Assetklasse Schifffahrtsaktien

Inhaltsverzeichnis

1 Einleitung

2 Grundlagen
2.1 Definitionen
2.2 Makowitz Portfoliotheorie und CAPM)
2.3 Regressionsanalyse und multivariate Faktormodelle
2.4 Stand der Forschung zu Schifffahrtsaktien und deren Einsatz im Portfolio

3 Datenbasis
3.1 Grundüberlegungen
3.2 Datenbeschreibung

4 Modelle und Auswertung
4.1 Untersuchung des Risiko-/Renditeprofils von Schifffahrtsaktien
4.1.1 Modell
4.1.2 Hypothesen
4.1.3 Auswertung
4.2 Analyse der Renditetreiber des MSCI Marine
4.2.1 Modell
4.2.2 Hypothesen
4.2.3 Regression gegen alle Faktoren
4.2.4 Regression gegen ausgewählte Faktoren
4.2.5 Regression gegen zeitverschobene Faktoren
4.2.6 Auswertung
4.3 Analyse der Risikotreiber des MSCI Marine
4.3.1 Modell
4.3.2 Hypothesen
4.3.3 Regression mit allen Faktoren
4.3.4 Regression mit ausgewählten Faktoren
4.3.5 Auswertung
4.4 Diversifikation von Schifffahrtsaktien im Portfolio
4.4.1 Modell
4.4.2 Hypothesen
4.4.3 Datenauswertung
4.4.4 Auswertung der Analyse des Basis-Portfolios aus Aktien und Staatsanleihen
4.4.5 Auswertung der Analyse des erweiterten Portfolios aus Aktien, Staatsanleihen und einer Schiffskomponente
4.4.6 Test auf statistische Signifikanz der Ergebnisse

5 Schlussbetrachtung

Literaturverzeichnis

Abstract

Im Vergleich zu anderen etablierten Assetklassen existiert relativ we- nig Forschung zu Investitionsmöglichkeiten im Schifffahrtsbereich. Um ein tieferes Verständnis der Investition im Schifffahrtsbereich zu erhalten, beleuchtet diese Arbeit Schifffahrtsaktien als Assetklasse, wobei Schifffahrts- aktien als die großen Seeschifffahrtslogistikdienstleister definiert werden.

Ziel ist es, Schifffahrtsaktien von anderen Anlageformen abzugrenzen und Handlungsempfehlungen für einen diversifizierten Investor zu geben. Es werden zunächst die Risiko-/Renditeeigenschaften von Einzelaktien und eines Schifffahrtsaktienindex untersucht. Ergebnis ist, dass sich die Schiff- fahrtsaktien nicht im Sinne ihrer Risiko-/Renditestruktur von klassischen

Aktieninvestitionen unterscheiden und im betrachteten Sample eine effizi- ente Bewertung der Schifffahrtsaktien vorliegt. Darauffolgend werden die Treiber von Risiko und Rendite untersucht. Im Ergebnis lässt sich ein signi- fikanter Einfluss von Devisenkurs, Ölpreis und Marktrendite feststellen. Des Weiteren wird die Schifffahrtsaktie im diversifizierten Portfolio untersucht.

Dazu werden Sharpe Ratios und Portfoliogewichte innerhalb verschiedener gemischter diversifizierter Portfolios aus Aktien und Staatsanleihen be- trachtet. Nach dieser Untersuchung kann festgehalten werden, dass sich die Sharpe Ratio nicht verbessern lässt und dass die Schifffahrtsaktien in das effiziente Portfolio mit einem insignifikanten negativen Gewicht eingehen.

KAPITEL 1 Einleitung

"Die Schifffahrtsbranche boomt in einem nie gekannten Ausmaß: Die Charterraten steigen, und die Werften haben volle Auftragsbücher." Friedrichs (2007) Der Wert der weltumfassenden Handelsflotte addiert sich nach einer aktuellen Schät- zung der HSH Nordbank auf 500 Mrd US-Dollar. Die internationalen Werften haben bis zum Jahr 2010 bereits Aufträge im Wert von etwa 300 Mrd US-Dollar erhalten. Ein Drittel dieser Summe wird an Eigenkapital benötigt. Der mit dem Boom einhergehend gestiegene Finanzbedarf verändert die Gewichte der bisherigen Finanzierungsmethoden. Sinkender Eigenfinanzierung durch die Reedereien und Finanzierung durch geschlossene

Fonds steht ein steigender Anteil der Kapitalmarktfinanzierung gegenüber. Durch die steigende Markttiefe der Schiffsinvestments, werden diese für den Kapitalmarkt interessanter (ebd.).

Schiffsinvestments waren bis vor wenigen Jahren überwiegend privaten Investoren, in Form von geschlossenen Fonds, vorbehalten. Geschlossene Fonds sind für institutionelle Investoren wenig attraktiv. Eine Bewertung zur Laufzeit des Investments ist schwierig, ein Verkauf nur mit entsprechenden liquiditätsbedingten und bewertungsbedingten Abschlägen möglich. Die Möglichkeit direkt am Kapitalmarkt in Schiffe zu investieren wirft die Frage nach dem Risiko-/Renditeprofil von Schiffsinvestments auf.

Unter Verwendung eines univariaten Capital Asset Pricing Modells (CAPM) wer- den in dieser Arbeit die β-Koeffizienten eines Schifffahrtsaktienindex sowie die großer Schifffahrtsaktien berechnet, wodurch ein erster Eindruck von den Risiko- und Rendite- eigenschaften dieser Anlagen gewonnen werden soll. Im weiteren Verlauf dieser Arbeit werden Multi-Faktor-Regressionsmodellen verwendet, um herauszufiltern, welche ma- kroökonomischen Faktoren Rendite und Risiko von Schifffahrtsaktien beeinflussen. Im Anschluss daran wird untersucht, ob Schifffahrtsaktien in ein Portfolio aufgenommen werden sollten. Diese Fragestellung wird durch die Konstruktion von Beispielportfolios und die Berechnung von Sharpe Ratios untersucht. Ziel der Untersuchungen ist es festzustellen, ob Schifffahrtsaktien als eigene Assetklasse betrachtet werden können.

KAPITEL 2 Grundlagen

2.1 Definitionen

Die Schiffsfinanzierung über eine Schiffsaktiengesellschaft gewinnt erst seit kurzer Zeit an Popularität, was zu einer begrenzten historischen Datenbasis für diese Anlagen führt. Als erfolgreiche Beispiele lassen sich Danaos, Ship Finance International, Dryships, Seaspan und Pacific Shipping Trust erwähnen. Mit einem Initial Public Offering vom 14.06.2004 reicht die Zeitreihe von Ship Finance International am weitesten zurück. Die Zeitreihen der übrigen genannten Aktien sind wesentlich kürzer. Aufgrund der geringen Anzahl an Datenpunkten eignen sie sich nicht für eine aussagekräftige Analyse.

Um representativere Zeitreihen nutzen zu können, wird in dieser Arbeit eine erweiterte Definition des Begriffes Schifffahrtsaktie gewählt. Die Untersuchung betrachtet die Aktien großer Seeschifffahrtslogistikdienstleister als Schifffahrtsaktien. Folglich wird nicht mehr nur das reine Schiffsinvestment betrachtet, sondern auch die Rendite der Logistikdienstleistungen dieser Unternehmen. Die großen Schifffahrtsunternehmen unterhalten eigene Flotten beträchtlicher Größe. Die Rendite eines Schiffsinvestments und die Rendite einer angeschlossenen Logistikdienstleistung sind mutmaßlich sehr hoch korreliert. Beide Faktoren gemeinsam bilden die Grundlage für die Entscheidung ein größeres Datensample einer engeren Definition der Schifffahrtsaktie vorzuziehen. Als Assetklasse wird im Sinne dieser Arbeit eine Gruppe von Anlagen mit einem spezifischen Risiko-/Renditeprofil und einer spezifischen Korrelationsstruktur gegen- über anderen Anlagen aufgefasst. Ebendiese Eigenschaften sollten folglich innerhalb der Assetklasse weitestgehend homogen sein und sich gegenüber anderen Investment- möglichkeiten abgrenzen. Diese Arbeit untersucht, ob bei Schifffahrtsaktien von einer eigenen Assetklasse im Sinne dieser Definition ausgegangen werden kann.

2.2 Makowitz Portfoliotheorie und CAPM)

Markowitz (1952) entwickelt eine Theorie, die von einem rationalen Investor ausgeht, der seinen Nutzen aus Renditen durch Halten von einzelnen Anlagen maximieren möchte. Es wird angenommen, dass der Investor risikoavers ist. Bei gleicher erwar-teter Rendite bevorzugt der Investor Anlagen, die ein niedrigeres Risiko aufweisen und er akzeptiert eine höheres Risiko nur, wenn die Rendite überproportional steigt. Markowitz (1952) und Markowitz (1959) zeigen, dass ein Investor, durch Aufteilung seines Portfolios auf mehrere Assets, das Gesamtrisiko reduzieren kann. Dabei werden die Korrelationseigenschaften der Einzelanlagen genutzt. Nicht perfekt korrellierte Anlagen können zur Senkung des Portfoliorisikos beitragen. Das Risiko konvergiert mit der Anzahl der Assets auf die Höhe des Marktrisikos, welches sich nicht weiter durch Diversifikation senken lässt. Der Anleger erhält nur für dieses systematische Risiko eine Prämie.

Risiko und Rendite des Portfolios folgen dabei folgenden Formeln:

Abbildung in dieser Leseprobe nicht enthalten

(2.1)

Abbildung in dieser Leseprobe nicht enthalten

(2.2)

mit rp Rendite des Portfolios wj Gewicht der Anlage j rj Rendite der Anlage j σjk Kovarianz der Anlage j zur Anlage k σ[2]p Varianz des Portfolios Aus (2.2) folgt, dass mit zunehmender Anzahl verschiedener Anlagen die Anzahl der Kovarianzterme, der Regel[Abbildung in dieser Leseprobe nicht enthalten] folgend, exponentiell steigt. Für 100 Anlagen müssen also bereits 4950 Kovarianzen berechnet werden, der Rechenaufwand steigt enorm. Als Folge dieser Problematik entwickelten Sharpe (1964) und Lintner (1965) in den sechziger Jahren unabängig voneinander ein einfaches Indexmodel.

Dieses Modell erweitert die Portfoliotheorie nach Markowitz (1959) und erklärt wie risikobehaftete Anlagemöglichkeiten im Kapitalmarkt bewertet werden, wenn alle Anleger nach der Portfoliotheorie handeln. Der Kern des CAPM, das Modell der Wertpapiermarktlinie, beschreibt eine lineare Abhängigkeit der zu erwartenden Rendite einer Kapitalanlage von nur einer Risikoeinflussgröße (Ein-Faktor-Modell), der erwarteten Marktrendite. In der empirischen Forschung wird der Markt durch einen breiten Aktienindex, wie dem von Morgan Stanley Capital International (MSCI) berechneten MSCI World, abgebildet. Dieser Markt entspricht dem Anlageuniversum.

Das Risiko eines Wertpapiers wird nun durch den Beta-Faktor beschrieben. Das Marktportfolio wird auf β = 1 normiert. Nun kann das Einzelrisiko im Vergleich zum Markt berechnet werden.

2.3 Regressionsanalyse und multivariate Faktormodelle 4

Mathematisch lässt sich der geschilderte Zusammenhang wie folgt darstellen:

Abbildung in dieser Leseprobe nicht enthalten

(2.3)

mit rit Rendite der Anlage i in t rft Risikofreie Rendite in t rmt Rendite des Marktportfolios in t β Marktrisikosensitivität der Anlage i Miller und Scholes (1972) zeigen, dass die Gleichung 2.3 nicht zur genauen Schätzung von β verwendet werden kann, denn der risikofreie Zins ist über die Zeit nicht konstant. Black, Jensen und Scholes (1972) lösen das Problem indem als Basismodell folgende

Gleichungen verwendet werden:

Abbildung in dieser Leseprobe nicht enthalten

(2.4)

Abbildung in dieser Leseprobe nicht enthalten

(2.5)

Cov(rit,rmt)Kovarianz zwischen Anlagerendite und Marktrendite in t Var(rmt) Varianz der Marktrendite Dabei zeigt α, ob eine Aktie zu einem fairen Preis gehandelt wird und β die Sensitivität der Anlage i zu Veränderungen der erwarteten Marktrendite. Die durchschnittliche Anlage muss also ein α von Null und ein β von eins haben. Ein positives α bedeutet, dass eine Anlage zu niedrig bewertet ist. Die Rendite ist höher, als durch das CAPM impliziert und andersherum. Hat eine Anlage ein β größer als eins so impliziert dies ein höheres Risiko, als jenes, welches der Markt aufweist. Das höhere Risiko bewirkt eine höherere erwartete Rendite der Anlage. Die Gleichungen die in dieser Arbeit durch Regressionsanalysen geschätzt werden, basieren dem Konzept des Capital Asset Pricing Models. Der Grundzusammenhänge der Regressionsanalyse werden im folgenden Abschnitt behandelt.

2.3 Regressionsanalyse und multivariate Faktormodelle

Regressionsanalysen bilden das Fundament der statistischen Untersuchungen in dieser Arbeit. Durch sie werden die Modellgleichungen geschätzt. Anhand von Gleichung

2.4 des CAPM, wird das genutze Verfahren der Ordinary Least Squares Schätzung

veranschaulicht. Im Folgenden werden Grundzusammenhänge der Regressionsanalyse erläutert. Das OLS-Schätzverfahren baut auf dem Classical Linear Regression Modell (CLRM) auf.

Das CLRM versucht einen Zusammenhang zwischen zwei oder mehr Variabeln herzu- stellen. Auf der einen Seite steht dabei eine abhängige und auf der anderen Seite eine oder mehrere erklärende Variablen. Dies wird durch folgende lineare Gleichung gezeigt:

Abbildung in dieser Leseprobe nicht enthalten

(2.6)

mit Υt abhängige Variabel in t

Xt erklärende Variable in t

α 1. Regressionskoeffizient (Achsenabschnitt)

β 2. Regressionskoeffizient (Steigung)

ut Störung in t

Diese lineare Gleichung beschreibt das grundsätzliche Modell einer Regression. Die Regressionskoeffizienten α und β bestimmen die Stärke und Richtung eines Zusammen- hangs der beiden Variablen. Die Störungen oder Fehler enthalten alle Abweichungen der realen Werte von der Annahme der Gleichung zu einem bestimmten Zeitpunkt.

Im Rahmen dieser Arbeit sollen Stärken und Richtungen (also α-Koeffizienten und β-Koeffizienten) von Zusammenhängen ermittelt werden. Dazu wird das OLS-Verfahren angewendet. Methode dieses Verfahrens ist die Minimierung der Fehlerquadratsumme

oder Residuenquadratsumme (RSS).

Abbildung in dieser Leseprobe nicht enthalten

(2.7)

mit RSS Fehlerquadratsumme [Abbildung in dieser Leseprobe nicht enthalten] Fehlerquadrat in t Der β-Faktor, bei dem die Fehlerquadratsumme minimal wird, ist durch folgende Gleichung beschrieben:[Abbildung in dieser Leseprobe nicht enthalten]¹

Abbildung in dieser Leseprobe nicht enthalten

(2.8)

Ist β bestimmt, lässt sich durch Einsetzen in Gleichung (2.8) der α-Koeffizient bestim- men.

Es lassen sich nicht nur einfache Regressionen, mit nur einer erklärenden Variable durchführen, sondern es besteht die Möglichkeit beliebig viele β-Regressionskoeffizienten nach folgendem Muster in eine Regression einzubeziehen.

Abbildung in dieser Leseprobe nicht enthalten

(2.9)

Zu beachten ist dabei, wieviele Faktoren in ein Modell einbezogen werden. Problematisch ist, dass sich zu viele Faktoren, durch Ihre Korrelation substituieren. Bei zu wenigen Variabeln können wichtige Zusammenhänge vernachlässigt werden. Beides schmälert die Ergebnisqualität und damit die Aussagekraft des Modells.

2.4 Stand der Forschung zu Schifffahrtsaktien und deren Einsatz im Portfolio

Da in dieser Arbeit auf das Diversifikationspotential von Schifffahrtsaktien als Asset Klasse eingegangen wird, folgt nun ein kleiner Überblick über die Literatur in diesem Bereich. Im Bereich der Schifffahrtsaktien ist die Dichte der empirischen Forschung gering, denn als Anlageklasse ist das Investment verhältnismäßig neu. Frühe Forschung (1997-2001) von Grammenos, Kavussanos und Marcoulis² konzentriert sich auf eine Analyse der β-Koeffizienten der Schifffahrtsaktien zum Aktienmarkt. Sie analysieren die Bewertung börsennotierter Gesellschaften in der Wassertransportindustrie auf Basis aggregierter Daten. Diese Autoren kommen zu dem Ergebnis, dass sich das systematische Risiko der analysierten Schifffahrtsgesellschaften nicht signifikant von dem anderer Transportgesellschaften unterscheidet.

In einer weiteren Untersuchung zeigen Kavussanos, Marcoulis und Arkoulis (2002), dass das Marktrisiko der US-Schifffahrtsindustrie niedriger oder gleich dem anderer Transportsektoren ist. Eine Ausnahme ist der Schienentransportsektor, der ein si- gnifikant niedrigeres Risiko besitzt. Die Analyse wird in Kavussanos, Juell-Skielse und Forrest (2003) um einen Vergleich des Risikoprofils von Schifffahrtsaktien und schifffahrtsnahen Industrien erweitert. Zu diesem Zweck werden Schifffahrtsaktien in Sub-Sektoren eingeteilt. Im Ergebnis besitzen die Sub-Sektoren “Drilling“ und “Offshore“ ein signifikant höheres systematisches Risiko, als die übrigen Sektoren der Untersu- chung. Es besteht kein Unterschied des systematischen Risikos zwischen einer innerhalb der Schiffindustrie diversifizierten Gesellschaft und einer, die undiversifiziert operiert. Zusätzlich wird festgestellt, dass die β-Koeffizienten der Aktien einen Wert unter eins annehmen und somit ein systematisches Risiko unter dem Marktdurchschnitt implizieren.

In der Studie von Magirou, Psaraftis, Babilis und Denissis (2008) wird eine hypothe- tische Position als Schiffsbesitzer untersucht, beschrieben durch die Auszahlungsreihen aus einem Portfolio verschiedener Schiffstypen. Ergebnis ist, dass niedrige oder sogar negative Werte für die Kovarianz mit dem Dow Jones Industrial Average Index gefunden werden. Dies lässt möglicherweise einen Rückschluss auf einen positiven Wertbeitrag von Schifffahrtsinvestments in einem breit diversifizierten Portfolio zu.

Das Diversifiktionspotential von alternativen Anlagen wie Hedge Funds, Private Equity (Unternehmensbeteiligungen) oder Real Estate (Immobilien) ist in diversen Studien untersucht worden. So finden die Untersuchungen von French (2005) oder Heidorn, Kaiser und Muschiol (2007) ein deutliches Diversifikationspotential von Hedge Funds, im Sinne einer deutlichen (signifikanten) Verbesserung der Mean-Variance Portfolio Performance eines Portfolios aus Anleihe und Aktien, durch Kombination mit zusätzlichen alternativen Anlagen.

Für den Private Equity Bereich findet die Mehrzahl der Studien (vgl. bspw. Schmidt (2006)) einen deutlichen Diversifikationseffekt. Allerdings zeigt die Studie von Ennis und Sebastian (2005), dass zwischen verschiedenen Arten der Private Equity Investitionen teilweise große Unterschiede im Hinblick auf das Diversifikationspotential herrschen. Zu Real Estate Anlagen gibt es die meiste empirische Literatur. In neueren Studien wird nicht nur auf eine höhere Effizienzlinie bzw. höhere Sharpe Ratios eingegangen, sondern auch das Diversifikationspotential durch ein von Gibbons, Ross und Shanken (1989) entwickeltes Verfahren³ auf statistische Signifikanz untersucht. Hübner, Schwaiger und Winkler (2004) zeigen, dass nur im bestimmten Konstellationen ein statistisch signifikanter Diversifikationsgewinn erreicht wird. Das Diversifikationspotential von Schifffahrstaktien im Portfoliozusammenhang wird erstmals von Grelck, Prigge, Tegtmeier und Topalov (2007) untersucht. Ergebnis ist, dass kein statistisch aber ein ökonomisch signifikanter Diversifikationsgewinn erzielt wird, wenn die “Assetklasse“ Schifffahrt zu einem gut diversifizierten Portfolio aus Aktien und Anleihen hinzugefügt wird. Im Anschluss an diesen Überblick zur bisherigen Forschung werden im folgenden Kapitel die Daten beschrieben, die im Rahmen dieser Arbeit in die Analysen eingehen.

KAPITEL 3 Datenbasis

3.1 Grundüberlegungen

Frühere Arbeiten von King (1966) und Nerlove (1968) haben gezeigt, dass Unternehmen der gleichen Industrie ähnliche Risiko-/Renditecharakteristiken aufweisen. Die Studien von Capul (1999) zeigen, dass Kapitalmärkte immer integrierter werden und Industrien bis zu einem gewissen Grad homogen sind. Diese Industrien können durch einen Index repräsentiert werden. Dadurch wird für Unternehmen und Investoren die Klassifikation immer wichtiger und es wird möglich, Indizes als Proxy für eine Industrie oder den gesamten Markt zu nutzen. Der Schwerpunkt dieser Arbeit liegt auf der Indexanalyse, stellvertretend für viele später aggregierte Einzelanalysen. Gemäß Gleichung 2.3 wird als Proxy folgendes benötigt:

- Ein Index, der für die weltweite Aktienmarktentwicklung steht
- Ein Index, der das Industriesegment Schifffahrt abbildet
- Eine Zeitreihe, die für den risikolosen Zinssatz steht

Im weiteren Verlauf der Untersuchung wird darauf abgezielt, den Einfluss makroöko- nomischer Risikofaktoren zu untersuchen, wie z.B. bei Kavussanos et al. (2002) oder Chen, Roll und Ross (1986) bzw. Cheng (1995). Diese Arbeit beleuchtet den Einfluss der Faktoren Produktion, Ölpreis, Metallpreis, Wechselkurs, Frachtraten und Inflation. Für jeden dieser Faktoren wird eine Zeitreihe benötigt. Um die Fragestellung nach den Auswirkungen von Schifffahrtsaktien im wohldiversifizierten Portfolio zu untersuchen, wird in Abschnitt 4.4 zusätzlich noch ein Proxy für die Rendite von Staatsanleihen benötigt.

3.2 Datenbeschreibung

Der Zeitraum, für den Daten analysiert werden, ist 01. Januar 1995 - 01. Januar 2008. Sämtliche Zeitreihen enthalten US-Dollar Werte, da die Analyse dieser Arbeit aus Sicht eines US Investors geführt wird. Die Daten entstammen der Thomson Datastream Da- tenbank, alle Codes sind in Tabelle 3.2 aufgelistet. Indizes von Morgan Stanley Capital International (MSCI) werden als Proxys für den Industriesektor Schifffahrt, die Weltak- tienmarktperformance und die Produktion benutzt. Das Hauptuntersuchungsobjekt, der Proxy für den Schifffahrtssektor (MARINE), ist der MSCI Marine Index. Dieser besteht aus 13 großen Schifffahrtsgesellschaften und entspricht dem Global Industry Classification Standard 20303010.¹ Tabelle 3.1 zeigt die genaue Zusammensetzung des MSCI Marine Index.

Tabelle 3.1: Zusammensetzung des MSCI Marine Index ²

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3.2: Datastream Codes

Abbildung in dieser Leseprobe nicht enthalten

Die Kurszeitreihen der einzelnen Unternehmen werden im ersten Abschnitt der Untersuchung eingehender betrachtet, sofern die Zeitreihen über den kompletten Betrachtungszeitraum erhältlich waren. Der MSCI World Index dient in der späteren Untersuchung als Proxy (MSCIW) für die Performance des Weltaktienmarktes. Der Index zielt darauf ab, 60% der Marktkapi- talisierung der entwickelten Länder abzudecken. Aktuell werden 23 Länder von MSCI als entwickelte Länder klassifiziert und gehen somit in die Berechnung des MSCI World Index ein.³ Beide Indizes und die Einzelkurse sind sogenannte Total Return-Zeitreihen auf monatlicher Basis und damit um Dividendenzahlungen sowie Bezugsrechtserlöse korrigiert. Andernfalls würden Kurskorrekturen nach diesen Auszahlungen dazu führen, dass die Ausschüttungen nicht mit in die Berechnung der Performance eingehen. Sowohl der MSCI Marine Index, als auch der MSCI World sind nach Freefloat gewichtet, die Anteile der einzelnen enthaltenen Assets berechnen sich folglich anhand der Verhält- nisse der Freefloatmarktkapitalisierung⁴. Also Proxy für den risikolosen Zinsatz wird der Zinssatz der 3-Monats US Treasury Bills als Proxy genutzt. Da die Zeitreihe als

Jahreszinssatz verfügbar war, wird definiert:

Abbildung in dieser Leseprobe nicht enthalten

(3.1)

mit USTB3 3-Monats US Treasury Bill Zinssatz

Der MSCI World GDP Index wird als Proxy (GDP) für den ökonomischen Faktor Produktion genutzt. Er ist, wie die beiden anderen MSCI Indizes, um Dividendenaus- zahlung und Bezugsrechtserlöse korrigiert. Die Gewichte werden jedoch nicht durch die Freefloatmarktkapitalisierung determiniert. Im MSCI World GDP werden Aktien der 23 genannten Länder im Verhältnis der Bruttoinlandsprodukte der Länder gewichtet. Kavussanos et al. (2002) verwenden ein ähnliches Verfahren um einen Näherungswert für die Produktion zu bekommen: Sie gewichten die monatlichen Wachstumsraten der Industriellen Produktion in den G7-Ländern mit deren Bruttoinlandsprodukten und erhalten so einen aggregierten gewichteten Näherungswert für deren Produktionswachs- tum.

Als Proxy für Ölpreis (OIL) und Metallpreis (METAL) werden Indizes von Standard & Poors (S & P) verwendet. Der S & P Goldman and Sachs Capital International (GSCI) Commodity Index ist der Standard im Rohstoffbereich und stellt damit eine Basis für diese Untersuchungen dar. Der S & P GSCI Crude Oil Index, sowie der S & P GSCI Industrial Metals sind Unterkategorien des S & P GSCI Commodity Index.

[...]

---

¹ Herleitung in Asteriou (2006), S. 29ff.

² siehe z.B. Grammenos und Marcoulis (1996) und Kavussanos und Marcoulis (1997)

³ siehe Abschnitt 4.4

¹ Unternehmen, die Seetransport von Gütern und Personen leisten. Kreuzfahrtschiffe sind ausge- nommen, denn diese werden als Unterkategorie der Hotelbranche einbezogen

² © 2007 MSCI Barra. Nutzung im Rahmen dieser Arbeit gestattet. Stand: 26.05.2008

³ Australien, Canada, Belgien, Dänemark, Deutschland, Finnland, Frankreich, Griechenland, Hong Kong, Irland, Italien, Japan, Niederlande, Neu Seeland, Norwegen, Österreich, Portugal, Singapur, Spanien, Schweden, Schweiz, Großbritannien und USA

⁴ Freefloat ist der Anteil an Aktien, der prinzipell tatsächlich für den Aktienhandel frei verfügbar ist. Aktien die langfristig in größerem Umfang von strategischen Investoren gehalten werden, werden in den Freefloat nicht einbezogen.