύτερο βαθμό μη αναστρεψιμότητας (π.χ. μηχανήματα) από ότι σε κεφάλαιο με μικρότερο βαθμό μη αναστρεψιμότητας (π.χ. κτιριακές υποδομές). (Σακκάς Γ. 2011) 35
2.2 Μέτρηση οικονομικής αβεβαιότητας και η επίδρασή της στη χρηματιστηριακή αγορά (Michal Dzielinski 2011) Στην συνέχεια αναλύεται η προσέγγιση προτείνεται του Dzielinski που προτείνει ένα νέο μέτρο της οικονομικής αβεβαιότητας με βάση τη συχνότητα των αναζητήσεων στο Διαδίκτυο. Η θεωρητική καινοτομία του εν λόγω υποδείγματος πηγάζει από τα ευρήματα της οικονομικής ψυχολογίας ότι οι οικονομικές μονάδες ανταποκρίνονται στην αυξημένη αβεβαιότητα μέσω της εντατικοποίησης της αναζήτησης πληροφοριών στο Διαδίκτυο. Τα κύρια πλεονεκτήματα της χρήσης του αριθμού των αναζητήσεων στο διαδίκτυο είναι το εύρος των πληροφοριών, η επικαιρότητα των δεδομένων και το γεγονός ότι αντικατοπτρίζουν τις δράσεις των ατόμων και όχι τα λεγόμενά τους, οι οποίες όμως δεν σχετίζονται άμεσα με την αγορά μετοχών. Η εν λόγω μεθοδολογία μέτρησης της αβεβαιότητας φέρνει ικανοποιητικά αποτελέσματα σε σύγκριση με άλλα μέτρα και φαίνεται να έχει στατιστικά σημαντική σχέση με τις αποδόσεις των μετοχών και την συνολική τους μεταβλητότητα. Στην συνέχεια ακολουθεί η ανάλυση της εν λόγω μεθοδολογίας. Όπως αναφέρεται από τον συγγραφέα πολλά μοντέλα στη βιβλιογραφία Οικονομικών υποστηρίζουν ότι οι οικονομικοί παράγοντες έχουν μια προτίμηση για την έγκαιρη επίλυση της αβεβαιότητας και ότι η οικονομική αβεβαιότητα έχει επιπτώσεις στη χρηματιστηριακή αγορά (Bansal et al., 2005? Boguth και Kuehn, 2009? Bollerslev et al., 2009 για να αναφέρουμε μόνο μερικά). Από την άλλη πλευρά, οι μελέτες για την οικονομική ψυχολογία αναφέρουν σταθερά ότι η χαρακτηριστική απάντηση στην αβεβαιότητα είναι η αύξηση της αναζήτησης πληροφοριών (βλέπε π.χ.liemieux και Peterson, 2011) και τις εκεί παραπομπές). Έτσι, φαίνεται φυσικό να μετρήσει κανείς την αβεβαιότητα των επενδυτών από την ανάλυση της συμπεριφοράς αυτών κατά τις αναζητήσεις τους. Εδώ γίνεται η υπόθεση από τον συγγραφέα ότι η συχνότητα των αναζητήσεων στο Διαδίκτυο που αναφέρθηκαν από το Google Trends μπορεί να χρησιμοποιηθεί για να συλλάβει σωστά την αβεβαιότητα των επενδυτών σχετικά με την κατάσταση της οικονομίας και επίσης ότι έχει επιπτώσεις στις συνολικές αποδόσεις των μετοχών και την μεταβλητότητά τους. 36
Το σημείο στο οποίο βασίζεται η έρευνα είναι ότι οι πιο αβέβαιοι επενδυτές αναζητούν πληροφορίες πιο εντατικά και ότι αυτό μπορεί να παρασταθεί από τον όγκο των αναζητήσεων στο Διαδίκτυο. Το πρώτο μέρος της επιχειρηματολογίας τεκμηριώνεται από τις ψυχολογικές αποδείξεις που αναφέρονται ανωτέρω. Το κύριο μέλημα της έρευνας εδώ είναι ο προσδιορισμός του υποσυνόλου που είναι σχετικό με την κύρια υπόθεση από όλες τις δυνατές αναζητήσεις. Το δεύτερο μέρος έχει να κάνει με το που επικεντρώνονται αλλά και το ποια είναι η διασπορά των αναζητήσεων στο Διαδίκτυο. Η διείσδυση του Διαδικτύου στις ανεπτυγμένες χώρες υπερβαίνει πλέον το 75% των νοικοκυριών, σύμφωνα με τον ιστοχώρο www.internetworldstats.com και ο ρόλος του για τις διάφορες πτυχές της ζωής, αλλά κυρίως την ανταλλαγή αλλά και την ανάκτηση πληροφοριών είναι αναμφισβήτητη. Ηθελημένα ή όχι, κάθε χρήστης του Διαδικτύου αφήνει πίσω δεδομένα όταν χρησιμοποιεί μια μηχανή αναζήτησης που αφορούν την ή τις αναζητήσεις που έκανε. Αν αναλυθούν συστηματικά και σε μεγάλη κλίμακα, τα δεδομένα αυτά θα είναι ιδανικά για την παρακολούθηση των δραστηριοτήτων αναζήτησης στον πραγματικό κόσμο. Αυτό έχει γίνει ρεαλιστικό με την μηχανή αναζήτησης της Google η οποία αποτελεί ήδη από την δεκαετία του 2000 η μεγαλύτερη μηχανή αναζήτησης τόσο από τον αριθμό των σελίδων που περιέχονται όσο και από τον αριθμό των χρηστών. Τα τελευταία χρόνια αντιπροσωπεύει σταθερά περίπου το 70% των αναζητήσεων σε παγκόσμιο επίπεδο. Ως εκ τούτου, τα αποτελέσματα των αναζητήσεων που λαμβάνονται από την Google παρέχουν ένα σοβαρό ποσοστό αντιπροσωπευτικότητας. Με το λανσάρισμα του Google Trends το 2006 αυτό το αχανές σύμπαν δεδομένων έγινε διαθέσιμο στο κοινό. Με την χρήση του Google Trends είναι δυνατή η παρακολούθηση της σχετικής δημοτικότητας του κάθε όρου αναζήτησης με την πάροδο του χρόνου. Το σύνολο δεδομένων πηγαίνει πίσω στο 2004 και ενημερώνεται σε εβδομαδιαία βάση. Η μέτρηση γίνεται σε σχέση με το σύνολο των αναζητήσεων, και παρουσιάζονται με τη μορφή ενός δείκτη όγκου αναζήτησης (SVI). Το 2008, μια άλλη εφαρμογή της Google ξεκίνησε με το όνομα το Google Insights for Search, η οποία περιλαμβάνει τη δυνατότητα, για φιλτράρισμα των αποτελεσμάτων ανά κατηγορία για τον προσδιορισμό αυτού που οι χρήστες πραγματικά ψάχνουν. Όταν για παράδειγμα αναζητούν το όρο ''Apple'' δύο από τις πάνω από 20 κατηγορίες που υπάρχει αυτός ο όρος είναι οι ''Υπολογιστές & Ηλεκτρονικά'' και ''Φαγητό & Ποτό''). Με βάση αυτές τις δύο πηγές ο συγγραφέας προσπαθεί να δημιουργήσει ένα μέτρο για να βρει το βαθμό της αβεβαιότητας μέσω του αριθμού των διαδικτυακών αναζητήσεων. 37
Υπάρχουν δύο κύρια πλεονεκτήματα για τη μέτρηση της αβεβαιότητας, χρησιμοποιώντας τις αναζητήσεις στο διαδίκτυο. Η πρώτη είναι η συγκριτικά υψηλή συχνότητα. Η δεύτερη σχετίζεται με το γεγονός ότι τα δεδομένα που παράγονται αυθόρμητα και όχι από ενέργειες που έχουν άμεση σχέση με τις χρηματοπιστωτικές αγορές, κάτι που σημαίνει ότι περιορίζεται η ενδογένεια. Μια συχνή κριτική απέναντι σε αυτού του είδους τους τρόπους μέτρησης της αβεβαιότητας είναι ότι μπορούν, στην καλύτερη περίπτωση, να ερμηνεύσουν τη συμπεριφορά επενδυτών με χαμηλές γνώσεις ή ερασιτεχνικό επενδυτικό προφίλ. Ο συγγραφέας εδώ αντιμετωπίζει αυτό το θέμα μέσω μιας απευθείας σύγκρισης των αποτελεσμάτων από το Google Trends με μια αντίστοιχη ομάδα δεδομένων, η οποία περιλαμβάνει δείκτες που έχουν σχεδιαστεί ειδικά με θεσμικούς επενδυτές στο μυαλό. Επιπλέον, εστιάζοντας σε ιδιώτες επενδυτές, ακόμη και εάν η κριτική είναι πρόσφορη, δεν κάνει το μέτρο άχρηστο καθώς οι εν λόγω επενδυτές μπορούν επίσης να έχουν σημαντική επίπτωση στην χρηματιστηριακή αγορά, ιδιαίτερα σε ασταθείς περιόδους. 2.2.1 Αναζητήσεις στο Internet και οικονομική αβεβαιότητα Το βασικό ζήτημα που τίθεται είναι το πώς θα φιλτραριστεί το σχετικό περιεχόμενο των αναζητήσεων στο Διαδίκτυο, η οποία στην περίπτωση του Google Trends στηρίζεται αυστηρά στην επιλογή των κατάλληλων λέξεων-κλειδιών. Κατά τη διάρκεια των τελευταίων ετών η ύφεση και η τιμή του πετρελαίου ήταν θέματα μεγάλου ενδιαφέροντος για τους επενδυτές (τα αποτελέσματα δείχνουν ότι στην πραγματικότητα ένας δείκτης που βασίζεται σε ένα συνδυασμό τους δίνει καλά αποτελέσματα), αλλά πίσω στο 2005 η επιλογή όρων αναζήτησης θα είχε κατά πάσα πιθανότητα διαφορετική σύσταση. Το πρόβλημα είναι να βρεθεί μια λέξη-κλειδί που είναι γενική και χρονικά ανεξάρτητη, διατηρώντας επαρκή σχετικότητα. Η λέξη ''οικονομία'' η ίδια φαίνεται να είναι μια φειδωλή λύση. Είναι σίγουρα αρκετά ευρύς ορισμός ώστε να περιλαμβάνει όλες τις πιθανές πηγές της οικονομικής αβεβαιότητας, συμπεριλαμβανομένων των δύο που αναφέρθηκαν παραπάνω, και επίσης είναι ανεξάρτητη από το χρόνο. Από την άλλη πλευρά, φαίνεται αρκετά συγκεκριμένη ώστε να περιγράψει οποιαδήποτε άλλη έννοια, της οποίας η δημοτικότητα ενδέχεται να συσχετίζεται με τη αυτή που μας ενδιαφέρει (για 38
παράδειγμα ο συνδυασμός με τον όρο «ύφεση»). Στη περίπτωση που υπάρχει σταθερός «θόρυβος» ο όρος αναζήτησης θα πρέπει να μας δίνει τα αποτελέσματα των ζητούμενων πληροφοριών. Αυτό γίνεται να απομονωθεί από τη διαίρεση της τρέχουσας τιμής (SVI) από την αξία της αντίστοιχης εβδομάδας πριν από ένα χρόνο (Εικ. 1α). Η δυναμική αυτού του τροποποιημένου μέτρου είναι σχετικά σταθερή μέχρι τα μέσα του 2007 και μετά αυξάνεται απότομα. Η κορυφή συμπίπτει με την πτώχευση της Lehman Brothers, μετά την οποία μια σταδιακή επιστροφή στα επίπεδα προ της κρίσης λαμβάνει χώρα. Οι τελευταίοι μήνες του δείγματος δείχνουν νέα αύξηση του δείκτη, ενδεικτικό της κρίσης του δημόσιου χρέους που αναστάτωσαν την αγορά. Επίσης ο συγγραφέας συγκρίνει τη σειρά από έτος σε έτος που προέρχεται από το Google Trends και αφορά το δείκτη SVI για τον όρο ''οικονομία'' που προέρχεται από το Google Insights '' κατηγορία Google Finance & Insurance". Η επιλογή της κατηγορίας γίνεται με βάση παράγοντες όπως άλλες λέξεις-κλειδιά που χρησιμοποιούνται για την αναζήτηση, άλλες αναζητήσεις που εκτελούνται πριν και μετά, κλπ. Και θα πρέπει να αντικατοπτρίζουν το πλαίσιο των αναζητήσεων. Έτσι, η σύγκριση πρέπει να επαληθεύει την αρχική διαίσθηση ότι οι ετήσιες αλλαγές αντικατοπτρίζουν τη σχετική δυναμική των αναζητήσεων για τον όρο '' οικονομία ''. Οι δύο σειρές μοιάζουν αρκετά και επίσης έχουν υψηλή συσχέτιση (q = 0,57), αν και το Google Insights SVI έχει μεγαλύτερη μεταβλητότητα. Αποδεικνύεται ότι το Goggle Trends συσχετίζεται ισχυρά με τις τιμές του Google Insights με αρκετά μεγάλο R2 (Πιν. 1) Ο λόγος που συμβαίνει αυτό είναι γιατί οι σειρές δεδομένων έχουν διαφορετικό χρονικό περιθώριο υπολογισμού, δηλαδή Δευτέρα έως Κυριακή για το GT και Κυριακή με Σάββατο GI. Ως εκ τούτου, η Κυριακή, η οποία εξακολουθεί να συμβάλλει στην τρέχουσα εβδομάδα για το GT είναι ήδη μέρος της επόμενης εβδομάδας για το GI. Επίσης, αξἰζει να αναφερθούν δύο άλλα χαρακτηριστικά των δεδομένων που παρουσιάζονται εδώ. Το πρώτο είναι το φίλτρο τοποθεσίας με βάση την προέλευση του ερωτήματος που καθορίζεται από τη διεύθυνση IP του χρήστη. Για να μην επηρεαστούν τα δεδομένα από αναζητήσεις οι οποίες δεν σχετίζονται με την χρηματιστηριακή αγορά των Η.Π.Α λαμβάνονται υπόψη μόνο IP που προέρχονται από τις Η.Π.Α. Αυτό είναι και μια σιωπηρή αποδοχή ότι μόνο οι εγχώριοι επενδυτές μπορούν να επηρεάσουν τη 39
χρηματιστηριακή αγορά. Αυτός ο περιορισμός δεν είναι ιδιαίτερα σημαντικός δεδομένου ότι ο δείκτης SVI για την οικονομία δε διαφέρει ριζικά από εκείνων των Η.Π.Α. Σχ. 1α. SVI για "οικονομία" (GT). Πίνακας 1 (Η σύγκριση των δύο μέτρων αβεβαιότητας στο διαδίκτυο με βάση τις διαδικτυακές αναζητήσεις την αναζήτηση GT ECON περιλαμβάνεται στο δείκτη που φανερώνει τον όγκο αναζήτησης «οικονομία» στο GI, όσον αφορά τις Η.Π.Α. Στην ανάλυση του 40