Okke

Vragen#

Firm returns: Ik heb mijn firm returns nu berekend als log(price/price(n-1)). Ik denk alleen dat dit wellicht incorrect is. Kan ik ook de firm returns vanuit CRPS downloaden?

• Volgens mij niet. Als het in de selectie mogelijk is, dan wel, maar het zou niet moeilijk moeten zijn om van stock prices naar stock returns te gaan. In R werkt het zo:

bereken_stockreturns <- function(vectoruitdf){

    n <- length(vectoruitdf)
    ret <- ((vectoruitdf[2:n] - vectoruitdf[1:(n-1)])/vectoruitdf[1:(n-1)])
    ret <- c(NA, ret)
    return(ret)
}

df %>%
    mutate(returns = bereken_stockreturns(stockprices))

In python:

def bereken_returns(vector):
   
    returns = (vector - vector.shift(1))/vector.shift(1)
    
    return pd.Series(returns)

df['returns'] = bereken_returns(df['stock prices'])

Bad news: Ik heb contact gezocht met verschillende data verschaffers om hier data over te krijgen. Uiteindelijk heb ik niet gekregen wat ik wilde. Wat ik wel heb gekregen is de “investors sentiment” over de gehele markt voor de komende 6 maanden. Wat vind jij hiervan? Aangezien ik de regressies uitvoer op het bedrijfsspecifieke risico zou dit wellicht een vertekend beeld kunnen geven.

• Ik snap het niet! Wat heb je precies niet gekregen? Waarschijnlijk is dit niet geschikt voor analyse.

Asset pricing model#

Fama French factor model: Ik heb ook de residuals for dit model proberen te berekenen. Echter, de dataset was te groot voor mijn computer. Ik probeerde de Beta’s te schatten op basis van dagelijkse returns.

• Stappen: in het estimation sample, schat voor elk bedrijf apart een asset pricing model: per bedrijf krijg je 3 (in FF3F) $\beta$’s.

• Koppel de $\beta$’s van dat asset pricing model aan de dataset met returns:

• Bereken de (monthly, weekly) risk-adjusted volatility vanuit de formule die in de thesis staat.

• Probeer die variabele te verklaren met $\sigma_it = \alpha + \beta_1 \cdot \text{Alphabet} + \beta_2 \cdot \text{Var(Rm)} + \beta_3 \cdot \text{Var(SMB)}_{it} + \dots$.

• (In de $\dots$ moeten je controle variabelen. Zo test je of die variabelen explanatory power hebben boven de voorspelde return door het asset pricing model op elk moment in de tijd.

Then a 1-year time-series regression was run from the excess returns on the factors returns to obtain the loadings of each factor. Using the daily alpha’s generated by this model, the monthly firm-specific variations were obtained.

What does this mean exactly?

Testing of hypotheses:#

To investigate the effect of alphabetical ordering on the price volatility, a simple OLS regression was performed.

• What is the exact regression? I think you should write down the equation explicitly.

• You can do many things: define and look for alphabet bias in many ways.

• Crash risk: you can also test this hypothesis in a similar way: use the beta coefficients to predict crash risk in various ways (also look for different methodologies in the literature), but I think the most logical would be to just run the same regression, but then with the DV being a dummy of at least one stock return lower than $x$%.

Ik ben met name nieuwsgierig wat je van de resultaten. Ik vond ze zelf erg interessant. Ik ben me er overigens van bewust dat alles er netter uit moet zien voor de final version. De conclusie zal ook nog veel uitgebreider moeten. Ik wilde echter liever eerst de resultaten met jou bespreken voordat ik hier mee verder ga.

• Fig. about alphabetical presence is really nice.

• Table 2: waarom residual, en waarom niet volatility = f(andere asset pricing variabelen? Rm, SMB, HML?) + alphabet bias + controls?

  • For the record, ik denk dat allebei de approaches kunnen.

• Table 2: no fixed effects vs. table 3: fixed effects?

• Some analyses with highest x%, some analyses with position. Highest 5% almost always significant, those results are nice and interesting.

• I don’t understand the investor sentiment variable yet.