В работе Chemmanur (2010), где также использовался анализ вероятностей увеличения дивидендов через модель логита, было найдена статистически значимая зависимость между размерами и дивидендной доходностью компаний. В то время как отношение уровня долга к стоимости акционерного капитала и инвестиционные возможности показали незначимые результаты.
Относительно степени влияния данных детерминантов на Россию и США сложно сформулировать какую-либо гипотезу. Возможно, данные переменные лучше опишут выборку по компаниям США, так как, во-первых, на дивидендную политику российских компаний могут влиять также факторы, которые не были учтены в данном исследовании, например доля государства в собственности компании, во-вторых выборка по российским компаниям не такая большая, что может повлиять на полученные результаты.
Метод событий
Целью метода событий в данной работе является проверка зависимости объявления о величине дивидендов и ценой акции фирмы. На основе эмпирических исследований невозможно прийти к единому выводу относительно эффекта от увеличения или сокращения дивидендов. Согласно клиентской теории рынок может негативно прореагировать на увеличение выплат, если инвесторы компании предпочитают прирост стоимости акций из-за разницы в налогообложении. Однако большинство исследований пришло к выводу, что негативная реакция рынка на снижение дивидендов может быть объяснена и сигнальной гипотезой, и гипотезой свободных денежных потоков. Относительно российского рынка не было найдено работ, анализирующих реакцию рынка на изменения в уровне дивидендов.
Первая гипотеза при анализе данной модели состоит в получении результатов подтверждающих сигнальную теорию на обоих рынках, а именно, что при увеличении дивидендов рынок реагирует положительно, тогда как при падении выплат можно наблюдать негативное воздействие на стоимость акций фирмы. Другая гипотеза заключается в том, что реакция рынка на изменение в дивидендах для российских компаний будет меньше, чем для американских компаний. Это может доказать, что сигнальный эффект для российских компаний слабее чем для американских.
Ряд статистических моделей используются для расчета сверхприбыли (abnormal return). Например, модель с поправкой на риск (risk-adjusted model) , многофакторная модель (multi-factor model) , модель определения стоимости капитала ( Capital Asset Pricing Model - САРМ). Я буду использовать модель с поправкой на рынок (market model).
Rit = αi +βi Rmt +εit,
Где Rit – доходность для акции i в период t, Rmt – доходность рынка в период t (market index) , εit – значение ошибки для акции i в период t с ожиданием равным нулю
Доходность для акции и рынка считается по следующей формуле:
Rit = [( Pit-Pit-1 ) / Pit-1] *100% ,
где Pit – цена закрытия для акции i (для индекса) в период t , Pit-1 – цена закрытия для акции i (для индекса) в период t-1
Как и в работе Aharony Swary (1980) при анализе дивидендных изменений, ожидания рынка относительно дивиденда текущего года предполагались равными дивиденду прошлого года. Такая предпосылка совместима с гипотезой Линтнера, так как инвесторы, зная, что компания придерживается стабильной политики выплат, не будут ожидать какого-либо изменения в уровне дивидендов. Стоит отметить, что данное предположение хорошо работает на американском рынке, где компании достаточно сглаживают дивиденды (например, по выборке квартальных дивидендов 90% данных составляют уровень дивиденда без изменений). Однако для российского рынка данная гипотеза может не работать, так как ожидается, что российские компании не так сильно сглаживают дивиденды как американские, поэтому ожидания инвесторов трудно сформулировать. Следовательно, при интерпретации полученных результатов стоит включать во внимание ожидание инвесторов.
В данной работе будут использоваться несколько периодов событий, как для достаточно широкого диапазона, например (-10;10) , так и более короткие периоды (-1;1). Данные промежутки события подходят для отображения изменения в ожиданиях инвесторов или каких-либо утечек информации до объявления события, а также отображают различные изменения в цене акции после объявления. Использование более длинных периодов может вызвать отклонение (bias) результатов, так как другие несвязанные со сделкой события могут попасть в этот период (например, объявление квартальной выручки). Следовательно, если другие события попадут в выбранный период, будет трудно определить влияние одного конкретного события (дивидендов). Параметры модели с поправкой на рынок были определены в период (-210;-11). Промежуток в 200 дней использовался во многих эмпирических исследованиях, например, Strong(1992). Для того чтобы определить эффект от объявления дивидендов необходимо подсчитать сверхприбыль от акции данной компании. Сверхприбыль (abnormal return-AR) считается как фактический доход минус ожидаемая доходность, если бы данное событие не произошло. При помощи метода наименьших квадратов (OLS) и индекса для рынка можно подсчитать значения сверхприбыли. Далее необходимо подсчитать среднее значение сверхдоходности по всей выборке:
AR измеряет влияние информации об изменении дивидендов на цену акции. Для того чтобы определить общий эффект от данной информации на движение акций мы должны подсчитать кумулятивную сверхприбыль (Cumulative abnormal return – CAR), которая равна сумме всех сверхприбыли для выбранного периода.
При помощи Stata мы можем подсчитать AR, как разность (residuals) для каждого времени t для каждой фирмы i.
Для определения значения t – статистики ( t-statistics) мы будем использовать следующую формулу:
где σ является стандартным отклонением и подсчитывается по формуле:
Выборка будет разделена на две группы, для анализа событий увеличения и уменьшения дивидендов по отдельности. Под увеличением дивиденда подразумевается повышение DPS более чем на 10% от прошлого значения, снижение дивидендов – падение более чем на 10%. Основываясь на значении t-test, можно будет определить значимость коэффициента CAAR. Например, если значение коэффициента для выборки событий падения дивидендов оказалось значимым и является отрицательным, то можно сделать вывод, что падение дивидендов воспринимается инвесторами как негативный сигнал.
Эмпирические результаты
При построении всех моделей через программу Stata будет произведен анализ панельных данных, что поможет включить в исследование индивидуальные характеристики компаний.
Модель Линтнера
Перед построением модели необходимо провести несколько тестов на исследуемые переменные. Для получения правильных коэффициентов оценок и значимых регрессий необходимо провести тест на мультиколлинеарность. Корреляция между такими объясняющими переменными, как дивиденды предыдущего года и прибыль текущего составляет 0,225 и 0,2437 для российских и американских компаний соответственно, что говорит об отсутствии полной мульколлинеарности между этими переменными (так как коэффициент корреляции<0,8). Далее необходимо произвести анализ стационарности временных рядов для компаний при помощи теста Фишера (Fisher), который указал на стационарность рядов EPS и DPS для выборки по российским и американским компаниям. Наличие больших различий в значениях DPS и EPS может привести к гетероскедастичности, что в свою очередь повлияет на определение значимости коэффициентов (t-test). Для определения гетероскедастичности для модели Линтнера был проведен тест Бреуша-Пагана( Breusсh-Pagan), указав на гетероскедастичность остатков для регрессий по американским компаниям и по российским. Следовательно при построении моделей необходимо использовать устойчивые стандартные ошибки (robust standard errors) через vce (robust). Вулдридж тест (Wooldridge test) на автокорреляцию остатков показал значения остаточной вероятности 0.0051 и 0.000 (Prob>F) для модели Линтнера по российским компаниям и американским. Таким образом, можно отвергнуть нулевую гипотезу об отсутствии автокорреляции. Существование автокорреляции объясняется тем, что при тестировании модели Линтнера используется лагированная зависимая переменная в качестве регрессора, что может привести к смещенным оценкам коэффициентов при построении модели и с фиксированным, и со случайным эффектом (так как лагированная переменная коррелирует с остатками ). Следовательно, при анализе динамических моделей необходимо использовать метод инструментальных переменных или обобщенный метод моментов (GMM). Для решения данной проблемы будет использоваться метод Ареллано-Бонда (Arellano и Bond (1991)), что даст состоятельные оценки регрессии. При отсутствии лагированной зависимой переменной в качестве регрессора можно использовать модели с фиксированным или случайным эффектом. При построении данных регрессий на основе теста Хаусмана выбор был сделан в пользу моделей с фиксированным эффектом. Данный выбор показывает, что отклонение дивидендной политики фирмы от среднего показателя по стране объясняется индивидуальными характеристиками фирмы, а не случайным фактором.
Ниже представлены результаты моделей по Российским компаниям:
(1) | (2) | (3) | (4) | (5) | (6) | |
VARIABLES | DPS | DPS | DPS | ∆DPS | DPS | ∆DPS |
DPS-1 | 1.229* | 1.312*** | 0.279 | |||
(0.666) | (0.326) | (0.188) | ||||
EPS | 0.00342 | 0.00884*** | 9.06e-07 | 0.00188 | ||
(0.00443) | (0.000427) | (8.14e-07) | (0.00115) | |||
EPS-1 | -0.00123*** | -0.00917 | ||||
(0.000447) | (0.0158) | |||||
∆EPS | 0.00721*** | |||||
(0.00259) | ||||||
Constant | 0.634 | 11.30** | 30.35*** | -95.02* | -201.6 | 0.658 |
(7.754) | (5.370) | (5.099) | (36.87) | (439.8) | (4.286) | |
Observations | 269 | 351 | 371 | 316 | 268 | 321 |
Number of id | 35 | 37 | 37 | 35 | 37 |
Robust standard errors in parentheses
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5 6 7 8 |
