In de rubriek Kwantitatieve Analyse worden de resultaten van opmerkelijke wetenschappelijke onderzoeken beschreven en vertaald in praktische consequenties voor de financiële wereld. ERIK L. VAN DIJK is CIO (chief investment officer) van Compendeon b.v. HARRY GEELS is senior investment manager bij Compendeon, een onafhankelijk bedrijf dat pensioenfondsen ondersteunt bij hun pensioenmanagement en beleggingsvraagstukken (harry.geels@compendeon.com). Zijn opkomende markten werkelijk anders? Beleggen in opkomende markten is de laatste jaren populair geworden, natuurlijk in eerste instantie door de rendementen die ze hebben geboden en de mooie verhalen die we horen van veel analisten over de ontwikkelingen van deze landen. Vanuit wetenschappelijk oogpunt wordt een belegging in opkomende markten gepropageerd vanwege de diversificatiemogelijkheden. Maar wat als de rendementen al te ver op de ontwikkelingen vooruit zijn gelopen en wat als de diversificatiemogelijkheden van deze markten afnemen door verdergaande economische integratie? Hoe aantrekkelijk zijn opkomende markten dan nog? _ tekst: Erik van Dijk en Harry Geels De eventuele verschillen die er tussen opkomende markten en ontwikkelde markten zouden zitten, bepalen de potentiële winsten en diversificatiemogelijkheden van die opkomende markten. Potentiële rendementen zijn voor bijna alle beleggers een belangrijk gegeven; voor veel particulieren is het zeer waarschijnlijk het belangrijkste argument om te beleggen. Voor institutionele beleggers spelen ook de diversificatiemogelijkheden een belangrijke rol. Maar hoe verschillen opkomende markten nu echt in termen van rendementen, risico en multifactorregressiemodellen van ontwikkelde markten? Aangezien we hier schrijven in de rubriek Kwantitatieve Analyse, concentreren we ons hier op statistische modellen om koersprognoses af te leiden. Van oorsprong worden opkomende markten altijd gekenmerkt door relatieve lage correlatie (gemiddeld genomen) met de westerse markten, hogere volatiliteiten en een grote verscheidenheid aan bètaschattingen: van relatief laag, bijvoorbeeld Jordanië) tot bijzonder hoog (Turkije). Ook wordt algemeen verondersteld dat opkomende markten minder efficiënt zijn: informatie wordt minder perfect door beleggers verwerkt (bijvoorbeeld doordat minder of onduidelijker informatie voorhanden is), wat kan leiden tot vaker voorkomende afwijkingen tussen de koers en de fundamentele waarde. En dat zorgt er in potentie voor de beleggers met slimme beleggingsmodellen in staat moeten zijn overrendementen (ten opzichte van een benchmark) te behalen. Maar hoe is het nu echt gesteld met die rendementen en risico s? Zitten er nog patronen in? En zijn opkomende markten inderdaad beter te voorspellen, met in dit geval kwantitatieve modellen? Dat zijn de vragen die we in dit artikel proberen te beantwoorden. Convergentie In TKA is al eerder een onderzoek besproken van Lee en Eun over de snelheid van integratie van opkomende markten. Uit hun onderzoek kwam naar voren dat een niet aflatende convergentie plaatsvindt van risico-rendementsprofielen van de landen over de hele wereld en dat ook opkomende markten daaraan meedoen. Vooral de diversificatiemogelijken in ontwikkelde markten worden allengs kleiner, behalve voor een land als Japan. Het zogeheten landeneffect (de invloed van de landspecifieke kenmerken op de rendementen) neemt af, hoewel het nog wel dominanter is dan bijvoorbeeld het sectoreffect. Het rendement van een Amerikaans chemieaandeel wordt dus nog wel net meer bepaald door wat er in de Verenigde Staten gebeurt dan door de ontwikkelingen in de chemiesector in de wereld. Volgens Lee en Eun neemt het landeneffect af (het sectoreffect neemt niet toe) en zij concluderen dat dit komt door de internationale marktintegratie. Tevens menen de onderzoekers dat de afname van het landeneffect voor opkomende markten zich in een zodanig tempo voltrekt, dat het nog tot 2022 duurt voordat de convergentie compleet is. Tot die tijd bieden deze markten nog diversificatievoordelen. Onderzoeksopzet en data In ons onderzoek staat het landeneffect voorop. We hebben 49 multifactorlandenmodellen gebouwd, bestaande uit 49 rendements- en 49 risicovoorspellende modellen. Deze modellen proberen rendementen en risico s te verklaren (en te voorspellen) door gebruik te maken van algemene landenfactoren. De factoren die wij hebben gebruikt, bestaan uit: - seizoenvariabelen (januari- en part-of-year - effect) - technische variabelen (momentum en overreactie) - risico (volatiliteit) - fundamentele variabelen (dividendrendement) - intermarktvariabelen (volatiliteit, momenum en overreactie van de lokale obligatie- en valutamarkt) - macro-economische variabelen (bbp, rente, inflatie en rentetermijnstructuur). Zie voor een iets beter overzicht ook tabel 1. We nemen overigens slechts één fundamentele variabele op in onze regressiemodellen. Het bleek namelijk dat andere vergelijkbare variabelen als koers-boekwaarde- of koers-winstverhoudingen op landenniveau het multicolineariteitsprobleem opleverde; ze bleken met andere woorden min of 35
meer hetzelfde te meten, en ze samen gebruiken in één raamwerk leverde geen statistische voordelen op. Bovendien bleken veel fundamentele variabelen in verschillende landen niet betrouwbaar te zijn, vooral in de opkomende markten. Het belang van de meeste van deze factoren is goed gedocumenteerd in vele wetenschappelijke studies. Zo toont bijvoorbeeld het onderzoek van Bekaert, Erb, Harvey en Viskanta (BEHV, 1997) aan dat het (gemiddelde) dividendrendement van een land de belangrijkste algemene factor is in een rendementsverklarend voorspellingsmodel voor opkomende markten. Met onze multifactormodellen kunnen we inderdaad testen of en voor welke landen deze factor van belang is. Harvey (1995) toont ook aan dat er meer voorspellingskracht is voor de modellen voor opkomende markten. De voorspellingskracht (of R2) van onze modellen lijkt deze stelling te onderschrijven. Andere bronnen van voorspellingscapaciteit zijn volgens Harvey autocorrelatiepatronen (technische factoren) aan de ene kant, en fundamentele inefficiënties (imperfecte verwerking van informatie op landen- en bedrijfsniveau) aan de andere kant. In deze paper willen we de bevindingen van Harvey nader onderzoeken met behulp van ons modelkader. In ons onderzoek zijn alle factoren met één maand vertraagd ( lagged ) om datasnooping te voorkomen. De gevoeligheden/gewichten van de factoren voor elk land werden vastgesteld/bepaald door middel van stapsgewijze regressies. Aangezien onze database voor elk van de factoren zowel uit maand- als uit jaargegevens bestond, waren we in staat om zowel op maand- als op jaarbasis rendementen te verklaren/voorspellen. In de literatuur blijkt dat jaarmodellen betere verklaringskracht opleveren dan maandmodellen of nog kortere modellen. In jaargegevens zit minder ruis. Dit gegeven blijkt ook uit ons onderzoek. Voordat we de resultaten presenteren van het belang van verschillende factoren voor het afleiden van rendement in de verschillende landen, vergelijken we eerst algemene rendements- en risicostatistieken (bèta en volatiliteit) en correlatiecoëfficiënten (in relatie tot de S&P500-index), voor zowel opkomende markten als ontwikkelde markten. We zullen dit doen voor twee perioden: een lange ( since inception -)periode en een meer recente periode van ruim tien jaar: van januari 1995 tot en met juli 2006. Opgemerkt moet worden dat voor ontwikkelde landen het startpunt van onze database meestal eind 1969 is, terwijl voor opkomende markten deze eerder rond 1994 ligt. Voor een objectieve vergelijking van de rendements-risicoprofielen van opkomende en ontwikkelde landen is de tweede, kortere periode daarom objectiever. We hebben gebruikgemaakt van de MSCI-landenindex (op total return -basis). We leiden ook algemene rendementen, risico s en bèta s en correlaties af voor de twee blokken (opkomend en ontwikkeld). We gebruiken drie methoden om te middelen: gelijkgewogen (equally weighted E_W) en marktkapitalisatie- en bbpgewogen (V_W en GDP_W). De rente- en bbp- en dividendgegevens zijn afkomstig uit Datastream (Thomson Financial). Resultaten Opkomende markten worden verondersteld de hoogste rendementen tegen de hoogste risico s te bieden. Om te kijken of dit klopt tonen we twee tabellen, een die algemene informatie geeft over rendement, risico (volatiliteit over de onderzoeksperiode), bèta en correlatie voor de ontwikkelde markten (tabel 2) en een voor de opkomende markten (tabel 3). We gebruiken twee perioden om de bèta en de correlatie af te leiden. P1 verwijst naar de periode vanaf het begin van onze database. Dit impliceert december 1969 voor de meeste ontwikkelde landen en december 1987 voor een groot aantal opkomende landen. P2 verwijst naar de periode januari 1995 tot en met juli 2006. Uit tabel 2 (ontwikkelde landen) kunnen we afleiden dat er best een aardige spreiding in rendements-risicoprofielen tussen de landen bestaat, hoewel de meeste ontwikkelde landen wel worden verondersteld grotendeels dezelfde profielen te hebben ten gevolge van de internationale integratie en globalisatieprocessen. Het TABEL 1: VARIABELEN GEBRUIKT IN DE MULTIFACTORREGRESSIEMODELLEN Technisch - Momentum (3, 6, 12-maands) Volgens de theorie suggereert een sterk opwaarts momentum een prolongatie van de opwaartse trend, en vice versa. - Overreaction (36 maands) Volgens De Bondt en Thaler (1985 en 1987) bewegen koersen zich in trends van drie tot vijf5 jaar, waarna zich een patroon van reversion to the mean plaatsvindt - Januari-effect Volgens vele onderzoeken zou januari de beste beleggingsmaand zijn, wat wordt toegeschreven aan belasting- en informatiegerelateerde zaken - Part-of-year-effect De maanden mei tot en met eind november zouden de slechtere beursmaanden van het jaar zijn voor de aandelenmarkten. Informatiegerelateerde verklaringen domineren in de onderzoeksliteratuur. Fundamenteel - Dividendrendement Een hoog dividendrendement is een indicatie dat de markt goedkoop is (koopsignaal); een laag dividendrendement is een indicatie dat de markt duur is (verkoopsignaal) Risico - Volatiliteit (36 maanden) Hogere volatiliteit biedt in potentie hogere rendementen, tenminste als beleggers goed geïnformeerd zijn; sommige markten zijn echter zodanig risico-avers dat ze ook een tegengesteld teken kunnen laten zien (dat wil zeggen: hogere volatilieiten werken juist rendementverlagend) Macro-economisch - Inflatie (op maand- en jaarbasis) (Onverwachte) inflatie leidt tot hogere rentetarieven, wat negatief is voor aandelen en oblgaties; in deflatoire perioden kan inflatie positief zijn - Lange obligatierente Hogere rentetarieven zijn doorgaans negatief voor zowel aandelen als obligaties; valatukoersen kunnen echter profiteren van hogere rentetarieven - Rentetermijnstructuur Een vlakke of inverse termijnstructuur is negatief voor obligaties en bepaalde soorten aandelen. Op algemeen niveau heeft een aantal wetenschappelijke studies aangetoond dat het juist een goed instapmoment voor aandelen is. 36 technische en kwantitatieve analyse oktober 2006
TABEL 2: ALGEMENE STATISTIEKEN VOOR ONTWIKKELDE AANDELENMARKTEN (12/1969-7/2006) Land GemRen St.Dev. Bèta (P1) Bèta (P2) Corr.coëf. (P1) Corr.coëf.(P2) AUS 0,78% 7,14% 0,84 0,68 0,52 0,51 AUT 0,95% 5,83% 0,27 0,42 0,21 0,26 BEL 1,12% 5,44% 0,58 0,67 0,47 0,52 CAN 0,86% 5,54% 0,92 0,94 0,74 0,75 DEN 1,09% 5,33% 0,49 0,66 0,41 0,50 FIN 0,98% 9,38% 1,21 1,21 0,51 0,51 FRA 0,94% 6,43% 0,74 0,86 0,51 0,62 GER 0,86% 6,14% 0,67 0,97 0,48 0,61 GRE 1,13% 9,69% 0,60 0,60 0,25 0,25 HKG 1,26% 10,47% 0,94 0,99 0,40 0,52 IRL 0,86% 5,64% 0,80 0,80 0,56 0,56 ITA 0,62% 7,19% 0,49 0,66 0,30 0,40 JAP 0,90% 6,34% 0,46 0,59 0,32 0,36 NLD 1,09% 5,26% 0,76 0,83 0,64 0,68 NOR 1,02% 7,57% 0,86 0,91 0,50 0,54 NZL 0,49% 6,54% 0,60 0,60 0,37 0,37 POR 0,46% 6,37% 0,58 0,58 0,37 0,37 SIN 0,72% 7,74% 1,08 1,08 0,56 0,56 SPA 0,84% 6,41% 0,59 0,91 0,41 0,59 SWE 1,16% 6,77% 0,78 1,14 0,51 0,63 SWI 1,01% 5,29% 0,64 0,66 0,53 0,54 UK 0,94% 6,28% 0,78 0,72 0,55 0,65 USA 0,84% 4,41% 0,99 1,00 1,00 1,00 S&P500 0,87% 4,42% 1 1 1 1 Averages E_W 0,91% 6,66% 0,72 0,80 0,48 0,54 V_W 0,88% 5,42% 0,84 0,88 0,73 0,77 GDP_W 0,87% 5,62% 0,79 0,86 0,67 0,71 Tabel 2: Noot: P1 is vanaf begin database; P2 is de periode januari 1995 tot en met juli 2006 hoogste gemiddelde rendement (en, zoals de theorie ook suggereert, ook het hoogste risico) werd behaald in Hongkong. De Portugese aandelenmarkt was het minst winstgevend. De VS kenden veruit de laagste volatiliteit. Het adagium dat beleggen in Amerikaanse aandelen het veiligst is (qua fluctuatie) blijkt dus te kloppen. Met betrekking tot de bèta (zoals gemeten over de grootste historie, P1), kunnen we zeggen dat Oostenrijk de laagste bèta heeft, en dus het meest gedempt reageert op de beursontwikkelingen in de wereld. Deze conclusie verandert niet over de periode P2, hoewel de bèta voor Oostenrijk wel aanzienlijk omhoog is gegaan (van 0,27 naar 0,42). Zweden beleefde de grootste sprong van de bèta (van 0,78 naar 1,14) wat mogelijk kan worden verklaard uit het feit dat de Zweedse beurs in de jaren negentig meer technologiegeoriënteerd is geworden (denk onder andere aan Ericsson). Oostenrijk heeft ook de laagste correlatie en Nederland de hoogste correlatie met de S&P500-index. Dat laatste kan worden verklaard uit het gegeven dat veel beursgenoteerde Nederlandse multinationals belangen hebben in de VS. Als we P1 en P2 vergelijken, zien we dat in de meer recente perioden de correlaties omhoog zijn gegaan. Ontwikkelde landen raken overduidelijk meer geïntegreerd, hoewel, en dit zij met nadruk gezegd, er nog geen sprake is van volledige integratie. In tabel 3 kunnen we zien dat de spreiding in gemiddelde maandelijkse rendementen voor opkomende markten groter is dan de spreiding die we zien bij ontwikkelde markten. Egypte laat de beste rendementen zien, terwijl China negatief heeft gepresteerd over de onderzochte periode. Het gemiddelde rendement voor het gehele blok opkomende markten (zowel gelijk- als marktkapitalisatiegewogen) is hoger dan dat van de ontwikkelde landen als geheel. Het bbp-gewogen gemiddelde is echter wel lager voor opkomende markten. Dit kan worden toegeschreven aan het gewicht dat China in deze berekening heeft. En China heeft, zoals eerder opgemerkt, negatieve rendementen laten zien over de onderzoeksperiode. De laagste volatiliteit zien we bij Jordanië, terwijl Rusland ons de hoogste volatiliteit voorschotelt. In een portefeuillecontext is de volatiliteit een belangrijker risicofactor dan de bèta. In een compleet gesegmenteerde kapitaalmarkt is de volatiliteit namelijk de correcte maatstaf voor risico (BEHV, 1997). De gemiddelde volatiliteit voor het gehele blok van opkomende markten is tweemaal zo hoog als de gemiddelde volatiliteit van de ontwikkelde regio. Omdat de gemiddelde rendementen slechts een beetje hoger zijn in vergelijking tot die van de ontwikkelde markten, hebben opkomende markten een ongunstiger rendements-risicoprofiel. De diversificatievoordelen moeten daarom van andere bronnen komen, bijvoorbeeld de correlatie. Die correlaties voor opkomende markten met de S&P500-index zijn inderdaad lager (soms zelfs veel lager) dan die voor de ontwikkelde landen versus de S&P500. We zien zelfs enkele bijna-nul correlaties (Colombia, Egypte, Jordanië, Marokko en Pakistan). Maar niet alleen kleinere, op het eerste gezicht minder geïntegreerde markten hebben lagere correlaties. Ook India (correlatie van 0,24) en Rusland (0,20) lijken minder met de S&P500 te fluctueren. Net als bij ontwikkelde landen zijn in meer recente perioden de correlaties van opkomende markten wel omhooggegaan, wat ook hier op meer integratie duidt. Hoewel iets minder duidelijk, kunnen we hetzelfde zeggen voor de bèta s voor opkomende markten. Koersbepalende factoren Laten we nu de kwestie behandelen welke factoren er toedoen bij het verklaren en voorspellen van de verschillende marktrendementen. We hebben verschillende variabelen (seizoen, technisch, fundamenteel, macro, intermarkt en risico) getest voor 49 landen. Als we naar al die landen zouden kijken, dan blijkt het dividendrendement de belangrijkste verklarende variabele te zijn. Een hoog gemiddeld dividendrendement in een bepaald land is een indicatie dat de markt goedkoop is (goed aankoopsignaal) en een laag dividendrendement is een teken dat de markt duur is (verkoopsignaal). Momentum is ook belangrijk, maar niet precies zoals de theorie voorschrijft. Er zijn namelijk vaak gecombineerde effecten: een specifiek land kan een positief 6-maands momentum hebben, maar een negatief 3- of 12- maands momentum. Wanneer alle drie momentumfactoren het doen met verschillende tekens (en dat komt nog weleens voor), dan is het niet gemakkelijk om precies te zeggen hoe momen- 37
tum in dat land zal uitwerken. Het kan zelfs zo zijn, vooral bij opkomende markten dat een (gecombineerd) positief momentum een negatieve factor is en vice versa: een (gecombineerd) negatief momentum is positief met betrekking tot de rendementsverwachting. Op het niveau van het land kan momentum daarom ook een signaal tot winstnemen inhouden. Dit komt overeen met onderzoek van Kothari, Lewellen en Warner (2006), die aantoonden dat behavioural finance op een andere en meer complexe manier uitwerkt op geaggregeerd marktniveau dan op individueel aandelenniveau, waar kortere momentums over het algemeen niet op winstnemen duiden, maar op een continuatie van de trend. De tekens van de andere factoren zijn meestal ook niet op voorhand zo duidelijk als het dividendrendement. Overreactie heeft weliswaar conform de theorie van De Bondt en Thaler een negatief teken, maar het is bij sommige landen een positief teken (verlengde langetermijntrends). Volatiliteit van aandelen, obligaties of valuta kan verschillende tekens hebben. Soms is een hoge volatiliteit een indicatie voor hogere rendementen (in overeenstemming met de theorie), maar soms is het ook negatief. In sommige landen wordt volatiliteit blijkbaar niet op prijs gesteld en gezien als een signaal om te verkopen. We zien ook positieve en negatieve tekens voor inflatie. Om een beter inzicht te krijgen in de totale gecombineerde effecten van de verschillende factoren van de twee blokken (opkomend versus ontwikkeld), is het wellicht daarom inzichtelijker om de gewichten van de verschillende factoren te middelen tot een soort totaalgewicht, en dit wederom gelijk-, marktkapitalisatie- en bbpgewogen. We tonen deze gemiddelden in tabel 4 (opkomende markten) en tabel 5 (ontwikkelde markten), zowel voor de maand- als voor de jaarmodellen. We berekenen ook de standaarddeviatie van de gewichten voor alle factoren en de zogenoemde RatioAvg, die een gemiddelde is van de drie wegingsmethoden gedeeld door de standaarddeviatie. Hoe hoger de uitkomst van deze RatioAvg, hoe belangrijker deze factor is, de deviaties in een factor in beschouwing nemend. Het wordt nu heel duidelijk dat dividendrendement een belangrijke factor is, zowel in de maand- als in de jaarmodellen, zowel voor ontwikkelde als voor opkomende markten. Het 3- maands momentum in de aandelenmarkt komt nu duidelijk als positieve factor bovendrijven in het jaarmodel (zowel voor ontwikkelde als voor opkomende markten). Belangrijk is ook de overreactie van de obligatiemarkt in de ontwikkelde landen. Een goede prestatie gedurende drie jaar in de obligatiemarkt vertaalt zich in nieuw enthousiasme voor de ontwikkelde aandelenmarkten. We kunnen met andere woorden een intermarktverschuiving verwachten van obligaties naar aandelen, als obligaties het een tijd goed gedaan hebben. Dit fenomeen is niet zichtbaar in opkomende markten (is daar zelfs gemiddeld een licht negatieve factor). Dezelfde redenering geldt voor de volatiliteit van de obligatiemarkten. Een hoge volatiliteit vertaalt zich in betere rendementen voor ontwikkelde aandelenmarkten. Op geaggregeerd niveau is overreactie in de aandelenmarkten zichtbaar, zowel bij opkomende als bij ontwikkelde landen. Het is ook tamelijk duidelijk dat het oplopen van inflatie negatief is voor ontwikkelde landen, maar TABEL 3: ALGEMENE STATISTIEKEN VOOR OPKOMENDE AANDELENMARKTEN (12/1987-7/2006) Land GemRen St.Dev. Bèta (P1) Bèta (P2) Corr.coëf. (P1) Corr.coëf.(P2) ARG 1,62% 15,16% 1,05 1,00 0,28 0,37 BRA 1,64% 16,61% 1,42 1,62 0,34 0,58 CHIL 1,47% 7,11% 0,77 0,88 0,43 0,55 CHIN -0,43% 10,76% 1,15 1,10 0,43 0,44 COL 1,26% 9,55% 0,39 0,43 0,17 0,19 CZE 1,33% 8,06% 0,50 0,50 0,27 0,27 EGY 1,77% 8,79% 0,33 0,33 0,16 0,16 HUN 1,64% 10,39% 1,23 1,23 0,51 0,51 IND 0,79% 8,26% 0,49 0,47 0,24 0,24 INDO 0,78% 14,37% 0,96 1,12 0,27 0,32 ISR 0,50% 7,54% 1,02 0,97 0,55 0,56 JOR 0,61% 5,07% 0,09 0,05 0,07 0,05 KOR 0,63% 11,00% 1,00 1,21 0,36 0,42 MAL 0,56% 8,89% 0,76 0,73 0,34 0,32 MEX 1,84% 9,65% 1,21 1,27 0,50 0,60 MOR 1,06% 5,33% 0,08 0,08 0,07 0,07 PAK 0,75% 11,25% 0,27 0,32 0,10 0,12 PER 1,32% 8,95% 0,57 0,53 0,26 0,27 PHI 0,43% 9,47% 0,89 0,90 0,38 0,40 POL 1,62% 13,67% 1,28 1,15 0,38 0,46 RUS 1,84% 19,80% 0,95 0,95 0,20 0,20 SAF 1,06% 8,02% 0,90 0,93 0,46 0,49 TAI 0,49% 11,10% 0,84 0,96 0,30 0,47 THAI 0,51% 11,70% 1,30 1,39 0,44 0,46 TUR 0,95% 17,17% 1,22 1,91 0,28 0,49 VEN 0,66% 14,33% 0,89 0,90 0,25 0,28 S&P500 0,87% 4,42% 1 1 1 1 Averages E_W 1,03% 10,85% 0,83 0,88 0,31 0,36 V_W 0,94% 11,75% 1,00 1,10 0,36 0,44 GDP_W 0,61% 11,63% 0,98 1,02 0,35 0,39 Tabel 3: Noot: P1 is vanaf begin database; P2 is de periode januari 1995 tot en met juli 2006 38 technische en kwantitatieve analyse oktober 2006
TABEL 4: GEMIDDELDE FACTORGEWICHTEN (BEREKEND GELIJK-, MARKTKAPITALISATIE- EN BBP-GEWOGEN) VAN DE LANDENREGRESSIEMODELLEN (OPKOMENDE MARKTEN) Maandmodel Jaarmodel Avg_EW Avg_VW Avg_GDPW St Dev RatioAvg Avg_EW Avg_VW Avg_GDPW St Dev RatioAvg Intercept 0,1279 0,0016 0,009 0,3985 0,0782-0,14 0,1338 13964 JAN 0,0138 0,0266 0,0146 0,0367 0,5005-0,0085-0,0016-0,0015 0,03-0,1283 POFY -0,0189-0,0194-0,0121 0,0276-0,6083-0,0354-0,0266-0,019 0,1081-0,2497 Aaandelen DIVYIELD 18329 24627 33794 27008 0,9472 159934 20982 218217 149864 13078 MOM3-0,0235-0,0144-0,0092 0,1092-0,1438 0,1272 0,2377 0,2837 0,3092 0,6993 MOM6 0,0088 0,0073-0,002 0,1125 0,0418-0,0276 0,0209 0,001 0,3222-0,0059 MOM12-0,0302-0,0198-0,0001 0,1243-0,1343-0,0797-0,0608-0,1525 0,2102-0,4648 OVER36-0,0093-0,0047-0,0048 0,0435-0,1442-0,0586-0,0331-0,0892 0,1519-0,3971 VOLA36-15549 -0,6432-0,7342 32716-0,2988-43943 -13723-50673 102254-0,3532 Obligaties MOM3 0,0159 0,0073 0,0023 0,2809 0,0303-0,1388-0,1493-0,0435 0,5276-0,2096 MOM6-0,0056 0,0526 0,0063 0,1805 0,0984 0,0236 0,009-0,0117 0,3454 0,0201 MOM12 0,033-0,0173 0,0031 0,2319 0,0269-0,0347-0,0219-0,0072 0,1769-0,1202 OVER36-0,0987-0,0314-0,0258 0,4329-0,12-0,0707 0,0136-0,0134 0,4222-0,0556 VOLA36-36289 -23501-0,9241 160305-0,1435 45201-28548 0,7032 417156 0,0189 Valuta MOM3-0,0999-0,1602 0,0138 0,2886-0,2845 0,2055 0,368 0,1774 0,9445 0,265 MOM6-0,0342-0,0494-0,107 0,1832-0,3467 0,4619 0,749 0,3643 14518 0,3617 MOM12 0,0345 0,0378 0,1047 0,1441 0,4096-0,0281-0,46 0,1774 21678-0,0478 OVER36 0,018-0,0055-0,0064 0,2268 0,009 0,1383-0,5406-0,3145 11093-0,2154 VOLA36 46472 30263 16828 184114 0,1694 47866-50138 -36588 362807-0,0357 Macro INFLAm -0,7937-13784 -10274 31209-0,3417-0,9007 0,0794 12904 72017 0,0217 INFLAy 0,2325 0,1549 0,325 0,8934 0,2658 36553 31825 29864 86488 0,3786 TYS -0,4718-0,1297-0,1317 14682-0,1665 0,2875 0,0855 0,0593 14661 0,0983 R-squared 0,2048 0,1931 0,1808 0,1956 0,9862 0,6179 0,5494 0,5686 0,1998 28966 gemiddeld genomen licht positief voor opkomende markten. Het laatste spoort natuurlijk niet met de economische logica. Tot besluit In dit artikel hebben we onderzocht in hoeverre opkomende markten verschillen van ontwikkelde aandelenmarkten en of ze, zoals we vaak horen, inderdaad goede diversificatie en rendementen bieden. En ook of ze in voorspellingsmodellen gevoelig zijn voor andere prijsbepalende factoren. De belangrijkste conclusie is dat opkomende markten op zich ongunstiger rendement-risicoprofielen bieden, maar wel dat ze doorgaans lagere, maar wel stijgende correlaties hebben met de rest van de wereld, in dit artikel gemeten met de S&P500-index, waardoor ze thuishoren in een portefeuille waarin risicodiversificatie wordt nagestreefd. Er zijn inderdaad verschillen tussen opkomende en ontwikkelde markten met betrekking tot de gevoeligheid voor factoren in regressiemodellen. Ook blijkt de voorspellingskracht van de modellen voor opkomende markten groter te zijn dan die voor ontwikkelde markten, wat suggereert dat opkomende markten minder efficiënt zijn en daardoor meer mogelijkheden tot overrendement bieden. Behalve de diversificatiemogelijkheden is dat een tweede reden om opkomende markten onderdeel te laten zijn van elke serieuze beleggingsportefeuille. TABEL 5: GEMIDDELDE FACTORGEWICHTEN (BEREKEND GELIJK-, MARKTKAPITALISATIE- EN BBP-GEWOGEN) VAN DE LANDENREGRESSIEMODELLEN (ONTWIKKELDE MARKTEN) Maandmodel Jaarmodel Avg_EW Avg_VW Avg_GDPW St Dev RatioAvg Avg_EW Avg_VW Avg_GDPW St Dev RatioAvg Intercept -0,0883-0,0744-0,103 0,1719-0,1682-0,4435-0,552 15301 JAN -0,0062-0,0069-0,0051 0,0124-0,4883 0 0 0 0 0 POFY -0,0117-0,0107-0,0107 0,0109-10153 -0,0076-0,0016-0,0014 0,0246-0,1433 Aandelen DIVYIELD 49598 49999 57021 45193 11552 322027 389534 44213 440601 0,8728 MOM3-0,0088-0,0235-0,0099 0,0588-0,2392 0,1918 0,3332 0,3419 0,2312 12498 MOM6-0,0188-0,002-0,0023 0,0679-0,1136-0,0042 0,0125 0,0278 0,1823 0,066 MOM12 0,0061 0,0115 0,0095 0,051 0,177-0,0012-0,1324-0,0936 0,2359-0,321 OVER36-0,0035-0,0039-0,0022 0,0097-0,3285-0,0798-0,027-0,049 0,1101-0,4717 VOLA36 0,149-0,1844 0,1014 15339 0,0143-24736 -5119-34282 124025-0,2962 Obligaties MOM3 0,0129 0,003 0,0142 0,1549 0,0647 0,0704-0,0593-0,0924 0,7306-0,0371 MOM6-0,1039-0,0325-0,0421 0,2872-0,2072-0,2608 0,0493 0,1211 0,9092-0,0331 MOM12 0,0192-0,0195-0,0093 0,1636-0,0195 0,0542-0,2541-0,2471 0,9186-0,1622 OVER36 0,0755 0,1011 0,0981 0,1289 0,7106 0,8337 10412 11163 10898 0,9149 VOLA36 0,3983 16819 1651 3952 0,3147-14804 357787 364368 567597 0,4154 Valuta MOM3-0,042-0,0351-0,0422 0,3137-0,1268-0,2018-0,1663-0,2114 14102-0,137 MOM6 0,01-0,0141-0,0147 0,2377-0,0263 0,1201-0,0716-0,0422 0,6027 0,0035 MOM12-0,0537-0,0296-0,0335 0,1188-0,3278 0,0619 0,0535 0,0869 0,8028 0,084 OVER36 0,0082-0,0056-0,0076 0,1084-0,0156 0,4543 0,1225 0,1314 0,8367 0,2821 VOLA36-0,2282 0,1874 0,2155 33358 0,0175-45273 -32787-41476 205875-0,1935 Macro INFLAm -0,6768-16205 -12264 2597-0,4523-0,8599 0,0722-0,047 65113-0,0427 INFLAy -0,5643-0,4027-0,5162 18999-0,2602-11419 -53829-66341 82112-0,5342 TYS 0,3258-0,0482 0,1661 0,9856 0,15 1443-22721 -21475 4,04-0,2456 R-squared 0,1626 0,1325 0,1357 0,0733 19581 0,6501 0,5706 0,5914 0,1699 35543 39