Event study: differenze tra le versioni

Versione delle 06:50, 26 mag 2013

Versione delle 15:55, 19 mar 2014

Riga 10:

Un ''event study'' ha l'obiettivo di valutare se il comportamento di una data serie storica in corrispondenza di un dato evento può considerarsi anomalo in maniera [[significatività|statisticamente significativa]]. A tal fine, si definisce un modello econometrico del comportamento "normale" della serie, che dovrà fungere da riferimento per valutarne l'"anormalità" in corrispondenza dell'evento. Un esempio tipico può essere tratto dalla letteratura sul riacquisto di azioni proprie (si veda ad es. Vermaelen, 1981); i lavori condotti nell'ambito di tale linea di ricerca in genere valutano l'impatto sul valore delle azioni di un'impresa dell'annuncio da parte dell'impresa stessa di un programma di riacquisto di azioni proprie; in media si osserva un incremento di prezzo, depurato dal movimento generale del mercato, pari al 2-3% in corrispondenza di un annuncio di un programma di riacquisto di azioni condotto sul mercato aperto, e del 10% circa in corrispondenza dell'annuncio di programmi di riacquisto basati su offerte pubbliche. La metodologia di ''event study'' è incentrata su come tali movimenti dei prezzi, depurati da fattori estranei all'evento stesso (l'annuncio del riacquisto di azioni in questo esempio), debbano essere calcolati.

[[Immagine:Cumulative_abnormal_returns.JPG|450pxupright=2|thumbnail|Rendimento anomalo cumulato medio intorno ad annunci di programmi di riacquisto di azioni proprie nei mercati USA nel periodo 1980—2004; il rendimento anomalo è stato calcolato sulla base di un ''modello di mercato''.]]

L'obiettivo di un ''event study'' è, in altri termini, valutare l'impatto dell'informazione contenuta nell'evento sul valore dell'impresa in questione, ossia sul prezzo di mercato delle sue azioni. A tal fine, si costruisce un modello statistico dei rendimenti dei titoli; un esempio standard è il cosiddetto ''modello di mercato'':

Riga 72:

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.

[[Immagine:Distribuzione empirica.png|450pxupright=2|thumbnail|Distribuzione empirica dei rendimenti anomali, su un orizzonte di 12 mesi, di imprese quotate sul mercato londinese (''London Stock Exchange'') nel periodo 1985-2006; risultato di un ''bootstrap'' basato su 1000 iterazioni. Si osservi la non-normalità della distribuzione, la cui coda sinistra risulta più "lunga" di quella destra — ossia, la distribuzione risulta asimmetrica, a differenza della distribuzione normale, caratterizzata da simmetria. La non-normalità della distribuzione empirica dei rendimenti anomali di lungo periodo costituisce una delle principali motivazioni alla base del ricorso a metodi ''bootstrap'' negli ''event study'' di lungo periodo.]]

Una tipica applicazione è presentata da Ikenberry ''et al.'' (1995). Nello specifico, Ikenberry ''et al.'' cercano di tenere sotto controllo, nella selezione (casuale) del campione per il ''bootstrap'', l'effetto di due variabili che la letteratura ha individuato come fattori che spiegano il rendimento atteso: dimensione delle imprese (valore di mercato) e rapporto valore di libro-valore di mercato delle azioni. Per ogni impresa per la quale osservano un evento (un riacquisto di azioni proprie, nel caso di Ikenberry ''et al.''), selezionano in maniera casuale un'altra impresa, che non ha un evento, con simile dimensione e rapporto valore di libro-valore di mercato; quest'ultima impresa rientrerà nel portafoglio per il ''bootstrap''. L'operazione è ripetuta per ciascuna impresa per la quale si osserva un evento, per 1000 volte; il risultato è una distribuzione empirica dei rendimenti di lungo periodo, sulla base della quale Ikenberry ''et al.'' conducono la loro analisi statistica, calcolando gli intervalli di confidenza rilevanti per l'analisi sulla base della distribuzione "empirica."