oljepris och makroekonomi- - diva portal131749/fulltext01.pdf · 2008-03-03 · oljepris och...
TRANSCRIPT
NATIONALEKONOMISKA INSTITUTIONEN Uppsala Universitet Examensarbete D Författare: Robert Fredriksson Handledare: Bengt Assarsson HT 2007
Oljepris och Makroekonomi- en VAR analys av oljeprisets inverkan på aktiemarknaden
Sammanfattning
Oljeprisets påverkan på svensk ekonomi är högaktuell och skapar rubriker i massmedia
dagligen. Inte minst på aktiemarknaden iakttas oljepriset noggrant. Denna uppsats undersöker
det dynamiska sambandet mellan oljepriset och aktiemarknaden i Sverige, vilket görs genom
en VAR analys som baseras på månadsdata för åren 1990-2006. Vidare används impuls
responser för att se hur de olika variablerna påverkas av en chock i oljepriset. De data som
används i undersökningen är oljeprisindex, aktieprisindex, industriproduktionsindex och
ränta.
Resultaten som fås är i paritet med tidigare studier och visar att det inte går att finna några
starkt signifikanta samband mellan oljeprisutvecklingen och aktiemarknaden i Sverige. Detta
kan tyda på att priset generellt är överskattat av både investerare och massmedia.
Nyckelord: Oljepris, Aktiemarknad, VAR modell, Impuls responser
- 2 -
Innehållsförteckning
SAMMANFATTNING --------------------------------------------------------------------------------------------------- - 2 - INNEHÅLLSFÖRTECKNING ---------------------------------------------------------------------------------------- - 3 - 1. INLEDNING ------------------------------------------------------------------------------------------------------------ - 4 - 2. TEORI OCH TIDIGARE STUDIER------------------------------------------------------------------------------- - 6 - 3. METOD ------------------------------------------------------------------------------------------------------------------ - 8 -
3.1 STATIONÄRITET OCH ENHETSROT ----------------------------------------------------------------------------------- 8 - 3.2 VAR -------------------------------------------------------------------------------------------------------------------- 9 - 3.3 IMPULSRESPONS FUNKTIONER ------------------------------------------------------------------------------------ - 10 -
4. DATAMATERIAL---------------------------------------------------------------------------------------------------- - 11 - 4.1 AKTIEINDEX (AI) --------------------------------------------------------------------------------------------------- - 11 - 4.2 OLJEPRISINDEX (OI)------------------------------------------------------------------------------------------------ - 12 - 4.3 INDUSTRIPRODUKTIONSINDEX (IP) ------------------------------------------------------------------------------- - 12 - 4.4 RÄNTA (R)----------------------------------------------------------------------------------------------------------- - 13 -
5. EMPIRI ----------------------------------------------------------------------------------------------------------------- - 13 - 5.1 STATIONÄRITET OCH ENHETSROT -------------------------------------------------------------------------------- - 13 - 5.2 VAR ----------------------------------------------------------------------------------------------------------------- - 14 - 5.3 IMPULSRESPONS FUNKTIONER ------------------------------------------------------------------------------------ - 16 -
6. SAMMANFATTANDE SLUTSATS ------------------------------------------------------------------------------ - 17 - REFERENSER ----------------------------------------------------------------------------------------------------------- - 19 - APPENDIX ---------------------------------------------------------------------------------------------------------------- - 20 -
APPENDIX A ------------------------------------------------------------------------------------------------------------- - 20 - APPENDIX B ------------------------------------------------------------------------------------------------------------- - 22 - APPENDIX C ------------------------------------------------------------------------------------------------------------- - 24 -
- 3 -
1. Inledning
Prisfluktuationer på olika produkter är något som i allmänhet påverkar världsekonomin och
dess konsumenter. Ett av de historiskt sett viktigaste priserna är det på olja vilket även idag är
av central betydelse. Bland annat hävdar Hamilton (1983) att råoljepriskriserna haft en stark
inverkan på de flesta av de amerikanska lågkonjunkturerna efter andra världskriget fram till
70-talets oljekris. Vidare hävdar Gisser (1986) att den turbulens som uppstod efter 70-talets
oljeprischocker har gjort att respekten för och hänsynstagandet till oljepriset ökat markant. På
daglig basis går det att läsa om hur oljepriset inverkar på makroekonomin i samhället,
däribland aktiemarknaden. Några exempel:
Oljepriset över 85 dollar
”Råoljepriset passerade 85 dollar fatet och steg till nya rekordhöjder under måndagsförmiddagens handel.
Fortfarande är det oro för bristande utbud under vintern och den försvagade dollarn som pressar upp oljepriset.
Hedgefonder rapporteras vara mycket aktiva som köpare på råoljemarknaden för närvarande”. Dagens Industri 2007-10-15 Asienbörser: Råvarubolag vinnare
”En rejäl återhämtning för oljepriset gjorde att oljebolagen och andra råvarurelaterade bolag såg till att dra upp
indexen på de asiatiska börserna på fredagen”.Dagens Industri 2007-10-05
USA-börser: Oljepriset gav stöd
”Börserna i New York steg på torsdagen, med stöd av ett högre oljepris och starka försäljningssiffror från
detaljhandeln. "Försäljningssiffrorna vi sett idag, tillsammans med en allmänt stark ställning för råvarupriser och
råvarurelaterade bolag är det som dominerar handeln idag", säger en New York- baserad mäklare till
Nyhetsbyrån Direkt”.Dagens Industri 2007-09-20
Wall Street: Kreditoro och oljepris tynger
”Kurserna på New York-börserna faller i en svag tendens i den inledande handeln på torsdagen. Enligt bedömare
är det en fortsatt oro på kreditmarknaden som tynger sentimentet. Ett stigande oljepris utpekas också som ett
orosmoment. Utvecklingen var även svag för de ledande Europabörserna”. Affärsvärlden 2007-07-26
Som synes har oljepriset en central plats i massmedia och borde därför även ha betydelse för
makroekonomin vilket gör det till ett intressant ämne att studera. Antagandet att priset på olja
har en inverkan på aktiemarknaden verkar vara vedertaget och är därmed ett hett material för
analytiker och investerare att försöka förutspå. Vad man kan förvänta sig för reaktion på
- 4 -
aktiemarknaden när oljepriset ändras är inte alldeles klart utan påverkan kan ske på flera olika
sätt:
• En utbudseffekt som kommer från att om priset på olja går upp medför det ökade
kostnader för företagen vilket resulterar i ett minskat utbud. De ökade kostnaderna slår
negativt på aktiemarknaden.
• En efterfrågeeffekt genom konsumtion och investering då den totala konsumtionen i
samhället troligen minskar då våra driftkostnader, i form av exempelvis uppvärmning
av villor och bensin, ökar. Effekten av detta på aktiemarknaden är också negativ.
• En penningpolitisk effekt då, i Sveriges fall, Riksbanken kan tänkas höja räntan för att
få bukt med den ökade inflation som en oljeprisökning troligen medför. Den höjda
räntenivån leder till negativ påverkan på aktiemarknaden. Dock skall sägas att denna
effekt troligen bara uppstår då oljeprisförändringen påverkar landets
inflationsförväntningar.
• I alla dessa fall finns en moteffekt då ett ökat oljepriset skulle leda till positiva
reaktioner på aktiemarknaden i de aktiebolag som säljer olja, som till exempel Lundin
Petroleum AB. Detta torde inte vara ett problem på den svenska marknaden eftersom
vi i stort är importörer av olja. Grundligare genomgång av de olika påverkningssätten
sker under teoriavsnittet nedan.
Trots oljans betydelse har det skrivits påfallande få akademiska artiklar som belyser hur dess
pris påverkar på den svenska ekonomin och dess aktiemarknad, vilket gör det än mer
intressant att undersöka. Syftet med denna magisteruppsats är således att undersöka huruvida
det finns något dynamiskt samband mellan priset på olja och aktiemarknaden i Sverige.
Datamaterialet som används för denna undersökning är på månadsbasis för åren 1990-2006.
Sambandet som undersöks är förändringen i aktiemarknaden gentemot förändringen i oljepris,
industriproduktion och ränta från föregående tidsperiod till dagens.
Med hjälp av tidigare akademiska artiklar presenteras i kapitel två grundligare hur oljepriset
kan tänkas påverka aktiemarknaden, det vill säga vilka resultat som kan väntas av
- 5 -
undersökningen. Kapitel tre visar den statistiska metod som kommer tillämpas i denna uppsats
och i kapitel fyra presenterar det datamaterial som används. Slutligen så påvisar kapitel fem
och sex de empiriska resultaten samt de sammanfattande slutsatserna.
2. Teori och tidigare studier
Nedan presenteras den teori som ligger bakom antagandet att oljepriset skulle kunna påverka
aktiemarknaden i Sverige. Vidare presenteras även studier som med olika angreppssätt försökt
ge sig an teorin.
Enligt den ekonomiska teorin skulle oljeprisförändringar influera på den ekonomiska
aktiviteten genom både utbud och efterfrågekanaler. Utbudssidans effekt kan bli förklarad på
de fakta att olja är en viktig faktor i företagens produktion. Därav skulle en oljeprisökning få
en direkt påverkan på produktionen i form av ökade produktionskostnader som leder till
minskad produktivitet och därmed minskad produktion. Denna effekt är såklart störst på
företag som är beroende av olja, så som industrier och transport. Ökade kostnader och
minskad produktivitet för företagen kommer visa sig negativt på aktiemarknaden då företagen
inte är lika attraktiva längre. Vidare skulle oljeprisförändringar ha en efterfrågeeffekt genom
konsumtion och investering då den totala efterfrågan i samhället skulle minska då våra
driftkostnader ökar. När kostnaderna för exempelvis uppvärmning av hus och bensin till bilen
ökar leder det till att mindre pengar blir över till att spendera på andra varor, det vill säga att
konsumtionen i oljeimporterande länder skulle minska på grund av den ökade prisbilden.
Effekten av detta på aktiemarknaden kommer således också vara negativ.
Den moteffekt som finns mot dessa två påverkningssätt är att det existerar företag som tjänar
pengar när priset på olja stiger. Som exempel i Sverige kan vi ta Lundin Petroleum AB som
högst troligt påverkas positivt av en prisökning. Denna effekt anser jag dock inte vara så stor
eftersom vi är importörer av i stort sett all vår olja.
Summan av dessa effekter gör att länders inflation och växelkurs påverkas. I ett land som
Sverige där inflation och ränta är stark sammankopplade via Riksbankens räntestyrning
kommer en prisökning troligtvis att påverka räntan uppåt vilket i sin tur får en negativ effekt
på aktiemarknaden. Dock skall förtydligas att denna påverkan bara sker om
oljeprisförändringen ändrar inflationsförväntningarna i Sverige.
- 6 -
Det finns många studier som pekar på att oljepriset påverkar konjunkturen negativt vilket
gjort att det borde finnas en indirekt påverkan på aktiemarknaden, dock är resultaten som de
olika studierna uppvisar tvetydiga. De flesta av studierna har gjorts med inriktning mot
utomeuropeiska länder, däribland Kling som i sin studie från 1985 visar att det finns en
relation mellan stora oljeprisförändringar och aktiviteten på aktiemarknaden i Amerika under
perioden 1973-1982. Inte överraskande påvisas att en förändring i oljepriset har störst effekt
på aktier där företaget har olja som en produktionsfaktor, framförallt industrier. Kaneko och
Lee (1995) undersöker oljeprischockers effekter på den amerikanska aktiemarknaden men
finner dock ingen signifikans förbindelse mellan dessa, de finner däremot en koppling på den
japanska marknaden. Jones och Kaul (1996) finner, tillskillnad från Kaneko och Lee, att
under tidsperioden 1947 till 1991 så har oljeprischocker en effekt på aktiers avkastning, detta i
länder som Kanada, Japan och USA.
De olika undersökningarna bygger på varierade statistiska metoder, dock finns ett fåtal
arbeten som använder sig av en VAR- analys för att utreda sambandet mellan oljepriset och
aktiemarknaden. Sadorsky (1999) finner med hjälp av VAR och impulsresponser att oljepriset
spelar en viktig roll i påverkan av ekonomisk aktivitet i USA. Impulsresponserna påvisar även
att prisförändringar i olja är en viktig förklaring till aktiemarknadens utveckling. I motsats till
Sadorsky finner Huang et al. (1996) att det ej fanns något signifikant samband mellan oljepris
och generalindex, så som S&P 500, i USA. Dock påträffades att det fanns en inverkan när
man såg till avkastningen för aktier i oljebolag. Slutligen har Gjerde och Sattem (1999) med
hjälp av en VAR analys och impulsresponser undersökt om det föreligger ett kausalt samband
mellan aktiemarknaden och makrovariabler i Norge. De finner att aktiemarknaden svarar
signifikant på förändringar i oljepris och att ränta påverkar både aktiemarknaden och
inflationen.
Som man ser är resultaten inte entydiga och det är därmed svårt att veta vad man kan förvänta
sig för resultat av sin analys. Men enligt den teori som presenteras så borde aktiemarknaden
svara negativt på ett ökat oljepris.
- 7 -
3. Metod
I nedanstående avsnitt presenteras de metoder och modeller som används för att testa teorin. I
likhet med bland andra Sadorsky (1999), Huang et al (1996) och Gjerde och Sattem (1999)
har jag valt att använda mig av en VAR modell och senare impuls responser. Det första som
måste göras är att se till stationäritet och enhetsrötter vilket presenteras i 3.1. Vidare
presenteras ingående hur en VAR modell fungerar i 3.2 och i avslutande 3.3 beskrivs vad
impuls responser är för någonting.
3.1 Stationäritet och enhetsrot
En tidsserie som har konstant medelvärde och varians sägs vara stationär, och om den har
varierande medelvärde och varians sägs den vara icke stationär. Två icke stationära tidsserier
kan med tiden driva ifrån varandra och där av mista sitt gemensamma samband. En OLS
regression med ickestationära variabler kommer ej att ge effektiva och väntevärdersiktiga
estimat. Ett förfaringssätt att lösa detta problem är att differentiera variablerna och där av få
dem stationära, se ekvation (1).
ttttt yyy εε =Δ⇒+= −1 (1)
Om tidsserien vid första differentiering blir stationär säger man att den är integrerad av grad
ett och att den har en Unit Root. Ett av de vanligaste sätten att testa detta är att använda sig av
Augmented Dickey-Fuller test. Det bygger på att testa om nollhypotesen att restriktionerna
1=ρ och 0=β håller för ekvation (2).
∑=
−− +Δ+++=p
jtjtjtt yyty
11 ελρβα (2)
Antalet laggar (värdet på p) bestäms med hjälp av exempelvis Akaike information criterion
eller Schwartz criterion. När vi ej kan förkasta nollhypotesen ger det oss att det existerar en
Unit Root.1
1 Pindyck & Rubinfeld (1998)
- 8 -
3.2 VAR
Ett problem man ofta stöter på är att den ekonomiska teorin ej är tillfredsställd för att
bestämma den rätta specifikationen av modellen. Teorin kan vara allt för svårhanterlig för att
man skall kunna göra en precis framtagning av modellen, så approximationer eller så kallade
ad hoc´s måste göras. I sådana situationer kan det vara bättre att låta datamaterialet bestämma
och specificera dynamiken i modellen. En metod som tar hänsyn till detta är den så kallade
VAR modellen.2 Den består av endogent och exogent givna variabler där man antar att de
endogena variablerna samvarierar och påverkar varandra. Användaren av en VAR modell
måste specificera två saker själv. Först måste man bestämma vilka endogena och exogena
variabler som skall ingå, det vill säga vilka man tror är endogent givna respektive exogent
givna. För det andra måste antal laggar som behövs för att kapsla in de olika variablernas
effekter bestämmas.
VAR används ofta vid prognostisering av system bestående av variabler som samverkar och
för att analysera den dynamiska effekten av chocker i de endogena variablerna. Den ges av
följande set av n linjära ekvationer, låt vara de endogena variablerna,
vara de exogena variablerna, p är antal laggar för de endogena variablerna och r är
antal laggar för de exogena variablerna. De förutsättningar som gäller är att feltermen
nxxx ,...,, 21
mzzz ,...,, 21
ntε är
normalfördelad och okorrelerad med respektive högerledsvariabel i ekvationen, det är dock
sannolikt att det förekommer korrelation mellan ekvationerna.
∑ ∑ ∑ ∑∑= = = =
−−=
−−− ++++++++=p
j
p
j
r
j
r
jtjtmmjtj
p
jjtnnjjtjjtjt zbzbxaxaxaax
1 1 0 01,11,111
1,1,212,11110,1 εLL (3)
.
.
.
∑ ∑ ∑ ∑∑= = = =
−−=
−−− ++++++++=p
j
p
j
r
j
r
jntjtmnmjtjn
p
jjtnnnjjtjnjtjnntn zbzbxaxaxaax
1 1 0 0,1,11
1,,22,110, εLL
Då det endast finns laggade värden av de endogena variablerna i högerledet av ekvationerna
och det existerar inga olaggade endogena variabler har vi har inget problem med
2VAR modellen introducerades av C. A.Sims i hans arbete Macroeconomics and Reality från 1980 som en alternativ infallsvinkel till multi-equation modeling.
- 9 -
simultaneitet, där av kommer en estimation med OLS ge både effektiva och
väntevärdesriktiga estimat.3
För att tydligare illustrera en VAR modell kan ett exempel underlätta. Man kan tänka sig en
enkel VAR modell bestående av tre endogena variabler, aktieprisindex (Ai), oljeprisindex
(Oi) samt industriproduktionsindex (Ip). Dessa tre valda endogena variabler antar man har en
samverkan, och det är den man vill kapsla med modellen. Vidare så kan man använda sig av
ett antal exogent givna variabler, men för att underlätta exemplet antar vi att det endast finns
en exogent given variabel, som vi kallar för c. Vid endast två laggar får VAR modellen
följande utseende:
(4) tttttttt cIpbOibAibIpaOiaAiaAi 11213212211113112111 ε+++++++= −−−−−−
tttttttt cAibIpbOibAiaIpaOiaOi 22223222221123122121 ε+++++++= −−−−−− (5)
(6)
tttttttt cOibAibIpbOiaAiaIpaIp 33233232231133132131 ε+++++++= −−−−−−
Vi får en enkel matris där och är de parametrar som skall estimeras.ijij ba , ic 4
3.3 Impulsrespons funktioner
Som nämnts ovan är VAR modellen väl lämpad för att simulera chocker i de endogena
variablerna där samvariation och påverkan studeras. Detta testas med hjälp av att utsätta
systemet för så kallade impulsrespons chocker. En chock i en av de endogena variablerna
påverkar inte endast ”sig själv” utan har även inverkan på de andra variablerna vilket gör att
dess effekter var för sig enkelt kan urskiljas. Påverkan sinsemellan sker på grund av att VAR
modellerna består av laggade värden av de olika endogena variablerna. Genom en
impulsrespons kan man alltså studera hur en chock i en av variablerna påverkar de andra och
hur länge dess inverkan ligger kvar.5
Som exempel kan vi använda regressionerna (4), (5) och (6) och utsätta dessa tre för
impulsrespons chocker i de endogent givna variablerna och kan därmed studera samvariation
3 Patterson (2000) 4 Patterson (2000) 5 EViews 5 Help, Sökord: Impulse response
- 10 -
och påverkan dem emellan. Till exempel ser man hur aktieprisindex och
industriproduktionsindex reagerar om man chockar oljeprisindex.
4. Datamaterial
Det datamaterialet som används i uppsatsen är på månadsbasis för åren 1990-2006.
Variablerna som bearbetas är aktieindex, oljeprisindex, industriproduktionsindex och ränta,
vilka är samma som används av bland annat Jones och Kaul (1996) och Sadorsky (1999). För
att få en ökad förståelse och insyn i de olika variablerna så presenteras de mer ingående
nedan.
4.1 Aktieindex (Ai)
Det aktieindex som används är affärldsvärldensgeneralindex (AFGX) vilket är Sveriges äldsta
index och visar den genomsnittliga utvecklingen för aktier noterade på Stockholmsbörsen.
Det anses därför vara ett bra mått på svenska aktieportföljers kursutveckling. Indexet är
förmögenhetsviktat vilket innebär att aktiernas vikt är i proportion till dess börsvärde. I
undersökningen används realt aktieindex vilket innebär att inflationen är avräknad. Inflationen
i detta fall är förändringen i konsumentprisindex från föregående period till dagens. Som
synes i figur 1 nedan har utvecklingen av indexet under perioden varit med om en stark
uppgång fram till slutet av 1990-talet och början av 2000-talet följt av en treårsperiod av
nedåtgående trend, allt för att sedan återhämta sig fram till slutet av år 2006. Datamaterial för
AFGX är inhämtat från databasen Ecowin.
Figur 1
0
100
200
300
400
500
600
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Utveckling AFGX, År1990mån01=index 100
År/Mån
- 11 -
4.2 Oljeprisindex (Oi)
Oljepriset är hämtat från Energy Information Administration (EIA) och är i amerikanska
dollar per fat olja för OPEC länder. För att kunna applicera detta mått på Sverige används
växelkursen SEK/USD vilket ger oljepriset i svenska kronor per fat. Prisnivån låg ganska
stabil under tidsperioden 1990-1999 för att sedan öka ganska kraftigt fram till år 2006, vilket
framgår av figur 2.
Figur 2
0
100
200
300
400
500
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Utveckling oljepris, År1990mån01=index100
År/Mån
4.3 Industriproduktionsindex (Ip)
För att kapsla in utvecklingen av Sveriges produktion och konsumtion i analysen används för
detta en proxy, nämligen industriproduktionsindex. Om vi ser till figur 3 så framgår det att
denna variabel har en tydlig säsongsvariation vilket kan tänkas bero på industrisemestern som
infinner sig i juli varje år. Vid senare analyser kommer justering av detta genomföras.
Utvecklingen av industriproduktionen har haft en svag positiv trend genom hela tidsperioden.
Datamaterialet är hämtat från databasen Ecowin.
Figur 3
40
80
120
160
200
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Utveckling industriproduktion, År1990mån01=index100
År/Mån
- 12 -
4.4 Ränta (r)
Den ränta som används i analyserna är den korta tremånadersräntan eftersom denna
undersökning ämnar finna den kortsiktiga effekten av en ränteförändring. I figur 4 ser vi
utvecklingen av räntan som under hela tidsperioden haft en nedåtgående trend, med undantag
för den chockräntehöjning som vi hade i Sverige hösten 1992. Observera att räntan anges i
absoluta procenttal. Materialet är inhämtat från databasen Ecowin.
Figur 4
0
5
10
15
20
25
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Utveckling ränta
%
År/Mån
5. Empiri
I detta avsnitt kommer det till en början att testas för stationäritet i de fyra variablerna med
hjälp av ADF testet, enligt ekvation (2). Uppvisar variablerna stationäritet kommer sedan den
optimala VAR modellen att bearbetas fram för att slutligen användas för att utföra impuls
responser.
5.1 Stationäritet och enhetsrot
Tabell 1 nedan presenterar resultatet av ADF testet för de fyra variablerna både när dessa är i
nivå och som första differenser. Resultatet är i likhet med vad andra arbeten som gjorts inom
området får, det vill säga att ADF testet påvisar att variablerna är ickestationära då de är i nivå
medens de uppvisar stationäritet när de är i första differenser. Laglängden i testet har valts
utifrån Schwarz informationskriterium. 6
6 Fullständiga resultat presenteras i appendix A
- 13 -
Tabell 1. Augumented Dickey-Fuller test för enhetsrötter på respektive variabel, både i nivå och i första differansen.
T-stat Prob Lag Nivå Ai -0.524287 0.8825 0 Oi -1.620303 0.4703 1 r -2.320338 0.1666 0 Ip -1.083021 0.7223 14 Första diff. dAi -12.36676 0.0000 0 dOi -9.287781 0.0000 0 Dr -15.20857 0.0000 0 Dlp -3.536365 0.0080 12 Nollhypotesen är att det existerar en enhetsrot.
Vid en vidare VAR modell är det av stor vikt att variablerna som används är stationära, vilket
gör att de kommer användas som första differenser i detta fall, vilket leder till att de resultat
som en VAR analys ger kommer att vara både effektiva och väntevärdesriktiga.
5.2 VAR
Nästa steg i uppsatsen blir att ta fram den optimala VAR modellen. Eftersom syftet är att se
hur de fyra variablerna påverkar och samvarierar med varandra och då framförallt hur
oljepriset påverkar aktiemarknaden så används i denna VAR modell alla variabler som
endogent givna. Detta trots att man intuitivt känner att oljepriset torde vara exogent givet. För
att vidare avgöra antalet laggar specificeras först en VAR modell som sedan Akaikes
informationskriterium (AIC) används på för att testa antalet laggar.7 Testet påvisar att
optimalt antal laggar är fem vilket gör att jag således specificerar om modellen med fem
laggar. Vidare genomförs Q-test och LM-test för att se att det inte föreligger någon
autokorrelation i residualerna. I tabell 2 nedan presenteras resultatet av den valda VAR
modellen.8
7 Resultaten av AIC presenteras i appendix B.1 8 Fullständiga VAR resultat presenteras i appendix B.2
- 14 -
Tabell 2 Parameterestimat för VAR-modellen.Redovisade värden inom [ ] är t-värden. Signifikant resultat på 10% då t-värde>1,658 dAi dOi dIp dr dAi(-1) 0.133167 0.095559 0.079396 -0.023886 [ 1.74381] [ 1.04558] [ 0.50426] [-2.53294] dAi(-2) 0.035243 0.115788 0.034801 -0.004954 [ 0.45591] [ 1.25155] [ 0.21835] [-0.51900] dAi(-3) 0.134611 0.137182 -0.087067 -0.002396 [ 1.78349] [ 1.51868] [-0.55949] [-0.25709] dAi(-4) -0.031886 0.113757 -0.002218 0.014571 [-0.42010] [ 1.25230] [-0.01417] [ 1.55453] dAi(-5) 0.007664 -0.144212 -0.114529 0.010444 [ 0.10263] [-1.61364] [-0.74386] [ 1.13256] dOi(-1) -0.109626 0.401279 -0.041977 -0.009650 [-1.78085] [ 5.44680] [-0.33073] [-1.26951] dOi(-2) 0.064602 -0.090204 0.080507 0.001820 [ 0.98801] [-1.15272] [ 0.59718] [ 0.22542] dOi(-3) 0.008626 0.037375 -0.099253 0.003229 [ 0.13328] [ 0.48254] [-0.74382] [ 0.40399] dOi(-4) -0.065529 -0.141565 -0.184340 -0.001024 [-1.02285] [-1.84635] [-1.39556] [-0.12942] dOi(-5) 0.046252 0.008623 0.167849 0.008759 [ 0.77078] [ 0.12007] [ 1.35665] [ 1.18201] dIp(-1) 0.082801 -0.030227 -0.671637 -0.003832 [ 2.50385] [-0.76374] [-9.85052] [-0.93831] dIp(-2) 0.151415 -0.034547 -0.588388 -0.008702 [ 4.25956] [-0.81205] [-8.02809] [-1.98230] dIp(-3) 0.083512 0.001734 -0.498043 -0.001997 [ 2.13646] [ 0.03707] [-6.17967] [-0.41374] dIp(-4) 0.054717 0.053700 -0.638109 -0.003832 [ 1.47296] [ 1.20790] [-8.33143] [-0.83538] dIp(-5) 0.062909 0.084267 -0.396039 -0.003252 [ 1.81926] [ 2.03619] [-5.55482] [-0.76157] dr(-1) -1.124591 0.290687 1.958163 -0.178983 [-1.81108] [ 0.39116] [ 1.52948] [-2.33416] dr(-2) 1.489942 1.156597 0.531909 -0.124437 [ 2.34253] [ 1.51943] [ 0.40561] [-1.58431] dr(-3) 0.550637 0.063679 0.385896 -0.116868 [ 0.85783] [ 0.08289] [ 0.29158] [-1.47437] dr(-4) -1.090797 -0.512578 0.198838 -0.023317 [-1.71277] [-0.67251] [ 0.15143] [-0.29649] dr(-5) 0.919237 0.719343 0.425076 -0.028267 [ 1.46766] [ 0.95966] [ 0.32917] [-0.36547] c 0.005709 0.003218 0.014464 -0.000669 [ 1.24608] [ 0.58690] [ 1.53112] [-1.18324] Adj R 0.245372 0.323632 0.476045 0.131955
- 15 -
Eftersom syftet i denna analys är att se till oljeprisets påverkan på aktiemarknaden kommer
stor del av fokus ägnas åt det. Som man kan se ovan så är det inte många resultat som är
statistiskt signifikanta, dock finns det ett antal resultat som kan anses mer intressanta än de
övriga. Först och främst ser vi att aktieindex påverkas signifikant negativt av en ökning i
oljeprisindex. Resultat tyder alltså på att det skulle finnas ett statistiskt samband mellan
oljepriset föregående månad och aktiepriset denna månad. Detta resultat är i paritet med den
teori som uppsatsen har, men det skall dock sägas att påverkan inte är speciellt stor och att
den endast visar signifikans på 10 % nivån. Om man vidare ser till oljeprisets inverkan på de
övriga variablerna går det inte att finna några statistiskt signifikanta resultat, vilket kan tyckas
något förvånade. Enligt teorin borde ett ökat oljepriset påverka både industriproduktionen
negativt och även i viss mån räntan positivt. Om man ser till VAR modellen i stort så kan man
säga att den inte visar några speciellt starka resultat överhuvudtaget, med visst undantag för
industriproduktionens inverkan på aktiemarknaden. Enligt teorin är detta något överraskande
men ser man till tidigare studier så är det inte lika oväntat. Som exempel kan tas Kaneko och
Lee (1995), som undersökte oljeprischockers effekter på den amerikanska aktiemarknaden
och kunde inte heller finna någon signifikant förbindelse. Även Huang et al. (1996)
konstaterar att det ej fanns något signifikant samband mellan oljepris och generalindex, så
som S&P 500, i USA.
5.3 Impulsrespons funktioner
Nedan presenteras de resultat som fås om man använder sig av impulsrespons funktioner på
den valda VAR modellen. Det vill säga hur aktieindex, industriproduktionsindex och räntan
svarar på en chock i oljepriset. Den valda chocken består av att utsätta oljepriset för en positiv
standardavvikelse innovation. I figur 5 visas resultaten för respektive respons.9
Figur 5
-.020
-.015
-.010
-.005
.000
.005
.010
.015
1 2 3 4 5 6 7 8 9 10
Respons av aktieindex
-.04
-.03
-.02
-.01
.00
.01
.02
.03
.04
1 2 3 4 5 6 7 8 9 10
Respons av industriproduktionsindex
-.002
-.001
.000
.001
.002
1 2 3 4 5 6 7 8 9 10
Respons av ränta
9 Fullständiga impulsrespons resultat redovisas i appendix C
- 16 -
De resultat som fås när man chockar oljepriset är långt ifrån uppenbara. Om man lägger fokus
på aktieindex respons så ser vi att den antyder till att sjunka då oljepriset chockas. Men
återigen är denna påverkan svag och några säkra slutsatser kan ej dras. Detta resultat späder
på det resonemang som fördes vid VAR analysen, det vill säga att oljepriset under denna
tidsperiod i Sverige inte haft så stor betydelse som exempelvis massmedia gör sken av. Om
man vidare ser till de övriga två responserna så ger ingen av dem något entydigt svar på hur
reaktionen av en oljeprischock påverkar dem, vilket är liknande VAR analysens resultat.
6. Sammanfattande slutsats
Syftet med denna uppsats var att se om det fanns något dynamiskt samband mellan oljepriset
och aktiemarknaden i Sverige. För detta användes ett datamaterial på månadsbasis för åren
1990-2006 innehållande oljeprisindex, aktieprisindex, industriproduktionsindex och räntan.
Undersökningen byggde på en enkel VAR modell som sedan utsattes för impuls responser.
Det första som gjordes i undersökningen var att se till att de olika variablerna uppvisade
stationäritet, vilket gjordes med hjälp av ADF testet. Testet visade att alla fyra variabler var
ickestationära när de var i nivå och att samtliga uppvisade stationäritet som första differenser.
Nästa steg var att med hjälp av de stationära variablerna ta fram den optimala VAR modellen.
Två saker behövde då bestämmas, det första vilka variabler som skulle vara endogena och
vilka som skulle vara exogena. Eftersom det bara var fyra variabler i denna undersökning och
det fanns intresse att se hur de påverkade varandra valdes alla fyra som endogena. Det andra
som behövde fastställas var antalet laggar som modellen skulle innehålla. Detta skedde med
hjälp av Akaikes informationskriterium (AIC) vilket resulterade i att fem stycken laggar
användes. Resultaten som VAR modellen visade tydde på att det fanns ett svagt statistiskt
samband mellan oljepriset föregående tidsperiod och aktiemarknaden idag. Dock var denna
påverkan mindre än vad man kunde förvänta sig enligt teorin. Men ser man till tidigare studier
så är resultatet inte lika oväntat då exempelvis både Kaneko och Lee (1995) och Huang et al
(1996) konstaterar att det ej fanns något signifikant samband mellan oljepris och
aktiemarknaden i sina studier.
- 17 -
Det sista steget var att utsätta den valda VAR modellen för så kallade impuls responser.
Eftersom syftet med uppsatsen var att se hur reaktionen blev på en chock i oljepris lades fokus
på det. Resultatet visade att responsen på aktieindex när oljepriset fick en positiv chock
antydde till att sjunka, men att det återigen var en svag påverkan varpå säkra slutsatser ej
kunde dras.
Vid en summering av de resultat som erhållits antyder undersökningen att det finns en
generell överskattning av oljeprisets påverkan på aktiemarknaden. Men ser man till andra
studier som gjorts på ämnet så går resultaten isär beroende på bland annat vilken tidsperiod
man använder, om det är data på dagsbasis eller månadsbasis, vilka länder som studeras och
vilka statistiska metoder som används.
- 18 -
Referenser
Gisser, M. Goodwin, T.H. (1986) Crude oil and the macroeconomy: test of some popular
nations, J. Money, Credit, Bank. 18_1
Gjerde, O. Sattem, F (1999) Causal Relations among Stock Returns and Macroeconomic
Variables in a Small, Open Economy, Journal of International Financial Markets, Institution
and Money 9 61-74.
Huang, J.D. Masulis, R.W. Still, H.R., (1996) Energy Shocks and financial markets.
J.Futures Mark. 16 .1, sid.1-27
Hamilton, J.D. (1983) Oil and the macroeconomy since World War II. Polit.Econ. 92.2 sid
228-248
Jones, C.M. Kaul, G., (1996) Oil and the stock markets. J. Finance 51 2, sid. 463–491.
Kaneko, T. Lee, B.S. (1995) Relative Importance of Economic Factors in the U.S and the
Japanese Stock Markets. Journal of Japanese and International Economics 9 sid. 290-307
Patterson. Kerry, (2000), An Introduction to Applied Econometrics: a time series approach,
Macmillian Press Ltd.
Pindyck. Robert S & Rubinfeld. Daniel L, (1998), Econometric Models and Economic
Forecasts, Fourth Edition, Irwin McGraw-Hill.
Sadorsky, P. (1999). Oil prise shocks and Stock Market Activity. Energy Economics 21:449-
460
Övrigt
EViews 5 Help, Sökord: Impulse response
- 19 -
Appendix
Appendix A Null Hypothesis: Ai has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.524287 0.8825
Test critical values: 1% level -3.462901
5% level -2.875752
10% level -2.574423
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: Oi has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.620303 0.4703
Test critical values: 1% level -3.463067
5% level -2.875825
10% level -2.574462
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: r has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.320338 0.1666
Test critical values: 1% level -3.462901
5% level -2.875752
10% level -2.574423
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: Ip has a unit root
Exogenous: Constant
Lag Length: 14 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.083021 0.7223
Test critical values: 1% level -3.465392
5% level -2.876843
10% level -2.575006
*MacKinnon (1996) one-sided p-values.
- 20 -
Null Hypothesis: dAi has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -12.36676 0.0000
Test critical values: 1% level -3.462901
5% level -2.875752
10% level -2.574423
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: dOi has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -9.287781 0.0000
Test critical values: 1% level -3.462901
5% level -2.875752
10% level -2.574423
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: dr has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -15.20857 0.0000
Test critical values: 1% level -3.462901
5% level -2.875752
10% level -2.574423
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: dIp has a unit root
Exogenous: Constant
Lag Length: 12 (Automatic based on SIC, MAXLAG=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.536365 0.0080
Test critical values: 1% level -3.465014
5% level -2.876677
10% level -2.574917
*MacKinnon (1996) one-sided p-values.
- 21 -
Appendix B B.1 VAR Lag Order Selection Criteria Endogenous variables: DAI DOI DIP DR Exogenous variables: C Date: 01/01/08 Time: 22:30 Sample: 1990M03 2006M12 Included observations: 196 Lag LogL LR FPE AIC SC HQ
0 1234.874 NA 4.12e-11 -12.55994 -12.49304* -12.53286 1 1275.746 79.65887 3.20e-11 -12.81374 -12.47924 -12.67832* 2 1300.382 47.00939 2.93e-11 -12.90186 -12.29976 -12.65810 3 1314.554 26.46356 2.99e-11 -12.88320 -12.01350 -12.53111 4 1341.481 49.18266 2.68e-11 -12.99470 -11.85740 -12.53427 5 1367.409 46.29981* 2.42e-11* -13.09601* -11.69110 -12.52723 6 1377.529 17.65932 2.58e-11 -13.03601 -11.36351 -12.35890
* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
B.2 Vector Autoregression Estimates Date: 01/01/08 Time: 22:30 Sample (adjusted): 1990M08 2006M12 Included observations: 197 after adjustments Standard errors in ( ) & t-statistics in [ ] DAI DOI DIP DR DAI(-1) 0.133167 0.095559 0.079396 -0.023886 (0.07637) (0.09139) (0.15745) (0.00943) [ 1.74381] [ 1.04558] [ 0.50426] [-2.53294] DAI(-2) 0.035243 0.115788 0.034801 -0.004954 (0.07730) (0.09252) (0.15938) (0.00955) [ 0.45591] [ 1.25155] [ 0.21835] [-0.51900] DAI(-3) 0.134611 0.137182 -0.087067 -0.002396 (0.07548) (0.09033) (0.15562) (0.00932) [ 1.78349] [ 1.51868] [-0.55949] [-0.25709] DAI(-4) -0.031886 0.113757 -0.002218 0.014571 (0.07590) (0.09084) (0.15649) (0.00937) [-0.42010] [ 1.25230] [-0.01417] [ 1.55453] DAI(-5) 0.007664 -0.144212 -0.114529 0.010444 (0.07468) (0.08937) (0.15397) (0.00922) [ 0.10263] [-1.61364] [-0.74386] [ 1.13256] DOI(-1) -0.109626 0.401279 -0.041977 -0.009650 (0.06156) (0.07367) (0.12692) (0.00760) [-1.78085] [ 5.44680] [-0.33073] [-1.26951] DOI(-2) 0.064602 -0.090204 0.080507 0.001820 (0.06539) (0.07825) (0.13481) (0.00807) [ 0.98801] [-1.15272] [ 0.59718] [ 0.22542]
- 22 -
DOI(-3) 0.008626 0.037375 -0.099253 0.003229 (0.06472) (0.07745) (0.13344) (0.00799) [ 0.13328] [ 0.48254] [-0.74382] [ 0.40399] DOI(-4) -0.065529 -0.141565 -0.184340 -0.001024 (0.06407) (0.07667) (0.13209) (0.00791) [-1.02285] [-1.84635] [-1.39556] [-0.12942] DOI(-5) 0.046252 0.008623 0.167849 0.008759 (0.06001) (0.07182) (0.12372) (0.00741) [ 0.77078] [ 0.12007] [ 1.35665] [ 1.18201] DIP(-1) 0.082801 -0.030227 -0.671637 -0.003832 (0.03307) (0.03958) (0.06818) (0.00408) [ 2.50385] [-0.76374] [-9.85052] [-0.93831] DIP(-2) 0.151415 -0.034547 -0.588388 -0.008702 (0.03555) (0.04254) (0.07329) (0.00439) [ 4.25956] [-0.81205] [-8.02809] [-1.98230] DIP(-3) 0.083512 0.001734 -0.498043 -0.001997 (0.03909) (0.04678) (0.08059) (0.00483) [ 2.13646] [ 0.03707] [-6.17967] [-0.41374] DIP(-4) 0.054717 0.053700 -0.638109 -0.003832 (0.03715) (0.04446) (0.07659) (0.00459) [ 1.47296] [ 1.20790] [-8.33143] [-0.83538] DIP(-5) 0.062909 0.084267 -0.396039 -0.003252 (0.03458) (0.04138) (0.07130) (0.00427) [ 1.81926] [ 2.03619] [-5.55482] [-0.76157] DR(-1) -1.124591 0.290687 1.958163 -0.178983 (0.62095) (0.74315) (1.28028) (0.07668) [-1.81108] [ 0.39116] [ 1.52948] [-2.33416] DR(-2) 1.489942 1.156597 0.531909 -0.124437 (0.63604) (0.76120) (1.31139) (0.07854) [ 2.34253] [ 1.51943] [ 0.40561] [-1.58431] DR(-3) 0.550637 0.063679 0.385896 -0.116868 (0.64189) (0.76821) (1.32346) (0.07927) [ 0.85783] [ 0.08289] [ 0.29158] [-1.47437] DR(-4) -1.090797 -0.512578 0.198838 -0.023317 (0.63686) (0.76219) (1.31308) (0.07864) [-1.71277] [-0.67251] [ 0.15143] [-0.29649] DR(-5) 0.919237 0.719343 0.425076 -0.028267 (0.62633) (0.74958) (1.29137) (0.07734) [ 1.46766] [ 0.95966] [ 0.32917] [-0.36547] C 0.005709 0.003218 0.014464 -0.000669 (0.00458) (0.00548) (0.00945) (0.00057) [ 1.24608] [ 0.58690] [ 1.53112] [-1.18324] R-squared 0.245372 0.323632 0.476045 0.131955 Adj. R-squared 0.159619 0.246772 0.416505 0.033314 Sum sq. resids 0.654205 0.937022 2.781060 0.009976 S.E. equation 0.060968 0.072966 0.125704 0.007529 F-statistic 2.861379 4.210665 7.995331 1.337729 Log likelihood 282.6616 247.2720 140.1157 694.7086 Akaike AIC -2.656463 -2.297177 -1.209297 -6.839681 Schwarz SC -2.306477 -1.947191 -0.859310 -6.489695 Mean dependent 0.008034 0.006356 0.005361 -0.000483 S.D. dependent 0.066506 0.084073 0.164562 0.007657
- 23 -
Appendix C
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of DAI to DAI
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of DAI to DOI
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of DAI to DIP
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of DAI to DR
-.04
-.02
.00
.02
.04
.06
.08
.10
1 2 3 4 5 6 7 8 9 10
Response of DOI to DAI
-.04
-.02
.00
.02
.04
.06
.08
.10
1 2 3 4 5 6 7 8 9 10
Response of DOI to DOI
-.04
-.02
.00
.02
.04
.06
.08
.10
1 2 3 4 5 6 7 8 9 10
Response of DOI to DIP
-.04
-.02
.00
.02
.04
.06
.08
.10
1 2 3 4 5 6 7 8 9 10
Response of DOI to DR
-.15
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DIP to DAI
-.15
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DIP to DOI
-.15
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DIP to DIP
-.15
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DIP to DR
-.004
-.002
.000
.002
.004
.006
.008
.010
1 2 3 4 5 6 7 8 9 10
Response of DR to DAI
-.004
-.002
.000
.002
.004
.006
.008
.010
1 2 3 4 5 6 7 8 9 10
Response of DR to DOI
-.004
-.002
.000
.002
.004
.006
.008
.010
1 2 3 4 5 6 7 8 9 10
Response of DR to DIP
-.004
-.002
.000
.002
.004
.006
.008
.010
1 2 3 4 5 6 7 8 9 10
Response of DR to DR
Response to Nonfactorized One S.D. Innovations ± 2 S.E.
- 24 -