FACULTEIT ECONOMIE EN BEDRIJFSKUNDE...

FACULTEIT ECONOMIE EN BEDRIJFSKUNDE

ACADEMIEJAAR 2001-2002

Empirisch onderzoek naar liquiditeitspremie op de

aandelenmarkten van de Benelux en Frankrijk.

Scriptie voorgedragen tot het bekomen van de graad van:licentiaat in de economische wetenschappen

Tom Van Laere

onder leiding van

Prof. Dr. J. Annaert

Ondergetekende Tom Van Laere bevestigt hierbij dat onderhavige scriptie mag wordengeraadpleegd en vrij mag worden gefotokopieerd. Bij het citeren moet steeds de titel en deauteur van de scriptie worden vermeld.

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk I

Universiteit Gent 2001-2002

Woord vooraf

Ik bedank Prof. Dr. Jan Annaert en het Ghent Finance Center voor hun medewerking aan mijn

scriptie. Ik bedank verder mijn nonkel Omer Van Laere en tante Maria Van Dooren voor het

financieren van mijn studies en mijn vriendin Marjolein Van Eynde voor de steun.

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk II


Inhoudsopgave

INLEIDING 1

DEEL 1 : DEFINITIE EN BELANG VAN LIQUIDITEIT 3

DEEL 2 : DE INVLOED VAN DE INVOERING VAN DE EURO 8

2.1 INLEIDING 82.2 ALGEMENE INVLOED VAN DE KOMST VAN EUROLAND OP DE LIQUIDITEIT 82.3 CLUSTERING VAN LIQUIDITEIT. 152.4 BEURSFUSIES ALS OPLOSSING. 16

DEEL 3 : HET EMPIRISCH ONDERZOEK 19

3.1 INLEIDING 193.2 DRIE BEURZEN:BRUSSEL, AMSTERDAM EN PARIJS. 193.3 DE GEBRUIKTE AANDELEN. 253.4 DE PERIODE. 273.5 SAMENVATTENDE STATISTIEKEN VAN DE GEBRUIKTE AANDELEN. 283.6 HET MODEL 363.6.1 INLEIDING 363.6.2 PANEL DATA 373.6.3 RISICO 383.6.3.1 Inleiding 383.6.3.2 Het SIM. 393.6.3.3 Het CAPM. 403.6.3.4 Risico in ons model. 423.6.4 DE LIQUIDITEITSMAATSTAVEN. 523.6.4.1 Inleiding. 523.6.4.2 Het gebruik van liquiditeitsmaatstaven. 523.6.4.3 De marktkapitalisatie. 543.6.4.4 Het volume. 553.6.4.5 De bid-ask spread. 563.6.4.6 Correlatie tussen de maatstaven. 573.6.4.7 Verschil in liquiditeitspremies per beurs. 583.6.5 DE SECTOR. 593.6.6 DE BEURS- EN TIJDSDUMMIES. 61

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk III


3.7 DE RESULTATEN. 623.7.1 INLEIDING. 623.7.2 PROBLEMEN. 623.7.3 DE RESULTATEN. 653.7.3.1 Regressie met marktkapitalisatie. 653.7.3.2 Regressie met omzet. 693.7.3.3 Maandelijkse regressies. 713.7.3.4 Andere studies. 743.7.3.4.1 De invloed van de euro. 743.7.3.4.2 De invloed van de beursfusies en verdere analyse omtrent de euro. 773.7.4 BESLUIT EN BLIK OP DE TOEKOMST. 77

ALGEMEEN BESLUIT 79

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk IV


Lijst van Figuren

Figuur 1: Excess-marktrendement op het aandeel met spread nul. _____________________ 5

Figuur 2: Aandelenrendementen: Land-tegenover industrie-effect (MSCI Large caps). ____ 14

Figuur 3: Outputgap in % van het potentieel Bruto Binnenlands Produkt._______________ 23

Figuur 4: De efficiënte grens en de Capital Allocation Line. _________________________ 39

Figuur 5: De Security Market Line. ____________________________________________ 41

Figuur 6: Marktindex gebaseerd op maandrendementen. ___________________________ 43

Figuur 7: Maandelijkse afwijking ten opzichte van Parijs voor Brussel. ________________ 72

Figuur 8: Maandelijkse afwijking ten opzichte van Parijs voor Amsterdam. _____________ 73

Figuur 9: Samenstelling van aandelenportefeuilles van pensioenfondsen in Nederland.____ 75

Figuur 10: Belgian all shares, CDAX, SBF 250 en DJ EURO STOXX General. _________ 76

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk V


Lijst van Tabellen

Tabel 1: Totale marktkapitalisatie in miljoen € en aantal blue chips.___________________ 20

Tabel 2: Algemene statistieken Beurs van Brussel. ________________________________ 29

Tabel 3: Algemene statistieken Beurs van Amsterdam. _____________________________ 30

Tabel 4: Algemene statistieken Parijs. __________________________________________ 32

Tabel 5: Aantal aandelen per beurs en volgens soort. _______________________________ 35

Tabel 6: Rekenkundig gemiddelden van bovenstaande statistieken. ___________________ 36

Tabel 7: Beta en sector van aandelen genoteerd op beurs van Brussel. _________________ 44

Tabel 8: Beta en sector van aandelen genoteerd op beurs van Amsterdam. ______________ 45

Tabel 9: Beta en sector van aandelen genoteerd op beurs van Parijs.___________________ 47

Tabel 10: Rekenkundig gemiddelde van de excess-maandrendementen gecontoleerd voor

risico, opgedeeld volgens periode en beurs. ______________________________ 51

Tabel 11: Standaardafwijking, maximum en minimum van de excess-maandrendementen

gecontroleerd voor risico, opgedeeld volgens beurs, voor geheel de periode. ____ 51

Tabel 12: Rekenkundig gemiddelde van de gemiddelde marktkapitalisatie per aandeel,

opgedeeld per beurs in miljoen €. ______________________________________ 55

Tabel 13: Het rekenkundig gemiddelde van de gemiddelde verhandelde hoeveelheid van elk

aandeel per beurs in duizendtallen. _____________________________________ 56

Tabel 14: Rekenkundig gemiddelde van de gemiddelde bid-ask spread van elk aandeel per

beurs in €. ________________________________________________________ 57

Tabel 15: Correlaties tussen de verschillende liquiditeitsmaatstaven. __________________ 58

Tabel 16: Rekenkundig gemiddelde van het belang dat elk aandeel gemiddeld in de

marktkapitalisatie heeft. _____________________________________________ 59

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk VI


Tabel 17: FTSE sectorindeling.________________________________________________ 60

Tabel 18: Waarnemingen van inkomen volgens opleiding en geslacht._________________ 63

Tabel 19: Gemiddelde waarden en de berekende geschatte waarden. __________________ 64

Tabel 20: Basisregressie met marktkapitalisatie. __________________________________ 65

Tabel 21: Verschil ten opzicht e van de constante._________________________________ 66

Tabel 22: Verschil ten opzichte van Parijs._______________________________________ 67

Tabel 23: Basisregressie met volume.___________________________________________ 69

Tabel 24: Afwijking ten opzichte van Parijs. _____________________________________ 70

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk 1


Inleiding

Vanaf 1999 waren er regelmatig berichten in het nieuws dat de beurs van Brussel het niet zo

goed deed. Het is interessant om eens dieper te kijken naar de oorzaak van deze berichten. We

weten dat de prestatie van een beurs afhangt van de aandelen die er op noteren. Het zou

kunnen dat de bedrijven die deze aandelen hebben uitgegeven het allemaal slechter hebben

gedaan ten opzichte van bedrijven in andere delen van Europa. Dit zou ervoor zorgen dat de

uitgekeerde dividenden en de prijs, als verdiscontering van de verwachte toekomstige

dividenden, het niet zo goed hebben gedaan, wat de prestaties negatief beïnvloed heeft.

Een andere mogelijke verklaring zou het relatief grotere risico dat vanaf 1999 voor, in Brussel

noterende, aandelen zou ontstaan zijn, waardoor de risicopremie omhoog moest. Hierdoor

stijgt de verdisconteringrente, waardoor de prijzen van de aandelen negatief worden

beïnvloed. Deze twee voorgaande verklaringen bieden evenwel geen voldoening, omdat er

weinig aanwijzingen in deze richtingen waren.

Toen kwam het woord liquiditeit op de proppen en misschien was het wel deze factor die de

meeste invloed heeft gehad op het slechte presteren van de beurs van Brussel. De

veranderende liquiditeitssituatie voor de beurs van Brussel in het algemeen zou wel eens

kunnen te maken gehad hebben met de invoering van de euro, die een vooruitgang op het vlak

van integratie tussen de eurolanden betekende. In het jaar 2000 kwam dan het bericht dat de

beurs van Brussel ging fuseren met de beurzen van Amsterdam en Parijs. Het

liquiditeitsaspect kwam ook hier sterk naar voor in de verklaring voor de totstandkoming van

de fusie.

Het probleem is nu dat liquiditeit een moeilijk begrip is, waarvan de definitie misschien wel al

op punt staat, maar een direct afleesbare, correcte maatstaf is nog niet beschikbaar. Verder

moeten we ook kijken op welke manier liquiditeit de rendementseis beïnvloedt en in welke

mate ze dit doet. Aan de hand van een zelf ontwikkeld model gaan we de invloed die

liquiditeit heeft gehad op de prestaties van de drie gefuseerde beurzen ontleden. We gaan de

liquiditeitspositie bekijken voor de beurs in het algemeen. Dit betekent dat we de

liquiditeitspositie onderzoeken als een ruimer begrip dan de som van de liquiditeitsposities

van de aandelen die op deze beurzen zijn genoteerd.



We gaan met andere woorden in ons model controleren voor allerlei mogelijke factoren,

waaronder ook liquiditeitsmaatstaven voor elk individueel aandeel, om zo de recente

liquiditeitsevolutie voor de drie beschouwde te kunnen onderzoeken. We gaan de

liquiditeitspositie analyseren aan de hand van de invloed die deze gehad heeft op de

rendementsevolutie.

We hebben onze analyse nu in verschillende stukken opgedeeld.

We proberen om eerst via een theoretische onderbouwing de verwachte evolutie van de

rendementen te bekijken. We gaan hiervoor eerst na wat liquiditeit is en wat de invloed van

liquiditeit is op het rendement dat een bepaald aandeel zal behalen. Vervolgens gaan we

kijken naar de mogelijke invloed die de invoering van de euro kan gehad hebben op de de

liquiditeitspositie in geheel de Eurozone. Verder onderzoeken we theorieën over de clustering

van liquiditeit en wat hiervan het gevolg kan zijn voor kleinere beurzen. Tenslotte gaan we in

op de recente ontwikkelingen op het vlak van beursfusies, die deels een reactie zijn op de

verdere integratie door de euro en de clustering van liquiditeit.

Na de theoretische beschouwing over de verwachte rendementsevolutie gaan we ons

opgesteld model van naderbij bekijken. We gaan de factoren waarvoor we controleren

analyseren en we bekijken hoe we ze in ons model kunnen opnemen. Ook onze eigen

onderzoeksvariabelen gaan we analyseren.

In een laatste deel gaan we de resultaten van ons model beoordelen en proberen ze te toetsen

aan de verwachtingen die we vanuit onze theoretische beschouwingen hebben opgebouwd.

Tenslotte werpen we ook een blik op de toekomst.



Deel 1 : Definitie en belang van liquiditeit

Het bestuderen van liquiditeit op aandelenbeurzen heeft de laatste jaren meer en meer

aandacht gekregen. Dit kan verklaard worden door de komst van pensioen- en

beleggingsfondsen en andere institutionele beleggers. Een liquide aandelenbeurs zorgt er

namelijk voor dat alle transacties (groot en klein) snel, en met lage kost, kunnen worden

uitgevoerd, zonder dat de prijs verandert. Doordat grote beleggers een groot kapitaal beheren,

kunnen ze door een grote transactie te plaatsen op een illiquide aandeel, de prijs doen

veranderen. Anderzijds is het ook zo dat indien ze in een bepaald aandeel hebben belegd, en

het aandeel willen verkopen, ze dit bij illiquide markten niet onmiddellijk kunnen, omdat er te

weinig kopers zijn en omgekeerd indien ze een groot kooporder willen plaatsen. Dit zorgt

ervoor dat grote beleggers eerder geneigd zullen zijn om naar liquide aandelen te gaan. Verder

is de derde factor in de definitie: de lage kost van transacties, ook belangrijk voor actieve

beleggers, omdat zij in sommige gevallen door middel van het nagaan van marktinefficiënties,

snel van aandeel zullen willen veranderen, als er nieuwe opportuniteiten gevonden worden.

Dit brengt ons bij de uitleg over het ontstaan van een liquiditeitspremie voor aandelen,

vergelijkbaar met de liquiditeitspremie die vereist is voor vastrentende lange

termijnbeleggingen.

In 1986 brachten Amihud en Mendelson een artikel uit dat is uitgegroeid tot basiswerk voor

de studie van liquiditeit op aandelenbeurzen. In dit onderzoek gaan ze uit van de negatieve

correlatie die er is tussen liquiditeit (die gemeten werd door traditionele maatstaven zoals

bijvoorbeeld handelsvolume) en de bid-ask spread. De bid-ask spread is een middel waarbij

men de illiquiditeit kan meten door de kost te zien voor onmiddellijke uitvoering. “An

investor willing to transact faces a tradeoff: He may either wait to transact at a favorable price

or insist on immediate execution at the current bid or ask price. The quoted ask (offer) price

includes a premium for immediate buying, and the bid price similarly reflects a concession

required for immediate sale (AMIHUD Y. en MENDELSON H.,1986, blz. 223).”



Ze ontwikkelen een model waarbij ze tot twee eigenschappen komen.

“Proposition 1 (clientele effect). Assets with higher spreads are allocated in equilibrium to

portfolios with (the same or ) longer expected holding periods.

Proposition 2 (spread-return relationship). In equilibrium, the observed market (gross) return

is an increasing and concave piecewise-linear function of the (relative) spread (AMIHUD Y.

en MENDELSON H.,1986, blz. 228).”

Ze geven verder nog aan hoe dit intuïtief kan aangetoond worden. De positieve correlatie

tussen return en spread weerspiegelt de vergoeding die beleggers willen voor hun

transactiekosten. De concaviteit van het resultaat volgt uit het cliënteeleffect waarbij bij

langetermijnbeleggers de kosten over een langere holding period kunnen verdelen. Dit zorgt

er dan verder weer voor dat hoe langer de holding period is, des te smaller de compensatie die

vereist is voor een grotere bid-ask spread. Omdat het nu juist de langetermijnbeleggers zijn

die in deze hoge spread aandelen stappen, stijgt de return vereist voor een grotere spread

minder dan proportioneel mee met de stijging van de spread (AMIHUD Y. en MENDELSON

H., 1986, blz. 228-229).

We krijgen dus vergelijkbaar met de liquiditeitspremietheorie voor vastrentende effecten een

stijgende en concave curve, waarbij voor een grotere bid-ask spread een grotere return is

vereist.

In onderstaande figuur bekijken we het resultaat van hun model met arbitrair gekozen

waarden. Empirisch zullen ze dezelfde vorm voor de liquiditeitspremie bekomen. We zullen

in ons onderzoek ook rekening houden met deze concaviteit voor het rendementsverloop

wanneer we liquiditeitsmaatstaven in ons model gebruiken. Onderstaande figuur geeft het

rendement weer dat de markt geeft op aandelen, bovenop het rendement dat een aandeel zou

behalen met een spread van nul.



Figuur 1: Excess-marktrendement op het aandeel met spread nul.

E x c e s s - m a r k t r e n d e m e n t o p h e t a a n d e e l m e t s p r e a d n u l .

0

0 . 0 2

0 . 0 4

0 . 0 6

0 . 0 8

0 . 1

0 . 1 2

0 . 1 4

0 . 1 6

0 . 1 8

0 0 . 0 0 5 0 . 0 1 0 . 0 1 5 0 . 0 2 0 . 0 2 5 0 . 0 3 0 . 0 3 5 0 . 0 4 0 . 0 4 5

R e l a t i e v e b i d - a s k s p r e a d

Exc

ess-

mar

ktre

nd

emen

t

Bron: AMIHUD Y. en MENDELSON H., 1986, blz. 230.

We hebben door middel van voorgaand model nu ook een mogelijke verklaring voor een

marktinefficiëntie die door Fama en French wordt naar voor gebracht: namelijk dat de grootte

van een bedrijf negatief is gecorreleerd met de rendementseis. Dit wordt niet gevat door het

CAPM (zie infra blz 40). (BODIE Z., KANE A. en MARCUS J, 2001, blz.393-397)

Deze hogere rendementseis is nu geen goed nieuws voor het bedrijf dat zich financiert op de

aandelenbeurs. Indien een bedrijf een illiquide aandeel heeft op de beurs, zal haar

financieringskost stijgen, wat bijkomende investeringen minder aantrekkelijk maakt. De

waarde van het bedrijf zal door deze gestegen financieringskost dalen, wat als negatief wordt

ervaren (OOGHE H., 1998, blz. 125).

Bedrijven kunnen dus door hun liquiditeit te verhogen een lagere financieringskost bekomen.

Indien een bedrijf nog niet op de beurs noteert, kan het door een notering een hogere

liquiditeit bekomen en dus voordeel doen. Nog andere mogelijkheden om liquiditeit te

verhogen, indien ze al op de beurs zijn genoteerd, zijn bijvoorbeeld meer informatie verlenen

en maar met één aandeel noteren in plaats van met verschillende aandelen.

Recent onderzoek heeft verder uitgewezen dat de variabele kost van liquiditeit een niet-

diversifieerbare factor bevat, en het dus een deel uitmaakt van het marktrisico. Chordia, Roll

en Subrahmayam vinden namelijk een gelijklopendheid in de variabele kost van liquiditeit.

“Quoted spreads, quoted depth, and effective spreads co-move with market- and industry-

wide liquidity (CHORDIA T., ROLL R. en SUBRAHMANYAM A., 2000, blz.3).



Dit betekent dus dat naast de hogere return, die vereist wordt door de hogere transactiekosten

(zie supra blz. 4), ook een hoger rendement wordt vereist van aandelen die een hogere

gevoeligheid hebben voor algemene liquiditeitsschokken.

Een heel andere kwestie is het verband tussen liquide aandelenmarkten en marktefficiëntie.

De analyse die hierop volgt zal aantonen dat we voor liquiditeitsmaatstaven moeten oppassen.

Het is namelijk zo dat aandelenmarkten misschien wel veel handel vertonen, maar dat dit

enkel maar is door zogenaamde ‘noise-trading’. Markten die efficiënt zijn (hier geeft

aandelenprijs direct alle beschikbare informatie weer) kennen noise-trading minder en zullen

dus in feite ook minder liquide geacht worden. Daarvoor is het interessant om ook eens te

kijken of er geen maatstaven bestaan die een onderscheid maken tussen liquiditeit die ontstaat

door noise-trading en liquiditeit die ontstaat door de opname van nieuwe informatie. Noise

trading ontstaat door personen die geen geïnformeerde transacties uitvoeren. Deze personen

zorgen ervoor dat prijzen van hun evenwicht afwijken, waardoor de personen die

geïnformeerde transacties uitvoeren de prijs terug naar het evenwicht duwen. Indien nu een

markt volledig efficiënt werkt, zal er bij de komst van nieuwe informatie, maar pas kunnen

gehandeld worden indien er noise-traders zijn, die toelaten aan de geïnformeerde traders om

een tegenpartij te vinden. Marktefficiëntie vereist anderzijds ook dat de prijswijzigingen, die

door noise-traders ontstaan indien er geen nieuwe informatie is, ook moeten worden

vermeden. Hier zitten we dus met een paradox. Enerzijds hebben we noise-traders nodig die

toelaten te handelen indien het evenwicht verandert en anderzijds wensen we zo weinig

mogelijk de gevolgen te dragen van noise-traders, omdat zij de prijzen doen afwijken van hun

evenwicht. In beide gevallen leidt een hogere liquiditeit evenwel tot betere resultaten.

Prijsafwijkingen zullen snel worden goedgemaakt bij liquide markten en nieuwe informatie

zal snel in de prijs vervat zitten. Het is nu gewoon zo dat we bij sommige maatstaven voor

liquiditeit bekijken wat de verhandelde hoeveelheid is per procent afwijking van de prijs. We

moeten hierbij dus opletten, want het kan dus zijn dat een zeer liquide aandeel met veel

wijzigingen in de beschikbare informatie door zulke maatstaven als minder liquide zal worden

beschouwd dan een ander aandeel dat weinig nieuwe informatie had te bieden en dus veel

transacties voor weinig veranderende prijswijzigingen laat optekenen (BERNSTEIN P., 1987,

blz.54-62).



In dit hoofdstuk hebben we een definitie en een verklaring voor het belang van liquiditeit van

aandelenmarkten gegeven. Het blijkt dat liquiditeit nodig is om de kapitaalkost van bedrijven

onder controle te houden. Verder is liquiditeit belangrijk om markten efficiënt te laten

functioneren. In een volgend hoofdstuk gaan we proberen na te gaan hoe de liquiditeitssituatie

er,volgens theoretische overwegingen, door de komst van Euroland zou moeten uitzien.



Deel 2 : De invloed van de invoering van de euro

2.1 Inleiding

We gaan in dit hoofdstuk na hoe de liquiditeitspositie evolueert en verder zal evolueren door

de komst van de euro. We onderscheiden in dit hoofdstuk drie verschillende onderdelen. Eerst

gaan we kijken hoe de liquiditeitspositie in het algemeen is geëvolueerd en zal evolueren

voor Euroland. Vervolgens gaan we in op theorieën die nagaan hoe clustering en

netwerkexternaliteiten ons een verschillende liquiditeitspositie voor grote en kleine beurzen

doen vooropstellen. Tenslotte gaan we in op de komst van beursfusies die aan het probleem

dat zich stelt voor de kleinere beurzen het hoofd wil bieden.

2.2 Algemene invloed van de komst van Euroland op de liquiditeit

De komst van Euroland heeft vele gevolgen voor de financiële wereld. Ik belicht hier enkel de

invloed op de liquiditeit voor aandelenbeurzen. Hier gaan we in op de vraag wat er met de

liquiditeitspositie in de Eurozone in het algemeen is gebeurd en hoe ze verder zal evolueren.

Het woord ‘euro’ wordt steeds in één adem uitgesproken met ‘integratie’. Het is nu dezelfde

integratie die zou moeten leiden tot een grotere liquiditeit op aandelenmarkten.

Integratie kan tot een grotere liquiditeit leiden op verschillende manieren.

Ten eerste zijn de uitgevers van kapitaal heterogeen, en hebben ze dus belang bij de

aanwezigheid van vergelijkbare bedrijven op de markt. Dit is nodig om een competitieve prijs

te bekomen. Doordat er al vergelijkbare bedrijven op de markt aanwezig zijn, is het zo dat de

markt zich sneller een beeld kan vormen wat betreft het andere bedrijf. Geïntegreerde markten

zorgen er dus voor dat de gehele waaier van bedrijven aanwezig is op de beurs, wat meer

bedrijven zal aanzetten tot het plaatsen van kapitaal op de beurs. Dit maakt de cirkel rond,

want door de komst van meer bedrijven, zijn er ook weer meer bedrijven die vergelijkbare

bedrijven op de beurs hebben. Deze evolutie verhoogt de aandacht die er is voor een beurs,

wat de liquiditeitspositie ten goede komt (DUISENBERG W., 1999, blz. 4).



De tweede reden waarom meer integratie leidt tot meer liquiditeit is de uitstraling die uitgaat

van een groter gebied, met meer economische slagkracht. De uitstraling die Euroland op het

buitenland (niet Euroland) heeft, zal groter zijn dan de som van de individuele landen. Dit

zorgt er voor dat buitenlandse beleggers zich sterker aangetrokken zullen voelen, om in

Euroland te beleggen. Dit verhoogt tevens de liquiditeitspositie door het grotere aantal

participanten (DUISENBERG W., 1999, blz. 4).

De derde reden waarom men meer liquiditeiten bekomt op grote, geïntegreerde markten, is

door netwerkexternaliteiten en schaalvoordelen. Doordat een markt liquide is, zal ze kleinere

transactiekosten kennen dan een minder liquide beurs. Dit zorg ervoor dat beleggers en

uitgevers van krediet worden aangetrokken, wat er verder voor zorgt dat de markt meer

liquide wordt. We krijgen hier dus een vicieuze cirkel (ECB, 1999, blz. 39). Deze vicieuze

cirkel verklaart ook een structureel probleem voor de liquiditeit in Euroland. Het is namelijk

zo dat in Euroland er veel meer indirect gefinancierd wordt dan in Angelsaksische landen.

Dit zorgt ervoor dat er minder aandelenkapitaal wordt aangeboden, wat de liquiditeitspositie

negatief beïnvloedt. Op deze manier is het ook moeilijker om de vicieuze cirkel aan te

zwengelen.

Een laatste reden die integratie van de aandelenmarkten tot gevolg kan hebben, is in feite een

samenvoeging van de tweede en derde reden. Het gaat hierbij namelijk over de wisselwerking

die bestaat tussen de liquiditeit op de wisselmarkten en de liquiditeit op de aandelenmarkten.

Er kan tussen deze twee markten een vicieuze cirkel ontstaan op de volgende manier: indien

de aandelenmarkten van Euroland meer liquide worden, worden ze aantrekkelijker voor

buitenlandse beleggers. Dit zorgt ervoor dat buitenlandse beleggers meer transacties plaatsen

op de wisselmarkten. Door deze grotere activiteit op de wisselmarkten, is het zo dat deze

markt ook liquider wordt. Door deze evolutie wordt beleggen in het buitenland ook minder

duur, doordat de transactiekosten voor wisselkoersomzetting ook goedkoper worden. Op deze

manier werken wisselkoersmarkten en aandelenmarkten op elkaar in en vergroten elkaars

liquiditeit. Portes gebruikt voor deze vicieuze cirkelgedachte de volgende uitspraak: “My

entering the market increases its liquidity for you, and conversely”

(PORTES R., 2001, blz. 9).



Na het te hebben gehad over de mogelijkheden van integratie voor liquiditeit beginnen we

met de vraag te stellen wat in het algemeen als vereiste wordt gesteld voor integratie. Een

geharmoniseerd regulerend kader evenals geharmoniseerde marktpraktijken zijn

sleutelfactoren (DUISENBERG W., 1999, blz. 5). We kunnen hier verschillende zaken onder

verstaan. De overheid moet, om integratie te bevorderen, bijvoorbeeld harmoniseren qua

belastingen. Monetair moet er een marktvriendelijk beleid worden gevoerd. Op het vlak van

marktpraktijken moeten er gelijkaardige handelssystemen worden ontwikkeld. Verder moeten

de kosten en de termijn voor de uitvoering van een transactie voor een buitenlands beursorder

(intra Euroland) gelijk zijn aan een binnenlands beursorder en tenslotte moet informatie over

de grenzen heen makkelijk verkrijgbaar en interpreteerbaar zijn (Dit wordt bijvoorbeeld

verkregen door een zelfde boekhoudkundig systeem) (DANTHINE J-P., GIAVAZZI F. en

VON THADDEN E., 2000, blz. 13-15).

Voor grotere liquiditeit zijn ook meer niet-Euroland beleggers nodig. De voorwaarden voor

integratie die hierboven zijn opgesomd, gelden ook voor hen.

Verder zijn er toch nog drie bijkomende voorwaarden voor buitenlandse beleggers.

Ten eerste hechten zij extra belang aan in welke mate in de Eurozone de prijsstabiliteit kan

gewaarborgd worden. Ten tweede is de correlatie tussen de rendementen van de financiële

aandelen in Euroland en de rendementen van aandelen van buiten Euroland van belang.

Tenslotte is de algemene economische performantie van de Eurozone van belang (ECB, 1999,

blz. 40).

We gaan nu achtereenvolgens na wat in het voordeel speelt voor de integratie van de

aandelenmarkten in Euroland en wat er in het nadeel speelt.

Ten eerste is het zo dat Europese aandelenbeurzen verplicht zijn geweest om hun regelende en

technische infrastructuur aan te passen, zodat ‘remote access’ mogelijk zou zijn. Dit betekent

met andere woorden dat de aandelenbeurzen de mogelijkheid moeten bieden aan beleggers en

financiële intermediairs uit niet-Euroland om zonder restricties over heel de Europese

kapitaalmarkt te beleggen (ECB, 1999, blz. 36).

De tweede reden die in het voordeel van meer integratie spreekt, is het feit dat meer en meer

aandelenbeurzen allianties willen aangaan. Dit zorgt ervoor dat men een verdere aanpassing

van de infrastructuur en een betere informatiedoorstroming ontwikkelt, zodat de integratie

verder kan spelen (zie infra, blz. 16) (ECB, 1999, blz. 36).



Een derde reden is het vrije kapitaalverkeer door het ‘Single Market Program’. Dit zorgt

ervoor dat kapitaal vrij mag bewegen zonder kapitaalrestricties. Dit kan integratie ten goede

komen door het feit dat barrières hiermee werden weggenomen tussen kapitaalmarkten in de

Europese Unie (PORTES R., 2001, blz. 4).

Een vierde reden is de komst van de euro zelf. Deze heeft ervoor gezorgd dat er op budgettair

en monetair vlak veel verschillen tussen de landen zijn weggewerkt. Door het verdrag van

Maastricht worden de overheden van de verschillende Eurolanden gedwongen om een gezond

budgettair beleid te voeren. Aan monetaire zijde probeert de Europese Centrale Bank een

beleid te voeren dat gericht is op prijsstabiliteit. Verder zijn door de komst van de euro,

wisselkoersschommelingen en intrestverschillen weggewerkt. Deze budgettaire en monetaire

maatregelen moeten ervoor zorgen dat het vertrouwen in de kapitaalmarkten door residenten

en niet-residenten toeneemt, zodat grotere integratie en liquiditeit kan optreden

(ROUWENHORST K., 1998, blz. 2).

Tevens zijn er ook nog vele factoren die de integratie van aandelenmarkten tegenhouden.

Het grootste probleem blijkt de grote kost en moeilijkheid om, binnen Euroland, betalingen en

transacties te doen over de grenzen heen. Het blijkt namelijk dat er in Euroland veel meer

betalings- en handelssystemen zijn, in tegenstelling tot de Verenigde Staten. Een studie van

Padoa-Schioppa uit 1999 komt hierbij tot het volgende: “…the euro area (split in 11

countries) has 18 large-value systems, 23 securities settlement systems an 13 retail payment

systems. The United States has 2 large payment systems, 3 securities settlement systems and 3

retail payments systems.” (PADOA-SCHIOPPA T., 1999). Uit een andere studie van de ECB

bleek dat kosten voor een binnenlandse transactie zelden meer dan € 0.10 of € 0.15

bedroegen. Transacties over de grenzen heen kostten daarentegen € 3.5 tot € 26 voor kleine

transacties en van € 31 tot € 400 voor grote transacties. Verder bleek ook dat de termijn van

uitvoering voor een bepaalde transactie in het binnenland zo’n drie dagen was, dit terwijl dit

voor een transactie over de grenzen heen tot meer dan een week kon duren (DANTHINE J-P.,

GIAVAZZI F. en VON THADDEN E., 2000, blz. 13-15)

Op het vlak van de aandelenmarkten zelf bleek dat een poging om tot één groot

transactieplatform te komen mislukte onder invloed van individuele belangen. Er was

bijvoorbeeld een groot plan waarbij de zes grootste aandelenbeurzen van de Eurozone, samen

met de beurzen van Londen en Zurich, een pan-Europees platform zouden vormen voor de

verhandeling van blue chips.



Dit plan is samen met zovele andere pan-Europese plannen de vuilnisbak in gegaan doordat

het echt wel moeilijk bleek om historisch onafhankelijke markten te integreren. Verder bleken

ook individuele belangen bleken te sterk te spelen. Doordat gebleken is dat een sterke stap

voorwaarts te veel tegenwind krijgt, is men dan maar gradueel beginnen werken naar de

komst van een pan-Europese markt toe. Toch zijn er al initiatieven die niet op pan-Europees

vlak, maar wel grensoverschrijdend vlak, de voordelen van integratie proberen te bereiken. Er

waren de besprekingen tussen de London Stock Exchange en de Deutsche Börse, maar deze

zijn ook gevallen over individuele belangen van brokers, die dachten dat hun belangen niet

beschermd waren. Anderzijds was er de komst van Euronext, die in een eerste stadium de

beurzen van Parijs, Amsterdam en Brussel samenbracht en nog verder aan uitbreiden denkt

(zie bvb. overname beurs van Lissabon en de overname van Liffe). Bij de bespreking van de

voordelen voor integratie bleken allianties, zoals die van Euronext, hier dan ook toe te

behoren. (GALATI G. en TSATSARONIS K., 2001, blz. 17-18)

Een andere reden waarom integratie negatief wordt beïnvloed, is het feit dat, naast het

Verdrag van Maastricht, het heel moeilijk blijkt om belastingen te harmoniseren. We kunnen

hiervoor bijvoorbeeld kijken naar de moeilijke onderhandelingen die er geweest zijn omtrent

de harmonisatie van de roerende voorheffing.(DANTHINE J-P., GIAVAZZI F. en VON

THADDEN E., 2000, blz. 13-15)

Nu we besproken hebben wat het belang is van integratie op liquiditeit en wat de voordelen en

nadelen zijn van de Eurozone op deze integratie, gaan we aan de hand van sectoren

landeffecten van aandelenrendementen na of de integratie al dan niet plaatsvindt. Ik bekijk

hierbij eerst de onderzoeksmanier van Heston en Rouwenhorst. In hun onderzoek bekijken ze

namelijk hoe de lage correlaties tussen landindexrendementen kunnen verklaard worden. Ze

geven hiervoor twee mogelijke redenen. Ten eerste geven ze de sectorverklaring: “Because

industries are imperfectly correlated, equity markets with different industry composition will

also be imperfectly correlated (HESTON S. en ROUWENHORST K., 1994, blz. 4).” Ze

bedoelen hiermee dat diversifiëren over landen vooral voordelen biedt, omdat er verschillen in

industriële samenstelling zijn. Een tweede verklaring voor de lage correlatie is de volgende:

“local monetary and fiscal policies, differences in institutional and legal regimes and regional

economic shocks induce large country-specific variation in returns (HESTON S. en

ROUWENHORST K., 1994, blz. 4).”



Het komt er dus op neer dat landspecifieke factoren de lage correlatie tussen de

landrendementen verklaren en niet de industriële samenstelling. In hun paper komen ze, na

een econometrisch onderzoek op 12 Europese landen, tot het resultaat dat landspecifieke

effecten de grootste invloed hebben op de lage correlatie tussen landen. Dit brengt ons tot een

belangrijk gegeven. Door de lage correlatie tussen landen is het zo dat diversifiëren in één

sector over verschillende landen interessanter is dan diversifiëren binnen één land over

verschillende sectoren. “Diversification across industries within a single country only reduces

portfolio variance to 38% of the average stock variance, but diversification across countries

within a single industry reduces the portfolio variance to 20% (HESTON S. en

ROUWENHORST K., 1994, blz. 20).” Hieruit blijkt dus dat beleggingsstrategieën die in het

verleden meer landgericht waren, tot betere resultaten leidden. Het feit dat landspecifieke

factoren het belangrijkste waren, wijst erop dat er in 1994 helemaal nog geen sprake was van

integratie tussen de Europese staten. In 1998 heeft Rouwenhorst een nieuwe beschouwing

gemaakt, waarbij hij de vraag stelt of de komst van Euroland tot meer integratie heeft geleid.

Dit zou er voor zorgen dat sectorspecifieke factoren meer en meer de lage correlatie tussen

landen verklaren. Tevens geeft hij hierbij nog een andere verklaring voor de lage correlatie

tussen landrendementen: de ‘home bias’. Dit zorgt ervoor dat beleggers, meer dan optimaal,

in eigen land beleggen. De redenen waarom de komst van de euro nu tot meer beleggingen in

sectoren, in plaats van in landen zal leiden, hebben we hierboven gegeven (zie supra, blz. 8).

Rouwenhorst kwam in zijn onderzoek van 1998 nog steeds uit dat landeffecten de

belangrijkste verklaring gaven voor de lage correlatie (ROUWENHORST, 1998, blz. 4). In

andere onderzoeken, die op latere datum zijn uitgevoerd, wordt er toch al enige invloed van

de komst van de euro gezien. De Vijlder, Mackel en Praet zijn op dezelfde manier als

Rouwenhorst te werk gegaan en zien vanaf midden 1998 het sectoreffect aan kracht winnen

ten opzicht van het landeffect. Vanaf augustus 1999 komen ze uit dat het sectoreffect zelfs

groter is geworden (DE VIJLDER W., MACKEL F. en PRAET P., 2000, blz. 168-170).

Dit wijst erop dat beleggen in verschillende sectoren interessanter wordt. We kunnen de

evolutie van het belang van landeffecten en industrie-effecten zien in onderstaande figuur. We

zien hier dat het industrie-effect in de periode januari 1981-augustus 1998 kleiner was dan het

landeffect, maar dat in de periode september 1998 tot en met augustus 1999 het industrie-

effect, het landeffect domineert.



Figuur 2: Aandelenrendementen: Land-tegenover industrie-effect (MSCI Large caps).

Bron: DE VIJLDER W., MACKEL F. en PRAET P, 2000, blz. 170)

De vraag blijft natuurlijk hoezeer de home bias blijft spelen en hoezeer men reeds geloofd in

deze sectorbeleggingen. Verder zal het, zoals hierboven reeds aangegeven, van belang zijn

hoe groot de transactiekosten zullen zijn. Dus we komen wel uit dat sectoriële beleggingen het

logische gevolg zouden moeten zijn van de grotere integratie, maar door transactiekosten

kunnen deze sectoriële beleggingen op korte termijn uitblijven.

Andere studies wijzen toch op de komst van meer sectoriële beleggingen. In de paper van

Danthine, Giavazzi en von Thadden wordt hierbij verwezen naar een paper van

Malliaropoulos en Priestly. Zij komen uit dat het percentage van verwachte rendementen dat

door landspecifieke factoren kan verklaard worden is gedaald van van 77% voor de periode

1991-1995 tot 34% voor de periode 1996-1998.Verder wordt er ook nog verwezen naar een

survey van Goldman Sachs/Watson Wyatt voor fondsmanagers. Deze studie kwam tot

resultaat dat door de komst van de euro 70% van de managers hun asset allocation gingen

herzien, en 64% van de managers zei dat de nieuwe allocatie op sectoren in plaats van landen

zou gebaseerd zijn. (DANTHINE J-P., GIAVAZZI F. en VON THADDEN E., 2000, blz. 28-

30)

We moeten verder kijken naar de verschillende liquiditeitsposities die hieruit kunnen

voortvloeien. Indien er dus grotere integratie optreedt zal over het algemeen de

liquiditeitspositie verbeteren. Toch is het zo dat indien geen werk wordt gemaakt van de

problemen omtrent de verschillende handelssystemen en de verschillende grootte van

beurzen, de liquiditeitspositie van verschillende beurzen sterk kan wijzigen in positieve of

negatieve zin. Ik werk dit verder uit in volgende paragraaf.



2.3 Clustering van liquiditeit.

We weten uit het stuk over de invloed van de komst van de euro op liquiditeit, dat sectoriële

beleggingen meer en meer van belang zijn. Deze sectoriële beleggingen zouden tot gevolg

kunnen hebben dat de aandacht voor kleinere aandelen en kleinere aandelenbeurzen verslapt.

Dit kan de liquiditeit van deze kleinere aandelen en beurzen in het gedrang brengen.

Institutionele beleggers, die zo weinig mogelijk transactiekosten willen dragen, kunnen een

voordeel behalen door zich vooral op liquide aandelen te concentreren uit verschillende

sectoren. Door de werking van vicieuze cirkels kan de liquiditeit van reeds liquide aandelen

nog verbeteren. Bij liquide aandelen denken we dan vooral aan blue chips op grotere

aandelenbeurzen. Het is op basis van enkele theorieën dat we deze clustering van liquiditeit

zullen proberen aan te tonen.

1.In de paper van Admati en Pfleiderer(1988) wordt de clustering van liquiditeit en

handelsvolume gebruikt om de waarneming te verklaren dat handel zich op bepaalde

momenten van de dag concentreert. “Their central result is that if traders have discretion over

the timing of their trades, they all will tend to bunch at times when they expect the others to

be trading as well, since that is the time at which liquidity is highest (PAGANO, 1989, blz.

256).

2.Een andere theorie van Pagano (1989) over de keuze van markt voor de verhandeling van

een bepaald aandeel komt uit dat, indien de prijs voor de verhandeling gelijk is, de handel zal

plaatshebben op één markt.

In het geval dat de handelsprijs verschillend is zijn er evenwel meerdere evenwichten

mogelijk. Enerzijds zijn er evenwichten waarbij de handel zich concentreert op één markt,

anderzijds zijn er evenwichten waar grote beleggers op een aparte markt handelen of direct

een handelspartner zoeken buiten de markt. De situatie waarbij de handel zich situeert op één

markt is een uitzonderlijke situatie bij verschillende transactieprijzen. Verder is het dus

mogelijk dat grote beleggers, los van de kleine beleggers, handelen indien de liquiditeit op de

ene markt groter is dan op de andere markt. De transactiekosten op de meer liquide markt zijn

hierbij wel groter dan op de minder liquide markt. Toch is het zo dat grote beleggers willen

betalen voor de extra liquiditeit, die ervoor zorgt dat ze hun transacties sneller kunnen

uitvoeren.



Kleine beleggers hebben minder belang bij de liquiditeit en zullen hierdoor op de markt met

kleinere transactiekosten beleggen. Op het vlak van welvaart komt Pagano uit dat concentratie

op één markt voor de verhandeling van het aandeel over het algemeen meer voordelig is dan

de fragmentering over twee markten (PAGANO, 1989, blz. 255-269).

We komen dus voor beide theorieën uit dat handel onder normale omstandigheden zal

clusteren. In ons empirisch onderzoek gaan we nu onderzoeken of grotere beurzen, door de

komst van de euro, voordelen hebben gekend. De redenen waarom de euro clustering of

verdere clustering zou toelaten door de grotere integratie hebben we in het voorgaande deel

beschreven.

2.4 Beursfusies als oplossing.

In vorige paragraaf over de clustering van liquiditeit op grotere aandelen en beurzen, gingen

we er vanuit dat het beurslandschap nog niet volledig is geïntegreerd. We hebben hierboven

ook al aangetoond dat deze integratie een proces van lange duur is. In deze paragraaf leggen

we het belang uit die beursfusies in dit integratieproces kunnen spelen. Het feit dat er nu nog

zoveel verschillende manieren zijn om aandelen te verhandelen, is deel van de verklaring

waarom beurzen in het algemeen een verschillende liquiditeitspositie kunnen ontwikkelen. Ik

heb ook reeds aangetoond dat, door een endogene vicieuze cirkelwerking, het de grotere

beurzen zijn die hierbij in het voordeel zijn, omdat zij de meeste blue chips hebben en dus de

grootste aandacht krijgen. Het belang van de beursfusies zit hem nu in het creëren van de

integratie die nodig is om de verschillen in de liquiditeitspositie tussen grote en kleine

beurzen weg te werken.

Er zijn nu twee zuivere vormen in het verhandelen van aandelen. Je hebt de dealer-market

waarbij marktmakers als tegenpartij fungeren in elke transactie. Ze hebben dus twee prijzen

voor elk aandeel. Enerzijds heb je de koopprijs (bid price) en anderzijds heb je de

verkoopprijs (ask price). Dit houdt dus in dat er telkens een transactiekost is die gelijk is aan

de spread tussen deze twee prijzen. Een tweede zuivere vorm van handel is de veilingmarkt.

Dit is een markt waarbinnen beleggers met elkaar handelen zonder interventie van een

marktmaker. Er zijn twee vormen: je hebt de call auction waarbij er als een echte veiling

wordt gewerkt en je hebt een continue veiling, waar er wordt gewerkt via limietorders.



Limietorders zijn orders die pas uitgevoerd worden indien de belegger kan handelen tegen

een prijs die hij zelf heeft vastgesteld. Het probleem dat zich op deze markt stelt, is de

onzekerheid omtrent de prijs van het aandeel.

Het hangt nu af van belegger tot belegger op wat voor markt men wil terechtkomen.

Handelaars die hun transacties direct willen zien uitgevoerd worden, moeten terecht op een

dealer-markt waarop de marktmakers hun prijzen hebben geafficheerd. Kleinere of

geduldigere beleggers verkiezen eerder de veilingmarkt waar ze, zonder verlies aan

transactiekosten, al naar gelang hun limietorders gradueel hun order zien uitgevoerd worden.

Institutionele beleggers willen nu ook meer en meer op ordergedreven beurzen handelen,

omdat ze hier minder met transactiekosten worden geconfronteerd, wat hun resultaat sterk kan

beïnvloeden. Ze willen dus zelfs onmiddellijke uitvoering laten schieten.

In de praktijk wordt er meestal gebruik gemaakt van hybride vormen, die dan zoveel mogelijk

op de noden van allerlei handelaars ingaan (DEGRYSE H. EN VAN ACHTER M., 2001,

blz.3-4).

Is er nu een voordeel van integratie (fusies of overnames) van aandelenbeurzen op liquiditeit?

Het antwoord op deze vraag is ja, indien de voordelen van integratie kunnen spelen en er

verder een stok achter de deur zit tegen te hoge monopoliekosten.

De voordelen van enerzijds integratie en anderzijds fragmentatie kunnen op een rijtje worden

gezet:

“Integratie (consolidatie): heeft onder de ceteris paribus veronderstellingen een superieure

marktstructuur, want laat interactie toe van alle beschikbare orders in de markt en leidt zo tot

een verbeterde kwaliteit van uitvoering van de orders.

Fragmentatie: intermarkt-competitie zorgt voor een reductie van de uitvoeringskosten en

creëert incentieven voor innovatie (DEGRYSE H. EN VAN ACHTER M., 2001, blz.8).”

Fragmentatie heeft verder het nadeel dat het de liquiditeit vermindert en insider trading en

fraude moeilijker opspoorbaar maakt (DEGRYSE H. EN VAN ACHTER M., 2001, blz.8-9).

Integratie heeft dus onder bepaalde voorwaarden voordelen.



Euronext is nu een voorbeeld van een beurs die, binnen een nog steeds competitieve

omgeving (beschouw de druk van de omringende grote beurzen zoals de London Stock

Exchange en de Deutsche Börse), probeert een integratie te creëren tussen ondertussen vijf

verschillende beurshuizen (Amsterdam, Brussel, Lissabon, Parijs, Liffe). Het is de bedoeling

van Euronext, om via een goede microstructuur (zie supra, p. 16-17) die rekening houdt met

de belangen van de institutionelen en particuliere belegger, tot een goede liquiditeitspositie te

komen.

Euronext gebruikt een veilingstructuur met overdag continue handel en ’s morgens en ’s

avonds een call auction. Om te voldoen aan de vraag naar een meer hybride vorm van handel,

waar de voordelen van een dealer-markt met deze van een veilingmarkt worden

gecombineerd, gebruikt men liquiditeitsverschaffers voor de kleinere aandelen.

Om de integratievoordelen uit te spelen zijn volgende maatregelen uitgevoerd of zitten in de

pijplijn:

1. Alle leden van Euronext krijgen volkomen gelijke toegang tot alle producten die op

Euronext worden verhandeld, ongeacht waar ze zijn gevestigd. Leden van één Euronext-

markt kunnen dus gemakkelijk in een andere Euronextmarkt opereren.

2. Handelsregels en handelsuren worden geharmoniseerd.

3. Clearing en netting van de transacties worden verzorgd door één bedrijf, wat operationele

voordelen biedt voor de beleggers.

4. Een uniforme settlementomgeving zal bijdragen tot een vermindering van kosten en

risico’s.

5. Informatie wordt zoveel mogelijk geïntegreerd.

6. Nieuwe indices, die marktsegmenten in de belangstelling moeten plaatsen, worden

ontwikkeld (Euronext, 2001, blz. 1-7).

7. Euronext is ook de pioneer voor het Europese continent met betrekking tot de

ontwikkeling van de Global Equity Market1(NYSE, 2001, blz. 1-2).

Het is nu de vraag of al deze maatregelen nu bijgedragen hebben tot een grotere liquiditeit. Op

deze vraag zullen we in het empirisch deel een antwoord proberen te geven.

1 De equity market is een samenwerking tussen de New York Stock Exchange en negen andere beurshuizen inheel de wereld om tot een handelsmechanisme te komen waarbij handelaars de kans krijgen om wereldbedrijven24 op 24 te verhandelen. (NYSE, 2001, blz 1-2)



Deel 3 : Het empirisch onderzoek

3.1 Inleiding

Voor het empirische stuk hebben we een model opgesteld dat tracht te bepalen hoe de

verschillende Euronextbeurzen op de komst van de euro en de komst van Euronext hebben

gereageerd. We bekijken dit aan de hand van de rendementsevolutie. We proberen in ons

onderzoek alle mogelijke verklaringen voor de resultaten die we verkrijgen te analyseren. Op

die manier zullen we tot een besluit komen omtrent de reactie van de beleggers op de

veranderende omgeving. We hebben zelf een model opgezet waarbij we risicogecontroleerd

rendement als afhankelijke variabele zullen uitzetten ten opzichte van allerlei verklarende

variabelen. Hiertoe behoren ook de dummies die onze onderzoeksvragen zullen trachten te

beantwoorden. We beginnen met eerst algemene informatie te geven omtrent de gebruikte

beurzen, de gebruikte aandelen en de periode waarover ons onderzoek loopt.

3.2 Drie beurzen:Brussel, Amsterdam en Parijs.

We hebben er in ons onderzoek voor geopteerd om enkel onderzoek te doen op de beurzen die

de Euronext N.V. hebben opgericht. Dit zijn dus de beurzen van Parijs, Brussel en

Amsterdam. De voor- en nadelen van deze manier van werken leggen we hier uit. We

beginnen bij de voordelen.

1. Ten eerste is het zo dat we voor onze analyse nood hebben aan een grote, middelgrote en

een kleinere beurs. Bij de Euronext beurzen vonden we hierbij naar West-Europese

normen een goede basis. Parijs kan doorgaan als een grotere beurs, Amsterdam heeft door

de aanwezigheid van enkele blue chips de naam een middelgrote beurs te zijn en Brussel

is door het tekort aan echt grote bedrijven eerder een kleinere beurs. Ook de lage free-float

op de beurs van Brussel, door het relatief grotere belang van holdings, versterkt deze

stellingname. Uit onderzoek van Timmermans(2000) blijkt, dat gemiddeld voor Brusselse

aandelen, er eind 1998 maar 41% van de marktkapitalisatie direct wordt aangehouden.



Het zijn echter enkel deze direct aangehouden aandelen die de activiteit op de tweede

markt van een beurs in stand houden (TIMMERMANS T., 2000, blz. 49-50).

Om verder de grootte van de beurzen aan te duiden gebruiken we informatie uit het

onderzoek van Galati en Tsatsaronis(2001). Zij komen uit dat de marktkapitalisatie, in %

van het Bruto Binnenlands Produkt, voor 2000 respectievelijk 104, 166 en 69 was voor

respectievelijk Parijs, Amsterdam en Brussel. Parijs heeft door de grootte van de Franse

economie de grootste totale marktkapitalisatie. Amsterdam heeft door de aanwezigheid

van enkele blue chips een grote marktkapitalisatie ten opzichte van het Bruto Binnenlands

Produkt van Nederland. Brussel blijkt ook uit deze studie het kleine broertje te zijn van de

drie beurzen die we beschouwen.

We kunnen ook aan de hand van onze eigen dataset (zie infra p. 28) zien dat deze

stellingname omtrent de grootte van de beurs en de aanwezigheid van blue chips klopt.

Voor de bepaling van de grootte van de beurs gebruiken we de som van de

marktkapitalisaties van de gebruikte aandelen in onze dataset op 31 januari 2002 (zie infra

p. 54). Voor de bepaling van het aantal blue chips dat op elke beurs aanwezig is, hebben

we het aantal aandelen genomen dat voor elke beurs in de Eurostoxx50 is opgenomen.

Tabel 1: Totale marktkapitalisatie in miljoen € en aantal blue chips.

Totale Marktkapitalisatie in miljoen €. Aantal blue chips

Brussel 150386.3 2

Amsterdam 551360.5 7

Parijs2 1074290.2 17

Bron:FET, www.abcbourse.com/marches/chiffres/eurostoxx50.html, eigen berekeningen en Datastream.

2 Aandelen in Eurostoxx50:

Brussel: Electrabel, Fortis.Amsterdam: Aegon, Kon. Olie, ING, Unilever, Philips, Kon. KPN, Kon Ahold.Parijs: France Télécom, Totalfina, Canal+, Axa Uap, Vivendi, L’Oréal, Carrefour, Pinault Printemps,Sanofi-Synthelabo, Alcatel, LVHM, Suez Lyonnaise des Eaux, Société Générale, Aventis, BNP,Danone, Air Liquide.



Als dus zou uitkomen wat we verwachten, zou door de invoering van de euro, en de

daarbij horende clustering van liquiditeit op de grotere beurzen, het verwacht rendement

in Brussel en deels ook in Amsterdam hoger moeten liggen. Dit zou er dus voor zorgen

dat het rendement op de beurs van Brussel en Amsterdam sinds ongeveer 1999 slechter

zou zijn dan op grotere beurzen. Een hoger verwacht rendement in de toekomst vereist

namelijk dat bij dezelfde dividendverwachtingen, dat de prijs van het aandeel lager moet

zijn. Dit zorgt ervoor dat in deze correctieperiode het rendement lager zal zijn.

2. Het feit dat Euronext nog niet bestond voor de komst van de euro, zorgt ervoor dat we een

volledig beeld kunnen vormen omtrent de manier waarop Euronext de visie van de

beleggerswereld, over kleine en grote beurzen, heeft kunnen veranderen. De fusie tussen

de drie initiatief nemende beurzen is op 22 september 2000 getekend (EURONEXT N.V.,

2001, blz. 31). We zijn met andere woorden in staat om, met de drie bestudeerde beurzen

de evolutie te zien van de komst van de euro en de komst van Euronext voor elke beurs.

Een mogelijk nadeel van deze manier van werken is wel dat, indien we een bepaald

resultaat uitkomen bij de komst van Euronext, we dit niet onbetwistbaar kunnen

afspiegelen op de komst hiervan. Indien we met andere woorden uitkomen dat de kleinere

beurzen, na verwaarloosd te zijn geweest door de komst van de EMU, het opeens beter

doen vanaf de komst van Euronext, kunnen we dit met onze steekproef niet volledig

toeschrijven aan de komst van Euronext. Andere kleine beurzen kunnen namelijk

hetzelfde effect hebben gehad zonder fusie.

3. Een derde reden waarom we enkel voor de Euronext beurzen kiezen, is het feit dat we

hierdoor maar één marktportefeuille moeten opstellen voor de twee deelonderzoeken die

we voeren. Dit zorgt ervoor dat we consequenter kunnen controleren voor andere

beïnvloedende factoren en de twee onderzoeken in één regressie kunnen integreren (zie

infra blz. 36)



4. Ook het belang van groei en conjunctuur mag niet over het hoofd worden gezien.

In ons geval gebruiken we drie landen, die samen één geheel vormen in de West-Europese

regio.

We bekijken eerst de produktiefunctie voor groei op lange termijn.

Y=A.F(K, L),

met Y de reële output, L het aantal werknemers, K de ingezette hoeveelheid kapitaal en A

een factor die onder andere de stand van de technologie en het scholingsniveau van de

werknemers omvat (HEYLEN F., 1999, blz. 702).

Als we de economische groei op lange termijn uit elkaar rafelen, zien we dat technologie,

scholing, arbeidsinzet en kapitaal van belang zijn. We gaan er nu vanuit dat de drie

betreffende landen op dit vlak voldoende overeenkomen, zodat we verder in onze analyse

verschillen in beursresultaten niet tot verschillen in lange termijngroei kunnen herleiden.

Op het vlak van conjunctuur zijn er mogelijk toch nog significante verschillen. We weten

dat aandelenkoersen een leading indicator zijn van conjunctuur.Verschillen in correlatie

tussen de conjunctuurcyclussen kunnen een invloed uitoefenen op de risicogecontroleerde

rendementen voor elke beurs. Zo kan het bijvoorbeeld zijn dat het risicogecontroleerde

rendement van Parijs slecht is ten opzichte van Amsterdam, omdat in dezelfde periode er

zich een recessie aankondigd in Frankrijk en hoogconjunctuur in bijvoorbeeld Nederland.

Als de correlaties tussen de verschillende cyclussen overeenkomen, kan het toch nog

interessant zijn om te kijken naar het teken en de grootte van de outputgap. In

onderstaande grafiek zien we voor elk land de jaarlijkse afwijking van het Bruto

Binnenlands Produkt ten opzichte van het potentiële BBP in % van het potentiële BBP

voor het tweede kwartaal van 1995 tot en met 2002. We hebben betreffende informatie

gezocht op Datastream.



Figuur 3: Outputgap in % van het potentieel Bruto Binnenlands Produkt.

O u t p u t g a p s

-4

-3

-2

-1

0

1

2

3

1995 1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2000 2 0 0 1 2 0 0 2

j a a r t a l

% a

fwijk

ing

van

het

po

ten

tiee

l B

BP

N e d e r l a n d België Frankri jk

Bron: Datastream.

We zien op de grafiek dat de correlatie tussen de cyclussen van de outputgap vrij goed

meevalt en zeker tussen België en Frankrijk zeer groot is. Toch zien we op het vlak van

niveauverschillen in outputgaps dat er in Nederland, in de periode voor 2001, heel de tijd

een positieve outputgap is, terwijl dit in België en Frankrijk, tot in 2000, een negatieve

outputgap is. Anderzijds weten we dat het verschil in outputgap grotendeels afhangt van

de bepaling van het potentieel BBP of de lange termijn output. Omdat deze nu volgens

ons vrij arbitrair ingevuld wordt, gaan we het niveau van de outputgaps niet in rekening

nemen, maar enkel de correlatie tussen de outputgaps. Aangezien de correlatie tussen de

outputgaps redelijk groot is, zullen we in onze analyse van de beursevolutie hier niet te

veel aandacht aan besteden.

5. De Beurs van Lissabon, die ook reeds in de fusie van Euronext is betrokken, is nog niet in

de steekproef opgenomen, omdat de fusie er pas is gekomen sinds 13 december 2001

(http://www.bvlp.pt/bvlp/start.jsp?lang=en&op=not_dest ). De periode van 13 december

2001 tot en met februari 2002 is waarschijnlijk te klein om reeds significante verschillen

op te merken. Het duurt immers een tijdje voor er op het terrein iets te merken valt van

zo’n fusie.



Toch zijn er naast deze genoemde voordelen ook nadelen.

1. Het eerste nadeel hebben we reeds vermeld. Het is namelijk moeilijk om een mogelijke

resultaatsverbetering voor kleinere beurzen na de komst van Euronext volledig aan de

komst van Euronext toe te schrijven.

2. Ten tweede is het zo dat de fusie van Euronext nog niet volledig is afgerond. Dit zorgt

ervoor dat we in ons empirisch onderzoek enkel een resultaat kunnen bekomen dat

gerealiseerd is door een deels gefusioneerde beurs.

Euronext wou haar handel in cash-produkten in de herfst van 2001 operationeel hebben.

Dit betekent dat, indien we hiervan uitgaan, we enkel voor vijf maanden data

beschikbaar zouden hebben voor het onderzoek omtrent de komst van Euronext,

gegeven dat de dataset zich beperkt tot februari 2002 (EURONEXT N.V., 2001, blz.

109-110) Ook nieuwe indices zoals Next Economy en Next Prime waren maar gepland

voor het derde kwartaal in 2001. Deze indices dienen om de zichtbaarheid van

ondernemingen, en dan vooral middelgrote en kleine ondernemingen, te vergroten.

Next Economy zal de ondernemingen omvatten die actief zijn in de high-tech sector.

Next Prime zal op haar beurt bestaan uit ondernemingen uit de meer traditionele

sectoren (EURONEXT N.V., 2001, blz. 71-72).

Anderzijds zijn er wel al onderdelen van de fusie die reeds eerder gerealiseerd zijn.

Vanaf 1 februari 2001 doet clearnet de geïntegreerde clearingdiensten met een centrale

tegenpartij, dit zowel voor cash-produkten als voor derivaten (wat hier minder van

belang is)(EURONEXT N.V., 2001, blz. 89-90). Verder zijn ook reeds eerder twee

belangrijke nieuwe indices gecreëerd. De eerste is de Euronext 100. Deze index bevat

de 100 grootste blue chips, geselecteerd op basis van van hun marktkapitalisatie en op

basis van minimum liquiditeitsvereisten. De tweede index is de Next 150, die de

volgende 150 grootste aandelen bevat qua marktkapitalisatie. Ook hier gelden minimum

liquiditeitscriteria. Een voorbeeld van zo’n liquiditeitscriterium is dat tenminste 20%

van de genoteerde aandelen verhandeld moet geweest zijn gedurende de laatste 12

maanden (EURONEXT N.V., 2001, blz. 74). Deze indices kunnen ervoor zorgen dat

ook aandelen op kleinere beurzen meer aandacht krijgen.



De drie originele indices voor blue chips voor de drie beurzen zouden ditzelfde effect

niet kunnen bereiken. Als belegger zat je namelijk met het probleem dat, indien je in de

drie landen wou beleggen in blue chips, je drie indices moest kopen, terwijl dit nu kan

door één index te kopen.

Vervolgens moeten we toch ook vermelden dat een deel van de fusie helemaal nog niet

uitgevoerd was voor het einde van onze dataset. Ten eerste is het zo dat pas in het

tweede kwartaal van 2002 Euroclear, dat instaat voor settlement en bewaring van

financiële instrumenten, in werking zou zijn(EURONEXT N.V., 2001, blz. 110).

Verder is het ook zo dat men nog vele plannen heeft om, naast de reeds gecreëerde

indices, nog vele nieuwe indices te ontwikkelen, wat de informatieverspreiding voor de

verschillende aandelen op alledrie de beurzen ten goede zal komen. In de toekomst wil

men bijvoorbeeld een index creëren voor ondernemingen met een middelgrote

marktkapitalisatie.(EURONEXT N.V., 2001, blz. 75).

Al deze overwegingen duiden erop dat het onmogelijk zal zijn om al een volledig beeld

te bekomen wat er nu empirisch zal zijn veranderd, door de komst van Euronext. Toch

bestaat er een kans dat er iets waarneembaar is door reeds gerealiseerde stappen in de

fusie en de grote publiciteit die er is geweest rond het ontstaan van Euronext.

3.3 De gebruikte aandelen.

We hebben ervoor geopteerd om de aandelen van de drie beurzen te nemen waarover we

voldoende data zouden vinden om te gebruiken in ons onderzoek. We hebben de Financieel

Economische Tijd geraadpleegd om te kijken welke aandelen er noteren op welke beurs. Voor

Euronext Brussel hebben we ervoor geopteerd om enkel de binnenlandse aandelen te nemen

die continu verhandeld worden. Voor Euronext Amsterdam en Parijs hebben we alle aandelen

genomen die in de lijst van noterende aandelen vermeld staan. Door deze manier van werken

hebben we niet het probleem dat buitenlandse aandelen in onze steekproef terechtkomen,

want de liquiditeit van deze aandelen zit namelijk op andere beurzen. Verder zorgen we er

ook voor dat we geen over-of ondervertegenwoordiging van kleine of grote aandelen krijgen

voor een bepaalde beurs.



In het geval er toch grote verschillen zijn in de grootte van de gemiddelde aandelen per beurs,

wordt dit probleem opgelost, omdat we in onze regressie controleren voor het verschil in

marktkapitalisatie tussen de aandelen en de daarbij horende verschillen in verwacht

rendement (zie infra blz. 54). Toch zijn er aandelen die wel in de lijst van noterende aandelen

staan, maar niet gebruikt zijn. Dit is te verklaren door het feit dat Datastream het niet toeliet

om voor elk aandeel de benodigde informatie op te vragen (FET, 2002).

We kunnen onze dataset in drie soorten aandelen opdelen. Ten eerste heb je aandelen die over

geheel de periode van de dataset (januari 1997- februari 2002) noteren. Ten tweede heb je

aandelen die tijdens de periode van onderzoek zijn beginnen noteren. Tenslotte zijn er ook de

aandelen die tijdens de periode van de dataset zijn gestopt met noteren, de zogenaamde ‘dead

stocks’. Door de Financieel Economische Tijd te raadplegen bekomen we de aandelen die

heel de periode noteren en de nieuw noterende aandelen. Voor de ‘dead stocks’ hebben we

een beroep gedaan op de informatie van Datastream omtrent de ‘dead stocks’. Uiteindelijk

zijn we tot een dataset gekomen van 347 aandelen (zie infra blz. 28). We willen er hierbij

nogmaals op wijzen dat we volledigheid hebben trachten na te streven, maar dat het wegens

informatiebeperkingen mogelijk is dat enkele aandelen niet zijn opgenomen.

We hebben nieuw noterende aandelen en dead stocks in onze dataset opgenomen, om

eventuele scheeftrekkingen in ons eindresultaat te vermijden. Indien er op een bepaalde beurs

veel aandelen zijn geweest die zijn gestopt wegens overname, dan kan het zijn dat deze beurs

goed heeft gepresteerd wegens de overnamepremie die de overnemer moet betalen. Het niet

opnemen van dead stocks zou hier dus een fout beeld kunnen geven. Nieuw noterende

aandelen zijn ook opgenomen, omdat deze misschien tot uitzonderlijk slechte of goede

resultaten hebben geleid. Als een beurs hier dan relatief is van over- of

ondervertegenwoordigd, kan dit een vertekend beeld geven, indien we ze niet zouden

opnemen.



3.4 De periode.

We hebben ervoor geopteerd om onze aandelen te beschouwen over een periode van vijf jaar

en twee maanden We gebruiken hierbij maanddata. Op deze manier bekomen we voor elk

aandeel 62 waarnemingen in de tijd. We beschouwen dus de periode januari 1997 tot en met

februari 2002. We weten uit andere studies dat dit ideaal is om via het marktmodel een ideale

β te schatten (zie infra blz. 39).

Deze periode laat het vervolgens ook toe om de twee onderzoeksvraag te analyseren. In de

periode van januari 1997 tot en december 1998 hebben we te maken met de periode voor de

komst van de Europese Muntunie. Er was hierbij reeds een zekere integratie tussen de drie

landen waarin alledrie de beurzen actief zijn. Ten eerste was er de ‘Single European Act’ van

1985 die zorgde voor een geïntegreerde markt voor goederen, diensten, kapitaal en arbeid.

Verder waren er ook op macro-economisch vlak, budgettair en monetair, maatregelen

genomen. In het verdrag van Maastricht van 1992 stonden zowel maatregelen die op

budgettair als monetair vlak de landen van de Muntunie dichter bij elkaar moesten

brengen(PORTES R.,2001, blz. 5-14). Toch is de volledige integratie er pas kunnen komen

toen de muntunie volledig van start ging in 1999. Ons tweede deel van de steekproef begint

dan ook hier en start in januari 1999 en loopt tot en met december 2000. Verder proberen we

ook te kijken of er reeds een resultaat is van de fusie die tot de komst van Euronext heeft

geleid. We beginnen hier met de maand januari 2001 tot en met februari 2002, omdat er geen

echt stipte datum is waarbij men kan stellen of de fusie nu al tot stand is gekomen, ja dan nee

(zie supra blz. 19-25). We nemen de periode van januari 2001 tot en met februari 2002,

omdat dit ons toch een redelijk aantal waarnemingen geeft. Verder laat dit ook toe om het

mogelijke ‘kleine bedrijven in januari-effect’, dat in alle andere deelperiodes ook zit verwerkt,

uit te sluiten.

Het januari-effect voor kleine bedrijven houdt in dat kleine bedrijven over de jaren heen

telkens in de maand januari onverklaarbaar hoge rendementen behaalden. Vele onderzoekers

geloven dat het januari-effect te wijten is aan het feit dat vele mensen aandelen verkopen voor

het eind van het jaar om kapitaalverliezen te kunnen boeken, om zo minder belastingen te

moeten betalen.



Nadat hun belastingsjaar is afgesloten zouden ze dan begin januari hun aandelen die ze

verkocht hebben terug kopen. Dit doet de prijzen in januari opveren, wat een hoger rendement

met zich meebrengt. Toch zijn er veel factoren die tegen deze belastingshypothese spreken.

Ten eerste het zo dat de rendementen in december volgens deze theorie telkens lager zouden

moeten liggen, wat niet het geval is. Verder zouden er ook voldoende beleggers zijn die deze

wetenschap zouden proberen uitbuiten, door in plaats van massaal te verkopen in december,

massaal te gaan aankopen en zo deze uitzonderlijke resultaten in januari mee te pikken.

Vervolgens is het ook nog zo dat niet in elk land kapitaalverliezen mogen geboekt worden en

is het tenslotte ook nog zo dat niet overal het belastingjaar stopt op 31 december (BODIE Z.,

KANE A. en MARCUS A., 2002, blz. 360-361)

Omdat wij in onze dataset nu ook minder grote aandelen hebben opgenomen, is het goed om

voor dit effect te controleren door een evenwichtige verdeling te hebben van de maanden

januari.

3.5 Samenvattende statistieken van de gebruikte aandelen.

We gaan in dit deel nu dieper in op de gebruikte aandelen. We bekijken de samenvattende

statistieken van de aandelen volgens de beurs waarop ze noteren of genoteerd hebben.

We beginnen met algemene statistieken omtrent de periode waarin de aandelen noteren, over

de maandrendementen van de aandelen en hun marktkapitalisatie. We beschouwen voor elke

beurs een aparte tabel.

In de eerste kolom van elke tabel staat de naam van het aandeel. In de tweede kolom staat de

periode van notering van het aandeel. We bekijken wel enkel de periode van notering voor

aandelen die binnen de periode van de steekproef zijn gestopt met noteren of zijn beginnen

noteren. In de derde kolom staat het rekenkundig gemiddelde van de maandrendementen van

de aandelen. In een vierde kolom staat de standaarddeviatie van de maandrendementen van

elk aandeel. In de vijfde en zesde kolom staat respectievelijk het minimum en maximum

maandrendement voor elk aandeel in de beschouwde periode. In de laatste kolom staat de

gemiddelde marktkapitalisatie voor elk aandeel in miljoen euro.



Tabel 2: Algemene statistieken Beurs van Brussel.

Brussel Periode Gemm.Rend. Stand.dev. Min. Rend Max. Rend MarktkapitalisAgfa Gevaert Jun99-feb02 -0.00712 0.108141 -0.14169 0.236111 2776.58Almanij Jan97-feb02 0.011181 0.084401 -0.17907 0.231718 7948.70Anhyp Jan97-jan99 0.035465 0.098401 -0.13023 0.269305 427.11Anhyp ‘B’ Jan97-jan98 0.04521 0.103248 -0.04702 0.274448 270.22Arinso Int. Apr00-feb02 -0.03225 0.191856 -0.37416 0.513043 223.51B.v.D. Jun99-feb02 -0.01756 0.163144 -0.36207 0.440806 71.82Barco Jan97-feb02 -0.00561 0.113 -0.24018 0.235633 1729.07BBL Jan97-juni98 0.02257 0.102067 -0.21215 0.194506 4262.87Bekaert Jan97-feb02 0.002695 0.088533 -0.21061 0.193953 972.07Bernheim Jan97-juli98 0.036184 0.064834 -0.06867 0.182502 126.46Brederode Jan97-feb02 0.006345 0.080496 -0.22037 0.266421 677.53CBR Jan97-jul00 0.018066 0.11417 -0.31373 0.435527 1994.88CMB Jan97-feb02 0.007392 0.090909 -0.22415 0.225325 509.31Cobepa Jan97-feb02 0.017462 0.083613 -0.14378 0.286163 2181.47Cofinimmo Jan97-feb02 0.006107 0.029964 -0.06804 0.093724 625.21Colruyt Jan97-feb02 0.006839 0.082611 -0.16 0.239918 1982.02Crédit Jan97-mei98 0.041252 0.083189 -0.08622 0.240882 245.19D’Ieteren Jan97-feb02 0.006686 0.093805 -0.29603 0.250001 1572.13Delhaize Jan97-feb02 0.005175 0.072145 -0.19987 0.14097 3621.83Dexia Jan97-feb02 0.018117 0.066725 -0.13954 0.169023 9654.40Dolmen Nov99-feb02 0.008021 0.157362 -0.2165 0.62206 132.96Duvel Jul99-feb02 -0.01423 0.052895 -0.13678 0.129771 130.16Electrabel Jan97-feb02 0.008056 0.055449 -0.14613 0.147685 14050.91Fab. Fer. Jan97-maa98 0.090376 0.151278 -0.07452 0.387019 166.68Fortis Jan97-feb02 0.014487 0.079812 -0.19598 0.200005 18408.62GBL New Jan97-feb02 0.019717 0.074867 -0.13617 0.218648 4920.55Gevaert Jan97-feb02 0.011406 0.095485 -0.21105 0.326237 1287.71GIB Jan97-feb02 0.01312 0.073323 -0.19011 0.174475 1244.20Glaverbel Jan97-feb02 0.0134 0.090725 -0.17738 0.361712 718.82Immobel Jan97-feb02 0.003736 0.05567 -0.11273 0.164706 229.90Interbrew Dec00-feb02 -0.00041 0.076191 -0.19467 0.125 12946.63IPTE Jan97-feb02 -0.05137 0.16199 -0.47523 0.201047 87.21IRIS Jun99-feb02 -0.01402 0.094519 -0.14605 0.257193 46.10KBC Jan97-feb02 0.011456 0.098875 -0.22569 0.2907 12100.17Koramic Jan97-feb02 0.001522 0.076689 -0.15667 0.157724 507.50LSG Jul97-feb02 -0.0191 0.128821 -0.28351 0.227941 92.09Mitiska Jun99-feb02 -0.02903 0.124603 -0.35748 0.188547 140.21Mobistar Nov99-feb02 -0.0079 0.153401 -0.26855 0.499644 2225.44Monceau Jan97-nov00 0.011811 0.067627 -0.15942 0.190856 545.68Obourg Jan97-feb02 0.015741 0.088433 -0.19165 0.245841 1371.00Omega Jul98-feb02 0.066739 0.146475 -0.15265 0.666667 631.34Petrofina Jan97-dec00 0.025007 0.095092 -0.30696 0.214783 9645.42Photo Hall Aug98-feb02 -0.01556 0.128955 -0.33159 0.310577 54.80Punch Int Apr99-feb02 -0.01566 0.12276 -0.21509 0.314346 47.62Q.for Growth Okt98-feb02 -0.00401 0.103143 -0.19265 0.360487 63.78Quick Jan97-feb02 -0.01181 0.113683 -0.31522 0.289063 132.12Real Software Jul97-feb02 0.025547 0.232352 -0.51949 0.772141 613.70Royale Belge Jan97-feb99 0.059654 0.312171 -0.29349 1.482177 4216.08Sait Stento Jan97-feb02 0.00461 0.132183 -0.26369 0.458455 63.94Sibeka Jan97-jul97 0.077636 0.177757 -0.09642 0.434095 205.76Sioen Indus. Jan97-feb02 0.023585 0.106217 -0.28396 0.238878 445.27Sofina Jan97-feb02 0.014552 0.068482 -0.17893 0.16343 1486.02Solvay Jan97-feb02 0.01302 0.077897 -0.21487 0.232096 5271.24Solvus Jan97-feb02 0.026057 0.122352 -0.19541 0.409907 387.52



Brussel Periode Gemm.Rend. Stand.dev. Min. Rend Max. Rend MarktkapitalisSpector Jan97-feb02 -0.01538 0.116645 -0.27826 0.31295 163.43Telindus Jan97-feb02 0.010885 0.126612 -0.2257 0.351053 615.76Tessenderlo Jan97-feb02 0.002003 0.087877 -0.18291 0.251175 1206.72Tubize ‘A’ Jan97-feb02 0.016895 0.091225 -0.24255 0.281089 768.64Tubize ‘B’ Jan97-feb02 0.014619 0.100716 -0.16338 0.402415 138.91Ubizen Okt00-feb02 -0.05633 0.309193 -0.61634 0.747604 362.01UCB Jan97-feb02 0.017192 0.082605 -0.18699 0.199135 5597.74Umicore Jan97-feb02 0.003416 0.087629 -0.24931 0.240918 1163.56Unies de Phor Jan97-feb02 0.0086 0.048294 -0.14814 0.157984 31.79VMS Key. Jan00-feb02 0.011304 0.257019 -0.34007 1.04712 13.78VPK Pack. Mei99-feb02 -0.0077 0.059904 -0.11058 0.173317 211.25Bron: Datastream en eigen berekeningen.

Tabel 3: Algemene statistieken Beurs van Amsterdam.

Amsterdam Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.Aalberts Jan97-feb02 0.005656 0.095644 -0.23962 0.24568 390.76ABN Amro Jan97-feb02 0.014796 0.097 -0.2867 0.3305 29943.34Aegon Jan97-feb02 0.017647 0.0999 -0.23462 0.262184 42522.65Ahold Jan97-feb02 0.011732 0.072486 -0.17115 0.195507 19712.83Akzo Nobel Jan97-feb02 0.016077 0.085901 -0.20058 0.266332 12101.45Alpinvest Jul97-jun00 0.020054 0.108539 -0.16716 0.497635 509.35Amstelland Jan97-feb02 0.005911 0.083375 -0.32093 0.185969 597.15ASM Int. Jan97-feb02 0.052558 0.28366 -0.45199 1.056133 618.70ASML Hold. Jan97-feb02 0.052646 0.208801 -0.37528 0.564181 8320.69Athlon Jan97-feb02 0.017941 0.108638 -0.16875 0.404131 234.84Begeman Jan97-feb02 -0.00449 0.156626 -0.32482 0.6125 50.61Benckiser Dec97-jan00 0.027502 0.105399 -0.17187 0.310635 2666.92Bijenkorf Jan97-jul99 0.010456 0.060495 -0.09187 0.154976 777.40Boskalis Jan97-feb02 0.019976 0.100424 -0.16667 0.282165 530.95Buhrmann Jan97-feb02 0.011239 0.15993 -0.40583 0.623566 2033.76Calve Jan97-mei99 0.024039 0.083132 -0.10526 0.195126 902.28CMG Jan97-feb02 0.032808 0.177894 -0.409 0.505653 3341.21Corio Jan97-feb02 0.010428 0.041208 -0.0815 0.159396 1152.73Crucell Nov00feb02 -0.01782 0.276576 -0.44563 0.658314 279.68CSM Jan97-okt99 0.004334 0.064329 -0.11976 0.161101 1869.79CSM Cert. Jan97-feb02 0.005397 0.066343 -0.11975 0.190478 1906.70Draka Jan97-feb02 0.016563 0.126352 -0.28009 0.428975 811.08DSM Jan97-feb02 0.016083 0.0827 -0.2462 0.194271 3223.67Elsevier Jan97-feb02 0.007723 0.089601 -0.22148 0.26143 9248.68Endemol Jan97-jul00 0.048069 0.135627 -0.20912 0.475419 1324.11Eurocomm. Jan97-feb02 0.009268 0.037981 -0.06606 0.098217 386.95Euronext Aug01feb02 -0.00484 0.134529 -0.15901 0.189676 2286.97Fortis Jan97-feb02 0.015321 0.086318 -0.18812 0.272041 13186.97Fugro Jan97-feb02 0.030984 0.117805 -0.21927 0.327799 520.61Gamma Jan97-feb02 0.004778 0.08253 -0.2448 0.207827 300.09Getronics Jan97-feb02 0.001343 0.164956 -0.54718 0.395253 3573.33Geveke Jan97-feb02 0.012234 0.085386 -0.29001 0.167247 166.76Gist Jan97-aug98 0.013076 0.106012 -0.23681 0.296589 1120.84Grolsch Jan97-feb02 0.000795 0.08089 -0.15034 0.330064 396.09Gucci Jan97-feb02 0.019481 0.126131 -0.28412 0.502071 6376.46Hagemeyer Jan97-feb02 0.001387 0.111541 -0.30112 0.27188 3050.10Haslemere Aug99-feb02 0.015781 0.062257 -0.13849 0.123288 1016.75Heijmans Jan97-feb02 0.019251 0.101663 -0.20187 0.261493 347.17Heiniken Jan97-feb02 0.018679 0.069037 -0.09754 0.248065 14133.58Hoogovens Jan97-dec99 0.026488 0.123626 -0.30967 0.30063 1480.23



Amsterdam Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.Hunter Doug Jan97-feb02 0.011075 0.107889 -0.22307 0.351763 1192.11IHC Caland Jan97-feb02 0.010104 0.093035 -0.20757 0.27708 1320.91ING groep Jan97-feb02 0.016895 0.089738 -0.2756 0.211251 52667.28Kas Bank Jan97-feb02 0.024576 0.109158 -0.23151 0.432988 212.93KLM Jan97-feb02 0.006646 0.134906 -0.47303 0.302612 1567.89Kon. Olie Jan97-feb02 0.013613 0.071825 -0.16682 0.231249 115603.89KPN Jan97-feb02 0.015046 0.209718 -0.43143 0.752202 21144.26KPN Qwest Dec99-feb02 -0.03991 0.294615 -0.53381 0.779752 1421.24Krasnapols Jan97-sep00 0.049628 0.128565 -0.21938 0.447091 235.95Landis Mei98-feb02 -0.01274 0.200884 -0.44437 0.651786 348.02Laurus Jan97-feb02 -0.00535 0.118022 -0.35435 0.296498 1375.24LCI Tech. Jan97-feb02 -0.03519 0.189697 -0.61664 0.334522 121.72MacIntosh Jan97-feb02 0.003841 0.10181 -0.2243 0.376793 169.16Nagron Jan97-feb02 0.013606 0.061634 -0.12338 0.221777 179.24Nat. Invest. Jan97-jun99 0.036018 0.100318 -0.20559 0.234316 1253.21Nedlloyd Jan97-feb02 0.011147 0.164239 -0.27711 1.033115 494.23NPM Jan97-okt00 0.021515 0.052615 -0.06658 0.160623 1101.24Numico Jan97-feb02 0.005387 0.080048 -0.16605 0.155452 5073.20Nutreco Sep97-feb02 0.01551 0.09133 -0.20338 0.247532 1064.32Oce Jan97-feb02 -0.00153 0.107258 -0.294 0.225311 1802.83Opg Jan97-feb02 0.017172 0.096679 -0.18947 0.329007 392.61Ordina Jan97-feb02 0.018226 0.135833 -0.20699 0.485404 643.60Otra Jan97-jun99 0.009241 0.093096 -0.17026 0.256905 458.73Pakhoed Jan97-nov99 0.009138 0.080709 -0.27478 0.101798 853.48Petroplus Aug98-feb02 0.008714 0.097345 -0.24608 0.297189 312.45Philips Jan97-feb02 0.030219 0.127932 -0.28236 0.337761 35314.00Pink Aug99-feb02 0.005926 0.168124 -0.4137 0.469183 839.75Pirelli Jan97-apr97 0.023486 0.052142 -0.01511 0.114613 1079.10Polygram Jan97-dec98 0.013291 0.084018 -0.11692 0.304473 8221.49Randstad Jan97-feb02 0.001392 0.132664 -0.26486 0.332211 4240.55Rodamco Jan97-jul99 0.007831 0.051955 -0.09657 0.107027 4106.59Rodamco Aug99-feb02 0.007157 0.061445 -0.12813 0.125471 2697.78Simac Jan97-feb02 -0.00809 0.17822 -0.42688 0.471358 126.71Smit Jan97-feb02 0.008438 0.076529 -0.21476 0.170881 182.79Stork Jan97-feb02 -0.00645 0.099554 -0.25747 0.255211 665.29TPG Jul98-feb02 0.004382 0.080935 -0.12944 0.257764 11869.83UNI Jan97-feb02 0.00619 0.042717 -0.09442 0.100077 627.50Unilever Jan97-feb02 0.014764 0.078352 -0.15592 0.220867 35232.41Unit 4 Agr. Maa98-feb02 0.024196 0.209493 -0.22889 0.933226 274.97United Serv. Jan97-feb02 0.016671 0.118899 -0.26626 0.286943 398.49V.d. Moolen Jan97-feb02 0.043118 0.155784 -0.32515 0.580034 703.45Van Leer Jan97-okt99 0.006715 0.072537 -0.19489 0.180356 656.74Van Ommer. Jan97-nov99 0.025262 0.113941 -0.17301 0.535777 514.27VanLanschot Jul99-feb02 0.006571 0.074227 -0.17058 0.235699 441.93Vastned Off. Jan97-feb02 0.005498 0.045908 -0.12974 0.121639 451.77Vastned Ret. Jan97-feb02 0.004461 0.032711 -0.07735 0.074374 1059.06Vedior Jul97-feb02 0.000615 0.135593 -0.31579 0.349418 1378.55Vendex Jan97-feb02 0.01055 0.108304 -0.29666 0.276081 2336.28Versatel Sep99-feb02 -0.02725 0.42753 -0.55319 1.373347 1434.96VNU Jan97-feb02 0.018187 0.105992 -0.16937 0.326055 7921.63Vodafone Jul99-feb02 -0.01789 0.137576 -0.29968 0.284232 4558.00Volker Wess Jan97-feb02 0.01247 0.079339 -0.1801 0.275223 698.90Vopak Dec99-feb02 -0.00276 0.080345 -0.13537 0.18543 1220.92Wegener Jan97-feb02 -0.00154 0.099202 -0.19474 0.344013 546.72Wereldhaven Jan97-feb02 0.008664 0.045136 -0.07521 0.138707 880.55Wessanen Jan97-feb02 0.001799 0.082676 -0.20738 0.201913 1091.33Wolters Kluw Jan97-feb02 0.00475 0.090715 -0.35153 0.153035 8586.29



Amsterdam Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.World Onlin Apr00-jan01 -0.0828 0.217681 -0.36648 0.422481 3916.39Bron: Datastream en eigen berekeningen.

Tabel 4: Algemene statistieken Parijs.

Parijs Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.A Novo Mei99-feb02 0.057107 0.252191 -0.29156 1.031674 554.45Accor Jan97-feb02 0.01864 0.090303 -0.27607 0.204369 7457.77Agache Jan97-dec98 0.024119 0.206295 -0.38987 0.492138 1265.01AGF Jan97-feb02 0.017707 0.068798 -0.16048 0.29148 9041.03Air France Jan97-feb02 0.023357 0.214304 -0.31779 1.29726 3573.60Air Liquide Jan97-feb02 0.011634 0.058793 -0.1823 0.139918 12237.00Alcatel Jan97-feb02 0.020393 0.172319 -0.47856 0.468492 34112.64Alstom Jul98-feb02 -0.00806 0.118019 -0.43954 0.210127 5615.40Alten Feb99-feb02 0.041017 0.21246 -0.30744 0.778 721.69Altran Jan97-feb02 0.043788 0.14774 -0.2 0.499998 3524.95April Group Nov97-feb02 0.043331 0.149431 -0.20787 0.655358 521.50Areva Jan97-feb02 0.025189 0.089147 -0.2395 0.205422 174.45Atos Jan97-feb02 0.018539 0.133874 -0.2634 0.403137 2347.57Avenir Télé Dec98-feb02 0.017594 0.284175 -0.43785 0.615092 796.80Aventis Jan97-feb02 0.023158 0.079814 -0.17279 0.319569 34574.23AXA Jan97-mei97 0.157198 0.365911 -0.04022 0.810781 905.20AXA Jan97-feb02 0.015198 0.092578 -0.27887 0.224176 40751.91Bacou Jan97-feb02 0.00828 0.105927 -0.24247 0.275009 255.75Beghin Jul01-feb02 0.049623 0.091033 -0.03909 0.262 986.24Beneteau Jan97-feb02 0.061841 0.138809 -0.33259 0.375709 459.97Bic Jan97-feb02 -0.00129 0.087498 -0.23545 0.158474 2914.78BNP Paribas Jan97-feb02 0.029095 0.105789 -0.29388 0.308762 26476.73Bollore Jan97-feb02 0.021383 0.072555 -0.1437 0.289243 1050.62Bon Marché Jan97-feb98 0.052039 0.314032 -0.31093 1.010442 2042.77Bonduelle Jul98-feb02 0.024021 0.085177 -0.19304 0.204413 207.97Bouygues O. Jan97-feb02 0.03326 0.136003 -0.23797 0.383684 9708.30Bouygues P. Jan97-feb02 0.020356 0.115825 -0.29509 0.373582 656.56Brioche Pas. Jan97-feb02 0.012353 0.094279 -0.21772 0.385825 360.69Buitoni Jan97-nov98 0.045137 0.20111 -0.30577 0.759717 236.69Bull Jan97-feb02 -0.00715 0.198697 -0.42593 0.554217 1161.51Bus. Objects Dec99-feb02 0.040906 0.241881 -0.28591 0.565851 2939.59Cap Gemini Jan97-feb02 0.023637 0.150461 -0.3681 0.43513 11854.24Carbone Jan97-feb02 0.011016 0.12197 -0.31703 0.279851 495.79Cardif Jan97-mei98 0.039625 0.120209 -0.10776 0.250674 779.64Carrefour Jan97-feb02 0.007038 0.077408 -0.18582 0.198444 35050.17Casino Jan97-feb02 0.016467 0.077584 -0.13545 0.239295 6477.74Castorama Jan97-feb02 0.013215 0.085646 -0.20826 0.260514 6179.61Cereol Jul01-feb02 0.03183 0.098364 -0.14693 0.157042 682.83Cerestar Jul01-feb02 0.039798 0.127243 -0.11364 0.32 773.44Cetelem Jan97-sep98 0.022863 0.093431 -0.15214 0.197729 4671.59CGIP Jan97-feb02 0.019388 0.112102 -0.21628 0.430008 2881.40Chargeurs Jan97-feb02 0.017501 0.088005 -0.25426 0.215373 396.24Christian D. Jan97-feb02 0.01376 0.123579 -0.31203 0.389438 6858.56Ciments Fr. Jan97-feb02 0.018737 0.08409 -0.22849 0.227812 1827.24Clarins Jan97-feb02 0.008164 0.080425 -0.23588 0.210606 1516.24Club Med Jan97-feb02 0.008964 0.120873 -0.41035 0.287066 1320.98CNP Ass. Jul01-feb02 0.010965 0.082897 -0.17587 0.220844 4435.86Coface Jan97-feb02 0.010921 0.167314 -0.31901 0.527 1102.75Coil Jan97-feb02 -0.00073 0.159055 -0.28942 0.548006 40.04Comm.Union Jan97-apr98 0.040914 0.150588 -0.26303 0.32098 1707.77



Parijs Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.Crédit Lyonn Aug99-feb02 0.017612 0.106742 -0.19853 0.368178 13186.78Danone Jan97-feb02 0.018762 0.076747 -0.12966 0.216248 17271.54Dass.Electr. Jan97-okt98 0.028268 0.100039 -0.10707 0.3125 468.30Dassault Sys Jan97-feb02 0.028516 0.153137 -0.291 0.586691 5468.39Degremont Jan97-okt97 0.034175 0.104359 -0.10015 0.215517 487.25Dexia Dec99-feb02 0.006288 0.06216 -0.16863 0.129712 16234.06Eads Aug00-feb02 -0.0016 0.125832 -0.37 0.208995 15511.50Eiffage Jan97-feb02 0.026761 0.108906 -0.16466 0.353552 777.84Elior Apr00-feb02 -0.0002 0.12337 -0.46718 0.184496 1240.65Entenial Jan97-feb02 0.006484 0.083893 -0.21053 0.215686 321.65Equant Aug98-feb02 -0.00748 0.161416 -0.44978 0.328188 10723.99Essilor Jan97-feb02 0.011498 0.071595 -0.13877 0.181622 3054.64Euler Mei00-feb02 -0.01102 0.084037 -0.20266 0.213889 1769.82Eurazeo Jan97-feb02 0.016536 0.090585 -0.22001 0.276141 2075.82Eurodisney Jan97-feb02 0.000946 0.107792 -0.24632 0.316583 965.01Eurofins Nov97-feb02 0.067729 0.256842 -0.351 1.05256 169.33Euronext Aug01-feb02 -0.00587 0.123656 -0.16035 0.162406 2284.03Eurotunnel Jan97-feb02 0.008438 0.116189 -0.17544 0.41573 1866.01Exor Limited Jan97-jan98 -0.01602 0.106681 -0.19208 0.20029 1065.05Faurecia Jan97-feb02 0.016206 0.099727 -0.1946 0.310492 966.82Fimatex Apr00-feb02 -0.055 0.225288 -0.39402 0.287016 532.97Financière Jan97-dec98 0.043056 0.299975 -0.27834 1.383721 566.47Foncia Gr. Mei01-feb02 0.010494 0.047677 -0.04472 0.102462 270.58Fourmi Jan97-mei97 0.063217 0.132876 -0.04871 0.288217 522.37France Jan97-jun98 0.022597 0.095484 -0.25431 0.252415 525.37France Télé Nov97-feb02 0.01032 0.143031 -0.34857 0.274554 85010.95Galeries Laf Jan97-feb02 0.031034 0.102027 -0.12132 0.325811 1589.82GAN Jan97-jul98 0.034699 0.105347 -0.14306 0.319588 2278.80Gecina Jan97-feb02 0.011368 0.038557 -0.07728 0.098306 1426.23Gemplus Jan01-feb02 -0.09595 0.130933 -0.21016 0.27451 2815.86Géné. Santé Jul01-feb02 -0.0206 0.072343 -0.11084 0.107143 682.77Genesys Okt98-feb02 0.028846 0.221635 -0.53025 0.678168 240.27Geophysique Jan97-feb02 0.009901 0.15997 -0.43261 0.470085 498.56GFI Informat Jun98-feb02 0.036205 0.225194 -0.36212 1.089286 886.21Gr. dela Cite Jan97-feb98 -0.01633 0.091348 -0.14001 0.266878 736.33Gr. Steria Jul99-feb02 0.050537 0.245849 -0.24347 0.908418 557.48Grandvision Jan97-feb02 -0.00228 0.097866 -0.21605 0.220387 671.27Guy. & Gasc Jan97-feb02 0.009136 0.073196 -0.13095 0.254766 530.96Havas Jan97-feb02 0.021217 0.12859 -0.34313 0.410883 2121.37Hermes Jan97-feb02 0.017488 0.084724 -0.20522 0.230886 4031.18High Jan97-feb02 0.043262 0.211644 -0.252 1.077557 88.61Imerys Jan97-feb02 0.007838 0.093863 -0.22387 0.28132 1863.83Immeubles Jan97-dec98 -0.00409 0.080049 -0.22037 0.125781 882.51Infogrammes Jan97-feb02 0.043892 0.222281 -0.65551 0.830865 1093.87Ingenico Jan97-feb02 0.04501 0.260041 -0.31872 1.607171 509.61Investi Jan97-sep97 0.030534 0.086046 -0.06392 0.288169 752.16Ipsos Jul99-feb02 0.033105 0.17051 -0.20591 0.554348 518.66JC Decaux Jul01-feb02 -0.0267 0.189028 -0.35732 0.256311 2642.06Lafarge Jan97-feb02 0.019133 0.091753 -0.21799 0.234378 9048.64Lagardere Jan97-feb02 0.024061 0.1413 -0.32954 0.474036 5765.39Locindus Jan97-feb02 0.009714 0.042717 -0.12529 0.121917 245.48Louis Vuitton Jan97-dec98 0.015163 0.123544 -0.25889 0.300418 8637.59Luxyachting Okt01-feb02 0.089161 0.121268 -0.04884 0.231466 14.45LVHM Jan97-feb02 0.014709 0.12994 -0.34706 0.386453 25354.56LVL Jan97-feb02 0.04482 0.200519 -0.41705 0.509058 221.53M6 Jan97-feb02 0.036764 0.1488 -0.34483 0.506591 3456.17Mar. Wendel Jan97-feb02 0.022164 0.120516 -0.30725 0.331383 1275.13



Parijs Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.Marrionnaud Aug98-feb02 0.031215 0.098609 -0.20255 0.324125 458.98Medipep Aug98-feb02 0.062882 0.154271 -0.25448 0.4 125.11Michelin Jan97-feb02 0.006161 0.089192 -0.23584 0.205416 5572.02Navigation Jan97-mei98 0.039925 0.127994 -0.06315 0.510845 2138.56Neopost Ma99-feb02 0.034337 0.121814 -0.28079 0.246238 876.84Nexans Jul01-feb02 -0.02007 0.179455 -0.43009 0.14404 551.28NRJ Groupe Jul00-feb02 -0.02215 0.200706 -0.34811 0.393593 2469.33Oberthur Aug00-feb02 -0.03728 0.238123 -0.44503 0.495283 1109.38OCP Jan97-mei98 0.033787 0.087211 -0.00681 0.363693 423.61Orange Ma01-feb02 -0.01031 0.143733 -0.20713 0.225269 44820.99P & V Jul99-feb02 0.041512 0.125354 -0.27601 0.36373 404.72Paribas Jan97-jan00 0.032025 0.131337 -0.39323 0.352835 12390.94Penauille Jan97-feb02 0.023228 0.130182 -0.51135 0.331693 560.80Pernod Jan97-feb02 0.017488 0.07192 -0.13086 0.19075 3468.44Peugeot Jan97-feb02 0.025352 0.094552 -0.22021 0.270461 8886.46Picheney Jan97-feb02 0.01878 0.105847 -0.21366 0.456906 49.28Pinault Print Jan97-feb02 0.016367 0.096904 -0.22099 0.265692 18158.53Pinguely Jan99-feb02 0.071704 0.217216 -0.21958 0.897674 423.22Provimi Jul01-feb02 0.051336 0.178466 -0.29852 0.295125 444.30Publicis Gr. Jan97-feb02 0.033247 0.129929 -0.29121 0.373823 2463.76Rallye Jan97-feb02 0.012043 0.093569 -0.2084 0.3294 1369.50Remy Coin Jan97-feb02 0.01139 0.117898 -0.34091 0.46097 927.89Renault Jan97-feb02 0.026876 0.125726 -0.29567 0.301703 9818.13Rhodia Jul98-feb02 -0.00699 0.145706 -0.40468 0.356742 2782.96Rodriguez Jun98-feb02 0.052043 0.158634 -0.25278 0.667695 412.95Royal Canin Mei97-feb02 0.025754 0.081043 -0.16257 0.257373 781.35Rue Imperial Jan97-feb02 0.017527 0.103902 -0.1838 0.622155 897.71SAFR Jan97-jun97 0.106196 0.130996 0.003421 0.312907 720.07Sagem Jan97-feb02 0.018187 0.170094 -0.41157 0.820587 3105.61Saint Gobain Jan97-feb02 0.013859 0.085537 -0.22338 0.195773 13004.84Saint-Louis Jan97-jun97 0.009348 0.056728 -0.04169 0.088023 1690.07Salomon Jan97-jan98 0.014754 0.077779 -0.10532 0.221235 1065.54Sanofi Jan97-feb02 0.025651 0.079941 -0.12816 0.240961 27740.03SCAC Jan97-dec98 0.035265 0.070647 -0.05931 0.178512 972.16Schneider Jan97-feb02 0.015899 0.110702 -0.34425 0.258586 9612.18SCOR Jan97-feb02 0.013175 0.090253 -0.2842 0.206015 1593.72SEB Jan97-feb02 0.000135 0.127595 -0.30877 0.398272 1376.98Seche Envir Dec97-feb02 0.03023 0.139338 -0.43221 0.438776 327.86SEPR Jan97-jul97 0.217445 0.47449 -0.03523 1.286251 273.59Simco Jan97-feb02 0.009954 0.054954 -0.09505 0.195628 1565.43Sligos Jan97-jun98 0.019317 0.099184 -0.17379 0.242643 879.65Soc. Général Jan97-feb02 0.029246 0.119492 -0.40401 0.350603 19666.68Sodexho All. Jan97-feb02 0.013752 0.086474 -0.1803 0.192329 5536.88Soitec Ma99-feb02 0.101101 0.300127 -0.42411 0.893124 936.38Solving Aug98-feb02 0.04748 0.173469 -0.33603 0.711937 200.70Sophia Jan97-feb02 0.008191 0.064978 -0.23878 0.188017 468.91Sopra Jan97-feb02 0.040063 0.202591 -0.39848 0.846371 523.16Spir Jan97-feb02 0.011467 0.121312 -0.21348 0.528057 436.17SR Téléperf Jan97-feb02 0.036276 0.144174 -0.23368 0.4927 582.94ST Microel. Jan97-feb02 0.033891 0.163877 -0.33331 0.616808 25087.57Suez Jan97-dec98 0.043341 0.069755 -0.0765 0.189638 8796.42SUEZ Jan97-feb02 0.017277 0.070968 -0.11636 0.163804 25200.35Synthelabo Jan97-jan00 0.025564 0.078958 -0.09608 0.242049 35291.58Technip Jan97-feb02 0.018803 0.103848 -0.26015 0.222678 1956.86Télémecaniq Jan97-jun97 0.15656 0.290909 -0.11211 0.7 1783.93TF1 Jan97-feb02 0.030825 0.127677 -0.34353 0.444459 6277.63Thales Jan97-feb02 0.012228 0.091962 -0.23943 0.190475 5573.18



Parijs Periode Gemm.Rend. Stand.dev. Min. Rend. Max. Rend. Marktkapital.Thomson Dec99-feb02 0.037391 0.243023 -0.31106 0.783852 11562.62TotalFinaElf Jan97-feb02 0.021322 0.0845 -0.19716 0.229959 65668.11Transiciel Apr98-feb02 0.043879 0.234991 -0.28231 0.803226 751.95TrediEnviron Sep00-feb02 0.033625 0.117859 -0.13004 0.329486 200.93UAP Jan97-dec98 0.041521 0.10863 -0.28538 0.221243 10292.52UBI Jan97-feb02 0.034366 0.195882 -0.34555 0.872644 439.08UFB Jan97-okt98 0.016968 0.077257 -0.17158 0.152724 458.86Ugine Jan97-dec97 0.015831 0.092748 -0.19241 0.188415 1256.34UIS Jan97-jul98 0.019637 0.03033 -0.0266 0.079986 488.83Unibail Jan97-feb02 0.02005 0.057069 -0.0942 0.174991 1706.67Unilog Jan97-feb02 0.047299 0.152417 -0.29561 0.397424 667.21Valeo Jan97-feb02 0.007789 0.108833 -0.29432 0.216454 4846.01Vallourec Jan97-feb02 0.015379 0.113771 -0.25703 0.290906 443.21Vinci Jan97-feb02 0.029817 0.093791 -0.13365 0.274955 2438.62Virbac Jan97-feb02 0.01024 0.08809 -0.17866 0.255345 163.76Vivendi Env. Aug00-feb02 0.007252 0.067206 -0.09035 0.149903 15254.46Vivendi Univ Jan97-feb02 0.011765 0.099455 -0.19609 0.171221 42515.86Wanadoo Aug00-feb02 -0.04576 0.155625 -0.32523 0.188 11276.98Wavecom Jul99-feb02 0.10983 0.452173 -0.58989 1.60061 852.30Zodiac Jan97-feb02 0.00539 0.095387 -0.33731 0.182634 1090.68Bron: Datastream en eigen berekeningen.

Om de statistieken verder te verduidelijken hebben we de statistieken uit elke kolom nog eens

verder samengevat. In onderstaande tabel zien we de opdeling van het aantal aandelen

volgens beurs en soort.

Tabel 5: Aantal aandelen per beurs en volgens soort.

Beurs Brussel Amsterdam Parijs

Totaal aantal 65 98 184

Dead stocks 11 19 34

1997-2002 36 63 97

Nieuw noterend 18 16 53

Bron: Eigen berekeningen.

We zien in bovenstaande tabel dat we voor Brussel 65 aandelen hebben gebruikt, voor

Amsterdam 98 en voor Parijs 184. Verder kunnen we de indeling per soort van aandeel zien

voor elke beurs.

In de volgende tabel hebben we rekenkundige gemiddelden genomen van de aandelen die we

hebben gebruikt, per beurs ingedeeld.



Tabel 6: Rekenkundig gemiddelden van bovenstaande statistieken.

Gemiddelde\Beurs Brussel Amsterdam Parijs

Rendementen 0.009321 0.010199 0.024052

Standaarddeviatie 0.110469 0.113677 0.132949

Minimale rendementen -0.21813 -0.24065 -0.24473

Maximale rendementen 0.31921 0.336258 0.394589

Marktkapitalisatie in miljoen € 2257.89 5598.97 5754.72

Bron: Eigen berekeningen en datastream

We kunnen hierop zien dat het rekenkundig gemiddelde van de rekenkundige gemiddelden

van de maandrendement voor Parijs 2.4% is. Voor Amsterdam is dit 1.0% en voor Brussel

0.9%. We merken hier dat, voor de gebruikte manier van berekenen, Parijse aandelen veel

meer rendement hebben gegeven dan Brusselse en Amsterdamse aandelen. We zien dat de

gemiddelde standaardafwijking in Parijs iets groter is dan in de andere twee beurzen, wat op

een groter risico wijst en deels het grotere gemiddelde rendement kan verklaren. De grotere

variabiliteit in de gemiddelde maandrendementen komt ook terug in de grotere waarden voor

het gemiddelde minimum- en maximumrendement voor Parijs. Tenslotte zien we ook dat we

voor Brussel gemiddeld kleinere aandelen hebben op het vlak van marktkapitalisatie dan voor

de beurzen van Parijs en Amsterdam. Dit wijst dan weer op het aanwezig zijn van relatief

meer blue chips in de dataset voor deze twee laatste beurzen.

3.6 Het model

3.6.1 Inleiding

We hebben nu dus aangegeven welke data we gaan gebruiken en op welke manier we ze

hebben gevonden. In deze paragraaf gaan we nu uitleggen hoe we onze onderzoeksvragen in

een model, dat zoveel mogelijk informatie weergeeft hebben gegoten. We zijn begonnen

vanuit de volgende basisvergelijking:



Rit = f (risico, liquiditeit, sector, beurs, periode)

Het excess-rendement3 R van het aandeel i op tijdstip t is dus functie van het risico, van

liquiditeitsfactoren, van de sector waarvan het achterliggende bedrijf deel uitmaakt, van de

beurs waarop het noteert en van de periode waarin ze noteert. We gaan nu eerst bekijken met

wat voor schatting we hier te maken hebben, vervolgens gaan we alle factoren waar het

excess-rendement vanaf hangt van naderbij bekijken. Als laatste van deze factoren komen we

bij onze onderzoeksdummies.

3.6.2 Panel data

Door het feit dat we met vele aandelen zitten op verschillende tijdstippen, is het zo dat we niet

zomaar een multivariate kleinste kwadratenschatting kunnen uitvoeren via een tijdreeks (één

aandeel over geheel de periode) of via een cross-sectie (alle aandelen op één tijdstip). We

hebben hier dus nood aan een andere manier van werken: door middel van panel data.

Johnston en DiNardo omschrijven panel data als volgt: “Repeated observations on the same

set of cross-section units.” (JOHNSTON J. en DINARDO J., 1997, blz. 388)

Bij een panel data schatting moet men telkens goed kijken hoe de data is gerangschikt.

We beschouwen:

yit = de waarde van de afhankelijke variabele voor cross-sectie-eenheid i op het tijdstip t,

waarbij i = 1,…,n en t = 1,…,T

Xit,j = de waarde van de j-de verklarende variabele voor cross-sectie-eenheid i op tijdstip t. Er

zijn K verklarende variabelen waarbij j = 1,….,K.

In matrixnotatie ziet dit er als volgt uit:

1

2

i

ii

iT

yyyy

=

M

1,1 1 ,2 1,

2,1 2 , 2 2 ,

,1 , 2 ,

i i i K

i i i Ki

i T iT iT K

X X XX X XX

X X X

=

L

LM M O M

L

1ii

i

iT

εεεε

2 =

M

- waarbij itε verwijst naar de storingsterm voor de i-de eenheid op het tijdstip t. Als we het

voor alle eenheden samennemen, krijgen we:

3 Excess-rendement is het rendement dat wordt behaald zonder het risicoloze rendement.



1

2

n

yy

y

y

=

M

1

2

n

X

XX

X

=

M

12

i

n

εεεε

=

M

- waarbij y een nT x 1 matrix is, X een nT x k matrix en ε is een nT x 1 matrix. Het standaard

lineair model kan als volgt worden uitgedrukt:

y = Xγ + ε

- waarbij

1

2

k

γγ

γ

γ

=

M

Het is nu naar deze γ ’s dat we op zoek gaan in ons onderzoek.

We willen er wel op wijzen dat we hier met een model werken waar kleine en grote aandelen

op dezelfde manier zullen behandeld worden. We controleren wel voor liquiditeit door middel

van liquiditeitsmaatstaven (zie infra blz. 52), maar we willen hier toch eens de nadruk op

leggen. Doordat ons model geen rekening houdt met de grootte van de aandelen geven we ook

enkel informatie over de rekenkundige gemiddelden bij het bekijken van de statistieken.

3.6.3 Risico

3.6.3.1 Inleiding

Het eerste waarvoor we gaan controleren, voor we aan onze feitelijke onderzoeksvariabelen

beginnen, is risico.

Om te zuiveren voor risico moeten we eerst over een bepaald model beschikken. We hebben

hier geopteerd voor het marktmodel. Samen met het marktmodel bekijken we het SIM en we

beschrijven welke de voor-en de nadelen zijn van beide modellen.



3.6.3.2 Het SIM.

Vroeger had men om met het model van Markowitz een efficiënte grens te berekenen teveel

data nodig, en waren de computers te zwak. Men moest van elk aandeel het verwachte

rendement weten en de standaardafwijking als maatstaf voor risico. Verder moest men voor

elk aandeel de correlatie met alle andere aandelen hebben. Dit noopte tot een immense dataset

en enorm veel berekeningen om, voor het risico (of standaardafwijking) van elke portefeuille,

het hoogste verwacht rendement te komen. We zien in onderstaande figuur hoe men na de

efficiënte grens te hebben bepaald, de CAL of de capital allocation line, bekomt. De CAL

gaat door het punt op de efficiënte grens waar men het meeste rendement, gegeven de

risicovrije rente, voor elke standaardafwijking kan bereiken. Het is dus zo dat de CAL het

hoogst mogelijke rendement aangeeft dat elke belegger kan behalen door deels in de optimale

portefeuille te beleggen en deels in de risicovrije rente, al naar gelang zijn risicoaversie en dus

de standaardafwijking die hij wil dragen.

Figuur 4: De efficiënte grens en de Capital Allocation Line.

Bron: BODIE, CANE en MARCUS, 2002, blz. 207-319

Door de zware berekeningen is men op zoek gegaan naar makkelijkere manieren om het risico

en het verwachte rendement van een aandeel in portefeuille te berekenen. De oplossing

hiervoor werd gevonden in het meestal positief gecorreleerd zijn van aandelen. Dit betekent

dat er een bepaalde gemeenschappelijke factor hiervoor verantwoordelijk moet zijn. Dit

noemt men dan niet-diversifieerbaar risico.



Op deze manier komen we bij de factormodellen uit. Deze stellen dat het rendement van een

aandeel opdeelbaar is in drie stukken: een constant gedeelte, een gemeenschappelijk variabel

gedeelte en een specifiek variabel gedeelte. Dit wordt bijgevolg: ri = E(ri) + mi + ei waarbij

E(ri) het verwacht rendement is zonder macro- en bedrijfsspecifieke schokken, mi is de impact

van ongeanticipeerde macro-effecten en ei geeft de ongeanticipeerde bedrijfsspecifieke

effecten weer.

Als we nu het SIM of het Single Index Model van Sharpe bekijken, wordt het

gemeenschappelijk variabel gedeelte door één factor vertegenwoordigd. Deze factor is de

beursmarkt.

We komen uit dat: ri – rf = α i + β i (rm – rf) + ei , waarbij ri het maandrendement is voor

aandeel i en rf is het risicovrije rendement op maandbasis.

Waaruit volgt dat: Ri = α i + β i Rm + ei.

En dus verder: E(Ri) = α i + β i Rm + 0,

waarbij α i het verwacht rendement van het aandeel is, als het excess-rendement van de markt

Rm 0 is. β i bekijkt welke impact marktbewegingen op een individueel aandeel hebben en ei

geeft het onverwacht bedrijfsspecifieke rendement weer.

3.6.3.3 Het CAPM.

Omdat bij het SIM, de verwachte excess-rendementsbepaling nog een theoretische onderbouw

mist, bespreken we hier ook het CAPM dat als evenwichtsmodel een betere theoretische

onderbouwing biedt.

Een evenwichtsmodel is een waarderingsmodel dat een verband legt tussen risico en verwacht

rendement. Het CAPM, of het Capital Asset Pricing Model, gaat hierbij uit van sterke

hypothesen. Het gaat hierbij om een ‘Perfect markt’ en om ‘Homogene beleggers’. Homogene

beleggers gebruiken ook Markowitz voor de bepaling van hun efficiënte grensen en de CAL,

maar ze verschillen wel in beginvermogen en risico-aversie.

Dit betekent met andere woorden dat, in evenwicht, iedereen deels de marktportefeuille

aanhoudt, die alle mogelijke beleggingsactiva bevat, en deels een risicoloze belegging.



De CAL, of de Capital Allocation Line, uit Markowitz wordt in het CAPM de CML, of de

Capital Market Line. Deze geeft de relatie weer tussen risico en verwacht rendement, waarbij

der prijs voor tijdsverloop wordt gegeven door de constante rf en de prijs voor risico wordt

gegeven door de helling van de CML: (E(rm) – rf )/ σ m.

Hetgeen we nu dus nog niet weten, is de risicopremie die er in evenwicht op M zal zijn. Als

we de individuele afwegingen samenvoegen en er zeker van zijn dat de gehele

marktportefeuille moet worden ingevuld, krijgen we: E(rm)-r f = gemidd.A* σ 2M. Dit betekent

dat het verwachte excess-rendement voor de markt proportioneel is met de gemiddelde risico-

aversie en het totale risico van de marktportefeuille.

In een laatste stap, bekijken we verder de risicopremie van individuele activa. In het CAPM

wordt risico beschouwd als de bijdrage die het aandeel brengt in de marktportefeuille. In een

gediversifieerde portefeuille is de bijdrage het systematisch risico. In het CAPM is het

systematisch risico gelijk aan β en is dus de risicopremie proportioneel met β .

Dit wordt: E(ri – rf) = β i E(rm - rf ).

Op deze manier kunnen we dus de SML, of de Security Market Line, opstellen.

Figuur 5: De Security Market Line.

Bron: BODIE, CANE en MARCUS, 2002, blz. 207-319

De SML geeft aan wat het verwachte rendement is voor elk aandeel naar gelang de grootte

van zijn β .

Wat betreft deα en het actief beheer, weten we vanuit het CAPM dat het verschil, verwacht

versus vereist rendement, ex-ante 0 zal zijn

(BODIE, CANE en MARCUS, 2002, blz. 207-319).



3.6.3.4 Risico in ons model.

Voor ons onderzoek is het nu zo dat we niet met verwachte rendementen en een volledige

marktportefeuille kunnen werken. Hierdoor zitten we dus eigenlijk op basis van het SIM te

werken. We schatten onze β aan de hand van de formule die bij het deel over het SIM is naar

voren gekomen. We kunnen wel stellen dat de gerealiseerde rendementen en de portefeuille-

index een goede benadering kunnen zijn van de volledige marktportefeuille. Dit komt dan de

theoretische onderbouwing ten goede.

We hebben nu dus nood aan die welbepaalde α en het hierbij horende actief beheer dat we

hiermee dus kunnen voeren. In het geval van ons onderzoek geeft dit een antwoord op de

vraag welk actief beheer we best konden gevoerd hebben.

We beginnen met het samenstellen van een marktportefeuille van onze 347 aandelen, die we

hebben beschouwd.

Het marktrendement per maand hebben we als volgt berekend:

Marktrendement voor maand t = ( ), 1 * ,

1, 1

1

n i t i t

ni

i t

i

Marktkapitalisatie r

Marktkapitalisatie

−

=−

=

∑∑

We zijn, om tot het resultaat te komen van deze formule, begonnen met het verzamelen van

alle marktkapitalisaties voor alle maanden in onze dataset. We hebben vervolgens voor elke

maand de som genomen van alle marktkapitalisaties. Op deze manier bekomen we de totale

marktkapitalisatie voor elke maand van al onze aandelen. Verder hebben we voor elk aandeel

de return index voor elke maand op Datastream opgezocht. Met deze informatie bekomen we

ons marktrendement voor elke maand door de return van het aandeel te vermenigvuldigen met

het belang dat elk aandeel in de marktportefeuille heeft.



Figuur 6: Marktindex gebaseerd op maandrendementen.

Markt index

0

5 0

1 0 0

1 5 0

2 0 0

2 5 0

3 0 0

janv-9

7

mars-97

mai-97

juil-97

sept-97

nov-9

7

janv-9

8

mars-98

mai-98

juil-98

sept-98

nov-98

janv-99

mars-99

mai-99

juil-99

sept-99

nov-9

9

janv-00

mars-00

mai-00

juil-00

sept-

00no

v-00

janv-01

mars-01

mai-01

juil-01

sept-

01no

v-01

janv-0

2

m a a n d

Mar

ktin

dex

Bron: Datastream + eigen berekeningen.

We zien in bovenstaande figuur de rendementsindex van onze eigen marktportefeuille met als

basis 100, begin januari 1997 en als eindwaarde 196 voor eind februari 2002.

Via e-views hebben we dan voor elk aandeel de individuele β geschat ten opzichte van onze

zelf gecreëerde marktportefeuille. Dit hebben we gedaan aan de hand van volgende

regressievergelijking: ri – rf = α i + β i (rm – rf) + ei , waarbij ri het maandrendement is van het

aandeel i , rf is het maandrendement van de euribor op 3 maand, α i is de α zoals we die bij

het SIM en het CAPM hebben gezien (zie supra blz. 39), β geeft de gevoeligheid ten

opzichte van de markt weer en ei geeft het bedrijfsspecifieke rendement weer.

We doen deze schatting nu voor tijdsreeksen met 62 maandwaarnemingen. Volgens

onderzoek van Broquet en Capiau-Huart uit 1987 is een periode van vijf jaar de beste manier

om verzoening te brengen tussen statistische en economische afwegingen. Om statistisch zo

goed mogelijk te handelen is het best dat we zo lang mogelijke tijdsreeksen gebruiken, want

dan kan de schatting het best worden gevoerd. Anderzijds is het zo dat in de economische

realiteit bedrijven niet constant hetzelfde risicoprofiel ten opzichte van de markt bewaren

wegens veranderende activiteiten en financiering. Dit betekent dat, hoe recenter de data zijn,

des te beter de β overeenkomt met de huidige werkelijkheid. Uit hun onderzoek bleek dat

een periode van vijf jaar deze twee tegenstrijdige gegevens kan verzoenen.



We hebben nu onze β ’s geschat op basis van 62 waarnemingen in plaats van 60, maar we

gaan er van uit dat het verschil hiervan nihil is. Tevens zorgt het er ook voor dat nieuw

noterende aandelen twee extra waarnemingen hebben, zodat we de β hiervan beter kunnen

schatten.

In onderstaande 3 tabellen tonen we de resultaten van deze schatting voor elk aandeel,

ingedeeld per beurs. Tevens hebben we het aantal waarnemingen vermeld (als dit aantal

verschillend was van 62) en de sector van het aandeel. Deze twee factoren verklaren namelijk

mee het resultaat van de schatting. Aandelen die minder waarnemingen hebben, kunnen

moeilijker geschat worden en dit kan tot afwijkende resultaten leiden. Verder hebben we ook

de sector vermeld. We hebben hier de sector via nummers weergegeven. Voor een legenda

omtrent deze nummers verwijzen we naar het deel dat handelt over het belang van de sector.

(zie infra blz. 59)

Tabel 7: Beta en sector van aandelen genoteerd op beurs van Brussel.

Aandeel β Aantal waarnemingen SectorAgfa Gevaert 0.633675 33 4Almanij 0.772553 8Anhyp 0.536945 25 8Anhyp ‘B’ 0.06273 13 8Arinso Int. 0.486021 23 9Barco 1.138328 2BBL 0.490623 18 8Bekaert 0.896618 2Bernheim 0.564511 9 8Brederode 0.744923 8Bureau van Dijck 0.594977 33 9CBR 0.758414 43 1CMB 0.491929 5Cobepa 0.694873 8Cofinimmo 0.068491 8Colruyt 0.358006 6Crédit Générale 0.745116 17 8D’Ieteren 0.823359 5Delhaize 0.569078 6Dexia 0.584085 8Dolmen 1.535208 28 9Duvel -0.0404 32 4Electrabel 0.155977 7Fab. Fer. 0.81278 15 1Fortis 0.928029 8GBL New 0.570385 8Gevaert 0.871167 8GIB 0.245333 6Glaverbel 0.524778 1Immobel 0.200286 15 8Interbrew 0.177757 4



Aandeel β Aantal waarnemingen SectorIPTE 1.378495 2IRIS groep 0.968348 33 9KBC 0.999468 8Koramic 0.785754 1LSG 0.29439 56 2Mitiska 0.868725 32 5Mobistar 1.338744 40 6Monceau 0.615777 47 2Obourg 0.575625 4Omega Pharma 0.650038 44 4Petrofina 0.776673 48 0Photo Hall 0.969309 43 5Punch Int. -0.50736 35 2Quest for Growth 0.881237 41 8Quick 0.907598 5Real Software 1.301107 56 9Royale Belge 1.06603 26 8Sait Stento 1.091751 2Sibeka -0.66267 7 0Sioen Industries 0.772196 3Sofina 0.7217 2Solvay 0.728433 1Solvus 0.84979 5Spector 0.630496 5Telindus 1.131992 9Tessenderlo 0.721989 1Tubize ‘A’ 0.84162 4Tubize ‘B’ 0.628295 4Ubizen 2.63656 17 9UCB 0.793578 4Umicore 0.74546 1Uniesde Phorphyre 0.033233 1VMS Keytrade 2.698097 26 5VPK Packaging -0.10192 34 1

Bron: Eigen berekeningen en datastream.

Tabel 8: Beta en sector van aandelen genoteerd op beurs van Amsterdam.

Aandeel β Aantal waarnemingen SectorAalberts 1.021492 2ABN Amro 1.23379 8Aegon 1.061215 8Ahold 0.646052 6Akzo Nobel 0.925581 1Alpinvest 0.745854 34 8Amstelland 0.652602 1ASM International 2.589417 9ASML Holding 2.43661 9Athlon 1.027672 3Begeman 1.130664 2Benckiser 0.700841 25 4Bijenkorf 0.156302 31 5Boskalis 0.300624 1Buhrmann 0.880283 5Calvé 0.892365 29 4CMG 1.637146 9Corio 0.247447 8



Aandeel β Aantal waarnemingen SectorCrucell 2.374644 16 4CSM 0.426938 34 4CSM Cert. 0.209324 4Draka 1.027509 2DSM 0.896707 1Elsevier 0.385126 5Endemol 0.848111 43 5Eurocommercial 0.26064 8Euronext 1.650712 7 8Fortis 0.99214 8Fugro 0.516735 0Gamma 0.746988 3Getronics 1.85197 9Geveke 0.8395 2Gist 1.314707 20 4Grolsch 0.20777 4Gucci 0.869188 3Hagemeyer 1.261888 5Haslemere 0.239343 31 8Heijmans 0.699391 1Heiniken 0.236561 4Hoogovens 1.380013 36 1Hunter Douglas 1.027271 3IHC Caland 0.133941 2ING Groep 1.236103 8Kas Bank 0.66421 8KLM 1.436291 5KPN 2.352426 6KPN Qwest 3.589528 27 9Krasnapols 0.901265 45 5Landis 2.349354 46 9Laurus 0.654078 6LCI Technology 1.55545 9Macintosh 0.4822 5Nagron 0.355625 8Nat. Investeringen 0.982974 30 8Nedlloyd 0.902869 5NPM 0.208538 46 5Numico 0.466799 4Nutreco 0.378662 54 4Oce 1.103877 9OPG 0.791266 4Ordina 1.440052 9Otra 0.312105 30 5Pakhoed 0.853455 35 5Petroplus 0.827219 43 0Philips 1.698578 2Pink 0.744536 31 9Pirelli 1.531472 4 2Polygram 0.410704 24 5Randstad 1.210396 5Rodamco 0.663872 31 8Rodamco 0.251988 31 8Royal Dutch 0.602958 0Simac 1.587917 9Smit 0.532269 5Stork 0.598094 2



Aandeel β Aantal waarnemingen SectorTPG 0.45399 44 5Uni 0.3632 8Unilever 0.612867 4UNIT 4 Agresso 0.755223 48 9United Services 0.753175 5Van der Moolen 1.599239 8Van Lanschot 0.754078 32 8Van Leer 0.46652 34 4Van Ommeren 0.759117 35 5Vastned Offices 0.267194 8Vastned Retail 0.224231 8Vedior 0.587543 56 5Vendex 0.628153 5Versatel 4.746366 30 8VNU 1.139907 5Vodafone 1.748866 32 6Volker Wessels 0.524614 1Vopak 0.272509 27 5Wegener 0.593529 5Wereldhaven 0.205144 8Wessanen 0.798766 4Wolters Kluwer 0.247644 5World Online 2.73321 10 9


Tabel 9: Beta en sector van aandelen genoteerd op beurs van Parijs.

Aandeel β Aantal waarnemingen SectorA Novo 3.253822 34 5Accor 1.118675 5Agache 0.51153 24 2AGF 0.370495 8Air France 1.306258 5Air Liquide 0.36237 1Alcatel 2.451898 9Alstom 0.774534 44 2Alten 1.785769 37 9Altran 1.698467 9April Group 1.125049 52 8Areva 0.610251 7Atos 1.212626 9Avenir Télé 3.539537 39 5Aventis 0.658752 4AXA -3.82251 5 8AXA 1.206251 8Bacou 0.608253 3Beghin 0.20188 8 4Beneteau 1.419022 3Bic 0.714869 3BNP Paribas 1.378142 8Bollore 0.441328 5Bon Marché 1.763809 14 5Bonduelle -0.16203 44 4Bouygues O. 1.610773 1Bouygues P. 0.796525 0Brioche Pas. 0.248634 4



Aandeel β Aantal waarnemingen SectorBuitoni 0.685525 23 4Bull 2.087491 9Business Objects 3.08604 27 9Cap Gemini 1.50815 9Carbone 1.108879 2Cardif 1.071556 17 8Carrefour 0.73906 6Casino 0.399923 6Castorama 0.540096 5Cereol 1.081526 8 4Cerestar 0.321931 8 4Cetelem 0.4383 21 8CGIP 1.122678 2Chargeurs 0.596808 3Christian D. 1.536365 3Ciments Fr. 0.770094 1Clarins 0.729307 4Club Med 1.314523 5CNP Ass. 0.223887 40 8Coface 1.9736 25 8Coil 0.737943 1Comm.Union -0.65572 16 8Crédit Lyonn 1.122271 31 8Danone 0.615945 4Dass.Electr. 0.481556 20 2Dassault Sys 1.758821 9Degremont 0.350758 10 2Dexia 0.373061 27 8Eads 1.377194 19 2Eiffage 0.843858 1Elior 1.165892 23 5Entenial 0.56755 8Equant 1.230228 43 6Essilor 0.486357 4Euler 0.685523 22 8Eurazeo 0.89677 2Eurodisney 0.15651 5Eurofins 1.112257 52 5Euronext 1.680216 7 8Eurotunnel 0.715933 5Exor Limited -0.2766 13 6Faurecia 0.753659 3Fimatex 3.038834 23 8Financière 0.276894 24 8Foncia Gr. -0.04556 10 8Fourmi -0.56504 5 8France 0.158625 18 8France Télé 1.70728 52 6Galeries Laf 0.849911 5GAN 0.972487 19 8Gecina 0.190246 8Gemplus 0.917199 14 9Géné. Santé -0.26399 8 4Genesys 0.808839 41 6Geophysique 1.260455 3GFI Informat 1.948022 45 9Gr. dela Cite 0.317178 14 8



Aandeel β Aantal waarnemingen SectorGr. Steria 2.95015 9Grandvision 0.804656 32 5Guy. & Gasc 0.48529 6Havas 1.493568 5Hermes 0.855487 3High 1.677218 5Imerys 0.874176 1Immeubles 0.534547 24 8Infogrammes 2.218318 5Ingenico 1.689416 2Investi 0.400496 9 8Ipsos 1.978735 32 5JC Decaux 2.62054 8 5Lafarge 0.885195 1Lagardere 1.559434 5Locindus 0.241599 8Louis Vuitton 0.575952 24 3Luxyachting 0.208183 5 5LVHM 1.650561 3LVL 1.761572 4M6 1.830957 5Mar. Wendel 1.242512 2Marrionnaud 0.879169 43 5Medipep 0.968796 43 4Michelin 0.782494 3Navigation 0.565965 17 2Neopost 0.587209 36 2Nexans 1.763758 8 2NRJ Groupe 3.030818 20 5Oberthur 3.43467 19 9OCP 0.286551 17 4Orange 0.907036 12 6Paribas 1.410848 37 8Penauille 1.136229 5Pernod 0.236594 4Peugeot 0.964019 3Picheney 0.93919 1Pierre & Vacances 0.679226 32 5Pinault Print 1.181276 5Pinguely 0.792795 38 2Provimi 2.713871 8 4Publicis Groupe 1.280787 5Rallye 0.752774 6Remy Coin 0.838557 4Renault 1.102754 3Rhodia 1.444389 44 1Rodriguez 1.09404 45 3Royal Canin 0.518756 58 4Rue Imperial 0.466071 8SAFR 3.044025 6 8Sagem 1.722028 9Saint Gobain 0.873967 1Saint-Louis 1.337325 6 4Salomon 0.534683 13 5Sanofi 0.236987 4SCAC 0.453107 24 5Schneider 1.453101 2



Aandeel β Aantal waarnemingen SectorSCOR 0.57121 8SEB 0.854502 3Seche Envir 0.946269 51 5SEPR 8.344801 7 Niet BekendSimco 0.329179 8Sligos 0.081538 18 9Soc. Général 1.434271 8Sodexho All. 0.54062 5Soitec 3.691159 36 9Solving 1.360928 43 5Sophia 0.133181 8Sopra 1.827659 9Spir 0.748035 5SR Téléperf 1.411325 5ST Microel. 1.810719 9Suez 0.846664 24 8SUEZ 0.630996 2Synthelabo 0.138569 37 4Technip 1.004854 0Télémecanique -0.79843 6 2TF1 1.30717 5Thales 0.736344 2Thomson 3.029231 27 2TotalFinaElf 0.547491 0Transiciel 2.375949 47 9TrediEnviron -0.14125 18 5UAP 1.177599 24 8UBI 1.73538 5UFB -0.07548 21 8Ugine 0.20099 12 0UIS 0.292571 19 8Unibail 0.080489 8Unilog 1.533334 9Valeo 0.943191 3Vallourec 0.889083 2Vinci 0.633298 1Virbac 0.365832 4Vivendi Env. -0.04948 19 7Vivendi Univ 1.13732 5Wanadoo 2.316486 19 9Wavecom 6.135332 32 9Zodiac 0.986997 2


We kunnen na de schatting van elke β , voor elk aandeel bepalen wat de α en de ei elke

maand hebben gedaan. Dit bekomen we door van ri – rf , β x (rm – rf) af te trekken. We weten

dat we, via diversificatiemogelijkheden, in het SIM en het CAPM vooropstellen dat E(ei) = 0.

Uit het CAPM weten we verder ook dat de verwachte waarde voor α ook gelijk is aan 0.

Toch zien we dat het zelden zo is dat we 0 uitkomen in onze dataset. De waarden van α en ei

gaan we nu als afhankelijke gebruiken in onze panel data schatting.



We gaan deze waarden ten opzichte van zoveel mogelijk verklarende variabelen zetten, met

daarbij ook onze onderzoeksvariabelen. We bekijken nu eerst in volgende tabel het

rekenkundige gemiddelde van de rekenkundige gemiddelden van de risicogecontroleerde

maandredementen van elk aandeel volgens beurs. Dit doen we eens voor de gehele periode en

voor de verschillende onderzoeksperioden.

Tabel 10: Rekenkundige gemiddelde van de excess-maandrendementen gecontoleerd voor risico,opgedeeld volgens periode en beurs.

Periode \ Beurs Brussel Amsterdam Parijs

Geheel de periode 0.000355 -0.00304 0.010989

1997-1998 0.011278 -0.00509 0.002762

1999-2000 -0.02037 -0.00374 0.014265

2001-2002 0.001075 0.001772 0.009529


We zien in deze tabel dat door het controleren voor risico, de excess-maandrendementen veel

kleiner geworden zijn. We zien dat, volgens het rekenkundig gemiddelde, Amsterdam over

geheel de periode een negatief risicogecontroleerd rendement heeft van –0.3%. Brussel en

Parijs hebben beiden over geheel de periode een positief risicogecontroleerd rendement van

respectievelijk 0.04% en 1.1%. Als we de resultaten van de gemiddelden volgens deelperiode

beschouwen, zien we dat voor Brussel de positieve waarden in het begin en einde van de

onderzoeksperiode worden onderbroken voor de periode 1999-2000. Voor Amsterdam zien

we dat we een positief evoluerende evolutie hebben. Voor Parijs valt de sterk positieve

waarde op voor de periode 1999-2000. We kunnen uit deze tabel leren dat, rekenkundig

gemiddeld gezien, Parijs in de periode van de invoering van de euro sterk heeft gepresteerd

ten opzichte van de twee andere beurzen. Het verschil wordt in de periode 2001-2002

weggewerkt en zelfs omgedraaid.

In de volgende tabel staan de statistieken vermeld, volgens beurs opgedeeld, voor de gehele

onderzoeksperiode, voor de gemiddelde standaardafwijking en het gemiddelde minimum en

maximum van het risicogecontroleerd maandrendement.

Tabel 11: Standaardafwijking, maximum en minimum van de excess-maandrendementen gecontroleerdvoor risico, opgedeeld volgens beurs, voor geheel de periode.


Standaardafwijking 0.100231 0.098974 0.11427

Minimum -0.20445 -0.21151 -0.21028

Maximum 0.288262 0.291913 0.337173




In bovenstaande grafiek zien we dat standaardafwijkingen van de risicogecontroleerde excess-

rendementen maar een beetje kleiner zijn dan bij de gewone maandrendementen. Dit betekent

dat het controleren met betrekking tot risico niet direct tot een vermindering in de grilligheid

van de rendementen leidt. Ook de gemiddelde waarden voor minimum en maximum

risicogecontroleerd maandrendement zijn maar een fractie kleiner.

3.6.4 De liquiditeitsmaatstaven.

3.6.4.1 Inleiding.

We hebben nu in onze regressie als afhankelijke variabele het risicogecontroleerd excess-

rendement per aandeel en per maand staan. Deze rendementen, gecontroleerd, voor risico

plaatsen we nu ten opzichte van zoveel mogelijk verklarende factoren waaronder de

variabelen die onze onderzoeksvragen beantwoorden. Voorbeelden van deze bepalende

factoren zijn liquiditeitsmaatstaven, sectoren en de dummies voor ons onderzoek.

We beginnen met de liquiditeitsmaatstaven.

3.6.4.2 Het gebruik van liquiditeitsmaatstaven.

Liquiditeit heeft een bepalende invloed voor het rendement (zie supra blz. 4) We weten

namelijk dat illiquide aandelen meer verwacht rendement zullen moeten geven, zelfs als men

voor risico heeft gecontroleerd. Dit betekent met andere woorden dat de β niet alles omvat

wat betreft het verwacht rendement.

We weten nu wel dat men meer rendement verwacht voor een minder liquide aandeel, maar

het probleem is nu dat je geen perfecte definitie of maatstaf voor liquiditeit kan aangeven. We

hebben in de theoretische uiteenzetting al een paar belangrijke, sterk met liquiditeit

gecorreleerde aandelen beschouwd. We gebruiken in onze regressie drie mogelijke manieren

om liquiditeit te meten. De eerste is de marktkapitalisatie, de tweede is het volume of omzet

in eenheden en de derde is de bid-ask spread. (zie infra, blz. 54)



Verder zijn er nog vele andere mogelijke liquiditeitsmaatstaven waarvan we hier er nog een

paar kort bespreken, maar die moeilijk te gebruiken waren voor ons onderzoek. Toch zullen

ze in vele gevallen gecorreleerd zijn met de gebruikte maatstaven.

1. Ten eerste is het aantal analisten dat op een aandeel zit te werken van belang voor de

liquiditeit. Hoe meer aandacht er is voor een aandeel, hoe sneller er zal gereageerd worden

op bijvoorbeeld noise traders, die de prijs van het evenwicht duwen (zie supra blz. 6). Dit

komt de liquiditeit ten goede.

2. Een andere mogelijke maatstaf is te bekijken wat de autocorrelatie is in de rendementen

van een aandeel op korte termijn. Een aandeel dat een grotere autocorrelatie vertoont op

korte termijn zal minder liquide zijn. Dit kan wijzen op het feit dat er mogelijk transacties

gepland waren om onmiddellijk uit te voeren op zeer korte termijn, maar doordat men

geen tegenpartij kon vinden, kan de transactie niet op deze termijn worden uitgevoerd. Dit

alles heeft een grotere autocorrelatie op korte termijn tot gevolg. Deze maatstaf hebben we

niet gebruikt omdat we over maanddata beschikken voor de aandelen, dit terwijl we data

op dagbasis nodig hebben om deze maatstaf te gebruiken.

3. Een derde niet gebruikte liquiditeitsmaatstaf is de free-float. Dit is een maatstaf die

meestal samen met marktkapitalisatie moet worden gebruikt, omdat ze weergeeft hoeveel

van de aandelen op de beurs vrij verhandelt worden. Het geeft dus weer welk percentage

van de marktkapitalisatie kan gekocht worden indien men naar de beurs stapt. Het is dus

nu zo dat hoe hoger de free-float is, des te hoger de liquiditeitspositie is van een aandeel.

Zo kan het dus bijvoorbeeld zijn dat een aandeel met een kleine marktkapitalisatie, toch

een grotere liquiditeit vertoont, door een hogere free-float, dan een aandeel met een

grotere marktkapitalisatie, maar met een kleine free-float.

4. Vervolgens zijn ook het aantal marktmakers of liquiditeitsverschaffers van belang. Deze

zorgen ervoor dat handelen makkelijker wordt, omdat zij als tegenpartij optreden indien er

op de markt niet onmiddellijk een tegenpartij wordt gevonden.

5. Tenslotte is het ook nog mogelijk om het aantal indexnoteringen te bekijken. Hoe meer

een aandeel in een bepaalde index is vertegenwoordigd, hoe beter de liquiditeitspositie.

Het is namelijk zo dat er indexfondsen bestaan die beleggen naar gelang de samenstelling

van een index. Als een aandeel met andere woorden in deze index is vertegenwoordigd,

zal dit ervoor zorgen dat er handel is, telkens er meer of minder belegd wordt in dit fonds.

Ook zal de opname in een fonds tot een grotere kennis van een aandeel leiden, wat

eveneens de handel zal doen opdrijven.



We hebben hier nu vijf niet-gebruikte maatstaven voor liquiditeit opgesomd voor de

volledigheid. We zijn er evenwel vrij zeker van dat onze drie gebruikte maatstaven reeds een

goed beeld zullen geven wat betreft de premie die men krijgt voor de illiquideit van een

aandeel. Ze hebben allemaal al bewezen een goede maatstaf te zijn voor liquiditeit. We

rafelen hier de liquiditeitsmaatstaven uiteen. We proberen verder te achterhalen in welke

onderzoeken ze reeds als liquiditeitsmaatstaven gebruikt zijn en we leggen uit hoe we ze in

onze regressie hebben verwerkt.

3.6.4.3 De marktkapitalisatie.

We beginnen met de marktkapitalisatie. Deze maatstaf gebruiken we, omdat we weten dat het

in de meeste gevallen zo is dat indien een aandeel een grotere marktkapitalisatie heeft, de

liquiditeitspositie beter is. Toch kan de free-float toch nog een verstorende factor zijn bij deze

stelling (zie supra blz. 53) Het is intuïtief aan te voelen dat indien er potentieel een grotere

kapitaalhoeveelheid is die kan verhandeld worden, dit in de meeste gevallen ook zal gebeuren,

omdat er hier een vicieuze cirkelwerking voor liquiditeit kan ontstaan(zie supra blz. 8). Ook

het feit dat bedrijven met grotere marktkapitalisatie over het algemeen meer publiciteit

hebben, meer in indexen zijn opgenomen en meer beoordeeld worden door analisten, speelt

in het voordeel voor de liquiditeitspositie.

Marktkapitalisatie als maatstaf voor liquiditeit wordt gebruikt in het onderzoek van

Reinganum(1990). Hij gebruikt deze maatstaf, niet zoals in ons onderzoek voor het bepalen

van een liquiditeitspremie, maar om het verschil in liquiditeitspremies te bepalen tussen de

NYSE en de NASDAQ voor aandelen met een marktkapitalisatie tussen een bepaalde marge.

Reinganum verdeelt met andere woorden in zijn steekproef de aandelen volgens een het

principe dat in elk van de 10 te onderscheiden groepen evenveel aandelen zitten van de

NYSE. Vervolgens deelt hij volgens de marges in marktkapitalisatie, die hij op deze manier

verkrijgt, ook de NASDAQ-aandelen in. Hij gaat nu na of er een verschil is in rendement

tussen de NASDAQ en de NYSE gecontroleerd voor marktkapitalisatie. Het resultaat van het

onderzoek is nu dat de NYSE meer rendement biedt voor de kleinere marktkapitalisaties en

dat niet enkel het grotere risico hiervoor verantwoordelijk kan zijn (REINGANUM M., 1990,

blz. 127-147). Wat van belang is, is dat Reinganum(1990) dus controleert voor liquiditeit aan

de hand van de maatstaf marktkapitalisatie.



Hij gebruikt dit nu wel om het verschil in rendement voor een verschillende microstructuur

aan te duiden, maar toch geeft dit voor ons onderzoek ook aan dat de maatstaf van belang is.

Voor ons onderzoek hebben we de marktkapitalisatie per maand en voor elk aandeel voor de

periode van januari 1997 tot en met februari 2002 op Datastream gezocht (zie supra blz. 27).

We hebben van deze marktkapitalisaties dan de logaritme genomen. Op deze manier wordt

het verschil in rendement, door liquiditeitsverschillen, tussen de grotere aandelen als kleiner

beschouwd dan voor kleinere aandelen, op het vlak van marktkapitalisatie. We gaan er hierbij

dus vanuit dat de liquiditeitspremie dus logaritmisch verloopt, wat Amihud en

Mendelsohn(1986) bij hun onderzoek naar liquiditeitspremies ook hebben teruggevonden

(zie supra blz. 4). De gegevens die we op deze manier bekomen, maken dan ook deel uit van

onze panel data.

Tabel 12: Rekenkundig gemiddelde van de gemiddelde marktkapitalisatie per aandeel, opgedeeld perbeurs in miljoen €.


Gemiddelde marktkapitalisatie 2257.89 5598.97 5754.72


In bovenstaande tabel zien we dat de gemiddelde marktkapitalisatie voor Brussel nog minder

dan de helft is van deze van Parijs en Amsterdam. We kunnen dit verklaren door het relatieve

gebrek aan blue chips.

3.6.4.4 Het volume.

Een tweede liquiditeitsmaatstaf die we gebruiken is het volume of de omzet in eenheden. We

gaan er hierbij vanuit, vergelijkbaar aan de marktkapitalisatie, dat hoe meer aandelen van een

bepaald aandeel er worden verhandeld, des te hoger de liquiditeit en hoe kleiner dus het

verwachte rendement zal zijn. Intuïtief is ook aan te voelen dat hoe meer aandelen verhandeld

worden, hoe groter de kans is dat grote orders ook snel en zonder prijsdruk kunnen worden

uitgevoerd.

In het onderzoek dat we in het deel van de marktkapitalisatie reeds gedeeltelijk hebben

besproken, gebruikt Reinganum(1990) ook deze liquiditeitsmaatstaf om hiervoor te

controleren. Hij doet dit om tot een conclusie te komen wat betreft het rendementsverschil dat

men bekomt door het verschil in microstructuur.



Enkel controleren voor risico en marktkapitalisatie achtte hij onvoldoende. Reinganum(1990)

verwijst hierbij naar andere werken die aangetoond hebben dat volume negatief is gerelateerd

is met de bid-ask spread (REINGANUM M., 1990, blz. 136). De gegevens omtrent volume

hebben we ook op Datastream teruggevonden. Toch moeten we er hier op wijzen dat

datastream vermeldt dat de informatie omtrent volume niet consistent is voor elk land. Dit kan

mogelijks tot slechte resultaten leiden.

In ons onderzoek gebruiken we net als bij de marktkapitalisatie de logaritme van het volume

dat is verhandeld. De reden waarom we de logaritme hebben genomen hebben we hierboven

reeds uitgewerkt (zie supra blz. 55)

Tabel 13: Het rekenkundig gemiddelde van de gemiddelde verhandelde hoeveelheid van elk aandeel perbeurs in duizendtallen.


Gemiddeld Volume 1379.67 24485.17 9343.19

Bron: Eigen berekeningen en Datastream.

In bovenstaande tabel zien we dat de verschillen in verhandeld volume wel erg groot zijn.

Amsterdam zou gemiddeld in volume zowat 17.7 keer meer verhandelen dan Brussel en 2.6

keer meer dan Parijs. Dit kan mogelijks wijzen op inconsistentie in de definitie van

verhandeld volume tussen de drie beurzen, wat datastream reeds aangaf als mogelijk

probleem.

3.6.4.5 De bid-ask spread.

Tenslotte controleren we ook voor de bid-ask spread. Het onderzoek waarin deze maatstaf

gebruikt is, hebben we reeds gezien bij de bespreking van Amihud en Mendelsohn(1986) (zie

supra blz. 4). Het probleem dat zich hier nog stelt is het feit dat de eigenlijke bid-ask spread

enkel maar op dealer-markten terug te vinden is. Het probleem is nu dat in Brussel en Parijs

tijdens de periode van ons onderzoek er een order-driven systeem is geweest. Toch bleek er

op Datastream ook voor aandelen, die op een order-driven beurs genoteerd staan, data te

bestaan. In een interview met John Crombez4, kreeg de vraag of deze informatie

vergelijkbaar was, een bevestigend antwoord.

4 John Crombez is directeur van het Ghent Finance Center.



We hebben nu voor onze dataset telkens voor het eind van de maand de bid-ask spread

genomen. We gaan er vanuit dat de bid-ask spread vrij stabiel is, zodat we de informatie op

dagbasis op maandbasis kunnen gebruiken.

Bij het bekijken van onze verkregen informatie moeten we wel vermelden dat de informatie

voor de beurs van Amsterdam het slechtst was (Dit wijst op het tegenovergestelde van wat we

verwachtten). Het is veel het geval dat de spread de waarde 0 aanneemt. Dit uit zich in een

lagere bid-ask spread voor Amsterdam dan in werkelijkheid het geval zou zijn.

Tabel 14: Rekenkundig gemiddelde van de gemiddelde bid-ask spread van elk aandeel per beurs in €.


Bid-ask spread 1.35 0.28 0.88


We zien in deze tabel dat de bid-ask spread gemiddeld in Brussel het grootst is met een

waarde van 1.35, voor Parijs is de spread 0.88 en voor Amsterdam is deze 0.28. We hebben er

reeds op gewezen dat de informatie voor Amsterdam niet zo gedetailleerd was, wat tot een

neerwaartse verbuiging leidt.

3.6.4.6 Correlatie tussen de maatstaven.

We hebben nu drie verschillende maatstaven voor liquiditeit bekeken en hiervan data

verzameld. We willen nu nagaan in welke mate de maatstaven onderling gecorreleerd zijn.

Door dit eens te bekijken kunnen we zien of een bepaalde maatstaf liquiditeit op een andere

manier benadert dan andere maatstaven. We moeten toch ook weer vermelden dat onze

berekeningen niet volledig kunnen kloppen, omdat de informatie op datastream in dit verband

niet consistent ( in het geval van volume) of niet gedetailleerd genoeg is ( in het geval van de

bid-ask spread).



In onderstaande tabel bekijken we de correlaties tussen de maatstaven berekend op basis van

onze panel data.

Tabel 15: Correlaties tussen de verschillende liquiditeitsmaatstaven.

Correlatiematrix Marktkapitalisatie Omzet Bid-ask spread

Marktkapitalisatie 1 0.533718 -0.03407

Omzet 0.533718 1 -0.05133

Bid-ask spread -0.03407 -0.05133 1


In bovenstaande tabel zien we dat de correlatie tussen omzet en marktkapitalisatie 0.53 is. De

correlatie tussen bid-ask spread en marktkapitalisatie is respectievelijk omzet –0.034 en –

0.051. De tekens van deze waarden zijn overeenkomstig onze verwachtingen. Verder zien we

dat de correlatie tussen omzet en marktkapitalisatie veel sterker is dan de correlatie die er is

met de bid-ask spread. We zullen hiermee rekening moeten houden bij de schatting (zie infra

blz. 62).

3.6.4.7 Verschil in liquiditeitspremies per beurs.

De volgende factor waarvoor we controleren, gaat na of er een verschil is in de

liquiditeitspremies tussen de verschillende beurzen. Het is misschien mogelijk dat de ene

beurs wegens een bepaalde reden (verschil in microstructuur, onbekende liquiditeitsfactor)

een grotere liquiditeitspremie heeft voor aandelen, met vergelijkbare marktkapitalisatie, die

op een andere beurs noteren. (zie supra blz. 54)

Om dit in onze panel data in te voegen gebruiken we relatieve waarden in plaats van absolute

waarden. We werken op de volgende manier. Voor elke beurs hebben we via de aandelen die

in onze dataset zitten de totale marktkapitalisatie berekend per beurs. Hierna hebben we de

marktkapitalisatie van elk aandeel gedeeld door de som van de beurskapitalisatie. Deze

waarden die we voor elk aandeel en voor elke maand hebben berekend, vermenigvuldigen we

met een dummy voor de beurs in de regressie. Op deze manier bekomen we in onze regressie

mogelijks de premie per beurs die nog niet vervat zit in de liquiditeitsmaatstaven die we reeds

hebben voorgesteld (zie supra blz. 54-57).



Indien we significante resultaten behalen, moeten we er wel rekening mee houden dat een

aandeel met een marktkapitalisatie van 100 op de beurs van Brussel, een grotere waarde voor

de onafhankelijke variabele zal hebben dan een aandeel met eveneens een marktkapitalisatie

van 100 op de beurs van Parijs. We zullen hiermee dus ook rekening houden bij de

beoordeling van de coëfficiënten.

Tabel 16: Rekenkundig gemiddelde van het belang dat elk aandeel gemiddeld in de marktkapitalisatieheeft.


Gemiddeld belang van de aandelen per beurs 0.018 0.011 0.007


We in bovenstaande tabel gebeuren wat we verwacht hadden. We zien namelijk dat de waarde

voor Brussel de grootste is met 0.018, gevolgd door Amsterdam met 0.011 en Parijs met

0.007.

3.6.5 De sector.

Een volgende factor waarvoor we controleren, is de sectoropdeling. De reden waarom we

hiervoor controleren is de mogelijkheid dat sommige beurzen beter of slechter gepresteerd

zouden hebben wegens de relatief grotere aan- of afwezigheid van bepaalde goed of slecht

presterende sectoren. Indien bijvoorbeeld de sector basisindustrie sterk zou gepresteerd

hebben, tijdens de periode van de dataset, en Parijs heeft bijvoorbeeld relatief meer noteringen

van basisindustrie-aandelen, dan krijg je hier een vertekening die in ons onderzoek tot een

foutieve conclusie zou leiden. We controleren in onze regressie nu voor mogelijke

scheeftrekkingen door verschillen in sectoropdeling. We delen de aandelen op door middel

van de meest gebruikte sectoropdeling: namelijk de FTSE-opdeling. Dit is een opdeling die

alle aandelen in 10 verschillende sectoren opdeelt.



We geven hier de 10 sectoren weer:

Tabel 17: FTSE sectorindeling.

Sector Beschrijving

Sector 0 Grondstoffen

Sector 1 Basisindustrie

Sector 2 Algemene industrie

Sector 3 Cyclische consumptiegoederen

Sector 4 Niet-cyclische consumptiegoederen

Sector 5 Cyclische diensten

Sector 6 Niet-cyclische diensten

Sector 7 Werktuigen

Sector 8 Financiën

Sector 9 Informatie-en communicatietechnologie

Bron: FTSE

FTSE is begonnen met het samenstellen van deze sectorindeling door de vraag die er was

vanuit de analistenwereld naar een wereldstandaard(www.ftse.com). We hebben in de tabel, die

de resultaten van de schatting van β voor elk aandeel weergeeft, reeds de sectorindeling van

elk aandeel meegegeven, omdat dit ook gedeeltelijk de grootte van β kan verklaren.

Omdat we hier te maken hebben met kwalitatieve informatie, moeten we werken met

dummies om deze informatie in onze schatting op te nemen. We hebben 10 sectordummies

genomen die voor elk aandeel ofwel respectievelijk de waarde 0 of 1 aannemen voor geheel

de periode. Als de sectordummy overeenkomt met de sector van het aandeel zal de dummy de

waarde 1 krijgen. In het andere geval zal dit de waarde 0 krijgen.

Het probleem dat zich nu stelt, is dat de sectorprestatie niet geheel de hele periode van onze

dataset boven of onder de prestatie van de andere sectoren ligt. In onze regressie komt dit

evenwel niet tot uiting. We zullen om dit op te lossen ook een regressie doen voor elke

maand. Dit zal dit probleem oplossen en tevens laat het toe om ook een maandevolutie te zien

in plaats van enkel de onderverdeling via de deelperiodes.



3.6.6 De beurs- en tijdsdummies.

Onze onderzoeksvraag is nog steeds of er een verschil is in de verwachte rendementen van de

aandelen, gecontroleerd voor risico, liquiditeit en sectorindeling, tussen de verschillende

beurzen. Verder is het de bedoeling om te zien of er doorheen de tijd geen verandering is

opgetreden door de wijzigende macro- en micro-economische toestand door de komst van de

euro en de fusie tot Euronext.

We maken, om tot een antwoord op deze vragen te komen, verschillende onafhankelijke

variabelen aan die ofwel de waarde 0 of 1 aannemen, de zogenaamde dummy-variabelen.

Voor de beursdummies (die we hiervoor reeds vermeld hadden voor het bepalen van de

verschillen in liquiditeitspremie) maken we nu drie variabelen aan die voor elk aandeel over

geheel de periode ofwel de waarde 0 of 1 aanneemt. Als we de dummy van de beurs van

Brussel beschouwen, zullen we zien dat alle aandelen die op de beurs van Brussel noteren de

waarde 1 aannemen. Alle andere aandelen nemen voor de dummy van de beurs van Brussel

de waarde 0 voor geheel de periode. Dezelfde werkwijze hebben we nu gebruikt voor de

beurzen van Amsterdam en Parijs.

We hebben, om een evolutie doorheen de tijd te zien, nu ook nog nood aan tijdsdummies. We

gebruiken drie tijdsdummies. Ten eerste hebben we de variabele VOOREMU, die de waarde

1 aanneemt voor alle aandelen in de periode januari 1997 tot en met december 1998. De

tweede tijdsdummy, EMU, neemt de waarde 1 aan in de periode januari 1999 tot en met

december 2000. De andere dummy voor EURONEXT neemt de waarde 1 aan voor de periode

januari 2001 tot en met februari 2002.

In onze regressie worden de beurs- en tijdsdummies gecombineerd door ze met elkaar te

vermenigvuldigen. We bekomen aldus 9 nieuwe variabelen. Als voorbeeld kunnen we hierbij

het volgende zeggen over de variabele AMSTDU*EMU: deze variabele geeft weer wat het

rendement (gecontroleerd voor risico, liquiditeitsmaatstaven en sectoren), voor de aandelen

genoteerd op de beurs van Amsterdam, heeft gedaan bij de komst van de euro.



3.7 De resultaten.

3.7.1 Inleiding.

Nadat we de gebruikte werkwijze voor de gebruikte data en samenvattende statistieken van

deze data hebben besproken, gaan we eerst de problemen bekijken die we voor onze regressie

hebben. Vervolgens bekijken we de resultaten van de uitgevoerde regressies. Tenslotte zullen

we ook proberen een verklaring te geven voor de bekomen resultaten aan de hand van andere

studies.

3.7.2 Problemen.

We hebben nu een model opgesteld dat excess-rendementen, die gecontroleerd zijn voor

risico, ten opzichte van allerlei verklarende variabelen stelt.

Er waren echter nog enkele problemen die moesten worden opgelost.

1. Ten eerste is het zo dat we gezien hebben (zie supra, blz. 57) dat de liquiditeitsmaatstaven

marktkapitalisatie en omzet in hoeveelheid, vrij sterk gecorreleerd zijn. Dit zorgt ervoor

dat we ze beter niet beide in één regressie gebruiken, want anders kan er sprake zijn van

multicollineariteit die leidt tot slecht geschatte resultaten. In Johnston en DiNardo wordt

het fenomeen als volgt omschreven: ‘The more the X’s look alike, the more imprecise is

the attempt to estimate their relative effects (JOHNSTON J. en DINARDO J., 1997, blz.

88-89).’

We zorgen voor een oplossing voor dit probleem door twee regressies te voeren, waarbij

we de ene keer de marktkapitalisatie opnemen en de andere keer de omzet in

hoeveelheden.



2. Een tweede probleem is dat we te maken hebben met de perfecte multicollineariteit tussen

de eenheidsvector van de constante, de matrix van de sectorindeling en de matrix van de

onderzoeksvariabelen. Bij perfecte multicollineariteit kunnen we niet schatten, omdat de

standaardfouten van de geschatte waarden dan naar oneindig gaan(JOHNSTON J. en

DINARDO J., 1997, blz. 89). We komen tot deze perfecte multicollineariteit, omdat onze

verklarende variabelen, voor elke waarneming van de te verklaren variabele, gegarandeerd

drie keer de waarde 1 aannemen. We hebben telkens een constante die de waarde 1

aanneemt. Elk aandeel zal in 1 van de 10 sectordummies voor zijn 62

maandwaarnemingen de waarde 1 krijgen. Tenslotte wordt elke te verklaren waarneming

ook ten opzichte van één van de 9 gecreëerde dummyvariabelen gesteld, omdat elke

waarneming tot een periode en een beurs kan worden ingedeeld.

Ook hiervoor bestaat er een oplossing. We weten namelijk dat, als we van elke matrix die

tot een eenheidsmatrix leidt een bepaalde verklarende factor weglaten, we geen last meer

hebben van perfecte multicollineariteit. We bekomen op deze manier een constante die

ons aangeeft wat de gezamenlijke waarde is voor de twee weggelaten factoren. De andere

factoren geven het verschil aan tussen de waarde van de verklarende factor met de

constante. We kunnen dit nu als volgt schematisch uitleggen.

We hebben in onderstaand voorbeeld te maken met het verklaren van inkomen op basis

van opleiding en geslacht. We hebben hiervoor dus enkel maar kwalitatieve verklarende

variabelen. We kunnen de data schematisch als volgt beschouwen:

Tabel 18: Waarnemingen van inkomen volgens opleiding en geslacht.

Lager Onderwijs Secundair onderwijs Hoger Onderwijs

Mannelijk 8,10,12 12,14 20,22

Vrouwelijk 5,6 10,12 20,24

Bron: JOHNSTON J. en DINARDO J, 1997, blz.137

We laten in onze regressievergelijking nu de eerste dummyvariabele voor inkomen en

geslacht weg.

We doen nu de volgende regressie: Y = µ + α 2O2 + α 3O3 + β 2G2 + u

Hiervoor bekomen we het volgende resultaat: Y = 9 + 4 O2 + 13.5 O3 -2G2

We kunnen dit resultaat nu op de volgende manier interpreteren: lager geschoolde mannen

hebben een geschat inkomen van 9.



Een secundair geschoolde respectievelijk hoger geschoolde zal respectievelijk nog 4 en

13.5 meer verdienen. Vrouwen zullen volgens de schatting voor elk opleidingsniveau 2

minder verdienen dan de mannen. In de volgende tabel zullen we voor elke opdeling de

gemiddelde waarden weergeven en de berekende geschatte waarden weergeven.

Tabel 19: Gemiddelde waarden en de berekende geschatte waarden.

Lager onderwijs Secundair onderwijs Hoger onderwijs

Mannelijk 10(9) 13(13) 21(22.5)

Vrouwelijk 5.5(7) 11(11) 22(20.5)

Bron: JOHNSTON J. en DINARDO J, 1997, blz.137-138

We krijgen aan de hand van de geschatte waarden een goede benadering van de

rekenkundige gemiddelden.

In ons onderzoek werken we nu op dezelfde manier. Het verschil bij ons onderzoek met

het voorbeeld is wel dat het ons niet echt interesseert hoe de verschillende sectoren

hebben gepresteerd. Toch zal de weggelaten sector mede bepalen welke waarde de

constante zal aannemen. In ons onderzoek komt het er nu op neer om het verschil te

bekijken tussen de verschillende beurzen voor de drie deelperiodes die we hebben

afgebakend. Toch behouden we de sectorindeling, omdat het toch nog steeds een controle

blijft geven voor de verschillen in sectoropdeling.

3. Een derde probleem omtrent de variabele die de verschillen in liquiditeitspremie

onderzoekt hebben we reeds vermeld. Het is namelijk zo dat gemiddeld de waarden voor

Brussel hier veel groter zijn dan voor Parijs. We moeten hiermee rekening houden als we

de bekomen resultaten willen analyseren.

4. Een ander reeds aangehaald probleem is het feit dat sectoren niet constant door de tijd

beter of slechter presteren dan de markt. We lossen dit probleem op door geen echte panel

data schatting meer te voeren, maar door cross-sectionele schatting te gebruiken voor elke

maand. Doordat hierdoor onze dummies voor de afbakening van periodes irrelevant

worden, laten we ze hieruit. Dit betekent dat we enkel nog beurs- en sectordummies

invoeren samen met de liquiditeitsmaatstaven. Deze manier van werken laat ons ook toe

om een maandevolutie te zien, en niet enkel een evolutie die door arbitrair gekozen

periodes wordt afgebakend.



5. Tenslotte moeten we er ook op wijzen dat onze resultaten telkens het gevolg zullen zijn

van rekenkundige gemiddelden. Dit betekent dat, indien de kleinere aandelen meer

uitzonderlijke waarden aannemen dan de grotere aandelen, zij toch evenveel invloed

zullen uitoefenen dan de grotere aandelen. Anderzijds moeten we er hier wel bij

vermelden dat we zoveel mogelijk voor dit probleem controleren aan de hand van de

gebruikte liquiditeitsmaatstaven.

3.7.3 De resultaten.

3.7.3.1 Regressie met marktkapitalisatie.

We beginnen met het bekijken van onze basisregressie, met de beperking dat we omzet niet

gebruiken wegens het risico van multicollineariteit. We hebben om perfecte multicollineariteit

te vermijden sector 7 voor de sectoren en pardu?*vooremu? voor de onderzoeksvariabelen

weggelaten. In volgende tabel zien we het resultaat van onze regressie.

Tabel 20: Basisregressie met marktkapitalisatie.

BasisregressieDependent Variable: REND?Method: Pooled Least SquaresDate: 04/20/02 Time: 11:33Sample: 1997:01 2002:02Included observations: 62Total panel (unbalanced) observations 12667Cross sections without valid observations dropped

Variable Coefficient Std. Error t-Statistic Prob.

C 0.0288 0.011403 2.525731 0.0116BRUDU?*VOOREMU? 0.002306 0.005165 0.446383 0.6553AMSTDU?*VOOREMU? -0.008304 0.005337 -1.555955 0.1197BRUDU?*EMU? -0.022268 0.004344 -5.126208 0AMSTDU?*EMU? -0.004222 0.004157 -1.015669 0.3098PARDU?*EMU? 0.017911 0.003015 5.941193 0BRUDU?*EURONEXT? -0.005263 0.004915 -1.070834 0.2843AMSTDU?*EURONEXT? 8.28E-05 0.004179 0.019817 0.9842PARDU?*EURONEXT? 0.01168 0.00345 3.385563 0.0007SIZE? -0.003625 0.000862 -4.204934 0BIDASK? 0.00043 0.000302 1.423972 0.1545LIQDIF?*BRUDU? 0.118174 0.075947 1.555995 0.1197LIQDIF?*AMSTDU? 0.116556 0.06848 1.702046 0.0888LIQDIF?*PARDU? -0.03053 0.117047 -0.260832 0.7942SECTOR1? -0.004202 0.010619 -0.39571 0.6923SECTOR2? -0.006015 0.010609 -0.56697 0.5707SECTOR3? -0.0052 0.010721 -0.48508 0.6276



SECTOR4? 0.004932 0.010525 0.468582 0.6394SECTOR5? -0.00417 0.010377 -0.401833 0.6878SECTOR6? -0.007331 0.010958 -0.669055 0.5035SECTOR8? -0.000215 0.010262 -0.020917 0.9833SECTOR9? -0.006019 0.010582 -0.568839 0.5695SECTOR0? -0.00178 0.012216 -0.145681 0.8842

R-squared 0.011799 Mean dependent var 0.00317Adjusted R-squared 0.01008 S.D. dependent var 0.11066S.E. of regression 0.110101 Sum squared resid 153.2738F-statistic 6.862362 Durbin-Watson stat 1.945852Prob(F-statistic) 0Bron: Eigen berekeningen en Datastream

We zien in de tabel dat het gemiddelde van de afhankelijke variabele 0.00317 bedraagt. Dit

getal is nu gelijk aan het rekenkundig gemiddelde van de risicogecontroleerde rendementen

voor alle aandelen en voor alle beschikbare maanden, gecontroleerd voor risico door middel

van de β van elk aandeel te vermenigvuldigen met de marktportefeuille. Het is dus logisch

dat we zo een lage waarde terugvinden voor de afhankelijke variabele.

Onze bekomen constante geeft het gemiddelde rendement weer dat Parijse aandelen van

sector 7 tijdens de periode januari 1997-december 1998 hebben behaald, gegeven dat hun

marktkapitalisatie, hun bid-ask spread en hun waarde voor het testen van

liquiditeitspremieverschillen gelijk is aan 0. We bekomen hiervoor een waarde die gelijk is

aan 0.0288. De p-waarde, die de hypothese test of de waarde van de constante gelijk is aan 0,

is gelijk aan 0.0116. Deze waarde is kleiner dan 0.05, wat betekent dat we nulhypothese

verwerpen.

In de volgende tabel bekijken we de verschillen die onze onderzoeksvariabelen ten opzichte

van de constante hebben behaald. Ondanks het feit dat we volgens de p-waarden niet telkens

de nulhypothese mogen verwerpen zetten we onze resultaten voor de coëfficiënten toch in een

tabel. We bekijken telkens het verschil ten opzichte van de constante.

Tabel 21: Verschil ten opzicht e van de constante.

Periode \ Beurs Brussel Amsterdam Parijs

1997-1998 0.002306 -0.008304 0

1999-2000 -0.022268 -0.004222 0.017911

2001-2002 -0.005263 8.28E-05 0.01168

Bron: Eigen berekeningen en Datastream

We merken dat de Parijse aandelen gemiddeld een hoger risicocogecontroleerd rendement

hebben behaald, op de periode voor de de komst van de euro op de Beurs van Brussel na.



Toch bekomen we niet echt een duidelijk beeld van de evolutie van de beurzen ten opzichte

van elkaar. Daarom kijken we in een volgende tabel naar wat de Brusselse en Amsterdamse

aandelen gedaan hebben ten opzichte van de Parijse aandelen voor elke deelperiode.

Tabel 22: Verschil ten opzichte van Parijs.

Beurs Brussel Amsterdam

1997-1998 0.002306 -0.008304

1999-2000 -0.040179 -0.022133

2001-2002 -0.016943 -0.01158

Bron: Eigen berekeningen en Datastream

We zien hier dat de verschillen voor de periode 1999-2000 en 2001-2002 slechter geworden

zijn dan in de vorige tabel door de positieve waarden voor Parijs in deze twee periodes. We

krijgen hier zeer grote verschillen voor risicogecontroleerde rendementen op maandbasis. We

kunnen deze grote waarden gedeeltelijk verklaren door het feit dat we de rendementen hebben

gecontroleerd voor risico, door hun β vermenigvuldigd met de marktrendement, hiervan af te

trekken. Dit zorgt ervoor dat indien een aandeel een positieve β heeft en het marktrendement

ook positief is, bij een negatief maandrendement dit maandrendement nog negatiever wordt

als men de controle voor risico hiervan aftrekt. De opzet van het model zelf leidt

waarschijnlijk ook tot grote waarden voor de variabelen. Toch kunnen we in bovenstaande

tabel voor Brussel en Amsterdam ten opzichte van Parijs een duidelijke evolutie zien. Voor

Brussel zien we dat door de komst van de euro het risicogecontroleerde rendement ten

opzichte van Parijs sterk achteruitgaat. Voor de periode 2001-2002 zien we dat het

risicogecontroleerde rendement reeds verbeterd is, maar het volledige herstel is er nog niet.

Voor Amsterdam zien we dat er hier voor de komst van de EMU reeds een licht negatieve

prestatie was ten opzichte van Parijse aandelen. De situatie verslecht hier ook door de komst

van de euro en verbetert in de periode 2001-2002.

We kunnen uit dit resultaat afleiden dat ons vooropgestelde effect vooral in Brussel heeft

gespeeld. Hier zien we duidelijk dat sinds de komst van de euro het gemiddelde

risicogecontroleerde rendement achteruit gaat, en dat sinds 2001 het risicogecontroleerde

rendement is toegenomen. Wat we nu niet direct kunnen afleiden is, of de verbetering die we

in Brussel en Amsterdam waarnemen vanaf 2001, te wijten is aan de komst van Euronext.



Het kan natuurlijk ook zijn dat de correctie naar hogere verwachte rendementen in de periode

1999-2000 reeds in 2001 en begin 2002 tot effectief hogere rendementen hebben geleid.

Ondanks de verklaring die we hebben voor de grote verschillen moeten we toch ook nog op

zoek naar een andere verklaring dan liquiditeitsverschillen. We zullen later hier op ingaan,

maar we kunnen reeds stellen dat de verandering van beleggingsstrategie van institutionele

beleggers de resultaten van ons onderzoek toch tot hogere waarden heeft geduwd.

We mogen toch ons besluit niet alleen trekken op basis van deze regressie. We zullen verder

ook nog de resultaten bekijken voor de regressie met omzet in plaats van marktkapitalisatie en

we zullen ook de cross-sectionele regressies voor elke maand bekijken.

We gaan eerst verder met het bekijken van de andere verklarende variabelen.

De coëfficiënt die we hiervan eerst bespreken is de coëfficiënt voor size ofwel

marktkapitalisatie. We zien dat het teken dat we vooropstelden uitkomt. Het is duidelijk zo

dat kleinere aandelen meer risicogecontroleerd rendement behaald hebben. De coëfficiënt is

zeer significant, wat erop wijst dat het logaritme van de marktkapitalisatie weldegelijk een

goede verklarende variabele is voor het rendementsverschil tussen grote en kleinere aandelen.

Wat betreft de grootte van de coëfficiënt zien we bijvoorbeeld dat een aandeel als Koninklijke

Olie met een logaritme van gemiddeld 11.6 ten opzichte van Unies de Phorphyre met een

gemiddelde logaritme voor de marktkapitalisatie van 3.5, volgens de schatting maandelijks

gemiddeld 2.9% minder risicogecontroleerd rendement geeft. We hebben hier weer te maken

met vrij grote coëfficiënten. We hebben hierboven reeds een verklaring gegeven voor dit

probleem(zie supra blz. 67).

Vervolgens kijken we naar de coëfficiënt van de verklarende variabele bid-ask. We zien dat

de coëfficiënt het juiste teken heeft, maar de waarde is enorm klein(rekening houdend met de

kleine waarden van de verklarende variabele(zie supra blz. 56)) en insignificant. Hier blijkt

dus dat in ons geval marktkapitalisatie een betere verklarende variabele is voor de

rendementsverschillen die ontstaan door in liquiditeit verschillende aandelen.

De laatste liquiditeitsmaatstaf die we hebben gebruikt, is het verschil in liquiditeitspremie

tussen de verschillende beurzen voor even liquide aandelen. We kunnen in de tabel zien dat

de p-waarden niet onder de 5% komen, wat betekent dat de waarden niet significant zijn. Als

we hiermee geen rekening houden zien we dat de invloed op het risicogecontroleerd

rendement klein is.



Tenslotte zien we nog dat de coëfficiënten voor de sectoren zeer klein zijn en sterk

insignificant. Dit hadden we reeds voorzien en hierdoor bekijken we verder ook de

maandelijks uitgevoerde regressies.

Als we nu verder naar de algemene statistieken kijken van de regressie, zien we dat de R2

waarde een zeer lage waarde van 1.2% heeft. Dit kunnen we verklaren door de extreme

waarden die risicogecontroleerde rendementen kunnen aannemen, en door het feit dat we met

maanddata werken. Deze twee zaken zorgen ervoor dat we een zeer grillige structuur krijgen

van de afhankelijke variabele, wat ervoor zorgt dat het percentage dat verklaard wordt door de

verklarende variabelen zeer klein is.

3.7.3.2 Regressie met omzet.

Tabel 23: Basisregressie met volume.

Dependent Variable: REND?Method: Pooled Least SquaresDate: 04/20/02 Time: 11:31Sample: 1997:01 2002:02Included observations: 62Total panel (unbalanced) observations 12653Cross sections without valid observations dropped

Variable Coefficient Std. Error t-Statistic Prob.

C -0.00326 0.010558 -0.3089 0.7574BRUDU?*VOOREMU? 0.007216 0.005203 1.386871 0.1655AMSTDU?*VOOREMU? -0.01924 0.005513 -3.48956 0.0005BRUDU?*EMU? -0.0161 0.004403 -3.65758 0.0003AMSTDU?*EMU? -0.01389 0.004336 -3.20348 0.0014PARDU?*EMU? 0.015173 0.003005 5.049124 0BRUDU?*EURONEXT? 0.003333 0.004947 0.673637 0.5006AMSTDU?*EURONEXT? -0.00526 0.004281 -1.22817 0.2194PARDU?*EURONEXT? 0.008394 0.003439 2.441176 0.0147TURNOVER? 0.002807 0.000568 4.940368 0BIDASK? 0.001276 0.000379 3.365934 0.0008LIQDIF?*BRUDU? -0.14213 0.07328 -1.93955 0.0525LIQDIF?*AMSTDU? -0.10131 0.064499 -1.57076 0.1163LIQDIF?*PARDU? -0.56317 0.104714 -5.37819 0SECTOR1? -0.01453 0.010671 -1.36145 0.1734SECTOR2? -0.01579 0.01067 -1.48012 0.1389SECTOR3? -0.0155 0.010765 -1.44008 0.1499SECTOR4? -0.00361 0.010558 -0.34165 0.7326SECTOR5? -0.01393 0.010452 -1.33219 0.1828SECTOR6? -0.01967 0.011024 -1.78462 0.0743



SECTOR8? -0.00907 0.010279 -0.88204 0.3778SECTOR9? -0.01713 0.010687 -1.6029 0.109SECTOR0? -0.0039 0.012228 -0.31929 0.7495

R-squared 0.012388 Mean dependent var 0.003178Adjusted R-squared 0.010668 S.D. dependent var 0.110707S.E. of regression 0.110115 Sum squared resid 153.1425F-statistic 7.201214 Durbin-Watson stat 1.942184Prob(F-statistic) 0Bron: Eigen berekeningen en Datastream.

We beginnen met het bekijken van de tabel die de verschillen tussen de Brusselse en

Amsterdamse beurs weergeeft ten opzichte van Parijse aandelen, voor elke deelperiode.

Tabel 24: Afwijking ten opzichte van Parijs.

Periode \ Beurs Brussel Amsterdam

1997-1998 0.007216 -0.01924

1999-2000 -0.031273 -0.029063

2001-2002 -0.005061 -0.013654


Als we de verschillen van de risicogecontroleerde rendementen bekijken ten opzichte van

Parijs, zien we dat we een gelijkaardig beeld krijgen als in de regressie met marktkapitalisatie

in plaats van omzet. We zien hier ook dat enkel in de periode 1997-1998 de

risicogecontroleerde rendementen voor de Brusselse aandelen beter zijn geweest. Verder zien

we dat de Amsterdamse aandelen in de periode 1997-1998 slechter gepresteerd hebben dan

bleek in de vorige regressie. Voor de periode 1999-2000 zien we nog altijd slechtere

resultaten voor beide beurzen dan in de periode 1997-1998. Ook de verbetering in de periode

2001-2002 zien we voor beide beurzen terugkomen. We zullen na de resultaten van de

maandregressies deze resultaten verder analyseren.

Wat betreft de coëfficiënt voor omzet in hoeveelheden zien we iets heel opmerkelijks. De

coëfficiënt heeft een ander teken dan vooropgesteld en is significant. Dit resultaat valt dan

ook moeilijk te verklaren. We weten anderzijds wel dat de informatie over omzet in eenheden

niet zoveel waarnemingen oplevert als voor marktkapitalisatie. Dit kan misschien enige

aanzet geven tot de verklaring van de waargenomen coëfficiënt. Ook het grote verschil in de

gemiddelden van de omzet per beurs en per aandeel kan er misschien op wijzen dat de

informatie op Datastream omtrent volume toch niet consistent is.



We zien verder dat de coëfficiënt voor de bid-ask spread significant verschillend is van nul,

maar de waarde is zeer klein. Een ander verschil bij deze regressie is de significantie van de

coëfficiënt die het verschil in liquiditeitspremie weergeeft voor de Beurs van Parijs. Deze

coëfficiënt is significant negatief. Dit geeft aan dat grote aandelen op de Beurs van Parijs toch

niet zo een groot rendement krijgen dan door de coëfficiënt van de maatstaf omzet wordt

aangegeven. Dit resultaat kan er ook op wijzen dat de gegevens omtrent volume toch niet zo

betrouwbaar zijn. Bij de schatting met marktkapitalisatie was deze coëfficiënt immers nog

insignificant

Tenslotte zien we dat bij de sectoren dat de nulhypothese voor de coëfficiënten nog steeds niet

kan worden verworpen.

3.7.3.3 Maandelijkse regressies.

Om niet beperkt te blijven tot de drie deelperiodes en om een betere controle te krijgen voor

de sectoren hebben we ook de regressies uitgevoerd voor elke maand. We hebben hierbij

geopteerd om met de marktkapitalisatie als enige variabele te werken, omdat dit de meest

betrouwbare liquiditeitsmaatstaf bleek te zijn in onze vorige regressies. Verder zijn de

dummies voor de verschillende deelperiodes niet meer nodig. We hebben nu voldoende aan

de dummies voor de beurs en sector. Omdat we toch nog altijd geconfronteerd worden met

het probleem van perfecte multicollineariteit, hebben we terug een constante nodig die de

schatting maakt voor de Parijse aandelen van sector 7. We bekijken hier de grafiek die de

verschillen met de constante aangeeft tussen de dummies van de beurs van Brussel en de

beurs van Amsterdam, voor elke maand. We hebben hier de grafiekvorm genomen om een

beter overzicht te hebben, omdat het anders moeilijk is om een goed beeld te krijgen van de

evolutie.



Figuur 7: Maandelijkse afwijking ten opzichte van Parijs voor Brussel.

Brussel

-0.2

-0.15

-0.1

-0.05

0

0.05

0.1

janv-9

7

mars-97

mai-97

juil-97

sept-97

nov-97

janv-9

8

mars-98

mai-98

juil-98

sept-98

nov-98

janv-9

9

mars-99

mai-99

juil-99

sept-99

nov-99

janv-0

0

mars-00

mai-00

juil-00

sept-00

nov-00

janv-0

1

mars-01

mai-01

juil-01

sept-01

nov-01

janv-0

2

Maand

Afw

ijkin

g t.o

.v. P

arijs

Brussel Trend Brussel


We beginnen met het bekijken van de evolutie op de Beurs van Brussel. We merken de

enorme volatiliteit op die er in de verschillende regressieresultaten is per maand. We kunnen

hiervoor dezelfde redenen aanhalen die we hierboven hebben gegeven voor de grote

waarden(zie supra blz. 67). Om tussen deze zeer volatiele waarden toch nog enige

duidelijkheid te kunnen vaststellen hebben we een Hodrick-Prescott filter5 gebruikt. In het

resultaat van deze trendschatting, zien we terugkomen wat we in tabel 22 hebben

waargenomen. In deze tabel staan namelijk de waarden met de afwijking ten opzichte van

Parijs. Voor Brussel was deze afwijking voor de komst van de muntunie gelijk aan 0.002306.

We zien aan de trendlijn dat de waarden voor de trendlijn ook juist positief zijn. Gelijk aan de

tabel zien we ook dat door de komst van de euro de risicogecontroleerde maandrendement

sterk terrein verliezen ten opzichte van Parijs. Begin 2000 zien we een opleving van deze

risicogecontroleerde rendementen, maar het is pas sinds begin 2001 dat we een stelselmatige

verbetering zien van de resultaten van Brusselse aandelen ten opzichte van Parijse aandelen.

Deze evolutie is dus vrij gelijkwaardig aan de evolutie die we hebben vooropgesteld in onze

theoretische onderbouwing. Het enige waar ons model niet toe leidt is tot realistische groottes

voor de waarden van de maandrendementen.

5 We hebben voor deze figuur geopteerd om een Hodrick-Prescott filter te gebruiken met een uitvlakkingsfactor100. De keuze voor deze lage waarde voor de uitvlakkingsfactor zorgt ervoor dat we toch nog snel reacties zienin de verandering van de trend, door de verandering van de waarden.



De grootte van de bekomen coëfficiënten is te hoog in absolute waarde om normaal te kunnen

zijn (We spreken namelijk over risicogecontroleerde rendementen.). Toch zijn de tekens van

de coëfficiënten overeenkomstig onze verwachtingen.

Vervolgens bekijken we de grafiek van de resultaten voor Amsterdam.

Figuur 8: Maandelijkse afwijking ten opzichte van Parijs voor Amsterdam.

A m s t e r d a m

- 0 . 0 8

- 0 . 0 6

- 0 . 0 4

- 0 . 0 2

0

0 .02

0 .04

0 .06

0 .08

janv-9

7

mars-97

mai-97

juil-97

sept-

97no

v-97

janv-9

8

mars-98

mai-98

juil-98

sept-

98no

v-98

janv-9

9mars

-99

mai-99

juil-99

sept-

99no

v-99

janv-0

0mars

-00mai-

00juil-

00

sept-00

nov-00

janv-0

1mars

-01mai-0

1juil

-01

sept-01

nov-01

janv-0

2

M a a n d

Afw

ijkin

g t

.o.v

. Par

ijs

A m s t e r d a m T r e n d A m s t e r d a m


We zien in deze grafiek dat het beeld voor de Beurs van Amsterdam niet zo duidelijk is. We

zien dat de trendlijn vanaf oktober 1997 onder 0 duikt. Dit betekent dat we hier een indicatie

hebben dat in Amsterdam de prestaties van de risicogecontroleerde rendementen al voor de

komst van de EMU slechter ware, dan deze van Parijse aandelen. Toch zien we dat het echte

dieptepunt van deze mindere prestaties ten opzichte van Parijs er pas komt in december 1999.

Dit betekent dat we hier toch nog steeds onze theoretische veronderstelling kunnen

verdedigen, die stelt dat door de grotere integratie tussen de eurolanden en de clustering van

liquiditeit op grotere beurzen zoals deze van Parijs, de prestatie van de kleinere beurzen

risicogecontroleerd slechter is. Het herstel van de prestaties ten opzichte van de Parijse beurs

komt hier reeds op gang in het eerste half jaar van 2000. We krijgen hierdoor een indicatie dat

het herstel dat we ook in Brussel zien, niet enkel te wijten kan zijn aan de komst van

Euronext, maar ook aan een algemeen betere prestatie van de kleinere en middelgrote

beurzen.



Uit andere studies omtrent de beleggingsstrategieën van institutionele beleggers zullen we

zien dat onze bekomen resultaten ook deels hierdoor kunnen verklaard worden. Toch zullen

we in dit geval ook nog steeds kunnen spreken van een soort liquiditeitseffect.

3.7.3.4 Andere studies.

3.7.3.4.1 De invloed van de euro.

We hebben in ons theoretisch deel het reeds gehad over de ideale diversificatiestrategie die

zou ontstaan door de komst van de euro(zie supra blz. 12). We bekwamen hier het resultaat

dat het interessanter zou zijn om te beleggen in sectoren in plaats van in landen. Tevens was

het in landen zoals België niet meer nodig voor pensioenfondsen om 80% van de

aangehouden aandelen in de toenmalige Belgische frank aan te houden om een currency

mismatch6 te vermijden. In de veronderstelling die we nu maken omtrent de grotere liquiditeit

en bekendheid die er is van de grotere beurzen, trekken de pensioenfondsen uit de kleinere

landen met hun geld naar grotere beurzen en verzorgen hier hun diversificatiestrategie door in

diverse sectoren te beleggen. Dit is dus een evolutie waarbij de pensioenfondsen en ook

andere institutionele beleggers hun home bias deels achterwege laten.

We kunnen deze analyse staven op basis van een studie van de ECB(2001) omtrent het

aanhouden van binnenlandse aandelen door Nederlandse pensioenfondsen. Pensioenfondsen

waren de eersten die hun geografische aandelenallocatie van hun portefeuille veranderden in

een reactie op de introductie van de euro. Ze verminderden dus hun home bias als eerste. Als

we de figuur bekijken die aangeeft welk percentage Nederlandse pensioenfondsen beleggen in

binnenlandse aandelen, zien we dat vanaf 1998 dit percentage afneemt van ongeveer 40% tot

en met 20% in 2000.

6 Een currency mismatch kan ontstaan indien men belegt in het buitenland in vreemde munt. Indien er eenappreciatie is van de eigen munt ten opzichte van de munt waarin men heeft belegd, zorgt dit ervoor dat hetrendement van de belegging negatief wordt beïnvloed. Dit kan men als belegger nu vermijden door te beleggenin eigen munt. Door de komst van de euro is dit probleem nu weg voor beleggingen in de eurozone.



Figuur 9: Samenstelling van aandelenportefeuilles van pensioenfondsen in Nederland.

Bron: ECB, 2001, blz. 31.

Wat we verder wel zien is dat het geld dat vrijkomt door de mindere beleggingen in het

binnenland voor een groot stuk wordt belegd in andere Europese aandelen, wat kan

geïnterpreteerd worden als een verruiming van de binnenlandse markt (ECB, 2001, blz. 31-

32). Hier kan onze analyse van de grotere liquiditeit op grotere aandelenbeurzen dan naar

voren komen. Als andere beleggers uit andere landen ook een uitbreiding doen van hun

thuismarkt, zullen ze, indien ze indien ze het liquiditeitsaspect achterwege laten, ook op

bijvoorbeeld de Amsterdamse beurs beleggen. Toch blijkt uit het onderzoek dat de

ECB(2001) heeft gevoerd, dat de sterke verkopen van binnenlandse aandelen door

Nederlandse pensioenfondsen niet gecompenseerd zijn geweest door sterke aankopen vanuit

het buitenland. De beurs van Amsterdam heeft nochtans sterke troeven door de meerdere blue

chips (zie supra blz. 20), maar dit bleek niet op te wegen ten opzichte van de outflow(ECB,

2001, blz. 33). Deze analyse geeft aan dat ons onderzoek omtrent het bekijken van de

liquiditeit van de beurs in zijn geheel interessant is. De resultaten van ons onderzoek (zie

supra) geven ook duidelijk aan dat de prestatie van de Amsterdamse beurs zeer slecht is ten

opzichte van deze van een grotere beurs zoals Parijs. We kunnen ook zien dat in ons eigen

onderzoek de beurs van Amsterdam slechter is beginnen presteren ten opzichte van Parijs (zie

supra blz. 73), wat overeenkomstig is met het wegtrekken van Nederlandse pensioenfondsen

van de beurs van Amsterdam,. We bekomen zelf als resultaat dat vanaf oktober 1997 de

Beurs van Amsterdam slechter was gaan presteren dan de Beurs van Parijs.



Het onderzoek van de ECB(2001) stelde ook dat Belgische en Ierse beursindexen slecht

hebben gepresteerd. Hier kan men de resultaten meer verklaren door het ontbreken van echte

blue chips (ECB, 2001, blz. 33). Toch wijst dit onderzoek ook uit dat de prestatie van de beurs

van Brussel ondermaats was, net zoals we in ons eigen onderzoek uitkomen.

In een andere studie van Timmermans (2000), wordt de Belgian all shares index vergeleken

met deze van andere belangrijke grote indexen. De CDAX index van Duitsland, de SBF 250

van Frankrijk en de DJ EUROSTOXX general. Op onderstaande figuur, waarin de indexen

begin 1996 herschaald zijn tot 100, zien we dat de Belgische index vanaf 1999 de rol heeft

moeten lossen ten opzichte van de Franse index en de DJ EUROSTOXX general. De Duitse

index heeft vanaf midden 1998 de rol moeten lossen, maar hier kunnen we de traagheid van

het economisch herstel als reden opgeven. Voor België geldt deze reden niet, want de

Belgische economische indicatoren worden sinds een paar jaar gebruikt als leading indicator

voor de gehele eurozone. Voor België haalt Timmermans dezelfde redenen aan voor het

slechter presteren van de Brusselse beurs: sectorbeleggingen, het tekort aan blue chips en de

te kleine free-float(TIMMERMANS T., 2000, blz. 50-52).

Figuur 10: Belgian all shares, CDAX, SBF 250 en DJ EURO STOXX General.

Bron: TIMMERMANS T., 2000, blz. 51.



3.7.3.4.2 De invloed van de beursfusies en verdere analyse omtrent de euro.

Wat betreft het herstel dat we uitkomen voor de periode 2001-2002, kunnen we onze

theoretische verklaring gebruiken die stelt dat de fusie tot Euronext hiertoe heeft geleid. Ook

het feit dat de mindere prestatie van de beurs van Brussel en Amsterdam in de periode 1999-

2000 tot hogere verwachte rendementen en ook gerealiseerde rendementen in de volgende

periodes leidt kan een verklaring zijn. Toch moeten we door de grote waarden voor de

coëfficiënten die we uitkomen, naast de verklaring die we hiervoor reeds hebben gegeven,

nog naar andere redenen kijken. Onderzoek van Adajouté en Danthine (2001) wees uit dat de

optimale combinatie van diversifiëren, in tegenspraak met hun vorig onderzoek, zich niet

enkel meer tot sectoren moest beperken, en dus ook landdiversificatie niet mocht negeren. Het

bleek uit hun onderzoek dat een ideale beleggingsstrategie zich niet enkel tot

sectorendiversificatie moet beperken. Het bleek nog steeds interessant te zijn om over landen

te diversifiëren, omdat de correlatie tussen de landen toch nog altijd kleiner is dan verwacht

door de komst van de euro(ADAJOUTE K. en DANTHINE J.P., 2001, blz. 13-14). Als we

veronderstellen dat institutionele beleggers zich ook te veel door deze sectorstrategie hebben

laten leiden en hiervan zijn terugkomen, kunnen we deels ook een verklaring krijgen dat de

beurs van Brussel en Amsterdam zich zouden hersteld hebben.

3.7.4 Besluit en blik op de toekomst.

We hebben nu ons eigen model opgesteld dat poogt te bekijken wat de evolutie is van de

liquiditeitspositie van de drie Euronextbeurzen. We hebben getracht om te kijken naar de

evolutie van de liquiditeitspositie van de beurzen in het algemeen. We hebben hiermee

gepoogd om de liquiditeit van een beurs als meer te beschouwen dan de som van de

liquiditeitsposities van de aandelen die erop noteren. De resultaten van ons onderzoek zijn

maar voor een stuk bruikbaar. De waarden die uit het model voortvloeien zijn veel hoger dan

verwacht, wat ergens wijst op een probleem in het model. Het kan aan de grillige structuur

van de afhankelijke variabele liggen, aan het evenwaardig beschouwen van aandelen die in

marktkapitalisatie verschillen of aan een andere onbekende factor. Toch hebben we ook

positieve elementen aan onze resultaten van ons onderzoek.



We komen namelijk voor het grootste deel de tekens uit die we hebben vooropgesteld in onze

theoretische onderbouwing.

We zien in de resultaten van ons model dat de integratie die de euro met zich meebrengt niet

voordelig is geweest voor een kleine beurs als Brussel. Ook een beurs met enkele blue chips,

zoals de beurs van Amsterdam, heeft geleden onder de gevolgen van integratie die voor

clustering van liquiditeit op de grotere beurzen heeft gezorgd. Deze clustering van liquiditeit

heeft ervoor gezorgd dat kleinere beurzen minder in de belangstelling hebben gestaan wat hun

prestaties negatief heeft beïnvloed. Theoretisch kan je hier dus stellen dat de mindere prestatie

het gevolg is van de grotere rendementseis voor de toekomst, die tot mindere rendementen in

de periode 1999-2000 heeft geleid. Door het feit dat het sectoreffect voor diversificatie in

belang is toegenomen, kan deze clustering ook volop spelen. Men kan immers door in

verschillende sectoren te beleggen op één beurs reeds een goede diversificatie bekomen. In de

periode 2001-2002 komen we uit dat de achterstand op het vlak van prestaties voor de

kleinere beurzen, kleiner is geworden, tot zelfs volledig omgebogen. Dit kan er op wijzen dat

de beursfusie zoals verwacht de belangstelling voor de kleinere beurzen heeft vergroot en de

clustering van liquiditeit zich heeft verspreid over de drie beurzen. Toch moeten we hier

verder kijken dan de verklaring die we in de theorie hebben gegeven. Het blijvende belang

van landeffecten voor diversificatie enerzijds en de hogere rendementen, die het gevolg zijn

van de hogere rendementseis bij de invoering van de euro, anderzijds zijn ook mogelijke

verklaringen voor het beter presteren van kleinere beurzen.

Als we een blik op de toekomst werpen verwachten we dat de beursfusies zich verder zullen

doorzetten, zodat de aandelen op de kleinere beurzen terug meer in de belangstelling gaan

staan en liquiditeit zich kan spreiden. Verder zien we het blijvende belang dat landeffecten

zullen hebben voor een zo goed mogelijke diversificatie. Deze twee aangehaalde redenen

zullen er waarschijnlijk voor zorgen dat kleinere beurzen de lastige periode, waarin iedereen

dacht dat sectorbeleggingen de enige nog mogelijke vorm van diversificatie waren en de

liquiditeit hierdoor op enkele grotere plaatsen verzamelde, overwonnen hebben. Ook voor

grotere beurzen zijn fusies niet slecht, want door de grotere integratiemogelijkheden, wegens

de invoering van de euro, kan men ook een betere liquiditeitspositie ontwikkelen.



Algemeen Besluit

Het was intrigerend dat de berichten, vanaf 1999, over de slechte prestaties van de beurs van

Brussel niet gepaard gingen met berichten over grote problemen van Belgische bedrijven ten

opzichte van andere West-Europese landen. Een andere mogelijke verklaring voor de slechte

berichten zou de vergroting van het risico kunnen geweest zijn. Dit zou de

verdisconteringrente voor de toekomstige dividenden hebben doen toenemen, wat de prijzen

negatief zou hebben beïnvloed vanaf 1999. Verder waren er nog andere mogelijke

verklaringen zoals de relatieve oververtegenwoordiging van slecht presterende sectoren,

enzovoort. Toen werd het woord liquiditeit naar voren geschoven als mogelijke verklaring.

De beurs van Brussel zou te weinig blue chips hebben en te veel last hebben van een te sterke

holdingstructuur.

De liquiditeitspositie zou door de komst van de euro beïnvloed geweest zijn. Normaal gezien

zou je hierbij denken dat integratie ook voor de kleinere beurzen een voordeel kan bieden,

maar clustering van liquiditeit kan hier roet in het eten gooien. Het is nu onze bedoeling om te

kijken of deze clustering van liquiditeit geldt voor de beurs in het algemeen, als een ruimer

begrip dan de som van de liquiditeitspositie van de aandelen die erop noteren. Door de

mogelijke clustering van de liquiditeit op de grotere beurzen, zou de beurs van Brussel minder

belangstelling hebben gekregen, wat de prestaties negatief zou beïnvloed hebben.

Vervolgens was er in het jaar 2000 het bericht van de fusie tussen de beurzen van Brussel,

Amsterdam en Parijs. Ook hier kwam het woord liquiditeit als reden naar voor. De fusie zou

er voor moeten zorgen dat de liquiditeitspositie van de aandelen op alledrie de beurzen

verbetert. We gaan nu na of het niet vooral de kleinere beurzen zijn die, door de achterstand

die ze opgelopen hebben door de komst van de euro, hier de meeste vruchten van kunnen

plukken.

Om de twee effecten die een mogelijke invloed hebben gehad op de liquiditeitspositie van de

beurzen te onderzoeken, hebben we een eigen model opgesteld dat evolutie van de algemene

liquiditeitspositie van een beurs wil onderzoeken aan de hand van rendementen.



We zijn hierbij aangekomen bij het belang van liquiditeit op de rendementseis. Uit andere

onderzoeken weten we dat minder liquide aandelen een groter rendement vereisen en dit ook

behalen. Het is namelijk zo dat bij illiquide aandelen ofwel de wachttijd voor een transactie

bij een order-driven beurs veel langer is, ofwel bij een dealer-driven markt de kostprijs voor

een transactie veel groter is, door de hogere bid-ask spread. Dit zorgt ervoor dat illiquide

aandelen minder geliefd zijn bij beleggers met een kortere beleggingshorizon. Door nu meer

rendement te bieden zijn de illiquide aandelen wel nog geliefd bij beleggers met een langere

beleggingshorizon.

Als we er van uit gaan dat de komst van de euro in 1999 tot meer integratie leidt, vermoed je

dat ook alle beurzen, groot en klein, een gelijkaardige liquiditeitspositie innemen. Kapitaal

kan volledig vrij vloeien, het wisselkoersrisico is weg en het risico van verschillen in inflatie

is weg. Toch is er een addertje onder het gras dat clustering van liquiditeit heet. Liquiditeit

heeft namelijk de neiging om zich te concentreren op bepaalde plaatsen. De reden dat de

liquiditeit vooral op grotere beurzen zal zitten, is de grotere thuismarkt van deze beurzen, die

automatisch tot een hogere beginliquiditeit zal leiden. Verder zijn er op deze beurzen ook

meer blue chips aanwezig en is het kostenbesparend om als belegger om maar op één beurs te

beleggen. Dit zorgt er allemaal voor dat de vicieuze cirkelwerking van liquiditeit hier sterker

kan spelen dan op kleine beurzen.

Verder hebben we in verband met het beleggingsaspect, dat ook invloed uitoefent, gekeken

naar het belang van industrie- en landeffecten voor diversificatie. Het is namelijk zo dat door

de komst van de euro, industrie-effecten voor diversificatie belangrijker geworden zijn dan

landeffecten. Dit betekent dat de integratie, die de euro met zich mee heeft gebracht, er voor

gezorgd heeft dat diversifiëren over verschillende sectoren binnen één land een betere

diversificatie verzekert dan beleggen in dezelfde sector over verschillende landen van de

eurozone. Als we dit beleggingselement naast de grotere ontwikkelingsmogelijkheden van

liquiditeit op grotere aandelenbeurzen leggen, kunnen we theoretisch stellen dat beleggers er

voor gekozen zullen hebben om hun geld te beleggen op grotere beurzen en hier een sectoriële

beleggingsstrategie te ontwikkelen. Door deze evolutie neemt de belangstelling voor kleinere

beurzen af, en door de werking van vraag en aanbod zullen de prijzen van de aandelen op de

kleinere beurzen afnemen.



Theoretisch kan je deze lagere prijzen ook verklaren door de verhoogde rendementseis die

minder liquide aandelen hebben. Als de verwachte dividendenstroom in de toekomst even

groot blijft en de verdisconteringrente neemt toe, dan is het zo dat de prijzen, als som van de

verdisconteerde toekomstige rendementen, zullen dalen.

Na de komst van de euro is de komst van de van de besprekingen omtrent beursfusies

opvallend. De komst van de euro geeft namelijk de mogelijkheid om de liquiditeitspositie in

het algemeen te verbeteren. Het eerste resultaat van deze besprekingen is de komst van

Euronext, die de beurzen van Amsterdam, Brussel en Parijs samenvoegt. Eén van de redenen

waarom nu juist deze fusie ontstaan is, is de liquiditeit op alledrie de beurzen te vergroten.

Door de verschillen tussen de beurzen weg te werken, wat de kosten zou verminderen om op

verschillende beurzen te beleggen, probeert men met deze fusie de liquiditeitspositie voor

alledrie de beurzen te vergroten. Door het feit dat volgens onze theoretische overwegingen de

liquiditeit van de beurzen nu vooral op de grotere beurzen zit, zoals deze van Parijs, zullen

vooral de kleinere beurzen van deze fusie profiteren.

Om de theoretische uitwerking nu te ondersteunen door middel van de empirie, hebben we

een eigen model ontwikkeld dat zal proberen de geschetste evolutie te ondersteunen.

We zijn begonnen met het bekijken welke beurzen we nodig hadden. We hebben ervoor

geopteerd om de aandelen op de drie Euronext beurzen te analyseren. Deze drie beurzen laten

ons toe om de evolutie te zien voor de euro en voor de beursfusie door middel van één

marktportefeuille. Het is namelijk zo dat de beursfusie pas na ongeveer twee jaar eurozone is

doorgevoerd. Een mogelijk nadeel hiervan is wel dat de reactie die we op de Euronext-

beurzen terugvinden vanaf de beursfusie, niet enkel te toewijsbaar is aan de beursfusies en dus

mogelijk ook op andere beurzen tot uiting komt. Hiermee houden we dan ook rekening. De

keuze voor de drie Euronext beurzen heeft verder vele voordelen. Ten eerste is het zo dat

Brussel kan doorgaan als een kleinere beurs zonder veel blue chips, Amsterdam kan doorgaan

als een middelgrote beurs door de aanwezigheid van meerdere blue chips en Parijs kan op

basis van de marktkapitalisatie zeker doorgaan als een grotere beurs in West-Europa. Een

ander voordeel van de keuze is dat de drie landen waarin de beurzen gesitueerd zijn, zich

allemaal dicht bij elkaar in continentaal West-Europa bevinden. Dit zorgt er voor dat

conjunctureel er weinig verschillen kunnen zijn die ervoor zouden zorgen dat de prestaties

van de beurzen ten opzichte van elkaar sterk gaan verschillen.



We hebben nu voor de keuze van onze aandelen de Financieel Economische Tijd

geraadpleegd en hierbij alle continu verhandelde Belgische aandelen genomen en alle

aandelen die vermeld staan bij de beurzen van Parijs en Amsterdam. We hebben niet al deze

aandelen kunnen gebruiken, omdat niet alle data beschikbaar was op datastream Door deze

werkwijze bekomen we de aandelen die over geheel onderzoeksperiode worden verhandeld en

de aandelen die in onze onderzoeksperiode nieuw zijn beginnen noteren. We hebben verder

op datastream nog informatie over dead stocks gevonden (aandelen die gestopt zijn met

noteren tijdens onze onderzoeksperiode) en deze aandelen hebben we dan ook opgenomen.

Op deze manier zijn we tot een som van 347 aandelen, noterend op de drie beurzen, gekomen.

We hebben van al deze waarnemingen maanddata gezocht voor ons model. Deze maanddata

hebben we gezocht op Datastream voor de onderzoeksperiode januari 1997-februari 2002.

Deze periode laat het toe om de twee onderzoeksvragen te bekijken, omdat de euro is

ingevoerd op 1 januari 1999 en de beursfusie van Euronext tot stand is gekomen op 22

september 2000. Alle gebeurtenissen situeren zich dus volledig in de periode die wij voor ons

onderzoek hebben afgebakend. Toch moeten we hierbij opmerken dat de beursfusie van

Euronext nog niet volledig was doorgevoerd voor het einde van onze dataset. Het fusieproces

is namelijk een proces dat in verscheidene stappen gebeurt. Dit zorgt ervoor dat we nog geen

volledig beeld van de invloed van een beursfusie kunnen krijgen.

We willen met ons model dus tot een afbakening komen van het liquiditeitseffect dat op de

drie beurzen heeft gespeeld, door te kijken naar de effecten die het gehad heeft op de

rendementen. We stellen hiervoor de excess-rendementen van de aandelen ten opzichte van

allerlei mogelijke rendementsbeïnvloedende factoren, waaronder ook onderzoeksdummies die

zullen moeten bekijken of er iets met de rendementsevolutie is gebeurd. We wijzen er op dat

ons model ook controleert voor liquiditeit voor de individuele aandelen. Door deze manier

van werken komen we tot het liquiditeitseffect van de beurs in het algemeen als een ruimer

begrip dan de som van de liquiditeitsposities van de individuele aandelen. We wijzen er ook

op dat we in ons model, behalve bij het controleren voor risico, de aandelen evenwaardig

beschouwen, ongeacht de marktkapitalisatie. We controleren voor eventuele

rendementsverschillen, die hierdoor mogelijks ontstaan, aan de hand van liquiditeitsfactoren

die naar de individuele liquiditeit van een aandeel kijken.



We hebben nu een model opgesteld dat werkt via panel data. Panel data laten toe om een

cross-sectie voor allerlei aandelen op een zelfde tijdstip te combineren met tijdsreeksen van

individuele aandelen. Door deze manier van werken kunnen we een effect in de tijd afbakenen

voor de verschillende aandelen.

Als afhankelijke variabele hebben we in onze panel data de risicogecontroleerde rendementen

voor de 62 maanden opgenomen, voor elk aandeel. We hebben gecontroleerd voor risico door

middel van het Single Index Model. We hebben hiervoor een marktportefeuille opgesteld die

gewogen is volgens marktkapitalisatie.

Als verklarende variabelen hebben we in ons model gebruik gemaakt van

liquiditeitsmaatstaven, de sectorindeling en onze onderzoeksvariabelen.

We hebben drie liquiditeitsmaatstaven gebruikt: marktkapitalisatie, omzet in eenheden en de

bid-ask spread. In onze dataset blijkt dat de variabelen marktkapitalisatie en omzet in

eenheden vrij sterk positief gecorreleerd zijn en dat de correlatie tussen de bid-ask spread en

de andere twee maatstaven zeer klein was en negatief. De tekens van de correlatie zijn

overeenkomstig de verwachtingen. Verder hebben we ook nog een maatstaf genomen, die

controleert of er door mogelijke verschillen in microstructuur geen verschil is in

liquiditeitspremie voor de aandelen tussen de verschillende beurzen. We wijzen er op dat deze

factor enkel bekijkt of er een verschil is in de liquiditeitspremie tussen beurzen voor de

aandelen individueel gezien.

We hebben ook gecontroleerd voor sectoren door middel van het invoeren van

sectordummies. We hebben dit gedaan om te vermijden dat de resultaten van de beurzen niet

positief of negatief beïnvloed zouden worden door de relatieve over-of

ondervertegenwoordiging van goed of slecht presterende sectoren. Omdat zich hier het

probleem stelt dat sectoren normaalgezien niet voor een periode van ongeveer 5 jaar over- of

onderpresteren, zullen we ook eens door middel van cross-sectionele schattingen voor elke

maand de rendementsevolutie bekijken. Het sectoreffect kan over de periode van een maand

dan ook meer spelen.

Tenslotte hebben we ook nog dummies ingevoerd voor ons onderzoek. We hebben hiervoor

tijdsdummies en beursdummies nodig die we in combinatie gebruiken door ze met elkaar te

vermenigvuldigen. We hebben drie periodedummies: 1997-1998 als periode voor de komst

van de euro, 1999-2000 als de periode van de invoering, en 2001-2002 als de periode die we

arbitrair hebben afgebakend voor het onderzoek naar de beursfusie.



Verder hebben we ook nog drie beursdummies. Als we nu deze drie dummies met elke

periode vermenigvuldigen bekomen we negen variabelen in ons model, waarbij we de

evolutie die we onderzoeken kunnen waarnemen.

De resultaten van ons onderzoek zijn overeenkomstig de verwachtingen. We hebben twee

regressies gedaan volgens de manier waarop we hierboven beschreven hebben. Door de kans

op multicollineariteit tussen de liquiditeitsmaatstaven omzet in hoeveelheid en

marktkapitalisatie, hebben we twee regressies gevoerd. De ene is een regressie met enkel

marktkapitalisatie en de andere is een regressie met enkel omzet in hoeveelheden.

Het verschil voor onze onderzoeksvariabelen voor deze twee regressies is verwaarloosbaar. In

beide regressies zien we voor de beurzen van Brussel en Amsterdam dezelfde evolutie. In de

periode 1997-1998 is weinig verschil in risicogecontroleerd rendement tussen de beurzen. De

beurs van Brussel doet het lichtjes beter dan de beurs van Parijs, en de beurs van Amsterdam

doet het ten opzichte van Parijs lichtjes slechter. In de periode 1999-2000 zien we dat de

risicogecontroleerde rendementen van de beurzen van Brussel en Amsterdam ten opzichte de

beurs van Parijs sterk terrein verliezen. Dit geeft aan dat de prestaties van de kleinere beurzen

slechter zijn voor de periode 1999-2000. Hiervoor hebben we de verklaringen hierboven reeds

gegeven. We kunnen ze als volgt nog eens kort samenvatten: clustering van liquiditeit op

grotere beurzen door de werking van vicieuze cirkels, verder ondersteund door het groter

belang van sectorbeleggingen.

In de periode 2001-2002 zien we dat de achterstand van de risicogecontroleerde rendementen

niet meer zo groot is. Dit herstel kan het gevolg zijn van verschillende factoren. De eerste

verklaring hebben we reeds aangehaald. De beursfusie tussen de drie onderzochte beurzen

zorgt ervoor dat handelen op de drie beurzen makkelijker wordt. Verder is er de grotere

publiciteit die hierdoor naar kleinere beurzen gaat. Uit andere studies blijkt verder ook dat, op

het vlak van beleggingen, men toch nog steeds een belangrijk deel van de mogelijke

diversificatie door landeffecten kan bereiken. Dit kan ook een verklaring zijn voor de

verbetering van het risicogecontroleerd rendementen van de beurs van Amsterdam en Brussel.

Door het belang van beleggingen in meerdere landen, komen ook de kleinere beurzen hierbij

meer in zicht. Een derde verklaring vloeit voort uit de slechte prestatie in de periode 1999-

2000. Doordat er in deze periode een correctie naar een hogere rendementseis is doorgevoerd,

kan het zijn dat we in de periode 2001-2002 hier reeds de eerste resultaten van terugzien. Dit

kan dus ook een verklaring zijn voor het rendementsherstel.



Als we verder de resultaten van onze maandelijks uitgevoerde regressies bekijken, zien we

ook hier dezelfde evolutie terugkomen, met dus ook dezelfde verklaringen.

Indien we een blik op de toekomst werpen, gaan we er van uit dat de echte golf van

beursfusies nog moet beginnen. De liquiditeitsvoordelen die de Eurozone biedt door de

groeiende integratie, zal het voor grotere en kleinere beurzen interessant maken om hier in te

stappen. Kleinere beurzen, die door de komst van de euro in een klein hoekje werden

gedrumd, kunnen zich terug in de belangstelling zetten. Grotere beurzen kunnen profiteren

van de makkelijkere bereikbaarheid van hun markt. We hebben in ons eigen onderzoek deels

kunnen aantonen dat een beursfusie voor kleinere beurzen zeker geen nadeel hoeft te zijn.

Theoretisch hebben we ook voor grotere beurzen het voordeel kunnen aantonen.

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk VII


Lijst van de geraadpleegde werken.

ABCBOURSE.COM, 1999-2001,

URL:< http://www.abcbourse.com/marches/chiffres/eurostoxx50.html>. (12/04/02)

ADJAOUTE K. en DANTHINE J-P., 2001, Portfolio diversification: alive and well in

Euroland, CEPR Discussion paper No. 3086, july 2001, 17 blz.

AMIHUD Y. en MENDELSON H., 1986, Asset pricing and the bid-ask spread, Journal of

Financial Economics, 17, 1986, blz. 223-249.

BERNSTEIN P., 1987, Liquidity, Stock Markets and Market Makers, Financial Management,

summer 1987, blz. 54-62

BODIE Z., KANE A. en MARCUS J., 2001, Investments, Mc Graw Hill, New York, 1015

blz.

CHORDIA T., ROLL R. en SUBRAHMANYAM A., 2000, Commonality in liquidity,

Journal of Financial Economics, 56, 2000, blz. 3-28.

DANTHINE J-P, GIAVAZZI F. en VON THADDEN E., 2000, European Financial Markets

After EMU: A First Assessment, CEPR discussion paper No. 2413, March 2000, 63

blz.

DEGRYSE H. en VAN ACHTER M., 2001, Beursfusies: motieven en uitdagingen,

Maandschrift Economie, Jaargang 65, blz. 339-367

DE VIJLDER W, MACKEL F. en PRAET P., 2000, De euro en de beleggingen, EMU dé

uitdaging, 24e Vlaams Wetenschappelijk Economisch Congres, Vereniging voor

Economie vzw, blz. 159-188

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk VIII


DUISENBERG W., 1999, Financing in the European capital markets, Speech delivered in

Dutch by Dr. Willem F. Duisenberg, President of the European Central Bank, at the

Waarborgfonds Sociale Woningbouw, URL:http://www.ecb.int/key/sp996014en.htm.

(25/9/2001).

ECB, 1999, The international role of the euro, ECB Monthly Bulletin, August 1999, blz. 31-45

ECB, 2001, The euro equity markets, 45 blz.

URL:< http://www.ecb.int/pub/pdf/euroequitymarket.pdf>(05/04/02).

EURONEXT LISBON, 2002, News, URL:< http://www.bvlp.pt/bvlp/start.jsp?lang=en&op=not_dest>.

(10/2/02).

EURONEXT N.V., 2001, Voorlopig Prospectus, 321 blz.

EURONEXT, 2001, Implementatie van de Euronextstrategie: ‘think global, act local’.

URL:< http://www.euronext.com/nl/euronext/impletation/ >(15/10/01).

FTSE, 1995, URL: < http://www.ftse.com > (10/03/02).

GALATI G. en TSATSARONIS K., 2001, The impact of the euro on Europe’s financial

markets, BIS Working papers No. 100, july 2001, blz.37

HESTON S. en ROUWENHORST K., 1994, Does industrial structure explain the benefits of

international diversification?, Journal of Financial Economics, 36, 1994, blz. 3-27

HEYLEN F., 1999, Macro-economie, Garant, Leuven-Apeldoorn, 771 blz.

JOHNSTON J. en DINARDO J., 1997, Econometric Methods, McGraw-Hill, New York, 531

blz.

NYSE, 2000, The Formation of a Global Equity Market, Newsletter Article, July 2000,

URL: < http://www.nyse.com/content/articles/NT0001146A.html >(15/10/01).

Empirisch onderzoek naar liquiditeitspremie op de aandelenbeurzen van de Benelux en Frankrijk IX


OOGHE H., 1998, Bedrijfsfinanciering, ced.samson, Diegem, 459 blz.

PAGANO M., 1989, Trading volume and asset liquidity, The Quarterly Journal of

Economics, mei 1989, blz.256-274

PORTES R., 2001a, A monetary union in motion: The European experience, CEPR

Discussion Paper No. 2954, september 2001, 22 blz.

PORTES R. 2001b, The Euro and the International Financial System, CEPR Discussion

Paper No. 2955, september 2001, 26 blz.

ROUWENHORST K., 1998, European Equity Markets and EMU: Are the differences

between countries slowly disappearing?, Social Science Research Network Electronic

Library, URL:< http://papers.ssrn.com/sol3/papers.cfm?abstract_id=137435> (20/11/2001).

PADOA-SCHIOPPA T., 1999, Payments and the Eurosystem, Speech delivered by Tomasso

Padoa-Schioppa, member of the executive board of the ECB, Sibos, Munich, 13

september 1999, URL:< http://www.ecb.int/> (26/10/2001).

REINGANUM M., 1990, Market microstructure and asset pricing, Journal of Financial

Economics, 28, 1990, blz. 127-147.

TIMMERMANS T., 2000, International diversification of investments in Belgium and

its effects on the main Belgian securities markets, BIS Conference papers No. 8, maart

2000, blz. 37-56.

FACULTEIT ECONOMIE EN BEDRIJFSKUNDE...

Documents

Transcript of FACULTEIT ECONOMIE EN BEDRIJFSKUNDE...