Event study: differenze tra le versioni

Versione delle 18:59, 17 apr 2009

Versione delle 21:19, 9 feb 2010

Riga 56:

===Metodologie per la stima dei rendimenti anomali di lungo periodo===

Come accennato sopra, la maggior parte degli ''event study'' si concentra su orizzonti giornalieri; questo in primo luogo per la maggior robustezza dei risultati (che non appaiono sensibili rispetto al ''benchmark'' o al particolare test statistico utilizzati per stimare i rendimenti anomali e valutarne la [[significatività]]), nonché sulla base dell'ipotesi di [[efficienza del mercato]] in senso informativo, in base alla quale tutta l'informazione contenuta in un dato evento dovrebbe essere rapidamente incorporata dal mercato nel prezzo dell'attività finanziaria oggetto di studio. A partire dai tardi [[anni 1980|anni '80ottanta]], tuttavia, una serie di studi ha preso in considerazione i rendimenti anomali di lungo periodo, con orizzonti temporali di alcuni anni. In ragione della maggiore sensibilità delle conclusioni di questi studi rispetto al ''benchmark'' e ai test statistici di riferimento, si è rapidamente sviluppata un'intera letteratura dedicata allo sviluppo di metodologie per gli ''event study'' di lungo periodo.

====Metodo ''calendar time''====

Riga 68:

====Metodi ''bootstrap''====

Una metodologia alternativa al metodo ''calendar time'' è quella della stima di una distribuzione ''empirica'' dei rendimenti anomali, con metodi ''[[metodo bootstrap|boostrap]]''; questo approccio è stato studiato da Barber e Lyon (1997) e Lyon ''et al.'' (1999) e utilizzato, ad esempio, da Lakonishok e Vermaelen (1990) e Ikenberry ''et al.'' (1995). Il motivo principale addotto a sostegno di questa metodologia è la non-[[variabile casuale normale|normalità]] della distribuzione dei rendimenti (e, conseguentemente, dei rendimenti anomali), un risultato empirico noto almeno dagli [[anni 1960|anni '60sessanta]] (cfr. ad es. Mandelbrot, 1963; Fama, 1965); data la non-normalità dei rendimenti anomali, condurre inferenza statistica tramite le consuete statistiche ''t'' (che richiedono una qualche forma di normalità) porterebbe a ottenere risultati spuri (in particolare, a considerare statisticamente significativi rendimenti anomali che non sarebbero in effetti significativamente diversi da zero).

Una soluzione al problema della non-normalità consiste nella stima di una distribuzione ''empirica'' dei rendimenti, tramite un metodo detto ''bootstrap''. Il metodo consiste nel calcolare il rendimento anomalo di una serie di portafogli selezionati in maniera casuale; l'intuizione suggerisce che, se il numero di portafogli è sufficientemente elevato, la distribuzione dei rendimenti anomali così ottenuta dovrebbe corrispondere alla "vera" distribuzione dei rendimenti anomali, quella cioè che dovrebbe essere utilizzata per condurre inferenza statistica.