Interactie tussen bankrisico en landenrisico

Transcriptie

1 UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR Interactie tussen bankrisico en landenrisico Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Economische Wetenschappen Jonas Plouvier onder leiding van Prof. Dr. Rudi Vander Vennet

2

3 UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR Interactie tussen bankrisico en landenrisico Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Economische Wetenschappen Jonas Plouvier onder leiding van Prof. Dr. Rudi Vander Vennet

4 PERMISSION Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding. Jonas Plouvier II

5 Woord vooraf Een masterproef schrijven is een hele uitdaging. Zonder de steun en hulp van een aantal mensen zou het niet mogelijk geweest zijn voor mij om deze uitdaging tot een goed einde te brengen. Ik ben deze mensen dan ook heel erg dankbaar. Eerst en vooral wens ik mijn promotor professor Rudi Vander Vennet te bedanken. Hij gaf me de kans om een onderwerp te analyseren waarvoor ik een heel grote interesse heb. Daarnaast bedank ik ook Maria Gerhardt. Zij begeleidde me bij de uitvoering van het empirisch onderzoek. Verder ben ik ook mijn EW-studiegenoten dankbaar voor de vele tips en aanmoedigingen die ik van hen mocht ontvangen. Ten slotte gaat mijn speciale dank uit naar mijn ouders. Zij gaven me de kans om verder te studeren en steunden me jarenlang zodat ik mijn studies tot een goed einde kon brengen. Ze zorgden er ook voor dat alle randomstandigheden in orde waren zodat ik me volledig kon concentreren op het schrijven van mijn masterproef. Last but not least zou ik mijn zus willen bedanken. Zij heeft me tijdens mijn studies altijd volop gesteund. Tegen haar kon ik ook altijd mijn verhaal kwijt als ik met iets zat. Jonas Plouvier III

6 Inhoudsopgave Woord vooraf... III Inhoudsopgave... IV Lijst van gebruikte afkortingen... VI Lijst van figuren... VII Lijst van tabellen... VIII 1 Inleiding Literatuurstudie Interactie tussen landen en banken: algemeen Verschillende transmissiekanalen Reële economie-kanaal Onderpandkanaal Garantiekanaal Ratingkanaal Activakanaal Algemeen Home bias Onderzoeksmethodologie Inleiding Algemeen Regressies Afhankelijke variabelen Bankreturn Totale volatiliteit Marktbèta Verklarende variabelen GIIPS en ΔGIIPS Core en ΔCore IV

7 3.5.3 Totale activa Kapitaal Data Dataset en evolutie bankaandelenindex Beschrijvende statistieken Scatterplots en verwachtingen Resultaten Beschrijving en interpretatie resultaten Resultaten voor Bankreturn Resultaten voor Totale Volatiliteit Resultaten voor Marktbèta Algemene conclusies Robustness checks Veronderstellingen kleinste kwadraten-methode Multicollineariteit Homoscedasticiteit Normale verdeling Autocorrelatie Conclusie Literatuurlijst... IX Bijlagen... XIII V

8 Lijst van gebruikte afkortingen BBP BIS CAPM CDS CEBS CRD EBA ECB EFSF ESM EU GIIPS IMF KK LTRO OMT VIF Bruto Binnenlands Product Bank for International Settlements Capital Asset Pricing Model Credit Default Swap Committee of European Banking Supervisors Capital Requirements Directive Europese Banken Autoriteit Europese Centrale Bank European Financial Stability Facility European Stability Mechanism Europese Unie Acroniem voor de landengroep Griekenland, Italië, Ierland, Portugal en Spanje Internationaal Monetair Fonds Kleinste Kwadraten Long-Term Refinancing Operations Outright Monetary Transactions Variance Inflation Factor VI

9 Lijst van figuren Figuur 1: Mechanisme reële economie-kanaal... 6 Figuur 2: Overzicht van depositostromen in de eurozone sinds 2010 (tot juni 2012) Figuur 3: Home bias in de Europese financiële sector (december 2009) Figuur 4: Overzicht van het aantal banken per land in het onderzoek Figuur 5: Evolutie van de DJ Stoxx Europe 600 Banks van januari 2010 tot januari Figuur 6: Het gemiddelde van Bankreturn Figuur 7: Het gemiddelde van Totale volatiliteit Figuur 8: Gemiddelde ΔGIIPS in %-punt Figuur 9: Gemiddelde ΔCore in %-punt Figuur 10: Gemiddelde Kapitaal in % over de 4 perioden Figuur 11: Scatterplot Bankreturn en ΔGIIPS Figuur 12: Scatterplot Bankreturn en ΔCore Figuur 13: Scatterplot Volatiliteit en ΔGIIPS Figuur 14: Scatterplot Volatiliteit en ΔCore VII

10 Lijst van tabellen Tabel 1: Beschrijvende statistieken voor alle variabelen uit de regressies voor de 4 perioden. 33 Tabel 2: Regressieresultaten Bankreturn tijdens periode Tabel 3: Regressieresultaten Bankreturn tijdens periode Tabel 4: Regressieresultaten Bankreturn tijdens periode Tabel 5: Regressieresultaten Bankreturn tijdens periode Tabel 6: Regressieresultaten Totale volatiliteit tijdens periode Tabel 7: Regressieresultaten Totale volatiliteit tijdens periode Tabel 8:Regressieresultaten Totale volatiliteit tijdens periode Tabel 9: Regressieresultaten Totale volatiliteit tijdens periode Tabel 10: Correlatiematrix tussen de verklarende variabelen voor periode Tabel 11: Adj R² van aanvullende regressies van elke verklarende variabele voor periode VIII

11 1 Inleiding De Europese schuldencrisis is de laatste jaren alomtegenwoordig. Sinds Griekenland eind 2009 moest toegeven dat het begrotingstekort voor dat jaar 12,7% bedroeg in plaats van 3,7%, zijn de markten zich gaan focussen op de financiële toestand van zwakke eurolanden. Dit zorgde ervoor dat de rentes op de staatsobligaties van Griekenland, Ierland en Portugal de hoogte ingingen. Later zagen ook Spanje en Italië hun rentes stijgen. Er moesten reddingspakketten in elkaar gestoken worden voor Griekenland, Ierland en Portugal omdat deze landen zich niet meer zelf konden financieren op de financiële markten. De Europese banken ontsnapten niet aan de eurocrisis. Vele banken hadden het moeilijk om zich te financieren. Vooral de banken uit de zogenaamde GIIPS-landen Griekenland, Ierland, Italië, Portugal en Spanje leden zwaar onder de eurocrisis. Dit is niet toevallig. Landen en banken waren tijdens de recente crisis meer met elkaar gecorreleerd dan voorheen (De Bruyckere, Gerhardt, Schepens, & Vander Vennet, 2012). In deze masterproef wordt onderzocht hoe onrust over de financiële toestand van landen een impact heeft op banken. We beperken ons dus tot de transmissiekanalen in de richting van landen naar banken. Er worden via een literatuurstudie vijf transmissiekanalen geanalyseerd: het reële economie-kanaal, het onderpandkanaal, het garantiekanaal, het ratingkanaal en het activakanaal. De verwevenheid tussen landen en banken is empirisch al op verschillende manieren onderzocht geweest. In de bestaande literatuur (Acharya, Drechsler, & Schnabl, 2011; Aizenman, Hutchison, & Jinjarak, 2011; Alter & Schuler, 2011; De Bruyckere et al., 2012) wordt hierbij vooral gebruik gemaakt van de Credit Default Swap (CDS) spreads. Deze spreads zijn indicatoren voor het kredietrisico van een instelling. Ons onderzoek zal echter gebruik maken van de returns van bankaandelen om via cross-sectionele regressies de link tussen landen en banken te analyseren. Het empirisch onderzoek in deze masterproef focust zich op het activakanaal. Voor dit kanaal is er immers dankzij de bekendmaking van de stresstesten door de Europese Banken Autoriteit (EBA) heel wat informatie vrijgegeven die vroeger niet beschikbaar was. Aangezien 1

12 er tot hiertoe op vier momenten resultaten van stresstesten bekend gemaakt werden, schatten we de regressies voor deze vier perioden. Omdat de EBA enkel stresstesten uitvoerde voor Europa, is ons onderzoek geografisch beperkt tot de Europese banken. Het doel van de empirische studie is na ta gaan wat de invloed is van de wijziging in blootstelling aan staatsobligaties uit specifieke landengroepen van de eurozone op de returns van bankaandelen. We verifiëren ook wat het effect hiervan is op de totale volatiliteit en de marktbèta van de bankreturns. Zo wensen we te weten te komen of het activakanaal een belangrijke rol speelt in de besmetting van banken door landen. Het is belangrijk om aan te geven dat de verklarende variabele de wijziging in blootstelling aan obligaties is, en niet de blootstelling op zich. Er wordt geopteerd voor de wijziging in blootstelling omdat we vermoeden dat de financiële markten, naast de belangstelling voor de blootstelling op zich, ook belangstelling hebben in de evolutie van de blootstelling. De twee landengroepen die onderscheiden worden, zijn de GIIPS-landen en de Corelanden. Deze laatste groep bestaat uit de landen Duitsland, Nederland, Oostenrijk en Finland. We deelden de landen op deze manier in om een onderscheid te maken tussen zogenaamde perifere landen en veilige landen. Daarnaast gaan we na of de resultaten verschillend zijn voor de tijdspanne vóór de bekenmaking van de stresstesten en de tijdspanne erna. Het laatste onderdeel van het onderzoek gaat in op de hypothese dat banken die een grote blootstelling hebben aan GIIPSobligaties anders gaan reageren op een toename in blootstelling dan banken die weinig GIIPSobligaties bezitten. Het vervolg van deze masterproef is als volgt ingedeeld. Hoofdstuk twee biedt een overzicht van de bestaande literatuur omtrent de transmissiekanalen van landen naar banken. Hoofdstuk drie beschrijft de onderzoeksmethodologie van de empirische studie. In hoofdstuk vier worden de data geanalyseerd. Vervolgens toont hoofdstuk vijf de resultaten van het eigen empirisch onderzoek. Het zesde en laatste hoofdstuk bevat de conclusies van deze masterproef. 2

13 2 Literatuurstudie 2.1 Interactie tussen landen en banken: algemeen De Bruyckere, Gerhardt, Schepens en Vander Vennet (2012) bewijzen dat tijdens de recente crisis, landen en banken meer met elkaar gecorreleerd waren dan voorheen. Er is een grotere interactie wanneer landen meer schulden hebben t.o.v. hun Bruto Binnenlands Product (BBP) en wanneer banken kleinere kapitaalbuffers hebben. Hierbij aansluitend tonen Demirgüc-Kunt en Huizinga (2010) dat in ontwikkelde landen de marktwaarde van banken negatief samenhangt met overheidsschulden en tekorten. Acharya et al. (2011) vinden bewijs voor wederzijdse terugkoppeling tussen kredietrisico van overheden en de financiële sector. Nadat banken door overheden gered worden, stijgen de CDS spreads van overheden en dalen de spreads van banken. Op de lange termijn zijn ze echter sterker gecorreleerd. De gestegen CDS spreads van overheden hebben nadien op hun beurt een negatieve invloed op de CDS spreads van banken (Alter & Schuler, 2011). De grootte van besmetting is volgens Borensztein en Panizza (2009) niet gelijk. De kans op een crisis in de bankensector na een overheidsfaillissement is groter dan de kans dat overheden falen na een bankencrisis. De focus in deze masterproef ligt echter, zoals reeds aangehaald, specifiek op de transmissiekanalen in de richting van landen naar banken. In deze richting verloopt de overdracht van risico op verschillende manieren. Landenrisico kan bijvoorbeeld overgaan op banken in andere landen doordat banken overheidsobligaties van dat land op hun balansen hebben staan. De overdracht kan ook indirect plaatsvinden. Het risico kan zich interbancair verplaatsen doordat besmette banken van dat land interageren met banken in het buitenland. Daarnaast is de risico-overdracht ook rechtstreeks tussen landen mogelijk. Overheden in het buitenland raken dan besmet door de problemen in het eerste land waardoor ook de banken in het buitenland in moeilijkheden raken (BIS, 2011). Een illustratie hiervan is de Europese schuldencrisis. Banken in Spanje ondervinden bijvoorbeeld moeilijkheden omdat Spanje besmet is geraakt door de problemen in Griekenland. Ook het Internationaal Monetair Fonds 3

14 (IMF) (2010) stelt dat het risico van overheden naar banken zich op een dergelijke manier kan verspreiden. Angeloni en Wolff (2012) hebben de returns van enkele grote Europese banken in 2011 bestudeerd om de interactie tussen landen en banken na te gaan. Het is vooral de locatie van de individuele banken die belangrijk is voor hun marktwaarde, eerder dan de overheidsobligaties op hun balansen. Volgens hen is de sterke link tussen landenrisico en bankrisico in de eerste plaats te wijten aan de cruciale rol die overheden spelen om de economie en het financiële systeem goed te laten werken. Dit betekent dat banken die in hetzelfde land gevestigd zijn, maar andere blootstellingen hebben aan staatsobligaties even slecht gepresteerd hebben in Het IMF (2011) betoogt eveneens dat spillover effecten van overheden naar banken groter zijn voor banken die gevestigd zijn in landen die als risicovoller aanzien worden. Tijdens de recente crisis is het opmerkelijk dat deze transmissiekanalen sterker aanwezig zijn bij de eurolanden dan bij bijvoorbeeld landen zoals de Verenigde Staten, Groot-Brittannië en Japan. Nochtans hebben deze landen ook vaak hoge schulden. Het verschil is dat deze landen één budgettaire overheid hebben en één instantie (de centrale bank) die instaat voor de uitgifte van geld. Deze landen hebben dus, in tegenstelling tot de eurozone landen, controle over hun eigen munt. Als het echt nodig is kunnen de centrale banken ongelimiteerd geld drukken. De eurozone heeft daarentegen verschillende lidstaten die elk eigen tekorten hebben en eigen schulden uitgeven. Toch heeft de eurozone slechts één monetaire instantie (de Europese Centrale Bank (ECB)) die instaat voor het drukken van de euro. Daarenboven is de ECB zodanig geconstrueerd dat monetaire financiering 1 niet mogelijk is. Landen van de eurozone zijn hierdoor volledig afhankelijk van de financiële markten om hun tekorten te financieren. Als hun geloofwaardigheid om hun schulden terug te betalen afneemt, komen ze in de problemen (Peersman & Schoors, 2012). BIS (Bank for International Settlements) (2011) onderscheidt vier transmissiekanalen waarbij een daling in de kredietwaardigheid van een land gevolgen kan hebben voor het banksysteem. Het gaat om het onderpandkanaal, het garantiekanaal, het ratingkanaal en het 1 Monetaire financiering betekent dat lidstaten zich voor hun schulden rechtstreeks bij hun centrale bank (in dit geval de ECB) laten financieren. 4

15 activakanaal. Er wordt in de volgende paragrafen echter eerst een ander kanaal besproken: het reële economie-kanaal. Het spreekt voor zich dat deze kanalen onderling gerelateerd zijn en elkaar vaak versterken. 2.2 Verschillende transmissiekanalen Reële economie-kanaal Vaak wordt voor de spillover effecten in de richting van banken naar overheden verwezen naar het reële economie-kanaal. Hierbij zorgt een bankencrisis ervoor dat de groei vertraagt omdat banken minder leningen verstrekken. De vertraagde groei doet de belastinginkomsten van de overheid dalen waardoor (grotere) tekorten opgestapeld worden. De schuld t.o.v. het BBP stijgt en de kredietwaardigheid van het land wordt aangetast. In de omgekeerde richting (dus van overheden naar banken) is dit kanaal evenzeer van toepassing. Als overheden het vertrouwen van de financiële markten verliezen, zijn ze vaak verplicht om grote structurele besparingsmaatregelen door te voeren om hun geloofwaardigheid terug te winnen. Hoewel deze structurele maartregelen op lange termijn een positieve invloed hebben, kunnen ze op korte termijn leiden tot een lagere totale vraag en lagere economische activiteit. Dit zorgt ervoor dat er meer verliezen worden geleden op uitstaande leningen waardoor voor de banken het kredietrisico verhoogt en de winstgevendheid daalt (Avdjiev & Caruana, 2012). In figuur 1 wordt dit schematisch weergegeven. Correa, Lee, Sapriza en Suarez (2012) stellen dat een ratingverlaging voor een land typisch de kosten van de uitgifte van schuld verhoogt. De overheid wordt zo gedwongen om meer belastingen te heffen of om publieke goederen te schrappen. Deze acties zorgen ervoor dat investeringen en consumptie dalen, wat de vraag naar leningen en uiteindelijk de winstgevendheid van banken doet slinken. De BIS (2011) geeft aan dat fiscale maatregelen er voor zouden kunnen zorgen dat er een recessie ontstaat, die alle economisch sectoren van een land negatief kan beïnvloeden. 5

16 Figuur 1: Mechanisme reële economie-kanaal Landen en overheden in de problemen Besparingsmaatregelen verzwakken economie Dalende totale vraag en dalende economische activiteit Zwakke economie en dalende activaprijzen beschadigen balansen van banken Banken in problemen Bron: Eigen werk Het reële economie-kanaal wordt versterkt doordat saneringsoperaties vaak tot effect hebben dat de overheid in plaats van meer belastinginkomsten minder belastinginkomsten ontvangt. Door de extra belastingen dalen het gezinsvermogen en het vertrouwen met als gevolg dat consumptie en investeringen afnemen en de belastinginkomsten verminderen (Bolton & Jeanne, 2011) Onderpandkanaal Het onderpandkanaal is een tweede kanaal waarlangs besmetting van banken door overheden plaatsgrijpt. Overheidsobligaties worden zeer vaak gebruikt door banken om zich te financieren. Ze worden gebruikt als onderpand voor financiering via centrale banken, in private repomarkten en in covered bond markten. Hoger overheidsrisico kan de geschiktheid van overheidsschuld als onderpand verminderen, waardoor de financieringscapaciteit van banken gereduceerd wordt. Dat houdt in dat banken nu voor evenveel overheidsobligaties als voorheen, minder geld in ruil krijgen. Bovendien dienen haircuts op staatsobligaties als norm voor andere waardepapieren wat de financiering voor banken verder doet dalen (BIS, 2011). 6

17 Ook andere auteurs (Correa et al., 2012; De Bruyckere et al., 2012) erkennen dat dit kanaal een belangrijke rol speelt. Om het tekort aan financiering door de dalende waarde van overheidsobligaties als onderpand te verlichten, kunnen centrale banken overwegen om flexibelere financieringsprogramma s in te voeren. Deze programma s kunnen bijvoorbeeld minder strenge voorwaarden aan het onderpand opleggen. Dit houdt echter ook risico s in. Het kredietrisico van het onderpand wordt immers verschoven van de banken naar de centrale bank en er kan moral hazard 2 opduiken (BIS, 2011). Ook Peersman en Schoors (2012) geven aan dat het onderpand op de balans van de ECB een zeer grote bedreiging vormt voor de Europese belastingbetaler. Als landen failliet gaan en het onderpand hierdoor niets meer waard is, zijn het de individuele eurolanden die als aandeelhouders van de ECB hiervoor opdraaien. Tijdens de eurocrisis werden er door de ECB verschillende maatregelen genomen om er voor te zorgen dat banken genoeg financiering konden bekomen. Zo paste de ECB de regels aan voor aanvaarding van het onderpand. Ze schorste de regel die stelt dat overheidsobligaties een bepaalde minimale rating moeten hebben voor landen die financiële steun gekregen hebben van de troika 3. Concreet gaat het om Griekenland, Ierland en Portugal (BIS, 2011). Hierbij valt op te merken dat dit de home bias bij de banken aanzienlijk versterkt. Home bias is neiging van banken om veel staatsobligaties aan te houden van het thuisland (infra, p.14). Een tweede maatregel die de ECB nam om de financiering van banken te vergemakkelijken, is Long Term Refinancing Operations (LTRO). In december 2011 en februari 2012 verstrekte de ECB voor een totaalbedrag van ongeveer één biljoen euro leningen aan meer dan vijfhonderd Europese banken. LTRO moest er ook voor zorgen dat banken opnieuw leningen gaven aan de reële economie en dat ze overheidsschuld van zwakke eurolanden kochten omdat de rentes voor deze landen waren gestegen. Een laatste maatregel die al van kracht is, maar waar tot op heden nog geen gebruik van werd gemaakt, is de invoering van het Outright Monetary Transactions-programma (OMT). De 2 Moral hazard ontstaat wanneer banken meer overheidsobligaties van probleemlanden kopen en dus meer risico aangaan dan in het optimale geval, omdat ze weten dat ze in nood gered zullen worden door de centrale bank. 3 De troika bestaat uit toezichthouders van de Europese Commissie, het IMF en de ECB. 7

18 ECB zal, op voorwaarde dat landen hulp vragen aan het European Stability Mechanism (ESM) 4, ongelimiteerd korte termijn obligaties (één tot drie jaar) opkopen op de secundaire markt. OMT is belangrijk voor het onderpandkanaal omdat de minimumrating-voorwaarde opgeschort wordt voor landen die toetreden tot dit programma (IMF, 2012) Garantiekanaal Het garantiekanaal houdt in dat een zwakkere overheid ervoor zorgt dat banken voor hun financiering minder voordeel kunnen halen uit impliciete en expliciete overheidsgaranties (Acharya et al., 2011; Angeloni & Wolff, 2012; BIS, 2011; De Bruyckere et al., 2012) Klassiek kunnen grote systeembanken rekenen op een impliciete overheidsgarantie met als gevolg dat hun financieringskosten dalen. Na het faillissement van Lehman Brothers hebben veel landen ook expliciete garanties verleend aan hun banken (BIS, 2011). Brown en Dinç (2011) bewijzen dat de financiële situatie van een land daadwerkelijk belangrijk is bij de behandeling van banken die in problemen verkeren. Acharya en Rajan (2011), Bolton en Jeanne (2011) en Broner, Martin en Ventura (2010) geven aan dat hoe meer overheden en de financiële sector in een land met elkaar verwikkeld zijn, hoe kostelijker een overheidsfaillissement wordt. De collateral damage in de vorm van bank runs en ontwrichting van de interbank en repomarkten wordt dan namelijk groter. Meer specifiek komt het garantiekanaal tussen overheden en banken op drie manieren tot uiting. Ten eerste via de mogelijkheid dat overheden banken redden als ze dreigen failliet te gaan (bailout). Ten tweede via de garanties die overheden geven op obligaties die banken zelf uitgeven. Ten slotte via de depositogaranties van overheden. Overheden zijn over het algemeen sterk geneigd om banken te redden als ze zwaar in de problemen komen. Zeker bij zogenaamde too big to fail of systeembanken, is bij een faillissement het risico op een ineenstorting van de volledige financiële sector groot. Bijgevolg spelen overheden vaak op zekerheid en beslissen ze om de bank te vrijwaren. Grote banken weten dit ook en zijn door deze impliciete garantie geneigd om overdreven risico s te nemen 4 Het ESM is het permanent Europees noodfonds, om eurolanden in de problemen te helpen. Het ESM kan leningen geven aan landen in moeilijkheden. Het kan ook banken herkapitaliseren. De hulp uit dit fonds is altijd gebonden aan voorwaarden. Het ESM is de opvolger van de European Financial Stability Facility (EFSF). 8

19 (Gropp, Gruendl, & Guettler, 2010). Echter, als een overheid zelf in een financieel zwakkere positie terecht komt, is deze impliciete garantie om banken te redden minder geloofwaardig. Dit zorgt ervoor dat het kredietrisico van de banken stijgt (Avdjiev & Caruana, 2012). Dit wordt onder meer aangetoond door Demirguc-Kunt en Huizinga (2010). Zij stelden vast dat er in 2008 een daling optrad in de marktwaarde van systeembanken in landen die een groot overheidstekort hadden. Om de impliciete garantie van bailouts en dus het garantiekanaal voor een stuk te verkleinen, zijn er een aantal maatregelen mogelijk. Zo kan de grootte van een bank beperkt worden zodat ze niet meer too big to fail wordt. Een andere optie is om per bank een afwikkelingsprocedure klaar te hebben als er problemen zouden opduiken zodat de overheid niet meer moet tussenkomen. Als overheden toch optreden, kunnen de lasten voor de belastingbetaler ernstig verminderd worden door eerst aandeelhouders en obligatiehouders van de bank aan te spreken (BIS, 2011). Banken maken ook expliciet gebruik van het garantiekanaal van overheden. Tussen oktober 2008 en mei 2010 zijn er door banken bijna 1400 obligaties uitgegeven die door de overheid gegarandeerd werden. Ze hadden een totale waarde van meer dan één biljoen euro (Levy & Schich, 2010). Daardoor is het niet verbazingwekkend dat sinds eind 2009 de financieringsvoorwaarden voor banken sterker gerelateerd zijn met deze van hun overheden. Levy en Zaghini (2010) tonen aan dat spreads op bankobligaties die door de overheid gegarandeerd worden vooral het kredietrisico van de overheid weerspiegelt, en niet dat van de bank die de obligatie uitgeeft. Dit wordt bevestigd door het onderzoek van BIS (2011). Men vindt dat 30% van de spreads verklaard wordt door de overheid. Dit loopt op tot 50% in landen waar de financiële problemen het meest ernstig zijn. De vaststelling dat overheden een belangrijke rol spelen bij de uitgifte van overheidsobligaties die door de overheid gegarandeerd worden, heeft een aantal implicaties. Zwakke banken met een sterke overheid worden bevoordeeld t.o.v. sterke banken met een zwakke overheid. Sinds de Europese schuldencrisis in 2010 is dit verschijnsel nog sterker naar voor getreden. Het zorgt ervoor dat er meer risico s genomen worden en het verstoort de competitie onder banken (Levy & Schich, 2010). 9

20 Banken maken ook op een andere manier expliciet gebruik van de garanties door overheden. In vele landen geldt een overheidsgarantie op bankdeposito s. De eurocrisis illustreert dat deze vorm van garantie een groot aandeel heeft in de transmissie van overheidsrisico naar bankenrisico. In de GIIPS-landen Griekenland, Ierland, Italië, Portugal en Spanje vertrouwt een deel van de bevolking er niet langer op dat de overheid haar verbintenis nakomt om deposito s uit te betalen als een bank failliet gaat. Daarom gaan veel spaarders uit deze landen met hun spaargeld naar banken met een nationaliteit waarvan ze de depositogarantie van de overheid wel nog vertrouwen (Peersman & Schoors, 2012). Het gaat dan vooral om banken uit Duitsland, Nederland, Oostenrijk en Finland. Dit wordt verduidelijkt in figuur 2 waar een overzicht wordt gegeven van depositostromen in de eurozone sinds Figuur 2: Overzicht van depositostromen in de eurozone sinds 2010 (tot juni 2012) Bron: Global Financial Stability Report van het IMF (oktober 2012) De gegevens zijn uitgedrukt in miljarden euro en tonen de cumulatieve verandering sinds december De lichte kleuren zijn telkens de klantendeposito s. De donkere kleuren zijn telkens de interbankdeposito s. De (licht)groene kleur stelt de landen Duitsland, Nederland, Oostenrijk en Finland voor. De (licht)blauwe kleur stelt de landen Cyprus, Griekenland, Ierland, Italië, Portugal en Spanje voor. De (licht)roze kleur stelt de landen België en Frankrijk voor. Op figuur 2 is duidelijk vast te stellen dat er sinds juli 2011 in de eurozone een kapitaalvlucht aan de gang is vanuit de periferielanden naar de corelanden Duitsland, 10

21 Nederland, Oostenrijk en Finland. Dit heeft als gevolg dat banken uit de GIIPS-landen op een andere manier aan financiering moeten raken. Hiervoor hebben ze beroep gedaan op de ECB. We kunnen concluderen dat het garantiekanaal duidelijk aangeeft dat het land waar een bank actief is heel belangrijk is in de transmissie van landenrisico naar bankenrisico Ratingkanaal Een vierde transmissiekanaal tussen landen en banken is de link tussen landenratings en de ratings van banken uit dat land. Landenratings en bankenratings staan in nauwe wisselwerking met elkaar omdat een verlaging van de rating van een land onder meer aangeeft dat het land minder steun zal kunnen bieden aan de financiële sector uit dat land. Daarbovenop komt nog dat in het algemeen een ratingverlaging van een land tot gevolg heeft dat ook de banken van dat land een lagere rating krijgen. Het gevolg hiervan is dat banken zich moeilijker kunnen financieren (BIS, 2011; De Bruyckere et al., 2012). Het ratingkanaal heeft dus twee aspecten. Enerzijds hebben ratingverlagingen van landen rechtstreeks negatieve gevolgen voor banken via het eerder besproken garantiekanaal en onderpandkanaal. Anderzijds zorgt de sterke verbondenheid tussen een overheid en banken ervoor dat ratingverlagingen van een overheid vaak leiden tot ratingverlagingen van banken. Het komt erop neer dat de rating van een overheid doorgaans een plafond vormt voor de ratings van banken uit dat land (BIS, 2011). Arezki, Candelon en Sy (2011) onderzochten het ratingkanaal empirisch en vinden dat ratingverlagingen van landen statistisch en economisch significante spillover effecten teweeg brengen bij andere landen en financiële markten. Ze bewijzen dat verlagingen van ratings tot bijna speculatief niveau van landen zoals Griekenland belangrijke feedbackeffecten hebben voor andere eurolanden. Er wordt ook getoond dat bankaandelen in Europa tijdens de periode beïnvloed werden door nieuws over ratings van landen. Correa et al. (2012) gebruiken een grotere steekproef van landen en een langere tijdsperiode (1995 tot 2011) en stellen dat als een rating van een land verlaagd wordt, dit significante gevolgen heeft voor de financieringskosten van banken. Hun tweede bevinding is gelinkt met het garantiekanaal. Ratingverlagingen van overheden hebben een zeer negatieve 11

22 invloed op de bankaandelen van banken waarvan men verwacht ze veel steun van hun overheid nodig zullen hebben in de toekomst. Een derde bevinding heeft betrekking op het activakanaal (infra, p.12). Een slechte beursprestatie van banken na een ratingverlaging van hun overheid kan niet verklaard worden door de hoeveelheid overheidsobligaties die de banken op hun balans staan hebben. Avdjiev en Caruana (2012) vermelden nog een andere negatieve consequentie voor banken die met een ratingverlaging van hun overheid gepaard kan gaan. Banken moeten met overheden concurreren om geld op te halen bij investeerders. Wanneer landen een ratingverlaging krijgen, kunnen overheidsobligaties voor sommige investeerders interessanter worden dan bankobligaties. Door het verliezen van hun risicoloze status vormen staatsobligaties immers een mogelijk alternatief in een gespreide beleggingsportefeuille. Het gevolg voor banken is dat ze zich nog moeilijker kunnen financieren. Een ratingverlaging van een land komt in de media vaak uitvoering aan bod. Toch rijst de vraag of de ontwikkelingen die tot een ratingverlaging leiden, niet al eerder via andere kanalen door de banken gevoeld worden. Hiermee verband houdend tonen Hull, Predescu en White (2004) dat een verhoging in het kredietrisico van banken de aankondigingen van de ratingverlagingen vooraf gaat. Om de feedback van landen naar banken via het ratingkanaal te verminderen, kunnen er enkele beleidsmaatregelen genomen worden. Ten eerste moeten overheden preventief optreden als een ander land een ratingverlaging krijgt door helder te communiceren wat hun zwaktes zijn en hoe ze die in de toekomst gaan oplossen. Ten tweede moeten beleidsmakers voorbereid zijn op mogelijke instabiliteit in de bankensector. Ze kunnen dit bereiken door vooraf al een plan klaar te hebben dat direct kan gebruikt worden als er onrust heerst op de financiële markten. Ten derde is het misschien niet onverstandig om de regelgeving rond het gebruik van kredietratings te herbekijken met als doel de financiële stabiliteit zoveel als mogelijk te garanderen (Arezki et al., 2011) Activakanaal Het laatste transmissiekanaal dat in deze masterproef aan bod komt, is het activakanaal. Het activakanaal houdt in dat onrust over de financiële toestand van landen overslaat op 12

23 banken doordat banken obligaties van deze landen op hun balans staan hebben. Eerst wordt dit kanaal algemeen besproken waarna er dieper wordt ingegaan op het probleem van home bias Algemeen Acharya et al. (2011), BIS (2011) en De Bruyckere et al. (2012) onderzochten het activakanaal door gebruik te maken van CDS spreads van banken en landen. Hun onderzoek toont aan dat het activakanaal een belangrijke rol speelt in de verklaring van het kredietrisico van banken. Wanneer een land in de problemen komt, heeft dit gevolgen voor de staatsobligaties die ze in het verleden uitgegeven hebben. Ze worden minder waard, waardoor de balansen van banken met staatsobligaties van probleemlanden verzwakken. Dit verhoogt hun risico van deze banken met als gevolg dat ze zich minder makkelijk kunnen financieren. Petrella en Resti (2012) voeren een eventstudie uit met behulp van bankaandelen. Uit hun resultaten blijkt dat informatie over het aantal staatsobligaties dat banken in portefeuille hebben, enkel relevant is voor de koers van de aandelen in een univariate analyse. In een multivariate setting is de impact van het aantal overheidsobligaties niet statistisch significant. Voor het jaar 2011 bestuderen Angeloni en Wolff (2012) de invloed van staatsobligaties op de prestaties van bankaandelen. Dit gebeurt via een regressieanalyse. In tegenstelling tot Acharya et al. (2011), BIS (2011), De Bruyckere et al. (2012) en Petrella en Resti (2012) vinden ze minder bewijs voor het bestaan van het activakanaal. De staatsobligaties die banken bezitten, bieden slechts een matige verklaring voor de koers van de bankaandelen. Tijdens de eurocrisis is duidelijk geworden dat banken veel overheidsobligaties op hun balansen staan hebben. Er bestaan verschillende redenen waarom banken veel staatsobligaties aanhouden. Volgens Popov en Van Horen (2013) is één van de hoofdredenen de Capital Requirements Directive (CRD). Deze Europese richtlijn vertaalt de Basel akkoorden in Europese wetgeving. Onder de huidige Basel II regelgeving 5 moeten banken geen kapitaal zetten tegenover binnenlandse en buitenlandse staatsobligaties op voorwaarde dat het land minimum een AA rating heeft. Voor overheidsobligaties van landen met een lagere rating 5 Basel III treedt pas ten volle in werking vanaf

24 moeten ze wel kapitaal aanhouden (20% voor A-landen, 50% voor BBB-landen en 100% voor BB ten B-landen) (BIS, 2011). Tot eind 2009 hadden bijna alle eurolanden minimum een A-rating. Hierdoor was het voor banken interessant om veel staatsobligaties te kopen aangezien ze hiertegenover niet veel kapitaal moesten zetten. Daarenboven wordt volgens de CRD, overheidsschuld die is uitgegeven in binnenlandse munt, niet onderworpen aan de 25% limietregel. Deze regel stelt dat een bepaald soort activa maximum 25% van de totale activa van een bank mag uitmaken. Voor banken in de eurozone betekent dit dat er geen beperking geldt voor de opname van staatsobligaties uit andere eurolanden (Popov & Van Horen, 2013). Het gevolg hiervan was dat banken bij de start van de eurocrisis t.o.v. hun kapitaal een groot percentage staatsobligaties uit eurozonelanden in hun bezit hadden. Een tweede reden voor de aantrekkelijkheid van staatsobligaties heeft te maken met het onderpandkanaal. Zoals eerder vermeld, doen staatsobligaties vaak dienst als onderpand voor het verkrijgen van liquiditeit via de interbankenmarkt of via de centrale bank (Bolton & Jeanne, 2011). Een derde mogelijke reden ten slotte is de carry trade-hypothese. Hierbij zouden enkele Europese banken in de loop van 2010 overheidsobligaties uit de GIIPS-landen bijgekocht hebben omdat ze dachten dat de waarde van die obligaties snel opnieuw zou gaan stijgen. Zo hoopten ze snel winst te maken. Dit bleek achteraf een verkeerde gok aangezien de GIIPSobligaties bleven dalen in waarde en de banken dus verliezen leden op deze transacties (Acharya & Steffen, 2013) Home bias Een specifiek onderdeel en probleem bij het activakanaal is home bias. Home bias is de neiging van banken om veel overheidsobligaties op te bouwen van het land waarin ze gevestigd zijn. In de literatuur (Acharya et al., 2011; Acharya & Rajan, 2011; BIS, 2011; Gennaioli, Martin, & Rossi, 2013) geeft men aan dat er in vele landen sprake is van home bias. Figuur 3 toont de home bias voor de Europese banksector. We stellen vast dat de landen Polen en Hongarije de grootste home bias hebben. Dit is niet onlogisch aangezien deze landen 14

25 niet de euro als munteenheid hebben. Ze kunnen dus niet zoals banken uit de eurozone onbeperkt obligaties van andere eurolanden kopen (supra, p.14). Als we enkel de eurolanden vergelijken, zien we dat het vooral de GIIPS-landen zijn die een grote home bias hebben. Acharya en Rajan (2011) wijzen erop dat dit waarschijnlijk niet toevallig is omdat deze landen ook het grootste risico op een wanbetaling hebben. Andere mogelijke verklaringen worden verderop gegeven (infra, p.16). Figuur 3: Home bias in de Europese financiële sector (december 2009) Bron: Acharya en Rajan (2011) De data zijn afkomstig van de eerste stresstest van EBA in juli Ze gebruikten hiervoor de staatsobligaties op de balansen van de banken op 31 december De staven geven per nationale banksector het gemiddelde aan van het aantal overheidsobligaties uit het eigen land t.o.v. het totaal aantal overheidsobligaties op de balansen van de banken. Merler en Pisani-Ferry (2012) bevestigen dat het vooral de banken uit de perifere landen zijn die veel overheidsobligaties uit het eigen land hebben. Ze geven aan dat dit al zo was vóór de uitbraak van de wereldwijde crisis in Verontrustender is het feit dat de home bias in deze landen nog aanzienlijk versterkt is gedurende de financiële en schuldencrisis. Ook als we het aantal staatsobligaties uit het eigen land als percentage van het Tier 1- kapitaal van banken uitdrukken, stellen we vast dat het vooral de GIIPS-landen zijn die de 15

26 grootste home bias hebben. De percentages bedragen respectievelijk 226%, 157%, 113%, 69% en 26% voor Griekenland, Italië, Spanje, Portugal en Ierland (Blundell-Wignall & Slovik, 2010). De Bruyckere et al. (2012) onderzochten of de home bias er voor zorgt dat de spillover effecten tussen het thuisland en een bank groter zijn. Het antwoord hierop is bevestigend. Banken die over meer overheidsobligaties uit hun thuisland beschikken, hebben meer kans op besmetting als het land in de problemen raakt. Hierbij aansluitend vermelden Merler en Pisani- Ferry (2012) dat meer obligaties uit het eigen land de negatieve feedbackeffecten op een bank versterken. Vooral wanneer de onrust over de solvabiliteit van het land toeneemt, nemen deze negatieve effecten toe. Anderzijds merken de auteurs op dat er ook een positief effect met home bias gepaard gaat: het zorgt er namelijk voor dat banken minder obligaties uit andere eurolanden bezitten, waardoor onrust in één euroland minder snel leidt tot financiële instabiliteit in de andere eurolanden. Er kunnen een aantal verklaringen worden opgesomd waarom de home bias bij de GIIPSlanden groter is dan bij andere eurolanden. Vooreerst zijn buitenlandse investeerders minder geneigd om obligaties van de GIIPS-landen te kopen. Binnenlandse banken moeten dit dan gaan compenseren als een soort van lender of last resort omdat GIIPS-landen anders hun overheidsobligaties niet kwijt raken (Acharya & Rajan, 2011; IMF, 2012; Merler & Pisani-Ferry, 2012). De vaststelling van BIS (2011) dat de home bias groter is in landen met een grotere overheidsschuld sluit hierbij aan. Immers, hoe groter de schuld, hoe meer obligaties een land moet uitgeven. Een grotere schuld zorgt er echter ook voor dat de kredietwaardigheid van een land daalt wat buitenlandse investeerders afschrikt. Een tweede verklaring die kan gegeven worden is de morele overredingskracht-hypothese. Deze hypothese stelt dat overheden expliciet aan banken zouden vragen om hun obligaties op te kopen in een poging om de rente hierop te verlagen. Een derde verklaring heeft te maken met het uiteen vallen van de eurozone. Als dit zou gebeuren, wensen banken zoveel mogelijk staatsobligaties van het eigen land te hebben omdat obligaties van andere landen dan in een andere munt zullen uitgedrukt worden (Acharya & Steffen, 2013). GIIPS-banken zijn hier gevoeliger voor dan andere banken uit de eurozone. De oorzaak hiervan is dat de nieuwe munten in de GIIPS-landen naar alle waarschijnlijkheid minder waard zullen zijn dan de munten van de andere ex-eurolanden. 16

27 Een laatste verklaring is dat banken veroordeeld zijn om obligaties van hun thuisland op te kopen als ze hun eigen overlevingskansen niet willen hypothekeren. Het garantiekanaal speelt hierbij een doorslaggevende rol. Als banken van een land in de problemen plots zouden beslissen om geen binnenlandse staatsobligaties meer te kopen, zal de overheid zich waarschijnlijk niet meer kunnen financieren. Een faillissement van het land is dan niet langer uit te sluiten. Als het zover komt, kunnen geen overheidsgaranties meer verleend worden aan de banken, met als gevolg dat zij op hun beurt veel kans maken om failliet te gaan (Diamond & Rajan, 2011). Deze verklaringen geven aan dat de verbondenheid tussen overheden en banken niet zo makkelijk te doorbreken is. Op de lange termijn rijst de vraag hoe toezichthouders ervoor kunnen zorgen dat banken minder incentives hebben om zo n grote hoeveelheid staatsobligaties op te nemen. Samenvattend blijkt uit de literatuur dat het activakanaal en vooral de home bias een belangrijke rol spelen bij de interactie tussen landenrisico en bankrisico. Vanuit het literatuuronderzoek kunnen we concluderen dat er vijf transmissiekanalen van belang zijn bij de spillover effecten van landen naar banken. Landenrisico leidt tot moeilijkheden in de banksector via het reële economie-kanaal, het onderpandkanaal, het garantiekanaal, het ratingkanaal en het activakanaal. Vooral de invloed die uitgaat van het land waar de bank gevestigd is, is doorslaggevend bij de overdracht van het risico. In het vervolg van deze masterproef focussen we ons op het activakanaal. 17

28 3 Onderzoeksmethodologie 3.1 Inleiding Nadat in het vorig hoofdstuk de transmissiekanalen van overheden naar banken via een literatuurstudie werden onderzocht, voeren we in dit hoofdstuk zelf een empirisch onderzoek uit. Hierbij wordt vooral gefocust op het activakanaal omdat voor dit kanaal, dankzij de bekendmaking van de stresstesten (infra, p.19), heel wat informatie vrijgegeven is die vroeger niet beschikbaar was. De studie wordt uitgevoerd door middel van een regressieanalyse. Doelstelling van de studie is na te gaan wat het effect is van de wijziging in blootstelling aan overheidsobligaties uit bepaalde landengroepen van de eurozone op de returns van bankaandelen. Ook het effect hiervan op de totale volatiliteit van de bankreturns en de marktbèta van de bankreturns komt aan bod. Zo proberen we empirisch te achterhalen of het activakanaal een belangrijke rol speelt in de link tussen overheden en banken. Het is belangrijk om te vermelden dat de verklarende variabele de wijziging in blootstelling aan staatsobligaties is, en niet de blootstelling op zich. We kiezen voor de wijziging als verklarende variabele omdat het niet ondenkbaar is dat financiële markten naast de blootstelling op zich, ook interesse hebben in de evolutie van de blootstelling. Naar mijn weten werd de wijziging in blootstelling tot nu toe zelden als variabele gebruikt in empirische studies. In de bestaande literatuur richt men zich vooral op de blootstelling op zich. Zo onderzochten Angeloni en Wolff (2012) voor enkele Europese banken het effect van hun blootstelling aan obligaties uit de vijf GIIPS-landen op hun aandelenreturns. Ook de invloed van overheidsobligaties uit de landengroep 6 Duitsland, Nederland, Oostenrijk en Finland op de returns van banken en hun volatiliteit, is volgens mij zelden op deze manier onderzocht geweest. Het vervolg van dit hoofdstuk bespreekt de uitgevoerde regressies en de hiervoor gebruikte begrippen en variabelen. Daarbij vermelden we telkens de methode voor het verzamelen en analyseren van de gegevens. 6 Deze landengroep noemen we de Core-landen. 18

29 3.2 Algemeen Het effect van de verandering in blootstelling aan overheidspapier op bankaandelenreturns wordt in dit onderzoek via cross-sectionele regressies onderzocht. Dit betekent dat we de gegevens m.b.t. de afhankelijke en verklarende variabelen voor verschillende banken op een vast tijdstip ordenen. Er wordt gekozen voor cross-sectionele regressies omdat de verklarende variabelen over de totale periode slechts drie 7 maal per bank van waarde veranderen. Hierdoor heeft een tijdreeksanalyse of panelanalyse weinig zin. In het onderzoek zijn er drie afhankelijke variabelen. Het gaat om de gemiddelde wekelijkse return van de aandelenprijs, de Totale volatiliteit van de bankreturns en de Marktbèta 8 van de bankreturns. Per afhankelijke variabele schatten we de regressies voor vier perioden. De perioden situeren zich allemaal tussen mei 2010 en december De indeling in perioden gebeurt volgens de bekendmaking van de resultaten van de stresstesten en Capital exercises die werden uitgevoerd door de EBA 9. Het doel van deze stresstesten was het terugwinnen van het vertrouwen en het verhogen van de transparantie in de Europese bankensector en in de Europese interbankenmarkt. De Bruyckere et al. (2012) en Petrella en Resti (2012) stellen dat dit gelukt is. Markten gebruiken de informatie om de kredietwaardigheid van de geteste banken na te gaan. Stresstesten kunnen volgens Petrella en Resti (2012) een rol spelen om klaarheid te scheppen in de financiële toestand van banken. De stresstesten hebben er wel niet voor gezorgd dat er een trendommekeer te merken was in de daling van de aandelenkoersen van de Europese banken in 2011 (Angeloni & Wolff, 2012; Petrella & Resti, 2012). Dit leidde tot openlijke kritiek van enkele analisten die betogen dat de stresstesten hierdoor niet effectief waren (Jenkins & Murphy, 2011). 7 De verklarende variabele Totale activa wijzigt slechts twee maal. 8 De Marktbèta is een maatstaf voor de gevoeligheid van individuele aandelen aan schommelingen op de markt. In paragraaf komen we hier uitgebreider op terug. 9 De eerste stresstest die werd bekendgemaakt op 23 juli 2010 werd niet uitgevoerd door de EBA maar door de Committee of European Banking Supervisors (CEBS). Dit was een onafhankelijk orgaan die instond voor de controle en het toezicht op de banken uit de Europese Unie. Op 1 januari 2011 werd het orgaan opgevolgd door de EBA. 19

30 Voor deze studie is het resultaat van de stresstesten en de Capital exercises op zich echter van weinig belang. De blootstelling aan staatsobligaties op de balansen van de verschillende Europese banken die tijdens de stresstesten en Capital exercises ook werd bekend gemaakt, is daarentegen wel heel bruikbaar voor het onderzoek. Tot vóór 2010 was deze informatie niet beschikbaar. In het verleden was het dus niet mogelijk om de rechtstreekse impact van blootstelling aan overheidsschuld te analyseren. Er kunnen vier perioden worden onderscheiden. Voor iedere periode is de dag van de bekendmaking van de resultaten van de stresstesten/capital exercises het midden. Daarvoor en daarna wordt elke keer een tijdspanne van acht weken genomen om de gemiddelde wekelijkse return van de bankaandelen over deze tijdspanne te berekenen. Deze tijdspanne van acht weken vóór en na is geïnspireerd op Acharya en Steffen (2013). Zij gebruiken in hun regressies een periode van zestig dagen vóór en zestig dagen na de bekendmaking van de resultaten. Ook Angeloni en Wolff (2012) nemen een periode van telkens iets meer dan acht weken bij het uitvoeren van hun regressies. Over zo n periode van zestien weken wordt dus de gemiddelde wekelijkse return van de aandelenprijs van elke bank uit de dataset berekend. We berekenen vervolgens ook nog eens de gemiddelde wekelijkse return van de acht weken vóór de dag van de bekendmaking van de resultaten en van de acht weken na de bekendmaking. Iedere periode heeft dus drie basisregressies: een eerste van zestien weken (de samenvoeging van de acht weken vóór de verkondiging van de resultaten en de acht weken na de verkondiging), een tweede van acht weken vóór de verkondiging en een derde van acht weken na de verkondiging. Zo willen we nagaan of er al dan niet een significant verschil waar te nemen valt in de returns en de andere twee afhankelijke variabelen vóór en na de mededeling van de blootstelling aan overheidsobligaties. De hypothese hierachter is dat in de aanloop naar de bekendmaking van de stresstesten de markten de informatie ervan al zouden kunnen ingecalculeerd hebben. De oorzaak hiervan kan bijvoorbeeld zijn dat er al geruchten circuleren of dat de informatie al gedeeltelijk uitgelekt is doordat banken zelf met de resultaten naar buiten komen. De uitkomst van de eerste stresstest werd bekend gemaakt op vrijdag 23 juli De berekening van de gemiddelde wekelijkse bankreturns over zestien weken loopt voor de eerste periode dus van vrijdag 28 mei 2010 tot en met vrijdag 17 september De acht weken 20

31 vooraf beginnen op vrijdag 28 mei 2010 en eindigen op vrijdag 23 juli De acht weken nadien beginnen op vrijdag 23 juli 2010 en eindigen op vrijdag 17 september De bekendmaking van de resultaten van de tweede stresstest vond bijna een jaar later plaats. Meer bepaald op vrijdag 15 juli In deze tweede periode wordt de gemiddelde wekelijkse return berekend over de tijdspanne van zestien weken die start op vrijdag 20 mei 2011 en eindigt op vrijdag 9 september De acht weken vooraf lopen van vrijdag 20 mei 2011 tot vrijdag 15 juli 2011 en de acht weken nadien van vrijdag 15 juli 2011 tot vrijdag 9 september Zo berekenen we ook de gemiddelde wekelijkse bankreturns voor de derde en de vierde periode. De derde periode heeft als midden de mededeling van de resultaten van de EU Capital exercise op 8 december Het midden van de vierde periode is 3 oktober Toen maakte de EBA de finale resultaten bekend van de EU Capital exercise. Voor de eerste periode zijn de verklarende variabelen iedere keer de overheidsschuld op de balansen van de banken, m.a.w hun blootstelling aan overheidsobligaties op zich. We voeren tijdens de eerste periode, naast de drie basisregressies, de regressie ook uit met een subsample van de steekproef waarbij banken uit de GIIPS-landen weggelaten worden. Op deze manier wensen we te onderzoeken of er andere effecten optreden bij banken uit landen die niet zo zwaar getroffen worden door de eurocrisis. Voor deze non-giips-banken worden enkel de gemiddelde wekelijkse bankreturns over zestien weken berekend. In de tweede, derde en vierde periode zijn de verklarende variabelen niet meer de blootstelling aan staatsobligaties zoals in de eerste periode, maar wel de wijziging in blootstelling aan staatsobligaties t.o.v. de vorige periode. In de eerste periode kunnen we deze verklarende variabelen niet opnemen aangezien het toen de eerste keer was dat de overheidsschuld op de balansen van de banken werd bekend gemaakt. De tweede, derde en vierde periode verschillen ook van de eerste periode doordat er een andere opdeling van banken wordt toegepast. De opsplitsing van de banken gebeurt er in twee groepen. De groep veel-giips bestaat uit banken die meer blootstelling hebben aan obligaties uit de GIIPSlanden dan de mediaanobservatie. De groep weinig-giips bevat de banken die minder blootstelling hebben dan de mediaanobservatie. Met deze opdeling willen we uitmaken of bij veel-giips -banken de wijziging in blootstelling aan overheidsschuld al dan niet een significantere rol speelt bij de verklaring van bankenreturns dan bij weinig-giips -banken. We 21

32 denken dat bij veel-giips -banken de bankreturns wel eens gevoeliger zouden kunnen zijn aan een uitbreiding van GIIPS-schuldpapier dan bij weinig-giips -banken. Voor periode 2, 3 en 4 wordt er geen regressie geschat met een subsample van non-giips banken. In deze periodes zou de groep non-giips immers bijna volledig overeenstemmen met de groep weinig-giips omdat er bij de meeste Europese banken sprake is van een home bias (supra, p.14). Deze opsplitsing zou dus geen meerwaarde bieden voor deze studie. 3.3 Regressies Het empirisch model ziet er als volgt uit: Voor de eerste afhankelijke variabele gemiddelde wekelijkse bankreturn: Voor periode 1: (1) Bankreturn i = gemiddelde wekelijkse return van bankaandeel i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPS i = blootstelling aan overheidsobligaties van de GIIPS-landen op de balans van bank i Core i = blootstelling aan overheidsobligaties van de Core-landen op de balans van bank i Totale activa i = de totale activa van bank i Kapitaal i = kapitaalratio van bank i ε i = de foutenterm voor bank i Voor periode 2, 3 en 4: (2) Bankreturn i = gemiddelde wekelijkse return van bankaandeel i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPS i = wijziging t.o.v. de vorige periode van blootstelling aan overheidsobligaties van de GIIPS-landen op de balans van bank i 22

33 ΔCore i = wijziging t.o.v. de vorige periode van blootstelling aan overheidsobligaties van de Core-landen op de balans van bank i Totale activa i = de totale activa van bank i Kapitaal i = kapitaalratio van bank i ε i = de foutenterm voor bank i Voor de tweede afhankelijke variabele totale volatiliteit van de bankreturns: Voor periode 1: (3) Totale Volatiliteit i = volatiliteit van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking (gemeten via de standaarddeviatie) Marktbèta i = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPS i, Core i, Totale activa i en Kapitaal i zijn dezelfde als voor periode 1 bij de gemiddelde wekelijkse bankreturn. Voor periode 2, 3 en 4: (4) Totale Volatiliteit i = volatiliteit van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking (gemeten via de standaarddeviatie) Marktbèta i = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPS i, ΔCore i, Totale activa i en Kapitaal i zijn dezelfde als respectievelijk voor periode 2, 3 en 4 bij de gemiddelde wekelijkse bankreturn. Voor de derde afhankelijke variabele marktbèta van de bankreturns: Voor periode 1: (5) 23

34 Marktbèta i = marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking GIIPS i, Core i, Totale activa i en Kapitaal i zijn dezelfde als voor periode 1 bij de gemiddelde wekelijkse bankreturn. Voor periode 2, 3 en 4: (6) Marktbèta i = Marktbèta van de bankreturns van bank i over 16 weken/ 8 weken vóór de bekendmaking / 8 weken na de bekendmaking ΔGIIPS i, ΔCore i, Totale activa i en Kapitaal i zijn dezelfde als respectievelijk voor periode 2, 3 en 4 bij de gemiddelde wekelijkse bankreturn. Voor het schatten van deze vergelijkingen maken we gebruik van de kleinste kwadratenmethode. De resultaten hiervan worden weergegeven in paragraaf 5. De volgende paragrafen geven eerst meer uitleg over de variabelen uit de vergelijkingen van hierboven. 3.4 Afhankelijke variabelen Bankreturn De eerste afhankelijke variabele is de gemiddelde wekelijkse bankreturn. Er wordt in deze studie geopteerd om de wekelijkse en niet de dagelijkse bankreturns te berekenen. Hoewel dagelijkse returns veel info bevatten, zijn financiële returns met een hogere frequentie (i.e. dagelijks in plaats van wekelijks) niet normaal verdeeld. Ze hebben een hogere kurtosis, wat betekent dat de verdeling van dagelijkse returns vettere staarten heeft (Frömmel, 2012). We bekomen de aandelenkoersen van de banken door de wekelijkse Total Return Index van iedere bank voor de gewenste periodes van Datastream af te halen. Vervolgens wordt hiervan de natuurlijke logaritme ( ln ) genomen. Daarna berekenen we het verschil tussen ln(p t ) en ln(p t-1 ) om de wekelijkse return te verkrijgen. Ten slotte wordt voor elke bank en voor elk van de vier periodes het gemiddelde uitgerekend van de wekelijkse bankreturns over zestien weken, acht weken vóór en acht weken na de bekendmaking. 24

35 3.4.2 Totale volatiliteit De Totale volatiliteit is de tweede afhankelijke variabele die wordt gebruikt in de regressieanalyse. Het is een maatstaf voor het risico van de bankreturn. Immers, hoe volatieler het aandeel, hoe meer kans op extreme sprongen en hoe meer kans op grote winsten of grote verliezen. De berekening van de Totale volatiliteit gebeurt door de standaarddeviatie te nemen van de wekelijkse bankreturns. Dit wordt gedaan voor elk van de vier periodes over zestien weken, acht weken vóór en acht weken na de kennisgeving van de EBA over de blootstelling aan staatsobligaties van de grootste Europese banken Marktbèta De derde en laatste afhankelijke variabele in deze studie is de Marktbèta van de bankreturns. Deze variabele wordt berekend via het Capital Asset Pricing Model (CAPM). In dit model bestaat er een lineaire relatie tussen de return van individuele aandelen en de return van de marktindex. Het model impliceert dat de enige relevante variabele voor de return van een individueel aandeel, de return van de marktindex is (Everaert, 2011). De bèta-coëfficiënt uit dit model wordt vaak als proxy voor het systematisch of marktrisico gebruikt en noemt men de marktbèta. Een wijziging van x % in de return van de marktindex zorgt voor een wijziging van marktbèta maal x % in de return van individuele aandelen. Als de marktbèta groter is dan één, dan is de verandering van het individuele aandeel sterker dan de marktverandering. Zo n aandeel heeft dan een groot systematisch risico en zal gevoelig zijn voor marktschommelingen. Voor de marktindex gebruiken we de TOTMKEU van Datastream. Dit is een index van 1950 aandelen uit de Europese Unie. De weekreturns voor deze index worden op dezelfde manier berekend als deze van de individuele banken. Ook hier berekenen we de marktbèta voor iedere bank voor elke van de vier periodes over zestien weken, acht weken vóór en acht weken na de bekendmaking van de resultaten van de stresstesten. Marktbèta is zowel een afhankelijke variabele als een verklarende variabele. Zoals blijkt uit vergelijkingen 3 en 4 is Marktbèta een verklarende variabele bij de regressie van de Totale volatiliteit van de bankreturns. Aangezien de Totale volatiliteit kan opgedeeld worden in het 25

36 systematisch risico en het bedrijfsspecifiek risico, verwachten we dat de Marktbèta een belangrijke positieve invloed zal hebben op de Totale volatiliteit. 3.5 Verklarende variabelen GIIPS en ΔGIIPS GIIPS en vooral ΔGIIPS zijn de verklarende variabelen waar dit onderzoek het meest op focust. We willen er de nadruk op leggen dat er een verschil bestaat tussen GIIPS in periode 1 en ΔGIIPS in periode 2, 3 en 4. GIIPS is de blootstelling aan obligaties van de GIIPS-landen Griekenland, Italië, Ierland, Portugal en Spanje op de balans van elke bank tijdens periode 1. Het gaat meer bepaald om de blootstelling van elke bank op 31 maart 2010 aangezien dit de datum is waarvoor tijdens de eerste stresstest in juli 2010 de blootstelling aan staatsobligaties werd vrijgegeven op de website 10 van de EBA. De overheidsschuld in dit onderzoek omvat zowel de obligaties in de trading book van de banken als in de banking book. De trading book van een bank bestaat uit financiële activa die verdisconteert worden aan marktwaarde via winst of verliesneming. De trading book is dus marked to market wat betekent dat de waarde op de balans steeds aangepast moet worden aan de marktomstandigheden. Als de waarde van de obligaties daalt op de markt, dan moet de waarde van de obligaties ook op de balansen van de banken verminderd worden. Obligaties die niet in de trading book zitten, komen terecht in de banking book. Obligaties hierin worden in principe gehouden tot de einddatum van de obligatie, men noemt dit hold to maturity. Deze obligaties worden niet marked to market. De waarde van obligaties in de banking book kan dus sterk verschillen van de waarde van obligaties in de trading book (Blundell-Wignall & Slovik, 2010). Het verschil tussen trading book en banking book is niet onbelangrijk. Tijdens de effectieve stresstesten, waarbij men nagaat of een bank voldoende kapitaal heeft om negatieve schokken op te vangen, wordt enkel rekening gehouden met de staatsobligaties uit de trading book. Het grootste deel van de obligaties, namelijk 83% op het einde van 2009, bevindt zich echter in de 10 De data zijn voor iedereen beschikbaar op 26

37 banking book (Blundell-Wignall & Slovik, 2010). Wanneer een land effectief failliet zou gaan en zijn schulden dus niet meer zou kunnen terugbetalen, zou een bank erg in de problemen kunnen komen. Het overheidspapier in de banking book kan dan namelijk niet meer gehouden worden tot eindvervaldag en moet dan als een verlies geboekt worden. Dat dit niet onmogelijk is, bewijst de private sector involvement (PSI) voor Griekenland in juli 2011 en februari 2012 waarbij private investeerders (waaronder heel wat banken) gevraagd werden om verliezen te nemen op hun Griekse schuld in portefeuille. Voor de berekening van de variabele GIIPS delen we de GIIPS-overheidsobligaties in miljoen euro door het Tier 1-kapitaal (infra, p.29) in miljoen euro van elke bank. Vervolgens voegen we aan dit percentage een eenheid toe om hiervan de natuurlijke logaritme te kunnen nemen (Popov & Van Horen, 2013). 11 Anders zou het niet mogelijk zijn om de natuurlijke logaritme te berekenen van banken die geen overheidspapier uit de perifere landen hebben. ΔGIIPS is de verklarende variabele waar onze grootste aandacht naar uit gaat. Het doel van deze studie is tenslotte om na te gaan wat de invloed is van de verandering in blootstelling aan overheidspapier uit specifieke landengroepen uit de eurozone op bankreturns, Totale volatiliteit en Marktbèta. We vermoeden immers dat de financiële markten, naast de belangstelling voor de blootstelling op zich, ook belangstelling hebben in de evolutie van de blootstelling aan overheidsschuld. ΔGIIPS meet de wijziging in blootstelling aan overheidspapier uit de GIIPS-landen t.o.v. de vorige periode. Voor periode 2, 3 en 4 gaat het hier respectievelijk om de GIIPS-obligaties op de balans van de banken op 31 december 2010, 30 september 2011 en 30 juni We berekenen net zoals bij de variabele GIIPS het percentage GIIPS-overheidsobligaties in functie van het Tier 1-kapitaal. We doen dit voor elke periode. De wijziging in periode 2, 3 en 4 t.o.v. respectievelijk periode 1, 2 en 3 wordt uitgedrukt in procentpunt Core en ΔCore Naast GIIPS en ΔGIIPS zijn Core en ΔCore de verklarende variabelen waar deze studie zich het meest op richt. Core is de blootstelling aan staatsobligaties van landen die gerekend 11 We voeren dus de volgende berekening uit: ln (1 + (GIIPS-obligaties/Tier 1-kapitaal) ). GIIPS-obligaties/Tier 1- kapitaal wordt als percentage uitgedrukt. 27

38 worden tot de kern van de eurozone. Het gaat meer bepaald om de landen Duitsland, Nederland, Oostenrijk en Finland. Deze landen worden tijdens de Europese schuldencrisis algemeen beschouwd als veilige havens. Vandaar dat we ook voor deze aparte groep van landen willen verifiëren of de (wijziging in) blootstelling aan hun overheidsschuld een significante invloed heeft op de drie afhankelijke variabelen uit het model. De variabelen Core en ΔCore worden op dezelfde manier berekend en verkregen als de variabelen GIIPS en ΔGIIPS Totale activa De volgende verklarende variabele is Totale activa. Ze wordt gebruikt als controlevariabele aangezien ze bij de verklaring van de afhankelijke variabelen een belangrijke rol speelt. Zo tonen Baele, De Jonghe en Vander Vennet (2007) aan dat bankgrootte positief gerelateerd is met totale volatiliteit. Schuermann en Stiroh (2006) en Stever (2007) vinden dat grotere banken een grotere marktbèta hebben. Voor elke periode wordt de totale activa op het einde van het jaar genomen dat het dichtst aansluit bij de datum van blootstelling aan overheidsobligaties voor die periode. Voor periode 1 betreft het de totale activa op het einde van het boekjaar 2009 omdat 31 december 2009 dichter aansluit bij 31 maart 2010 (datum blootstelling) dan 31 december De totale activa voor periode 2 betreffen de activa op het einde van het boekjaar Periode 3 geeft de totale activa op het einde van het boekjaar Periode 4 betreft eveneens de totale activa op het einde van het boekjaar 2011 omdat de datum van blootstelling voor deze periode 30 juni 2012 is. Voor het einde van het boekjaar 2012 zijn echter nog niet alle gegevens beschikbaar. Net zoals bij de returns, GIIPS en Core wordt de natuurlijke logaritme genomen. De data zijn afkomstig van Bankscope Kapitaal Kapitaal is de tweede verklarende variabele die in het model wordt opgenomen als controlevariabele. Baele et al. (2007) geven aan dat beter gekapitaliseerde banken een lagere totale volatiliteit en een lagere marktbèta hebben. Stiroh (2006) daarentegen stelt geen effect vast voor kapitaal op de marktbèta. 28

39 Er bestaan verschillende grootheden om kapitaalratio s te berekenen. We kiezen in dit onderzoek voor Tier 1-kapitaal omdat dit de enige kapitaalgrootheid is die beschikbaar is via EBA voor alle vier de periodes. Er wordt doelbewust voor EBA als databron gekozen aangezien ook de blootstelling aan overheidspapier voor de variabelen GIIPS, ΔGIIPS, Core en ΔCore van EBA afkomstig is. Voor deze variabelen komen zowel teller (overheidsobligaties) als noemer (Tier 1-kapitaal) dan van dezelfde bron zodat een consequente vergelijking over de periodes mogelijk is. Het Tier 1-kapitaal bestaat naast de gewone aandelen en de overheidssteun ook uit hybride instrumenten zoals preferente aandelen en enkele vormen van achtergestelde schuld. Het Tier 1-kapitaal is nodig om onverwachte verliezen op te vangen zodat een bank hierdoor niet onmiddellijk ernstig in de problemen komt. Over de hele EU is de definitie van Tier 1- kapitaal geharmoniseerd zodanig dat deze grootheid een goede basis vormt om de banken uit verschillende landen van de EU met elkaar te vergelijken (EBA, 2010a). De Europese Banken Autoriteit (2010a) merkt op dat 169,6 miljard euro van het totale Tier 1-kapitaal voor alle banken samen afkomstig is van overheidssteun tot 1 juli Dit bedrag vertegenwoordigt ongeveer 1,2 procentpunt van de totale Tier 1-kapitaalratio. Overheidssteun maakt dus een belangrijk en stabiel deel uit van het Tier 1-kapitaal van de banken. De variabele Kapitaal wordt berekend door het Tier 1-kapitaal in miljoen euro te delen door de risico gewogen activa in miljoen euro. Ook de risico gewogen activa is, net zoals het Tier 1-kapitaal, bekomen via EBA en beschikbaar voor elk van de vier periodes op respectievelijk 31 december 2009, 31 december 2010, 30 september 2011 en 30 juni

40 4 Data In hoofdstuk drie is de gehanteerde onderzoeksmethodologie uitvoerig beschreven. Dit hoofdstuk bevat de dataset waarmee het onderzoek gevoerd wordt. Ook onze eigen verwachtingen en hypotheses met betrekking tot de effecten van elke variabele worden tijdens dit hoofdstuk kort aangehaald. 4.1 Dataset en evolutie bankaandelenindex De dataset voor het onderzoek bestaat uit 46 banken. De banken hebben allemaal hun hoofdzetel in de Europese Unie aangezien het onderzoek in deze masterproef zich focust op de interactie tussen landenrisico en bankenrisico tijdens de Europese schuldencrisis. Een eerste selectie van banken wordt gemaakt op basis van deelname aan de stresstesten uitgevoerd door de EBA. Hierbij worden de banken per EU-lidstaat zodanig gekozen dat ten minste 50% van de nationale banksector (gemeten via totale activa) vertegenwoordigd was in de stresstest. Voor de hele EU vertegenwoordigen de geselecteerde banken 65% van de totale banksector (EBA, 2010b). Een tweede verfijning vindt plaats door banken uit te sluiten die geen enkele beursnotering hebben voor ten minste één van de vier periodes. Vervolgens nemen we ook geen banken op als ze bij geen enkele van de vier stresstesten blootstelling hebben aan GIIPSof Core-landen. Als de bank in kwestie slechts blootstelling heeft aan één van de twee landengroepen, wordt ze wel toegevoegd aan de dataset. Zo bekomen we een dataset van 46 banken waarvan er 22 uit de GIIPS-landen komen en 24 uit non-giips-landen. In figuur 4 is een overzicht weergegeven van het aantal banken per land. Meteen valt op dat het aantal banken uit de perifere landen groter is dan het aantal banken uit de Core-landen. Griekenland en Spanje zijn met elk zes banken de grootste vertegenwoordigers in de dataset. Hierbij moet wel vermeld worden dat er geen Griekse banken meer zijn opgenomen in periode 3 en 4 (infra, p.31). Voor grote landen zoals Duitsland en Frankrijk zijn er respectievelijk maar twee en drie banken geselecteerd. Dit komt omdat Duitsland vele regionale Landesbanken telt die niet op de beurs genoteerd zijn. Frankrijk telt maar een paar hele grote banken die op zichzelf al goed zijn voor 50% van de totale Franse bankenmarkt. 30

41 Figuur 4: Overzicht van het aantal banken per land in het onderzoek Bron: Eigen werk Een overzicht van de banken is terug te vinden in bijlage 1. In deze bijlage staat ook vermeld voor welke banken de gegevens niet voor alle vier de periodes beschikbaar zijn. Deze banken worden voor deze periodes dan ook niet geselecteerd. Voor de Griekse banken is geen blootstelling aan overheidspapier beschikbaar in periodes 3 en 4 omdat de Griekse banken niet worden gescreend in de derde en vierde test. De reden hiervoor is dat Griekse banken toen onder controle stonden van de EU en het IMF (EBA, 2011c). Ook enkele kleinere Spaanse banken worden tijdens de derde en vierde periode niet meer getest door de EBA. Om een goed beeld te krijgen van de belangrijkste gebeurtenissen die een invloed zouden kunnen hebben op de bankreturns tijdens de periode mei 2010 december 2012 hebben we in figuur 5 de grafiek van de DJ Stoxx Europe 600 Banks opgenomen. Dit is een index van de belangrijkste Europese bankaandelen. Op de figuur is telkens aangegeven wanneer de resultaten van elke stresstest/capital exercise werden bekend gemaakt. Tijdens de eerste jaarhelft van 2010 maakt de Europese schuldencrisis zijn eerste slachtoffer. Griekenland moet in mei 2010 als eerste euroland steun krijgen van de EU en het IMF. We zien een duidelijke neerwaartse knik in de grafiek. Rond de periode van de eerste stresstest en tijdens het begin van 2011 vertoont de grafiek geen duidelijke trend. Vanaf de tweede jaarhelft van 2011 woedt de eurocrisis volop. Een week na de bekendmaking van de 31