oljepris och makroekonomi- - diva portal131749/fulltext01.pdf · 2008-03-03 · oljepris och...

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


t-Statistic Prob.*



5% level -2.875825

10% level -2.574462


Null Hypothesis: r has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.875752

10% level -2.574423


Null Hypothesis: Ip has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876843

10% level -2.575006


- 20 -

Null Hypothesis: dAi has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.875752

10% level -2.574423


Null Hypothesis: dOi has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.875752

10% level -2.574423


Null Hypothesis: dr has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.875752

10% level -2.574423


Null Hypothesis: dIp has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876677

10% level -2.574917


- 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 -

oljepris och makroekonomi- - diva portal131749/fulltext01.pdf · 2008-03-03 · oljepris och...

Documents