COVID-19 och marknadens symptom

Författare: Alex Hanwey Chang, Alexander M. Sandvik

Blogg

Förkortningar

Abstract

We have investigated how Covid-19 has had an impact in two different sectors, transport and travel, as well as biomedicine and equipment. We have done this through an event study that we describe in our analysis part of the essay. The study is limited to Swedish companies that are listed on the stock exchange.

Abstrakt

Vi har undersökt hur vida Covid-19 har haft en påverkan inom två olika sektorer, transport och resor samt biomedicin och utrustning. Vi har gjort detta genom en eventstudie som vi redogör för i vår analysdel av uppsatsen. Studien är avgränsad till svenska företag som är börsnoterade.

1. Introduktion

1.1 Bakgrund

Den 31 december rapporterade Wuhan Municipal Health Commission i Wuhan City, Kina (ECDC, 2020), spridningen av en tidigare okänd lungsjukdom med koppling till en lokal djurmarknad. Sjukdomen kom att kallas Covid-19 och orsakas av Sars-Cov-2 från virusfamiljen coronavirus (Nature medicine, 2020). Liknande virus från denna familj har tidigare orsakat sjukdomar såsom SARS (Severe acute respiratory syndrome) och MERS (Middle East respiratory syndrome).
Covid-19 har en kraftig påverkan på samhällen och näringsverksamheter globalt. T.ex. flertalet studier indikerar stora negativa effekter på den globala turismen (Chun-Da Chen m.fl., 2009), vilket i likhet till katastrofer som 9/11-terroristattacken, kan leda till onormal avkastning på börsen.
Detta arbete har till syfte att belysa hur Covid-19 har påverkat biomedicin och utrustning samt flyg/turistindustrin i Sverige då svenska marknaden aldrig har genomgått en liknande situation förut.
Syftet med arbetet kommer vara att undersöka specifika datum då media och folkhälsomyndigheten har meddelat allmänheten om Covid-19. Detta för att undersöka om det går att härleda specifika utfall till Covid-19.
Med hjälp av en eventstudie kommer en analys att utföras på hur dessa marknader har blivit påverkade. Förhoppningen är att kunna se samband mellan stora katastrofer så som SARS eller 9/11.

1.2 Problemdiskussion

Tidigare forskning av (Chun-Da Chen m.fl., 2009) och (M.-H. Chen m.fl., 2007) har visat hur turist- och biomedicinbranchen har påverkats av SARS i Taiwan. Genom en eventstudie undersöktes effekterna på aktiemarknaden under SARS-utbrottet och resultaten indikerade negativa effekter på turismen och grossist- och detaljhandelssektorer, medan biomedicinbranschen visade positiv tillväxt.
Eventstudie passar bra till vårt ändamål då den kronologiskt analyserar effekten av en specifik händelse på ett företags aktievärden och därigenom generera en modell för att kunna förutsäga hur aktiekurser typiskt svarar på en specifik händelse. Därför har den används flitigt som teoretisk grund i en rad vetenskapliga artiklar, (Brockett m.fl., 1999), (Donadelli m.fl., 2017) och (Brown   Warner, 1980).
I tidigare undersökningar har det observerats förekomsten av onormala avkastningar under kristider och osäkerhet såsom under SARS eller 9/11. Därför ämnar detta arbete till att utföra en liknande studie på den svenska marknaden med specifik inriktning på flyg/turism samt läkemedelsutveckling i den rådande Covid-19-pandemin.

1.3 Frågeställning

  1. Hur har transport och resor påverkats av Covid-19?
  2. Hur har biomedicin och utrustning påverkats av Covid-19?

1.4 Studiedesign

Denna studie förutsätter att marknaden är semi-effektiv. Det vill säga att den så pass effektiv att den blir påverkad av information från delårsrapporter och andra officiella handlingar.

1.5 Mål och kunskapsbidrag

Målet med detta arbete är att använda EMH och eventstudier för att förstå hur en pandemi orsakad av Covid-19 påverkar två olika sektorer. Tidigare studier har pekat på motsatta effekter och därmed om man kan lära sig av det.

1.6 Begränsningar

Arbetet kommer att fokusera den svenska marknaden och inom två olika branscher. Bolag som har anknytning till resor och inom medicin, samt händelser av första smitta respektive dödsfall.

1.7 Översikt

Litteraturstudie kapitel är fokusen på teorier som detta arbete byggs på. Introduktion av EMH och dess olika former av effektiv marknad. Eventstudiernas olika modeller presenteras i detta avsnitt. Vidare studeras tidigare forskning av händelser som har en liknande påverkan av Covid-19. Påverkan liknas av en chock och osäkerhet på grund av yttre händelser som marknaden inte kan förutse. Tidigare studier av SARS påverkan i Taiwan har också tagits upp. Påverkan av en oväntad nyhet har också en betydelse för stora och småbolag.

Metod kapitlet introducerar vi val av modeller och varför marknadsmodellen används för analysen. Metod kapitlet belyser också val av data samt uppställning av hypoteser.

Analysen sammanställer alla tabeller och resultatet hos olika händelsefönster, vid första smitta respektive dödsfall, med hjälp av marknadsmodellen. Resultat för två olika sektorer och två olika händelsedagar.

Resultatet diskuteras kring olika skillnader mellan sektorerna och att det finns likheter med tidigare studier (Chun-Da Chen m.fl., 2009), därefter följt av en slutsats hos arbetet.

2 Litteraturstudie

2.1 Introduktion

För att undersöka olika branschers påverkan av Covid-19 behöver vi utgå från EMH och hur man kan applicera denna teori till empiri. Därefter kunna gå vidare till att undersöka om det finns några paralleller till olika kriser och vidare utveckla Covid-19 påverkan hos marknaden.
För att gå vidare i undersökningen måste man först förstå hur yttre händelsernas påverkan hos finansmarknaden genom att studera olika kriser i historien och hur det har påverkat finansmarknaden därefter gå vidare för att förstå vidden av epidemins påverkan. Det vill säga hur olika kriser som marknaden inte har erfarenheter av och därav skapar en chock och osäkerhet.

2.2 Teoretiskt ramverk

2.2.1 EMH

Enligt Efficient Market Hypothesis, (EMH) är det omöjligt att ”vinna över marknaden” på grund av aktiemarknadens effektivitet (Fama, 1970). Enligt teorin köps alltid aktier till dess sanna värde, vilket gör att det blir omöjligt för investerare att köpa undervärderade aktier eller sälja aktier till uppblåsta priser. Därför bör det vara omöjligt att överträffa den totala marknaden genom aktieurval eller marknadstiming, och att det enda sättet för en investerare att kunna få en högre avkastning är genom att köpa mer riskfyllda investeringar.
Vidare gör Fama (1970) det tydligt att vad de syftar på när de talar för att marknaden fullt reflekterar all information som finns tillgänglig. De menar att modellen måste specificeras mer i detalj för att prisbildning ska kunna testas. Därför definierar de mer exakt vad ”reflekterar helt” faktiskt innebär.
Generellt sett menar Fama att de empiriska testerna av marknadseffektivitet inte har varit så specifika. Han går vidare in på att liksom de två parametermodellerna skulle detta innebära att villkoren för viss relevant information är en funktion av risk för den förväntade avkastningen på ett värdepapper.
Fama beskriver att det finns tre olika former av effektivitet (Fama, 1970) i sitt arbete. I den svaga formen begränsar EMH sig till följande parametrar, endast en delmängd av offentlig information, nämligen historisk information om själva aktiekursen. Argumentet här är att ny information måste per definition vara relaterad till tidigare information, annars skulle den inte vara ny. Detta innebär följaktligen att varje rörelse i aktiekursen är som svar på ny information och inte går att förutsäga från den föregångna rörelsen eller priset, alltså kännetecknas en prisutveckling av en s.k. ”random walk”.
Den semi-starka formen innebär att marknadens effektivitet är påverkad av information från delårsrapporter och andra officiella handlingar. Vidare talar denna form för att marknaden är effektiv på så vis att all relevant tillgänglig information snabbt kan återspeglas i marknadspriset. Fama menar att marknaden snabbt kommer att ta in publiceringen av relevant ny information genom att föra priset till en ny jämviktsnivå som då återspeglar förändringen i utbud och efterfrågan som har uppstått av den nya informationen. Det är även denna form vi antar stämmer när vi utför en eventstudie. Under analysen kommer vi hela tiden använda oss av denna form.
Slutligen i den sista formen, stark, menar Fama (1970) att marknaden är effektiv om all information som är relevant för värdet på aktier oavsett om det är tillgängligt eller inte för befintliga och potentiella investerare är allmänt känt hos dem, vilket då ska återspeglas i marknadspriset. T.ex. anta att det aktuella marknadspriset för en aktie är lägre än det värde som motiveras av en del av privat information, innehavarna av denna information kommer då att utnyttja prisavvikelsen genom att köpa aktierna. De kommer att fortsätta göra det tills denna överskottsefterfrågan på aktierna har drivit priset upp till den nivå som stöds av deras privata information. Detta innebär att marknaden åter har stabiliserats sig på en ny jämvikt.

2.2.2 Eventstudie

Eventstudier utförs för att testa om ett bolag påverkas av om information har släppts tidigare på grund av insideraffär, med det kan även användas för att studera påverkan hos bolaget av en plötsligt tillkännagivandet av en okänd nyhet. Studier av ett bolag eller flera bolag är metodiken detsamma. Fama (1970) definition av Semi-starka formen passar bra att göra en eventstudie på. Den Semi-starka formens utgångspunkt är att en information som tillkännages ska avspegla hos börsen, och därmed finns det ingen reaktion innan händelsedagen 0, dagen när nyheten släpps. Reaktionen hos en onormal avkastning ska vara 0, när marknadens priser ska återspegla en semi-starka formen.

Eventstudie beskrivs med tre olika händelsetids-horisonter som (Brown   Warner, 1980) och (Brown   Warner, 1985). Estimeringsfönster (figur 1) är det tidsintervallet man beräknar fram parametrarna som används för onormal avkastning. Händelsefönster är den tidsintervallet mellan T(3) och T(4) där en händelse sker i form av en nyhet eller något som kan påverka bolagen. Ett av kriterierna av en eventstudie är att estimeringsfönster inte får överlappas med händelsefönster, det vill säga estimeringsfönster får inte gå in i händelsefönstret.

Brown och Warner (1980) testade marknadens effektivitet med hjälp av eventstudie. Deras studie undersökte tre olika modeller, MAR (mean adjusted return model), MARM (market adjusted return model) och MM (Market model). Slutsatsen från deras studie med användning av månatliga avkastning är att marknadsmodellen är tillräckligt bra för att genomföra en eventstudie. En senare studie av Brown och Warner (1985) analyserade de dagliga av avkastningen istället för månadsavkastning. Resultatet visade att även här är marknadsmodellen tillräckligt bra för att utföra en evenstudie på. MM och MARM presterade bättre jämfört med MAR modellen. Dagliga avkastningar ger också en bättre statistisk styrka jämfört med månatliga avkastningar. Slutligen viktigaste är att man har tillräckligt bra indata samt att händelsedagen ska vara välspecifierade.
En annan aspekt som man måste ta hänsyn till är osynkroniserad värdepappershandel (nonsynchronous trading), det vill säga att ena värdepappers handelsvolym är olika jämfört med den andre. Detta kan skapa en partiskhet (bias) hos eventstudier, vilket innebär att vid ett händelsefönster kan ett värdepapper ha en större tyngd jämfört med andra värdepapper hos stickprovningen (MacKinlay, 1997).
Slutsatsen från MacKinlay (1997) är att betona vikten av att datum för den studerade händelsen är korrekt, annars kan en eventstudie bli missvisande, vilket stöds av observationer från Brown   Warner (1980) (1985). Därtill är inte vilken modell som är avgörande betydelse utan kvalitén på data som samlats in.

2.3 Tidigare forskning

Tidigare forskning inom SARS och Sverige har vi inte funnit, därför utgår vi med att först undersöka osäkerheten kring plötslig händelse och dess påverkan hos aktiemarknaden därefter SARS epidemins påverkan hos andra länder.

2.3.1 Kriser och osäkerhet

Chen   Siems (2004) illustrerar hur yttre omständigheter såsom terroristattacker och krig påverkar effektivitet hos finansmarknaden i USA. I början av en händelseutveckling råder det en osäkerhet och informationen är därav begränsad, men med tiden tillkommer ny information som gör att investerarna vågar investera i värdepapper igen.
Chen   Siems (2004) undersökte 9/11-attacken i New York 2001 genom att analysera olika länders sammansatta index (major indices). Deras antagande var att nyheter som påverkar investerarna positivt måste avspeglas hos värdepapper och därigenom skapa en positiv onormal avkastning, medan negativa nyheter påverkade onormal avkastning negativt.
9/11-attacken och Covid-19 har en gemensam nämnaren; att bankerna är i god form och att det råder ingen likviditetsbrist varken hos bankerna eller marknaden innan händelsen. 9/11-attacken tog det 40 handelsdagar innan indexen återhämtade sig till ursprungliga nivåer.
Chen   Siems (2004) slutsats var att de ekonomiska effekterna till följd av negativa nyheter under 2001 var mer omfattande jämfört med tidigare katastrofer pga. att länderna var mer sammanlänkade än förut. En annan viktig slutsats var att Dow Jones återhämtning skedde snabbare än tidigare bland annat för att bankernas och den amerikanska finansmarknaden hade blivit effektivare och kunde hantera den plötsliga osäkerheten som uppkom vid terrorattacker eller krig.

2.3.2 Epidemi

Tidigare forskning om SARS-epidemin har analyserat hur aktiemarknaden har reagerat genom eventstudier efter en nyhet SARS utbrott. I en studie av Chen et al. (2007) analyserades aktiemarknaden på Taiwan där landet sattes i en tre-dagarskarantän för att hindra smittspridningen. Chen et al. (2007) studerade hur hotell påverkades av SARS-epidemin i landet och använde fyra olika modeller, en marknadsmodell och tre olika GARCH modeller (Generalized autoregressive conditional conclusion). Deras slutsats var att det inte fanns någon effekt på marknaden innan tillkännagivandet av utbrottet enligt de fyra modellerna, dock indikerade GARCH modellerna en större onormal avkastning i den kumulativa onormala avkastningen (CAR) jämfört med modellen utan GARCH. Efter SARS tillkännagivande fann de en påtaglig negativ påverkan hos hotell- och turism branschen som förvärrades med epidemins storlek.
En liknande studie gjordes av Chun-Da Chen et al. (2009) där de fokuserade på effekterna av SARS-epidemin på flyg- och turism samt biomedicinbranchen i Taiwan, med hypotesen att positiv påverkan skulle infalla hos biomedicinbranchen. Deras metod baserades på att använda inrapporterade smittfall i landet och korrelera dem till effekterna på aktiemarknaden.
Resonemanget kring en positiv avkastning hos biomedicinbranchen är att det sker en ökning av vårdmaterial i landet under en epidemi och därför bör det finnas en korrelation.
Deras resultat av CAAR pekar på två dagars uppgång hos biomedicinbolagen däremot en negativ påverkan för flyg och turismsektorn under en tio-dagarsperiod. Därmed Chun-Da Chen et al. (2009) slutsatsen att flyg- och turism var mer känslig för epidemier när det gällde Taiwan.

I artikeln (Donadelli m.fl., 2017) belyses den så kallade skräckfaktorn som uppstår vid pandemier. Med utgångspunkt från disease-related news (DRN) och World health Organization (WHO) nyheter härleddes dessa till specifika effekter som skedde i följd till dem för biomedicin och utrustning aktier. I studien börjar de med sin analys genom att beräkna den CAR runt DRN. De onormala avkastningarna definieras som skillnaden mellan den observerade avkastningsgraden för en läkemedelsportfölj och dess förväntade avkastning efter posten över hela händelsefönstrets längd. Deras studier av parametrar kan de konstatera att DRN under perioden 2003 till 2014 har en positiv och betydande effekt på läkemedelsföretagens aktier. De kan också se att denna effekt är starkare för small cap aktier i branschen. Slutligen, kan vi se från deras studie att DRN-effekten varar i flera dagar efter att en nyhet har släppts.

2.3.3 Företagets storlek

När en oväntad nyhet släpps brukar marknaden reagera kraftigt. Studierna från (Chopra m.fl., 1992) undersökte överreaktion mellan stora och små bolag. Deras resultat pekade på att små bolag tenderade att få en större avkastning vid en överreaktion under förutsättning att de hade presterat dåligt tidigare. Denna observation gällde inte de stora bolagen. Förklaringen till detta var att de stora bolagens aktier ägdes av institutioner medan de småbolagen aktier brukade köpas av privatpersoner, därav kan rationalitet spela en viss roll. Stora institutioner är rationella medan privatpersoner kan vara irrationella vid köp av aktier.

2.4 Sammanfattning

I katastrofer som 9/11-attacken och dagens pandemi med Covid-19 råder det en stor påverkan på flygindustrin med inkomstbortfall till följd av olika former av rörelsebegränsningar både i Sverige och globalt. I Covid-19-epidemin rådde det inte heller någon finanskris i Sverige innan det första svenska dödsfallet, därmed ingen likviditet eller något annat ekonomiskt utlösande faktor som skapar en panikartad situation i marknaden. Ett annat överensstämmande med (A. H. Chen   Siems, 2004) är att världen bör vara mera sammanlänkad jämfört med 9/11-attacken.
Covid-19-epidemins påverkar flygindustrin, hotell och restaurang stort i form av inkomstbortfall när människor avråds från icke-nödvändiga resor eller förlängd vistelse i människotäta platser. En annan påverkan som liknar den hos SARS-epidemin är det ökade behovet av sjukvårdsutrustning såsom respiratorer och skyddsutrustning.
Överreaktion och priserna hos värdepapper kan också påverkas av bolagens storlek och framförallt hur dem har presterat innan händelsen. De större bolagen har mindre eller inga överreaktion jämfört med de mindre bolagen.

3. Metod

3.1 Viktiga datum

Tabell 1. Datum för händelse utveckling i Sverige (Folkhälsomyndigheten, 2020). Gulmarkerade är de datum som undersökts i analysdelen.

3.2 Problemformulering och syfte

Tidigare studier har visat att vid en oförväntad chock kan det leda till negativ och positiva avkastningar hos bolagen. Genom att utföra en eventstudie kan förekomsten av förväntade avkastningar hos olika grupp av bolagen studeras.

3.3 Forskningsmetod

Till detta arbete har vi utgått från objektivism med en positivismsyn av teorin. Epistemologisk positivism innebär man fastställer hypoteser med deduktiv metodik. Hypotesprövningar sker med vetenskapliga fastställda fakta och teorier (W. Chen   Hirschheim, 2004). Denna arbetets forskningsmetod kommer därmed att utföras kvantitativt, där den insamlade data kan analyseras med statistiskt hypotesprövningar.

3.4 Metodval

De vanligaste modeller för att göra en eventstudie på är CMR (constant-mean adjusted), MARM (market adjusted return model), FFM3-FFM5 (Fama-French factor model) samt MM (marknadsmodellen). CMR metoden är enkel att utföra genom att ta en genomsnittlig avkastning för estimeringsfönster och därefter beräkna ut en förväntad avkastning. Den onormala avkastningen fås genom att man subtraherar avkastningen hos händelsefönster med det genomsnittliga värdet som erhölls från estimeringsfönstret. Denna modell förutsätter att medelvärdet för bolaget är konstant under hela estimeringstiden, vilket kan vara svårt att tillämpa i verkligheten när man inte tar hänsyn till den systematiska risken, .
MARM, är en modell som till skillnad från CMR tar hänsyn till den systematiska risken. Den är en förenklad variant av MM (market-model), där man förutsätter att ska vara 0 och är lika med 1 (Dyckman m.fl., 1984). Enligt (Dyckman m.fl., 1984) ger MM bättre känslighet jämfört med MARM, vilket gör att MARM inte kan användas i denna analys.
Fama-French använder fler faktorvariabler som ger en mer detaljerad modell FFM3 som tar hänsyn till bland annat storleken hos bolaget jämfört med marknaden, book-to-market ratio. Fama-French menar att småbolag har en högre vinst och att undervärderade bolag ger större vinst. Dessa faktorer ger en mer robust modell jämfört med de tidigare nämnda. Nackdelen med fler indata i modellen är att modellen blir alltmer komplex och därmed ökar risken för fel vid beräkningen av faktorerna som behövs för modellen. Faktorerna finns att hämta från en databas, men det finns inga svenska dagliga faktorerna och därför undviker denna arbete att göra en Fama-French model.
MM (Market model) är den vanligaste modellen inom eventstudier. Denna modell tar hänsyn till marknadsrisken och bolagets avkastning. Dessutom är den tillräckligt enkel att utföra, då man enbart har index och bolagens priser i indata. Dyckman et. al (1984) studier visar att MM har en litet fördel om händelsedagen är osäkert jämfört med en enklare metod som CMR och MARM. Denna studie använder därför MM för att utföra analysen hos eventstudierna och beräknas genom att linjeanpassa och , som fås fram genom att göra en OLS (Ordinary least square) beräkning.
Dessa faktorer beräknar sedan fram den förväntade avkastningen hos respektive bolag hos denna analys. Avkastningen har denna analys beräknas med kontinuerlig avkastning. Det vill säga man logaritmerna priset med föregående pris hos index och aktierna. Ekvationen beräknas genom följande:

Onormala avkastningen beräknas ut genom att man tar händelsefönstrets avkastning för respektive bolag och därefter subtraherar det med den förväntade avkastningen.

3.5 Urvalskriterier

För att studien ska bli så precis som den kan bli har vi utgått från följande kriterier.

  1. Företagen som är inkluderade i studien, biomedicin samt eget val av bolag inom transport och resor.
  2. Företagen ska vara noterad på svenska börsen.
  3. Företagen ska vara listad under hela analysen

Den officiella data för första smittan i Sverige skedde enligt myndigheten 31 januari men i och med nyheten kablades ut redan dagarna innan bör det vara en viss reaktion hos marknaden mellan 29-31 Januari, och den första handelsdagen efter helgen är 3 februari. Den 1 februari meddelade folkhälsomyndigheten att Covid-19 är en allmänfarlig sjukdom och det kan ge en negativ påverkan hos transport och resesektorn. Människorna i Sverige fick en rekommendation från folkhälsomyndigheten att vara hemma om man är sjuk och att undvika resande inom Sverige. Dessa faktorer kan avspegla hos bolagen inom transport och resor. Kategorin transport och resor innehåller t ex hotell, flyg och annat resor såsom nöjes baserad. Dessa bolag bör ha en negativ avkastning då alla resor och hotell ställs in både privat och hos företagen. Skistar som tillhör denna kategorin transport och resor har valts in på grund av att bolaget har många skidanläggningar i Sverige och många reser till anläggningar från andra städer i Sverige. När folkhälsomyndigheten råder människor att stanna hemma och första smittan i landet bör det ge en effekt av att det blir mindre besökare hos anläggningar runt om i Sverige.
Den andra sammansättningen av bolag har vi döpt till biomedicin och utrustning. Denna kategorin har många bolag inom medicinsk forskning och bolag som gör medicinskt utrustning. Som tidigare studier finns det en positiv påverkan hos dessa bolag. Tidigare studier för SARS:s påverkan har det funnits en positiv avkastning i denna kategorin, när behovet av medicin och utrustning är högt. Denna kategorin finns listade inom Nasdaq Omx och därför finns det inga behov av förändringar i sammansättningen av bolagen.
Sammansättningen för biomedicin och utrustning, är bolagen listade i Nasdaq OMX inom kategorin OMX Stockholm Health Care.

3.6 Datainsamling

Data sker i form av insamling från Reuters Eikon och från folkhälsomyndigheten. Benchmark som denna analys bygger på är OMXSPI. Analysen sker därefter med hjälp av Matlab för att beräkna onormal avkastning och CAAR.

3.7 Statistik

Hypoteser som ska testas om det håller statistiskt görs genom klassiska t-test. Testet utförs med hjälp av parametrarna från OLS metoden för att få ut en residual.
Variansen beräknas därefter med hjälp av residualerna i estimeringsfönstret.

AAR teststatistik beräknas genom att man summerar man ihop varianserna och delar med antalet bolagen som finns in analysen för att få ett medelvärde, därefter dividerar man AAR med den beräknade standardavvikelsen. T-kvoten jämförs vidare med det kritiska värdet, t ex 95 % konfidensintervall, som har det kritiska värdet 1.96 samt -1.96. Hypotesen förkastas om det är över det värdet eller om det är under negativa kritiska värdet -1.96. På samma sätt är det för testvärdet för CAAR, kumulativa värdet av AAR genom tiden. Förkasta noll hypotesen innebär att det finns påverkan av händelsen, om det däremot inte förkasta noll hypotesen är påverkan inte statistiskt signifikant av händelsen i frågan.

3.8 Hypoteser

Första smitta i Sverige enligt folkhälsomyndighetens data skedde 31 januari 2020, och den första dödsfall i statistiken skedde 11 mars 2020. Publiceringen av dessa negativa nyheter bör ge en effekt hos den svenska börsen. Därför har vi utformat dessa fyra hypoteser som vi testar.

Hypotes 1:
Det finns ingen onormal avkastning vid annonsering av första smitta, CAAR = 0.
Alternativ hypotesen, det finns en onormal avkastning vid första smitta, CAAR ≠ 0.
Hypotes 2:
Det finns ingen onormal avkastning vid första dödsfall i Sverige, CAAR = 0.
Alternativ hypotesen det finns en onormal avkastning vid första dödsfall, CAAR ≠ 0.

Hypoteserna undersöks hos två olika sektorerna, transport och resor samt biomedicin och utrustning.
När den onormala avkastningen erhållits från händelsefönstret, beräknar vi AAR och CAAR. Detta görs för att kunna besvara på våra frågor i frågeställningen. Hypoteserna prövas genom ett dubbelsidigt t-test.

3.9 Källkritiska hänsynstaganden

De teoretiska ramverk som har använts för denna studie är baserad till stor del på vetenskapliga artiklar, där vi har utgått från välkända teorier så som EMH och eventstudier. Alla artiklar är noga granskade och har hämtats från erkända bibliotek för vetenskapliga artiklar så som, Stockholms universitet, Wiley och databasen Scopus där samtliga bör vara granskade och anses därför vara trovärdiga utifrån ett vetenskapligt perspektiv. Vissa journaler har vi också dubbelkollat för att säkerställa att deras artiklar är granskade. Data som vi har utgått ifrån när eventstudien har gjorts är hämtad direkt från Eikon.

Vår analys bygger på resultaten som eventstudien har givit oss. Där vi på ett nyanserat sätt använder våra källor till att dra slutsatser kring dess utfall.

4 Analys

4.1 Empirisk undersökning

För att kunna besvara på våra frågeställningar har en eventstudie utförts. Vid tillämpning av eventstudier finns det diverse förhållningssätt som sätter grundprinciper för undersökningen. Dessa grundprinciper kan tillämparen anpassa själv. I vårt enskilda fall har vi undersökt AAR och CAAR, marknadsmodellen, samt t-kvot för att kunna avgöra om utfallet är av signifikant eller ej. För att ta fram dessa nyckeltal innefattar det urvalskriterier, beräkningsmodell för onormal avkastning och struktur för insamling av data.

4.2 Estimeringsfönster

Estimeringsfönster skattning bör ha en period av 120 dagar (MacKinlay, 1997) eller mer vid beräkning av dagliga avkastning. Denna estimering för att säkerställa att man har tillräckligt data för att beräkna fram och . Event studie som beskrivs tidigare har ett estimeringsfönster som inte få överlappa händelsefönster. En marginal för att undvika risken av överlappningen använder denna studie av 20 dagars marginal till händelsefönstrets start.

Studier från Brocket et. al (1999) visade händelsefönstrets storlek har av betydelse. En klassisk MM kan förlora urvals styrka vid större händelsefönster. Detta arbete fokuserat på händelsefönster som är mindre än 21 dagar därav undviker man för låg statistiskt styrka.

4.3 Händelsefönstret

Händelsefönstret består av dagarna runt första smittan och första dödsfallet av Covid-19, det vill säga då det blev känt i media och andra intuitioner. Fönstret används för att kunna jämföra den verkliga aktieavkastningen med den förväntade normala avkastningen. På så sätt erhålls den eventuellt onormala avkastning som uppkommit till följd av Covid-19. Det finns olika varianter på hur händelsefönstret ska definieras. Brown och Warner (1985) förespråkar för att händelsefönstret bör vara händelsedagen eller elva dagars period. Andra menar på att händelsefönstret skulle kunna utgöras av enbart själva händelsedagen, det vill säga dagen då första smittan blev känt samt första dödsfallet av Covid-19. Brown och Warner (1980) menar på att en förutsättning till detta skulle vara att det inte skulle finnas några tvivel om när i tiden den undersökta händelsen har inträffat.

Genom att använda ett händelsefönster som omfattar ett antal dagar före händelsedagen 0, så kan eventuella tidiga marknadsreaktioner utforskas. Detta för att vi ska kunna avgöra om nyheterna om dessa händelser faktiskt har haft en påverkan på aktiepriserna eller inte.

Slutligen har längden på händelsefönstret en stor inverkan för undersökningen. Används ett kort händelsefönster minimerar vi risken för att andra faktorer kan ha påverkat aktiepriserna. Samtidigt behöver vi ha ett tillräckligt långt fönster för att fånga upp marknadens samtliga reaktioner.

Händelsefönstret [-5 -1] för att studera om det finns en reaktion innan händelsedagen 0 hos de undersökta sektorerna, transport och resor samt biomedicin och utrustning. Perioden [-1 1] till [-20 20] för att analysera hur den analyserade sektorn påverkades av meddelandet, men framförallt är det händelsefönster [-1 1] samt [-5 5] som är viktiga för att undvika låg statistisk styrka. Händelsefönster från [0 1] till [0 20] analyserar hur länge påverkan varade efter när nyheten släpptes. Vissa händelsefönster storlek har används även i studierna från (Chun-Da Chen m.fl., 2009), vilket underlättar jämförelse med deras studier.

4.4 Transport och resor

Sammansättningen av bolagen som tillhör transport och resor redovisas i tabell 2.

Tabell 2. Denna tabell finner ni de bolag som ingår i analysen för transport och resor.

4.4.1 Första smitta i Sverige, transport och resor

Figur 2. Diagrammet visar AAR relativt till första smittan i Sverige. X-axeln är relativt till händelsedagen, 31 januari.

AAR inom transport och resesektorn dagen -1 fram till 1 finns det inga statistiskt signifikant onormal avkastning. Tabell 3 visar AAR för respektive dag förhållande till händelsedagen, 31 januari.

Tabell 3. Tabellen visar AAR och t-kvot vid första smitta i Sverige inom transport och resesektorn. Datum är satt till 31 januari för händelsedag 0, händelsedag -1 är en torsdag, och +1 är första handelsdagen måndagen efter helgen. Händelsedag 0 visar inga påverkan av meddelande av första smittan.

Tabell 4. Tabellen visar CAAR och olika händelsefönster som analyseras för sektorn transport och resor. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

Det finns inga onormala avkastningar med statistisk signifikant fem dagar innan och fem dagar efter meddelande av första smittan, tabell 4. Händelsefönster [0 1] fram till händelsefönster [0 15 ] visar också på normal avkastning, vilket tyder på att händelsefönster
[-10 10] är det något annat som påverkades händelsedagen 0. Hypotes 1 kan därmed inte förkastas när CAAR = 0 vid händelsefönster [-1 1] samt [-5 5].

Tabell 5. Tabellen visar AAR relativt till händelsedagen, 11 mars första dödsfallet i Sverige. ***99% signifikansintervall, ** 95% signifikansintervall.

Figur 3. Diagrammet visar AAR under första dödsfall, x-axeln visar dagarna relativt till händelsedagen, 11 mars.

Första dödsfallen i Sverige och WHO:s klassificering skedde under samma dag vilket resulterade till mer negativ onormal avkastning. AAR från tabell 5 visar att dagen efter händelsedagen 0 är resultatet mer negativt. CAAR hos tabell 6 visar även på att trenden med negativ onormal avkastning fortsatte 20 dagar efter händelsedagen 0. Jämför man händelsefönster [-5 -1] och [0 5] är resultatet starkare påverkan efter händelsedagen 0, vilket innebär att transport och resesektorn påverkades med statistisk signifikans. Hypotes 2 för transport och resor kan därför förkastas, och fastställa att det påverkades av första dödsfall i Sverige. CAAR ≠ 0 vid händelsefönster [-1 1] samt [-5 5].

Tabell 6. Tabellen visar CAAR och respektive händelsefönster. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

4.5 Biomedicin och utrustning

Dessa bolag som ingår i analysen för biomedicin och utrustning finns sammanställt i tabell 7.

Tabell 7. Sammansättning av bolag som tillhör biomedicin och utrustning.

4.5.1 Första smitta i Sverige, biomedicin och utrustning

Figur 4. Diagrammet visar AAR under första smittotillfället, x-axeln visar dagarna relativt till händelsedagen 31 januari.

Första meddelande av första smitta är påverkan hos biomedicin och utrustning begränsat. Händelsefönster [-1 1] i tabell 9 visar en negativ påverkan med signifikans och även AAR i tabell 8 finns det statistisk signifikant, men när händelsefönster ökades är trenden till det normala avkastningar. Marknaden anpassade sig snabbt till normal avkastning. Även här finns det något annat som påverkade händelsefönster [0 20] för biomedicin och utrustning i linje med den tidigare analyserade sektorn, transport och resor. Noll hypotes 1 för sektorn biomedicin och utrustning kan därmed förkastas när händelsefönster [-1 1] är CAAR ≠ 0.

Tabell 8. Denna beskriver AAR och dess t-kvot, *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

Tabell 9. Tabellen visar CAAR och t-kvoten för sektorn biomedicin och utrustning. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

4.5.2 Första dödsfall i Sverige, biomedicin och utrustning

Figur 5. AAR och händelsedag för sektorn biomedicin och utrustning. X-axeln visar dagarna relativt till händelsedagen 11 mars.

Tabell 10. Tabellen visar AAR och t-kvot vid första dödsfall inom sektorn biomedicin och utrustning. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

Tabellen 10 visar att det finns en större onormal avkastning jämfört med händelsedagen -1. AAR enligt tabell 10 visar på att det finns negativ onormal avkastning med statistisk signifikans hos dagarna 0 och 1. Detta resulterar att det finns en påverkan hos sektorn biomedicin och utrustning vid första dödsfall.

Tabell 11. Förstadödsfall inom sektorn biomedicin och utrustning. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall.

15 dagar efter första meddelandet av första smitta går marknaden mot en stabilisering mot noll, effekten av första meddelandet börjar att klinga av. Detta tyder på att biomedicin och utrustning sektorn börjar att skilja sig från sektorn transport och resor. Under händelsefönster 21 dagar det vill säga [0 20] är det normala avkastningar. Hypotes 2 för sektorn biomedicin och utrustning kan därmed förkasta noll hypotesen, när CAAR ≠ 0 i händelsefönster [-1 1] och [-5 5].

4.6 Ytterligare studier

Ytterligare studie av har utförts för att förstå påverkan av Covid-19:s hos bolagen i dessa undersökta sektorer. Bolagen från de två undersökta sektorerna adderas ihop och utgör en gemensam analysgrupp, därefter delas bolagen i tre olika storleksklasser genom att räkna ut deras börsvärde.

Tabell 12. Första smitta i Sverige, CAAR och indelad hos respektive storlek. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall. Antalet bolagen för respektive grupp anges med n.

Första smittan i Sverige påverkades olika, tabell 12, de bolag inom large och respektive mid-cap påverkades under händelsefönster [-1 1] men blir mindre påverkad när händelsefönstrets storlek blir större [-20 20]. Hos de mindre bolagen som tillhörde small-cap har ingen påverkan alls i händelsefönster [-1 1] men vid händelsefönstret [-20 20] visar det en negativ onormal avkastning. Detta kan tyda på samma sak som tidigare analys av första smitta, en påverkan hos de små bolagen
Första dödsfall är alla bolagen negativt påverkade under händelsefönster [-1 1], tabell 13. Trenden avtar när händelsefönster ökas till [-20 20]. De mindre bolag i small-cap har mer negativt onormal avkastning jämfört med mid-cap och large-cap. De störrebolagen har en positiv onormal avkastning vid [-5 5] medans de andra grupper har en negativt onormal avkastning.

Tabell 13. Första dödsfall i Sverige, CAAR och indelad hos respektive storlek. *** 99 % konfidensintervall, ** 95 % signifikansintervall och * 90% signifikansintervall. Antalet bolagen för respektive grupp anges med n.

Bolagen som tillhör large-cap inom biomedicin har inga tillräckligt med stickprover men man ser att trenden går mot positiv avkastning till skillnad från de medelstora och mindre bolagen. Jämför man mid-cap och small-cap när stickproven är relativt lika till antalet så ser man att de bolagen som tillhör small-cap har mer negativ onormal avkastning. Mid-cap bolagen reagerade mindre negativt jämfört med small-cap bolagen, vilket i linje med tidigare studier som (Chopra m.fl., 1992) och (Donadelli m.fl., 2017).

5 Diskussion

Huvudsyftet med den här studien var att undersöka hur Covid-19 har påverkat flyg och transportindustrin och biomedicin och utrustning. Detta för att ha en bättre förståelse på hur aktiemarknaden för dessa branscher ter sig under dessa tider. Våra kritiska lärdomar från vår studie är att Covid-19 har haft en stor effekt på aktiemarknaden för dessa branscher. Vad vi kunnat se är att första smittan inte har haft en påverkan för dessa aktier. Däremot har det första dödsfallet haft en direkt påverkan tyder vår eventstudie på.
En notering som vi fann är att samma dag, 11 mars som första dödsfallet annonserades även WHO klassade Covid-19 som en pandemi. Detta kan ha accelererat nedgången och på så vis påverkat vår studie.
Från vad tidigare (Chun-Da Chen m.fl., 2009) studier uppvisar kan vi se en korrelation i nedgång för dessa marknader som vi studerar.
Teorin som vi har utgått ifrån är EMH och eventstudier. EMH handlar om marknadseffektivt och när en eventstudie utförs tar vi ståndpunkten att den SEMI-starka formen stämmer i praktiken. Teorin menar alltså att marknaden är så pass effektiv att den blir påverkad av information från delårsrapporter och andra officiella handlingar. Den talar också för att marknaden är effektiv på så vis att all relevant tillgänglig information snabbt kan återspeglas i marknadspriset. I detta fall stämmer detta överens då information kring denna pandemi har kommit från WHO och media.
Teorin menar alltså att aktiepriser ska bli påverkat av situationer som denna. Vilket den har gjort i allra högsta grad.
Vår andra teorin som denna studie baseras på är det grundläggande sättet att undersöka hur ett specifikt datum då en händelse har inträffat har påverkat ett bolag eller bransch. Här söker vi efter en onormal avkastning. Dessa två teorier går hand i hand och möjliggör oss att undersöka hur denna pandemi har påverkat respektive sektor.
Våra frågeställningar har varit;

  1. Hur har transport och resor påverkats av Covid-19?
  2. Hur har biomedicin och utrustning påverkats av Covid-19?

Efter att ha utfört vår studie kan vi besvara dessa frågor. Transport och resor har påverkats negativt men inom ramen av marknadens förväntningar vid första smittan. Vi kan utläsa från data att vid det första dödsfallet tog aktierna en vändning neråt. Denna trend har fortsatt sedan dess hos transport och resor, och framförallt ser visade denna studie på att biomedicin och utrustning börjar att återhämta sig efter 15 dagar.

För att utföra en eventstudie antar vi att EMHs semi-starka form håller i praktiken. Detta för att annars finns det ingen anledning att utföra en eventstudie då hela modellen bygger på att marknaden är så pass effektiv att den kan reagera på information från delårsrapporter och andra officiella handlingar med mera. På så vis är dessa två teorier kopplade till varandra.

6 Slutsats

Vi har undersökt hur vida Covid-19 har haft en påverkan inom två olika sektorer, transport och resor samt biomedicin och utrustning. Vi har gjort detta genom en eventstudie som vi redogör för i vår analysdel av uppsatsen. Studien är avgränsad till svenska företag som är börsnoterade. Tidigare studier (Chun-Da Chen m.fl., 2009) har funnit att pandemier och andra extraordinära situationer har haft en negativ påverkan på företag i dessa branscher. Dessa undersökningar har varit gjorda i länder så som Taiwan, USA med fler. Vi ville göra en liknande undersökningen, men enbart här i Sverige. Vidare ville vi undersöka om det fanns samband för liknande kriser som denna. De tester vi utfört förklarar att dessa branscher har blivit kraftigt påverkade av Covid-19. Vi har kunnat fastställa att biomedicin och utrustning har både blivit påverkad av första smittan och första dödsfallet.

Första smittan i Sverige gav inga reaktioner hos transport och resor kategorin, marknaden reagerade som förväntat, det vill säga att det är negativ påverkan men inte mer än vad marknaden förutser. Däremot inom biomedicin och utrustning finns en negativ reaktion en dag före till en dag efter. Marknadens förväntningar för biomedicin och utrustning hade en mer negativ påverkan på grund av första smittan i landet, och efter följande dagar gick marknaden åter igen inom marknadseffektivitet.

Efter 40 dagar kom första dödsfallet i Sverige, detta medför negativ påverkan för båda undersökta sektorn. Transport och resor sektorn samt biomedicin och utrustning sektorn upplevde en negativ påverkan av första dödsfallet, men efter 15 dagar skiljde dessa 2 sektorn ifrån varandra. Transport och resor sektorn fortsatte att ha negativ onormal påverkan men biomedicin och utrustning börjar att stabilisera sig, det vill säga onormala avkastningen går med marknadens förväntningar.

Transport och resor sektor är mer påverkad precis som tidigare studier (M.-H. Chen m.fl., 2007) visar av SARS påverkan. Däremot var den biomedicin och utrustning inte lika påverkad i Sverige jämfört med studier från (Chun-Da Chen m.fl., 2009), men första dödsfallet i Sverige fick en enorm kraft av negativ påverkan jämfört med SARS utbrott. SARS första smitta kunde enligt Chun-Da Chen m. fl. (2009) studier visade att det finns en uppgång hos biomedicin och utrustning redan innan första utbrottet, i Sveriges påverkan är det inte lika påtagligt jämfört med SARS. Marknaden vet redan vad som händer och vet hur man ska göra redan vid första smittotillfället, däremot när det är första dödsfall och WHO klassning av Covid-19 som pandemi gör att smittan av Covid-19 är mer negativt påverkan jämfört med SARS. En annan skillnad som har av betydelse mellan SARS och Covid-19 är att SARS:s påverkan är begränsat framförallt i Asien och antalet smittade är inte lika stort som för Covid-19. Taiwans kraftfulla reaktion kan också ha spelat större roll när landet såg hur Hong Kong blev påverkad av SARS.

Sammanfattning av Covid-19 symptom är att första smittan gav ingen effekt hos dessa två sektorer och i linje vad marknaden förväntat sig, reaktionen är som en lätt förkylning. Första dödsfallet och WHO klassning av Covid-19 är effekten olika. Marknaden inom dessa två sektorer går sämre i början och efter 15 dagar går dessa två sektorer motsatt håll och allvaret börjar.

7 Begränsningar och framtida studier

Denna studie har endast tagit in en modell, marknads modellen men för att ge en robusthet bör man studera med Fama-French 3 eller 5 faktor modell för att ta hänsyn till bolagets värde. Ytterligare studier har utförts och vi har kunnat se en samband att storleken hos bolagen har av betydelse, vilket gör att Fama-French modell kan vara bra alternativ till marknads modellen.

Undersökningen sker endast för den svenska marknaden, påverkan från andra länder har denna studie inte tagit hänsyn till. Covid-19 är globalt problem som uppstår och därav bör man vidare undersöka andra länders påverkan hos svenska marknaden.

8 Referenser

Brockett, P. L., Chen, H.-M.,   Garven, J. R. (1999). A new stochastically flexible event methodology with application to Proposition 103. Insurance: Mathematics and Economics, 25(2), 197–217. https://doi.org/10.1016/S0167-6687(98)00046-8
Brown, S. J.,   Warner, J. B. (1980). Measuring security price performance. Journal of Financial Economics, 8(3), 205–258. https://doi.org/10.1016/0304-405X(80)90002-1
Brown, S. J.,   Warner, J. B. (1985). Using daily stock returns. Journal of Financial Economics, 14(1), 3–31. https://doi.org/10.1016/0304-405X(85)90042-X
Chen, A. H.,   Siems, T. F. (2004). The effects of terrorism on global capital markets. European Journal of Political Economy, 20(2), 349–366. https://doi.org/10.1016/j.ejpoleco.2003.12.005
Chen, M.-H., Jang, S. (Shawn),   Kim, W. G. (2007). The impact of the SARS outbreak on Taiwanese hotel stock performance: An event-study approach. International Journal of Hospitality Management, 26(1), 200–212. https://doi.org/10.1016/j.ijhm.2005.11.004
Chen, W.,   Hirschheim, R. (2004). A paradigmatic and methodological examination of information systems research from 1991 to 2001. Information Systems Journal, 14(3), 197–235. https://doi.org/10.1111/j.1365-2575.2004.00173.x
Chopra, N., Lakonishok, J.,   Jay R., R. (1992). Measuring abnormal performance, Do stocks overreact? Journal of Financial Economics, 31(2), 234–268.
Chun-Da Chen, Chin-Chun Chen, Wan-Wei Tang,   Bor-Yi Huang. (2009). The Positive and Negative Impacts of the Sars Outbreak: A Case of the Taiwan Industries. The Journal of Developing Areas, 43(1), 281–293. https://doi.org/10.1353/jda.0.0041
Donadelli, M., Kizys, R.,   Riedel, M. (2017). Dangerous infectious diseases: Bad news for Main Street, good news for Wall Street? Journal of Financial Markets, 35, 84–103. https://doi.org/10.1016/j.finmar.2016.12.003
Dyckman, T., Philbrick, D.,   Stephan, J. (1984). A Comparison of Event Study Methodologies Using Daily Stock Returns: A Simulation Approach. Journal of Accounting Research, 22, 1. https://doi.org/10.2307/2490855
ECDC. (2020, april). Event background COVID-19. European Centre for Disease Prevention and Control. https://www.ecdc.europa.eu/en/novel-coronavirus/event-background-2019
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 36.
Folkhälsomyndigheten. (2020). Folkhälsomyndighetens nyhetsarkiv. Folkhälsomyndigheten. https://www.folkhalsomyndigheten.se/nyheter-och-press/nyhetsarkiv/
MacKinlay, A. C. (1997). Event Studies in Economics and Finance. Journal of Economic Literature, 35(1), 28.
Nature medicine. (2020). Nature medicine. https://www.nature.com/articles/s41591-020-0820-9

9 Bilaga

Matlab

%Referens för andra sektorer av analyser, denna är exempel analysen för
%första smitta hos sektorn biomedicin & utrustning

clear all;
clc;
close all;

% % ----------------NASDAQ-OMX-------------
opts = detectImportOptions('marketSmitta.xlsx');
datamarket = readtable("marketSmitta.xlsx",opts,'sheet',"OMX");
market = table2array(datamarket(:,2:3));
market = [market(:,2) market(:,1)];
marketdate = table2array(datamarket(:,1));
 
% % ----------------Biomedicin eller den grupp du vill analysera-----------
opts = detectImportOptions('health.xlsx');
datahealth = readtable("health.xlsx",opts,'sheet',"health");
health = table2array(datahealth(:,2:end));
 
% -------------Event study--------------
data = [market health];
% Bolag börjar i kolumn 3 till end
% datareturn = [eventday marketreturn firm1 .... firmN]
 
PreEvBeg = -154; EstWinBeg = -34;
DaysPreEv  = EstWinBeg-PreEvBeg;
 
day = data(:,1);
dataprice = data(:,2:end);
 
% ------------datareturn ger följande [eventday market firm_1 osv]
 
datareturn = price2ret(dataprice);
datareturn = [day(2:end) datareturn];
% NoFirms = length(datareturn(1,3:end));
b = []; 
% Beräknar ALFA & BETA market model
% length(datareturn(1,3:end)) = antal bolag, första 2 är dag & marknad
% beräknar OLS, alfa och beta
% X är själva modellen, X = [1 market] 
% b är [alfa1 alfa2 alfa3]
%      [beta1 beta2 beta3]
for i = 3:1:length(datareturn(1,:))
    X = [ones(length(datareturn(1:DaysPreEv,2)),1) datareturn(1:DaysPreEv,2)];
    b = [b X\datareturn(1:DaysPreEv,i)];
end
RegResud = []; ErrVar = [];
 
% VARIANCE OF ERROR TERM for Firm 1...n 
% RegResud = [resudial_1 ....]
% .          [resudial_1 ....]
% ErrVar = [Var1 var2 var3 var_n]
for i = 1:1:length(b(1,:))
    % -------- Regression residual --------
    RegResud = [RegResud datareturn(1:DaysPreEv,i+2)-b(1,i)-b(2,i)*datareturn(1:DaysPreEv,2)];
    % -------- Variance error term --------
    A = RegResud(:,i);
    %     ErrVar = [ErrVar var(RegResud(:,i))];
    ErrVar = [ErrVar 1/(DaysPreEv-2)*A'*A];
end
 
 
% Expected return, händelsefönster
% Estimeringsfönster början: EstWinBeg = DaysPreEv+1 End
% Estimeringsfönster slut: EstWinEnd = EstWinBeg + 21
dataExpRet = []; i = 0;
EstWinBeg = find(datareturn(:,1)==0) - 20;
EstWinEnd = find(datareturn(:,1)==0) + 20;     % EstWinEnd  = EstWinBeg + 
EstDays = EstWinEnd - EstWinBeg; % Delta dagar
 
for j = 1:1:length(data(1,3:end))
    for i = 1:1:EstDays+1
        dataExpRet(i,j) = b(1,j)+b(2,j)*datareturn(i+EstWinBeg-1,2);
    end
    
end
dataExpRet = [datareturn(EstWinBeg:EstWinEnd,1) dataExpRet];
% ------ Abnormal return ----------
abNormRe = datareturn(EstWinBeg:EstWinEnd,3:end) - dataExpRet(:,2:end);
abNormRe = [datareturn(EstWinBeg:EstWinEnd)' abNormRe];
 
% ----- Aggr thrue securities (AR)------
 
% ------- Mean (AR) = AAR ----------
NoFirms = length(datareturn(1,3:end))
% NoFirms = 4;
% MeanAR = [eventday mean(AR) StandardDeviation(meanAR) tratio]
for i = 1:1:EstDays+1
MeanAR(i,:) = [abNormRe(i,1) mean(abNormRe(i,2:end)) sqrt(1/(NoFirms^2)*sum(ErrVar))];
end
MeanAR = [MeanAR MeanAR(:,2)./MeanAR(:,3)];
% disp('--EventDay--MeanAR ---S.E MeanAR ---t-ratio ------')
% MeanAR
% -----------------------------------------
 
%--------------AAR--------------------------
AAR = MeanAR;
figure(1)
plot(AAR(:,1),AAR(:,2)*100,'o-b')
title('AAR första smitta biomedicin & utrustning')
xlabel('Dag')
ylabel('AAR')
ytickformat('percentage')
legend('AAR biomedicin & utrustning')
grid on
 
figure(2)
bar(AAR(:,1),AAR(:,2))
grid on
title('AAR bioteknik & utrustning')
xlabel('Dag')
ylabel('AAR')
 

% ----------CAAR ---------------------------
% EstDays+1 innebär att man tar hänsyn till händelsedag = 0
CAAR = [];
for i = 1:1:EstDays+1
    CAAR(i,:) = [sum(MeanAR(1:1:i,2)) MeanAR(i,3)*sqrt(i) sum(MeanAR(1:1:i,2))/(MeanAR(i,3)*sqrt(i))];
end
CAAR = [MeanAR(:,1) CAAR];
CONFLEVEL = ones(length(CAAR(:,1)),1);
CONFLEVEL = 1.96*CONFLEVEL;
figure(3)
 
subplot(2,1,1);
plot(CAAR(:,1),CAAR(:,2)*100)
xlabel('Dag')
ylabel('CAAR')
legend('CAAR')
title('CAAR biomedicin & utrustning första smitta')
grid on
ytickformat('percentage')
 
subplot(2,1,2);
hold on
bar(CAAR(:,1),CAAR(:,end),'r')
plot(CAAR(:,1),CONFLEVEL,'k-.',CAAR(:,1),-CONFLEVEL,'k-.')
legend('t-kvot','95% konfidensintervall')
xlabel('Dag')
ylabel('t-kvot')
grid on
title('CAAR biomedicin & utrustning första smitta')
ylim([-3 3])
hold off
					
scroll up