Valuta exposure

Valuta

exposure

..…en de introductie van de euro

S. Lahiri

2

Valuta exposure

..…en de introductie van de euro

Een studie naar het effect van de introductie van de euro op de

valuta-exposure van het bedrijfsleven in de Eurozone

Afstudeerscriptie

Rijksuniversiteit Groningen

Faculteit der Economische Wetenschappen

Afstudeerrichting Financiering en Belegging

3

Hoofdstuk 1: Inleiding 4

Hoofdstuk 2: Theoretisch kader 6

2.1 Het begrip exposure 6

2.2 Het meten van exposure 9 2.3 Overzicht van eerdere onderzoeken 12

Hoofdstuk 3: Data 17

3.1 Aandelen 18

3.1 Marktindices 20

3.1 Wisselkoersen 24

Hoofdstuk 4: Methodologie 27

4.1 OLS methode nader bekeken 28

4.1.1 Normality 28

4.1.2 Heteroskedasticity 39 4.1.3 Autocorrelation 30 4.1.4 Linearity 31 4.2 Het euro-effect statistisch toetsen 32 4.2.1 t-procedure voor gekoppelde paren 32

4.2.2 tekentoets 33

4.2.3 Chow test 33

Hoofdstuk 5: Resultaten 34

5.1 Overzicht exposures 34

5.2 Het euro-effect 38

5.2.1 resultaten t-procedure voor gekoppelde paren 38 5.2.2 resultaten tekentoets 40 5.2.3 resultaten Chow test 40 5.3 Samenvatting en analyse 41

Hoofdstuk 6: Conclusie 43

Referenties 46

4

Hoofdstuk 1

Inleiding

Een historische gebeurtenis in de geschiedenis van het monetaire systeem is de introductie van de euro in 1999. De Europese Centrale Bank (ECB) bracht verschillende argumenten naar voren waarom een gemeenschappelijke munt ingevoerd moest worden. Een van die argumenten was een vermindering van exchange rate risk1. Dat argument werd als volgt door Jean-Claude Trichet, president van de ECB, in 2004 als een succes aangevoerd:

“…..let me remind you that by adopting the single currency, euro area countries also eliminated their exposure to intra-euro area exchange rate volatility and risks’….. …..’Moreover, the macroeconomic implications of exchange rate developments vis-à-vis non-European currencies are now much less significant than they were prior to the introduction of the euro. This is a very significant structural change, which has improved the conditions for investment and trade in the euro area.….”2

De ECB definieert exchange rate risk in deze context als onverwachte wisselkoersveranderingen die een invloed kunnen hebben op de waarde van een bedrijf. Deze invloed op bedrijven door onverwachte wisselkoersveranderingen noemt men exposure3. Waar bijvoorbeeld de Nederlandse gulden te maken had met de Duitse mark, Franse frank en andere Europese valuta, staat de euro in Nederland nu op één lijn met de andere landen in de Eurozone waarmee een aantal wisselkoersen zijn weggevallen. De ECB voorspelde dat hierdoor bedrijven minder ontvankelijk zijn voor wisselkoersveranderingen en dus minder exposure ondervinden. De ECB noemt een aantal voordelen die hieraan verbonden zijn4. Bedrijven hebben makkelijker toegang tot nieuwe markten, investeringen kunnen met minder risico gedaan worden en in het bijzonder zijn de diversificatiemogelijkheden verbeterd. Nadelen geeft de ECB niet, maar er zijn auteurs die genoemde voordelen in twijfel trekken. Adjaoute et.al.[2001] stellen bijvoorbeeld dat mogelijkheden tot diversificatie juist verminderd zijn. De ECB heeft echter nooit een specifiek tijdsbestek genoemd wanneer het bedrijfsleven de vruchten plukt van een gemeenschappelijke munt. Inmiddels is het 2006 en zitten we in het 8ste officiële jaar van de euro. De centrale vraag luidt dan ook; heeft Jean-Claude Trichet met zijn uitspraken gelijk?

1 Zie http://www.ecb.int/press/key/date/1999/html/sp990205.en.html 2 Bron: http://www.ecb.int/press/key/date/2004/html/sp040216.en.html 3

In de rest van deze scriptie zal de term ‘valuta-exposure’ gebruikt worden om die blootstelling aan te duiden.

4

5

De introductie van de euro staat centraal in dit onderzoek. Op 1 januari 1999 werd de euro giraal ingevoerd in elf landen. Griekenland volgde in 2001. De chartale invoering in alle landen vond plaats in 2002. De valuta van de deelnemende landen waren via een vaste omrekenkoers gekoppeld aan de euro. De wisselkoers gulden/dollar bijvoorbeeld werd gedeeld door 2,20371 om de euro/dollar wisselkoers te krijgen. Uitgaande van een volledig efficiënte kapitaalmarkt zou hierdoor fluctuaties van valuta buiten de eurozone ten opzichte van de euro geen invloed op de omvang van exposure van bedrijven in de eurozone moeten hebben. Dinan [1999] en Dewachten et.al. [2001] stellen verder dat de marktparticipanten ruim van te voren op de hoogte waren van de implicaties van de euro. Met andere woorden, op 1 januari 1999 vond geen structurele wijziging met een reëel effect plaats.

Green en Ye Bai [2004] stellen echter dat er wel degelijk een reëel effect in de praktijk heeft plaatsgevonden. In hun onderzoek concluderen ze dat de implicaties van de euro niet volledig in de aandelenbeurzen waren verwerkt. Ook andere auteurs [Amihud, Morana, Beltratti, e.a.] spreken dergelijke conclusies uit. Het is nu interessant om te onderzoeken of op het gebied van valuta-exposure het argument van de ECB opgaat. Deze scriptie toetst dit op empirische wijze.

Empirisch onderzoek naar valuta-exposure is talrijk en dit onderzoek tracht hieraan een bijdrage te leveren. Deze bijdrage zal echter op twee punten wezenlijk verschillen. Eerder empirisch onderzoek belichte enkel valuta-exposure over één bepaalde periode. Dit onderzoek betreft een event studie. Hierbij wordt getracht naar aanleiding van voorbeeldstudies een uitspraak te doen over het effect van een event, in dit geval de introductie van de euro, op valuta-exposure. Ten tweede is de focus tot nu toe overwegend gericht op de Verenigde Staten. Andere (kleinere) landen zijn over het algemeen onderbelicht. Dit onderzoek richt zich op alle landen in de Eurozone.

De hoofdvraag van dit onderzoek luidt: “Wat is het effect van de introductie van de euro op de valuta-exposure van het bedrijfsleven in de Eurozone?”

De nulhypothese (H0) is:

6

De alternatieve hypothese (Ha) luidt:

Door de introductie van de euro is de valuta-exposure van het bedrijfsleven in de Eurozone verminderd.

Deze scriptie tracht als volgt de gestelde hypotheses empirischte toetsen. Aanvankelijk worden 572 beursgenoteerde bedrijven (aandelen) geselecteerd. Deze aandelen zijn van alle eurolanden behalve Griekenland en Luxemburg. Vervolgens wordt de invloed van wisselkoersen op deze aandelenprijzen via een regressiemodel bepaald. Dit betreft de perioden 1992 t/m 1998 en 1999 t/m 2005, waarbij 1 januari 1999 het officiële begin van de euro is. Ten slotte worden de schattingen in de twee perioden met elkaar vergeleken. Om robuuste resultaten te verkrijgen worden zowel dagelijkse als maandelijkse observaties gebruikt en worden de schattingen aan meerdere statistische procedures onderworpen.

De structuur van de scriptie ziet er als volgt uit. Het volgende hoofdstuk bespreekt de literatuur. Hierin staat de theorie beschreven en wordt ingegaan op een selectie van eerder empirisch onderzoek. Hoofdstuk 3 behandelt de beschrijvende statistiek en dataset. Vervolgens presenteert hoofdstuk 4 de resultaten. Ten slotte besluit hoofdstuk 5 het onderzoek met een conclusie. Hierin staan niet alleen de belangrijkste bevindingen maar ook suggesties voor verder onderzoek.

Hoofdstuk 2

Theoretisch kader

Afgeleid van de hoofdvraag uit de inleiding zijn de volgende deelvragen opgesteld:
Wat is valuta-exposure?

Hoe is valuta-exposure te meten?

Wat heeft empirisch onderzoek tot nu toe aangetoond?
Wat zijn de verwachtingen voor dit onderzoek?

7 2.1 Het begrip exposure

In deze paragraaf wordt uiteengezet wat exposure inhoudt. Een bedrijf ondervindt exposure als de waarde van het bedrijf beinvloedt kan worden door onverwachte veranderingen in wisselkoersen [Marston, 1996]. De waarde kan zowel negatief als positief beïnvloedt worden. Als een bedrijf bijvoorbeeld een positieve exposure heeft, betekent dat de waarde van het bedrijf positief gerelateerd is aan een wisselkoersverandering. De waarde van een Nederlands bedrijf dat een positieve exposure heeft aan de euro/dollar kan groter worden als de euro apprecieert ten opzichte van de dollar. Dit kan zijn omdat het bedrijf kosten maakt in dollars maar afzet in euro’s. De winst gerapporteerd in euro’s zal aldus hoger zijn. Bij een negatieve exposure gaat het omgekeerde effect op. In de praktijk kan het complex zijn de exposure van een bedrijf in kaart te brengen. Voornamelijk multinationals hebben te maken met meerdere wisselkoersen en maken hun kosten en opbrengsten in verschillende landen. Bovendien kan de relatie tussen exposure en bedrijfswaarde nonlineairiteit vertonen (zie volgende paragraaf). Een bedrijf kan ook een asymmetrische exposure hebben. Dit houdt in dat de grootte van een waardeverandering verschilt tussen een positieve en een negatieve wisselkoersverandering.

Grinblatt en Titman [1998] vermelden drie verschillende soorten van valuta-exposure;

Translatie- , transactie- en economische exposure. De exposure die dit onderzoek tracht te meten, omvat deze drie soorten, daarom worden ze nu beknopt uiteengezet.

Translatie

Translatie-exposure5 is de exposure die ontstaat wanneer balansposten en resultaten genoteerd in buitenlandse valuta omgerekend moeten worden in de nationale valuta waar het (moeder)bedrijf gevestigd is [Sutton, 2004]. Bij het presenteren van financiële verslagen en resultaten dient een bedrijf namelijk de cijfers te presenteren in de valuta waar het gevestigd is. Voor het omrekenen gebruiken accountants verschillende translatiemethoden. De meest gebruikte zijn de closing-rate6- en de temporal methode.

Transactie

Transactie-exposure behelst de onzekerheid dat de waarde van toekomstige financiële transacties beïnvloed wordt door wisselkoersveranderingen [Eiteman et.al., 2001]. De exposure ontstaat wanneer een bedrijf een financiële verplichting aangaat (waarbij een wisselkoers betrokken is)

5

Ook wel accounting exposure genoemd.

6

8

waarvan de daadwerkelijke transactie pas plaatsvindt in de toekomst. Een papieren winst of verlies ontstaat als na het aangaan van de verplichting de betrokken wisselkoers verandert. Bij het voltooien van de transactie ontstaat een eventuele gerealiseerde winst of verlies.

Economische

Een bedrijf ondervindt economische exposure als de concurrentiestatus kan verslechteren door onverwachte wisselkoersveranderingen. De determinanten van economische exposure zijn o.a. de locatie van concurrenten, de aard van inputprijzen en het verschil in locatie tussen productie en afzet van een product. Het verschil met transactie-exposure is dat hierbij gaat om toekomstige kasstromen die onzeker zijn. Immers, bij transactie-exposure spelen alleen verplichtingen een rol waarvan bedrijven weten hoe zeker de kasstromen in de toekomst zijn. Het is aan het management van een bedrijf om een degelijk overzicht te hebben in welke mate de waarde van een bedrijf beïnvloed kan worden door wisselkoersen. Laker Airways, een Britse vliegtuigmaatschappij, begon begin jaren ’80 budget vluchten naar allerlei bestemmingen. Het bedrijf leende aanzienlijke bedragen in US dollars om vliegtuigen te kunnen kopen. De omzet werd echter voornamelijk gemaakt in Britse ponden. Medio jaren ’80 was de US dollar dusdanig geapprecieerd ten opzichte van de Britse pond dat de schuldenlast te hoog werd en Laker Airways faillissement moest aanvragen7. Dit toont aan dat een valuta-mismatch in de bedrijfsvoering desastreuze consequenties ten gevolge kan hebben.

Niet alleen internationaal opererende bedrijven, ook bedrijven die enkel nationaal opereren kunnen gevoelig zijn voor wisselkoersen [Dominguez en Tesar, 2001]. Via verscheidene (in)directe kanalen hebben wisselkoersen een invloed op de waarde van een dergelijk bedrijf; - Goederen die (deels) in het buitenland geproduceerd worden hebben een prijsvorming die beïnvloed worden door buitenlandse valuta. Bedrijven die deze goederen inkopen hebben zo direct te maken met wisselkoersen.

- als het effectieve inkomen van consumenten in het binnenland verandert door wisselkoersveranderingen, kan de vraag naar goederen/diensten van een bedrijf veranderen wat een invloed heeft op de afzet van dit bedrijf.

- als een bedrijf concurreert met internationaal opererende bedrijven. Bijvoorbeeld als Volkswagen enkel in Duitsland zou afzetten en geen onderdelen importeert, dan kan de afzet alsnog wijzigen als de europrijs van geïmporteerde Japanse auto’s verandert.

7

9 2.2 Het meten van exposure

Een op accounting gebaseerde methode om het effect van wisselkoersveranderingen op de waarde van een bedrijf te meten is een analyse van kasstromen. Deze methode van aanpak vergt specifieke kennis van een bedrijf om verder onderzoek te kunnen doen. Dit levert twee nadelen op. Ten eerste kan het erg tijdrovend zijn om meerdere bedrijven financieel door te lichten. Ten tweede behelst deze methode alleen de translatie-exposure. Naast deze methode ontstonden er verschillende modellen die deze beperkingen niet met zich mee brachten [Bodnar en Wong, 2003]. Deze modellen worden als volgt benoemd:

- Model van Adler en Dumas; - Model van Jorion;

- Non-lineaire modellen.

Deze modellen zijn allen relevant voor dit onderzoek, daarom volgt nu een beknopte beschouwing.

Model van Adler en Dumas

In de jaren ’80 ontstond het model van Adler en Dumas. Adler en Dumas [1984] waren de pioniers met een publicatie waarbij valuta-exposure met een nieuw model onderzocht werd. Hiermee werd een link gelegd met de financieringstheorie. Er bestaan namelijk verschillende financieringsmodellen om de waarde van een bedrijf te bepalen [Copeland et.al., 2002]. Een veel gebruikt (simpel) model is het DCF-model8:

∑

₊

=

d

CF

V

)

1

(

V is de waarde van een bedrijf, CFt zijn de toekomstige kasstromen en dt is de

verdisconteringvoet voor de verschillende periodes t. De waarde van een bedrijf is dan gelijk aan de som van de verdisconteerde kasstromen. Adler en Dumas stelden dat de huidige aandelenprijs maal aantal uitstaande verhandelbare aandelen een goede proxy is voor de werkelijke waarde van een beursgenoteerd bedrijf. De waarde is dan simpelweg de marktkapitalisatie, informatie die zo van de beurs gehaald kan worden. Onder de aannames dat markten volledig efficiënt zijn en dat beleggers rationeel handelen, is de marktkapitalisatie van een bedrijf zelfs de beste proxy voor de werkelijke waarde van dat bedrijf [Schleifer, 2000]. Hieruit vloeit voort dat de rentabiliteit van een aandeel gelijk gesteld kan worden aan de waardeverandering van een bedrijf. Vanuit deze

8

10

redenering kan dus eenvoudiger berekeningen gemaakt worden om de valuta-exposure uit te kunnen drukken in één getal. Deze schatting behelst dan niet alleen de translatie-exposure, maar ook de transactie- en economische exposure. Adler en Dumas probeerden aldus via het volgende regressiemodel de totale valuta-exposure te bepalen:

t i t s i i t i R R_, =

β

β

ε

Hierbij is Ri,t het procentuele rendement van een activum of portefeuille i op tijdstip t, Rs,t is het

procentuele rendement van wisselkoers s op tijdstip t, en β0,i en εi,t is het onafhankelijke gedeelte.

Β1,i is de elasticiteit van aandeel/portefeuille i voor de veranderingen van wisselkoers s. De

elasticiteit Β1,i is de schatting van de valuta-exposure. Met deze methode kunnen meerdere

bedrijven tegelijk onderzocht en met elkaar vergeleken worden. Adler en Dumas vermelden wel dat deze schatter geen causale relatie weergeeft omdat de aandelen- en wisselkoersrendementen tegelijk op de beurzen bepaald worden. Vanuit economisch oogpunt kan echter beredeneerd worden dat bedrijven geen invloed uitoefenen op wisselkoersen maar dat wisselkoersen wel effect kunnen hebben op de waarde van een bedrijf. Een eventueel vertraagd (lagged) effect kan onderzocht worden door een regressie uit te voeren van wisselkoersveranderingen op tijdstip t op een verandering van een aandeel op tijdstip t+1; dit onderzoek voert dit uit op maandelijkse basis, zie hoofdstuk 3.

De elasticiteit uit het model van Adler en Dumas behelst in werkelijkheid de som van twee schattingen. De eerste schatting is de waardeverandering van een bedrijf door de variabele wisselkoers, de tweede schatting de waardeverandering door variabelen die niet gerelateerd zijn aan de wisselkoers. Dit kunnen variabelen zijn zoals de risicovrije interestvoet, sentiment en anderen die (toevallig) correleren met de wisselkoers. Als deze correlaties niet nul betreffen, bevat de elasticiteit die uit het model rolt ruis en daardoor lastig te interpreteren [Elton en Gruber, 2003]. Dit laatste is een nadeel van het model wat Jorion er toe leidde een variant ervan te ontwikkelen

Model van Jorion

11 t i t s i t m i i t i R R u R_, =

β

β

β

Hierbij is Rm,t het procentuele rendement van een marktindex m op tijdstip t. Hiermee wilde

Jorion de invloed van de marktindex op aandelenrendementen isoleren van de invloed van wisselkoersen op aandelenrendementen, zodat de verkregen schatting (β1,i) van de

valuta-exposure minder ruis bevat. Deze schatting stelt wel een andere valuta-valuta-exposure voor dan bij het model van Adler en Dumas. Ditmaal is de exposure het verschil tussen de totale exposure van het bedrijf en de exposure van de marktindex. De elasticiteit uit het model van Jorion is een residual exposure als de markt een deel van de exposure op zich neemt. Stel dat uit het model rolt dat de residual exposure nul betreft. Dit betekent dan niet dat het bedrijf geen exposure heeft. De exposure is dan simpelweg gelijk aan de exposure van de gekozen marktindex in het model. Welke marktindex dit onderzoek dient te gebruiken, wordt uiteengezet in hoofdstuk 3. De meeste auteurs, zoals ook blijkt uit de volgende paragraaf, volgen dit model.

Non-lineaire modellen

De modellen van Adler, Dumas en Jorion zijn lineair van aard. Er zijn auteurs [Stulz, Bartram, Miller, e.a.] die pleiten voor een non-lineair model. Als argumentatie geven zij dat een lineair model niet correct kan omgaan met mogelijke non-lineaire eigenschappen van een dataset waardoor invalide resultaten (biased) het gevolg kunnen zijn. Hoewel de meeste economische modellen voldoen als lineaire modellen [Campbell et.al., 1997, blz. 467], bestaat de mogelijkheid dat financiële data het gebruik van een non-lineair model aanmoedigt. Een non-lineair regressiemodel kan er zo uitzien:

t i t m i t s i i t i f R R R_, =

β

β

β

ε

Het verschil met het model van Jorion is dat de procentuele verandering van de wisselkoers (Rs,t)

nu onder de functie f valt.

Stulz [2002] stelt dat in het geval van valuta-exposure een dataset als gevolg van de volgende eigenschappen nonlineairiteit kan vertonen:

- Als het verband tussen kasstromen van een bedrijf en een wisselkoers non-lineair is. De valuta-exposure is dan een functie van de valuta-exposure zelf.

12

- Er kan een asymmetrie zitten in de waardeverandering van een bedrijf door wisselkoersveranderingen [Miller, 1998]. Dit kan bijvoorbeeld voorkomen als een bedrijf alleen het downside wisselkoersrisico neutraliseert.

Meer eigenschappen worden gegeven door Bartram [2004]. Volgens Brooks [2002] kunnen hierdoor financiële data de volgende eigenschappen bezitten; non-normality, heteroskedasticity, autocorrelation en lineairity. Een lineair model zou dan invalide resultaten opleveren. Paragraaf 3.1.1 gaat hier verder op in. Er kleven echter ook enkele tekortkomingen aan non-lineaire modellen. Deze modellen gevoeliger voor outliers, overfitting en data-snooping biases [Campbell et.al., 1997, blz523]. Dit maakt de analyse van dergelijke modellen complexer dan lineaire modellen.

2.3 Een overzicht van eerdere onderzoeken

In deze paragraaf worden in volgorde van publicatie vijf eerdere onderzoeken naar valuta-exposure besproken. Deze onderzoeken zijn vergelijkbaar zijn aan dit onderzoek. Naderhand volgt een samenvattende tabel met daarin de resultaten en specificaties van, naast deze vijf onderzoeken, zeven andere onderzoeken.

Rees en Unni [1999] onderzochten 40 Britse, 40 Duitse en 40 Franse bedrijven (allen maandelijkse rendementen) voor de periode 1987-1998. Als uitgangspunt namen ze een variant van het Jorion model. In plaats van een marktrendement als controlevariabele, gebruikten zij een dividendrendement van de markt, de korte-termijn interestvoet en de premie op defaultvrije obligaties [zie ook Fama en French, 1989]. Deze controlevariabelen volgen de cyclische patronen van aandelenrendementen zeer goed. Dit is om het eventuele effect van wisselkoersveranderingen op aandelenrendementen te kunnen isoleren. Een eventueel gevonden exposure bevat dan zo min mogelijk ruis van andere factoren die van invloed zijn op aandelenrendementen. Ook pleiten Rees en Unni voor het gebruik van meerdere bilaterale wisselkoersen in plaats van een gewogen valuta-index. Hun gebruikte model is als volgt:

Rt,J = b0,J + be,J · Et,J + by,J · Yt,J + bu,J · Ut,J + bINT,J · INTt,J +bTPR,J · TPRt + bDYL,J · DYLt + ut,J ,

Waarbij de E,D en Y de percentuele veranderingen van de ECU, US Dollar en Japanse Yen voorstellen. INT, TPR en DYL zijn respectievelijk de relatieve verandering in de korte-termijn interestvoet, de premie op defaultvrije obligaties en het dividendrendement van de markt.

13

dataset exposure t.o.v de ECU, welgeteld 17%. Dit gold voor een horizon van een maand. Deze resultaten wijzigden niet veel als de horizon verlengd wordt. Ten slotte vermeldden ze wel dat het onderzoek beperkt is tot grote bedrijven en dat kleine bedrijven ander gedrag kunnen vertonen. Dominguez en Tesar [2001] voerden een breed onderzoek uit naar acht landen voor de periode 1980-1999. Net als Rees en Uni [1999] pleiten ze voor het gebruik van bilaterale wisselkoersen maar gebruiken ze ook een handelsgewogen valuta-index. Volgens de lijn van Bodnar en Wong stoppen ze een equal-weighted marktindex als controlevariabele in het Jorion model en bekijken ze zowel individuele bedrijven als industrieën. De dataset omvat 2400 bedrijven. De volgende tabel toont beknopt de resultaten.

Tabel 1: samenvatting resultaten Dominguez en Tesar Domein Percentage exposures*

Industrie individuele bedrijven Any** TW*** Any** TW*** Chili 22% 4% 19% 5% Duitsland 65% 26% 22% 13% Engeland 46% 36% 19% 11% Frankrijk 22% 6% 21% 8% Italie 32% 19% 28% 14% Japan 61% 58% 31% 26% Nederland 31% 21% 24% 15% Thailand 25% 20% 20% 15% * Significant op 5%

** ‘Any’ houdt in dat een bedrijf of industrie gevoelig is aan een of meer van de volgende wisselkoersen: TW, US dollar en een additionele wisselkoers (gebaseerd op handelsdata).

***‘TW’ staat voor ‘trade-weighted’, wat een handelsgewogen valuta-index inhoudt.

14

gebruikt. Voor Nederland is dat ongeveer 50%. De Verenigde Staten ligt rond de 10%. Dit wordt veelal als reden opgegeven waarom de meeste onderzoeken, die zich alleen op de VS richten, nauwelijks of geen significante exposures kunnen vinden.

Het onderzoek met veruit de grootste dataset is die van Doidge, Griffin en Williamson [2002]. Maar liefst 17929 bedrijven (maandelijkse rendementen) uit 18 landen in de periode 1975-1999 waren onderwerp van onderzoek. De valuta van het thuisland werd ten opzichte van de handelsgewogen wereldmunt genomen. Uit het model (van Jorion) kwam naar voren dat gemiddeld 8,2% van de dataset significante valuta-exposure ondervond. Noorwegen had met 12,2 % de grootste exposure en Maleisië met 4,3% de laagste. Het volgende overzicht toont hun resultaten.

Tabel 2: samenvatting resultaten Doidge, Griffin en Williamson [2002] Domein N bedrijven Percentage exposure*

Australie 1645 6% Belgie 354 12% Canada 2300 7% Denemarken 363 9% Duitsland 1396 6% Engeland 6068 9% Frankrijk 1374 6% Hong Kong 942 10% Italie 500 9% Japan 7296 9% Maleisie 790 4% Nederland 793 6% Nieuw-Zeeland 178 7% Noorwegen 302 12% Spanje 190 11% Singapore 417 10% Verenigde Staten 16819 8% Zwitserland 530 5% * Significant op 5%

15

de dataset te halen. Na deze ingrepen hield hij een dataset over met daarin maandelijkse relatieve rendementen van 364 bedrijven. Deze bedrijven classificeerde hij in verschillende sectoren. El-Masry ging verder door in tegenstelling tot andere onderzoeken een non-lineair model te gebruiken. Veel onderzoeken gebruiken de waargenomen wisselkoersveranderingen of forward rates [Jorion 1990, Bodnar et.al.., 1993]. El-Masry gebruikte een andere proxy. Als maatstaf voor het risico van wisselkoersen nam hij ARIMA (autoregressive integrated moving average) modellen9. Hiermee trachtte hij wisselkoersveranderingen op te delen in een verwacht- en een onverwacht deel.

De telecomsector had met een percentage van 40% de grootste exposure, de automobiel-, chemie-, voedingsmiddelen- en pharmaciesectoren hadden geen exposure. Gemiddeld over alle sectoren was de exposure 17%. Deze 17% bestond uit 64% positieve exposure en 36% negatieve exposure.

Tabel 3 op de volgende pagina laat op systematische wijze de resultaten en specificaties van de twaalf geselecteerde onderzoeken zien.

9

17

Het percentage van bedrijven die valuta-exposure ondervinden blijkt in ruime mate gespreid te zijn. De meeste exposures zijn echter betrekkelijk laag, dit is in lijn met wat auteurs vermelden over andere onderzoeken. Verder is op te merken dat het merendeel van de auteurs de methode van Jorion volgt met een value-weighted nationale marktportefeuille als controlevariabele. Aangezien onder de definitie van exposure alleen onverwachte wisselkoersveranderingen vallen stellen vrijwel alle auteurs in hun metingen deze veranderingen gelijk aan de waargenomen wisselkoersveranderingen. Alleen El-Masry [2003] tracht onderscheid te maken in verwachte- en onverwachte veranderingen.

Verklaringen voor de veelal betrekkelijk lage exposures zijn divers; sommige auteurs wijden dit aan de onderzoeksmethode, anderen aan aspecten zoals hedgen, imperfectie van de markt en de mate van openheid van een economie. De verwachting voor het onderzoek in dit onderzoek lijkt evident; lage exposures. Volgens de ECB zou met de introductie van de euro zelfs de (mogelijke lage) exposures moeten verminderen. In de inleiding werd de probleemvraag van dit onderzoek gepresenteerd. Dit hoofdstuk wordt besloten met de onderzoekshypothese die op de probleemvraag gestoeld is:

H0 :

β

β

β

de euro, hetzelfde als in onderzoeksperiode 2, ten tijde van de euro.

De alternatieve hypothese is: Ha :

β

β

Hoofdstuk 3

Data

18

Een verschil met eerder empirisch onderzoek is de frequentie van de data. Horizons van twee weken tot één maand werden tot op heden gebruikt; in sommige gevallen zelfs enkele maanden. In dit onderzoek wordt de relatie tussen wisselkoersen en aandelenrendementen op zeer korte termijn onderzocht. Hiertoe worden dagelijkse observaties gebruikt. Het onderzoek wordt herhaald met maandelijkse observaties om te achterhalen of een andere horizon andere resultaten geeft. De observaties beslaan een periode voor de introductie van de euro (1992-1998) en een periode na de introductie (1999-2005). Deze observaties komen van aandelenindices van tien landen die vanaf 1999 meedoen met de euro. Van de variabelen zijn de rendementen logaritmisch geschaald10. Dit past beter bij de aannames van verscheidene statistische testen. Hierbij valt te denken aan bijvoorbeeld de aannames van normaliteit en lineairiteit [Brooks, 2002]. Verder maakt dit onderzoek gebruik van totale rendementen (niet van toepassing bij wisselkoersen)11. Dit zijn rendementen gecorrigeerd voor dividenduitkering, splitsingen en inkopen van eigen aandelen. Alle data is verkregen van Thomson Datastream12.

3.1 Aandelen

Deze paragraaf beschrijft de selectie van de aandelen in de dataset. Zoals in paragraaf 2.3 even aan bod is gekomen, zijn er auteurs die in plaats van individuele aandelen industrieën of portefeuilles gebruiken [Koutmos, Bodnar, Bartov et.al]. In plaats van het uitvoeren van meerdere regressies, voeren zij enkel één regressie uit. De gevonden exposure is dan een gemiddelde exposure. Deze methodiek wordt niet gedeeld door het merendeel van andere auteurs. Om een precieze schatting te verkrijgen van exposure is het gebruik van individuele aandelen gewenst [Bodnar, Wong, Doidge, et.al.]. In een portefeuille compenseert een bedrijf met een negatieve exposure een bedrijf met een positieve exposure en omgekeerd. Hierdoor kan gemiddeld geen exposure gemeten worden terwijl de werkelijkheid anders is. Het opdelen van aandelen in portefeuilles en industrieën is tevens een subjectieve aangelegenheid [Bartov et.al, 1994]. Daarom richt dit onderzoek zich op individuele aandelen.

Zoals in de inleiding is opgenomen komen deze individuele aandelen van de landen in de eurozone. Tot op heden zijn dat er in totaal twaalf, maar omdat Luxemburg een dusdanig kleine beurs heeft wordt deze uitgesloten. Tevens wordt Griekenland uitgesloten omdat deze pas in 2001 een euroland werd. Tien landen blijven hierdoor over. Dit onderzoek richt zich op all-share indices om een zo’n groot mogelijke dataset van aandelen te verkrijgen. De voorwaarde is dat een

10

Zie Appendix 1 voor de calculatiemethode.

11

Zie Appendix 1 voor de calculatiemethode.

12

19

aandeel de gehele onderzoeksperiode, 1992 t/m 2005, beursgenoteerd was. Deze voorwaarde meegenomen leverde Datastream 628 aandelen op. Yucel en Kurt [2003] stellen echter dat aandelen waar weinig tot nauwelijks in gehandeld worden het beste uit de dataset gehaald kunnen worden. Dit zijn aandelen die voornamelijk nulrendementen (zero-returns) opleveren. Er is echter geen eenduidige scheidslijn wanneer een dergelijk aandeel uit de dataset gehaald dient te worden [Brooks, 2002]. De onderzoeksperiode beslaat 14 jaren, wat omgerekend 168 maanden is. Doidge et.al. [2002] verwijderden in hun dataset aandelen die minstens 10% van de observaties een nulrendement gaven. Deze regel wordt ook toegepast in dit onderzoek. Nadien blijven er 572 aandelen in de dataset over13. Het volgende overzicht toont de beschrijvende statistiek.

Tabel 4: beschrijvende statistiek van de aandelen in de dataset Dagelijkse observaties (aantal 3655), 1992-2005

Domein N aand.*

Perc. Aand.**

Gemiddeld

rendement mediaan minimum maximum st.dev. kurtosis

Belgie 39 7% 0,047% 0,00% -46% 38% 1,82% 18,07 Duitsland 99 17% 0,034% 0,00% -65% 322% 2,32% 2079,62 Finland 29 5% 0,066% 0,00% -30% 40% 2,22% 8,50 Frankrijk 119 21% 0,047% 0,00% -60% 60% 2,27% 19,55 Ierland 24 4% 0,062% 0,01% -70% 48% 2,41% 88,75 Italie 74 13% 0,045% 0,00% -51% 50% 2,29% 11,74 Nederland 85 15% 0,033% 0,00% -80% 117% 2,57% 246,14 Oostenrijk 16 3% 0,036% 0,00% -41% 38% 1,76% 26,83 Portugal 21 4% 0,028% 0,00% -61% 215% 2,69% 1032,38 Spanje 66 12% 0,058% 0,00% -51% 212% 2,31% 2989,70 Maandelijkse observaties (aantal 168), 1992-2005

Domein N aand.*

Perc. Aand.**

Gemiddeld

rendement mediaan minimum maximum st.dev. kurtosis

Belgie 39 7% 1,01% 0,77% -58% 44% 7,77% 2,95 Duitsland 99 17% 0,73% 0,34% -61% 132% 9,84% 8,30 Finland 29 5% 1,46% 1,22% -55% 73% 9,77% 2,53 Frankrijk 119 21% 1,01% 0,82% -82% 95% 10,22% 6,88 Ierland 24 4% 1,34% 1,11% -56% 76% 10,46% 10,96 Italie 74 13% 0,94% 0,48% -74% 119% 11,32% 7,73 Nederland 85 15% 0,70% 0,53% -80% 163% 11,11% 20,27 Oostenrijk 16 3% 0,76% 0,30% -61% 62% 8,42% 8,05 Portugal 21 4% 0,58% -0,11% -50% 284% 11,70% 117,70 Spanje 66 12% 1,47% 0,56% -62% 208% 10,76% 164,65

* Absolute aantal aandelen in de dataset, N totaal = 572 ** Het aantal aandelen in de dataset uitgedrukt in percentages

13

20

Samengevat maakt dit onderzoek samengevat gebruik van totale, dagelijkse en maandelijkse, logaritmische rendementen. Deze rendementen komen van 572 aandelen van tien landen in de Eurozone en beslaan de periode 1992 t/m 200514.

3.2 Marktindices

Het is van belang een controlevariabele in het regressiemodel op te nemen [Jorion, 1990]. Vrijwel alle onderzoeken gebruiken een marktindex. Bij het bepalen van een goede proxy voor het bedrijfsleven is een marktindex gewenst die een zo’n groot mogelijke marktkapitalisatie dekt van alle bedrijven. Datastream geeft hiervoor hun eigen market (all-share) indices. Indien een wereldwijde index noodzakelijk is, wordt de FTSE All-World Equity Index gebruikt. In deze value-weighted wereldindex zijn 2400 bedrijven uit 49 landen opgenomen15. Aangezien aldus gekozen kan worden uit meerdere marktindices rijst de vraag welke per land het beste zal presteren in het model. De keuze kan met behulp van correlatieonderzoek gemaakt worden [Brooks, 2002]. Dit onderzoek maakt gebruik van een dergelijk correlatieonderzoek en dat wordt in deze paragraaf behandeld. Het aspect van multicollineariteit is hierbij van belang16. Dit houdt in dat de verklarende variabelen (marktindex en wisselkoersen) met elkaar correleren. Hierdoor kan een vertekend beeld in de resultaten ontstaan. Als de variabelen niet gecorreleerd zijn met elkaar, spreekt men van een orthogonale relatie tussen de variabelen. Dit komt echter zelden voor, lage correlaties zijn meer prevalent. Multicollineariteit kan problematisch zijn als de onderlinge correlaties hoog zijn. In dit onderzoek zijn dus lage correlaties gewenst.

Het omgekeerde is gewenst bij het verband tussen de te verklaren en de verklarende variabele(n). In dit onderzoek dient de correlatie tussen de marktindex en aandelenrendementen zo hoog mogelijk te zijn. Dit speelt ook een rol bij de keuze welke marktindex op te nemen in het model.

Het correlatieonderzoek bestaat uit de volgende stappen: 1. Correlaties van marktindices onderling;

2. Correlaties van marktindices met aandelenrendementen; 3. Correlaties van marktindices met wisselkoersen.

De berekende correlaties betreffen allen de periode 1992 t/m 2005. Na deze stappen volgt de uiteindelijke keuze.

14

Appendix 3 geeft een overzicht van deze 572 aandelen, appendix 4 noemt de 56 aandelen die uit de dataset verwijderd zijn.

15

Zie http://www.ssga.com/library/resh/hughwilsonbenchmarkindexcomparisons20020630/page.html

16

21

1. Correlaties van marktindices onderling

Het is een optie om zowel een nationale als de FTSE All-World equity index in het model op te nemen. De voorwaarde is dat de onderlinge correlatie laag is. De volgende twee tabellen tonen de correlaties tussen de rendementen van de value-weighted en equal-weighted nationale indices en de FTSE All-World equity index bij zowel een dagelijkse als een maandelijkse horizon. Ten behoeve van dit onderzoek is alvorens per land een equal-weighted marktindex geconstrueerd. Appendix 3 geeft de lijst van aandelen waarmee deze indices geconstrueerd zijn. Elk aandeel heeft, zoals de term equal-weighted aangeeft, één en dezelfde gewicht. De gegevens om een equal-weighted FTSE All-World equity index te construeren, zijn niet onmiddellijk voorhanden. Indien noodzakelijk, zal deze ten behoeve van dit onderzoek alsnog geconstrueerd worden.

Tabel 5: Correlatie-overzicht (1)

Ned. Bel. Fin. Frank. Ierl. Oost. Port. Span. Ital. Duitsl.

FTSE All-World, dagelijks 0,68 0,57 0,52 0,69 0,43 0,35 0,52 0,61 0,58 0,66

FTSE All-World, maandelijks 0,75 0,71 0,72 0,76 0,66 0,50 0,52 0,67 0,60 0,71

Correlaties van de value-weighted indices onderling – dagelijkse en maandelijkse observaties

Tabel 6: Correlatie-overzicht (2)

Ned. Bel. Fin. Frank. Ierl. Oost. Port. Span. Ital. Duitsl.

FTSE All-World, dagelijks 0,57 0,50 0,45 0,61 0,32 0,27 0,31 0,51 0,53 0,56

FTSE All-World, maandelijks 0,75 0,71 0,72 0,75 0,66 0,50 0,52 0,67 0,6 0,71

Correlaties van de equal-weighted indices onderling – dagelijkse en maandelijkse observaties

Bijna alle correlaties zijn hoger dan 0,50. Geconcludeerd kan worden dat het onverstandig is meerdere indices in het model op te nemen. Er zal dus een keuze gemaakt moeten worden tussen een nationale en de FTSE All-World equity index. Op basis van verder onderzoek naar correlaties wordt deze keuze gemaakt.

2. Correlaties van marktindices met aandelenrendementen

22

redeneren dat beleggers in dergelijke landen voornamelijk nationaal beleggen17. Hierdoor zijn aandelenrendementen het beste te verklaren met een nationale index. Empirische onderzoeken van Hasan en Simaan [2000] en Baily, Kumar en Ng [2005] ondersteunen deze redenering. Zoals vermeld in paragraaf 3.1.1 is het gewenst dat in een regressiemodel de controlevariabele (marktindex) zo hoog mogelijk correleert met de te verklaren variabele (aandelenrendementen). Omdat dit onderzoek gebruikt maakt van een dataset van 572 aandelen uit tien landen is het ondoenlijk een correlatie-overzicht te geven van de marktindices met alle aandelenrendementen. Daarom wordt per land het gemiddelde berekend van de correlaties van de aandelenrendementen met de value-weighted, equal-weighted en FTSE All-World equity index. Bijvoorbeeld voor Nederland zijn de correlaties van de rendementen van de aandelen in de all-share index berekend met zowel de Nederlandse value-weighted en equal-weighted all-share index als de FTSE All-World Equity Index. De som van deze correlaties is vervolgens gemiddeld door het aantal aandelen in de all-share index, in dit geval 85, waardoor uiteindelijk 3 gemiddelde correlaties verkregen worden. De volgende twee tabellen tonen voor elk land de 3 gemiddelde correlaties bij zowel een dagelijkse (d) als een maandelijkse horizon (m).

Tabel 7: corratie-overzicht (3)

Domein value-weighted equal-weighted FTSE All-World

d m d m d m Belgie 0,3 0,48 0,36 0,53 0,18 0,38 Duitsland 0,26 0,39 0,3 0,46 0,17 0,32 Finland 0,27 0,39 0,23 0,6 0,18 0,42 Frankrijk 0,29 0,44 0,33 0,5 0,2 0,37 Ierland 0,23 0,43 0,31 0,51 0,11 0,35 Italie 0,43 0,59 0,47 0,64 0,25 0,38 Nederland 0,28 0,43 0,32 0,49 0,19 0,37 Oostenrijk 0,31 0,41 0,38 0,46 0,1 0,23 Portugal 0,14 0,49 0,36 0,55 0,13 0,3 Spanje 0,34 0,47 0,39 0,53 0,2 0,36

Gemiddelde correlaties van de aandelenrendementen per land met de drie verschillende types indices

Als de dagelijkse en maandelijkse correlaties met elkaar vergeleken worden is het duidelijk dat de FTSE All-World equity index het minst presteert. Dit duidt op het bestaan van ‘home country bias’. De equal-weighted index geeft, zowel dagelijks als maandelijks, de hoogste correlaties en is voorlopig op basis van deze resultaten de beste type index te gebruiken in dit onderzoek.

17

23

3. Correlaties van marktindices met wisselkoersen

Hiermee is de keuze van een marktindex nog niet voltooid; Bodnar en Wong [2000] duiden nog een cruciaal punt aan. Aandelen in indices zoals de AEX zijn value-weighted. De grootte en verhandelbaarheid van een aandeel bepalen het gewicht. Grote bedrijven opereren internationaler dan kleine bedrijven. Als bijvoorbeeld de euro/dollar daalt, zijn de rendementen van grote Nederlandse bedrijven gemiddeld hoger dan die van kleine Nederlandse bedrijven (ceteris paribus). Hierdoor ontstaat asymmetrie in de invloed van wisselkoersen op een value-weighted index. Bodnar en Wong suggereren dat door deze asymmetrie de resultaten van het regressiemodel lastig te interpreteren zijn. Daarom vermelden ze de optie van een equal-weighted index. De grootte van het bedrijf speelt hierbij geen rol. Hiermee kan het probleem van asymmetrie omzeild worden. De Jong et.al.[2002] lenen deze argumentatie en concluderen verder dat een equal-weighted index een lagere correlatie met wisselkoersen heeft dan een value-weighted index. Het is nu interessant te onderzoeken of de conclusie van De Jong et.al. ook geldt in dit onderzoek. De volgende tabel toont de correlaties tussen de wisselkoersen en de value-weighted (vw) en equal-value-weighted (ew) marktindices bij zowel een dagelijkse (d) als een maandelijkse (m) horizon.

Tabel 8: Correlatie overzicht (4)

type index domein euro-index euro/dollar euro/pond euro/yen

d m d m d m d m vw Belgie 0,18 0,26 0,22 0,23 0,09 0,13 0,08 0,22 vw Duitsland 0,22 0,32 0,26 0,35 0,12 0,19 0,1 0,19 vw Finland 0,21 0,3 0,24 0,24 0,11 0,21 0,12 0,22 vw Frankrijk 0,25 0,36 0,32 0,32 0,13 0,2 0,11 0,28 vw Ierland 0,16 0,27 0,21 0,27 0,1 0,15 0,05 0,2 vw Italie 0,19 0,23 0,25 0,29 0,11 0,1 0,07 0,15 vw Nederland 0,29 0,38 0,35 0,34 0,18 0,22 0,13 0,29 vw Oostenrijk 0,14 0,26 0,15 0,23 0,08 0,08 0,07 0,25 vw Portugal 0,21 0,24 0,24 0,2 0,11 0,11 0,12 0,24 vw Spanje 0,21 0,26 0,25 0,28 0,11 0,12 0,09 0,22 ew Belgie 0,16 0,26 0,2 0,25 0,08 0,16 0,08 0,17 ew Duitsland 0,17 0,26 0,22 0,3 0,1 0,14 0,06 0,15 ew Finland 0,16 0,3 0,19 0,23 0,08 0,2 0,08 0,2 ew Frankrijk 0,21 0,31 0,27 0,3 0,11 0,16 0,06 0,24 ew Ierland 0,16 0,2 0,22 0,19 0,1 0,14 0,09 0,11 ew Italie 0,17 0,2 0,22 0,23 0,1 0,08 0,06 0,14 ew Nederland 0,21 0,32 0,25 0,27 0,13 0,23 0,08 0,2 ew Oostenrijk 0,06 0,22 0,07 0,21 0,03 0,09 0,03 0,16 ew Portugal 0,05 0,22 0,06 0,17 0 0,13 0,05 0,2 ew Spanje 0,17 0,24 0,21 0,25 0,09 0,12 0,07 0,21 vw FTSE all-world 0,5 0,6 0,53 0,54 0,34 0,38 0,32 0,43

24

De correlaties van de FTSE All-World equity index zijn beduidend hoger dan van de nationale indices. De laagste correlaties (wat gewenst is) zijn prevalent bij de equal-weighted indices. De conclusie luidt als volgt. Op basis van het correlatie-onderzoek naar de variabelen is het duidelijk dat per land de equal-weighted index het beste presteert. Daarom gebruikt dit onderzoek de totale, logaritmische, dagelijkse en maandelijkse rendementen van deze indices van de eurolanden als controlevariabele. De periode betreft 1992 t/m 2005. Het volgende overzicht geeft de beschrijvende statistiek.

Tabel 9: beschrijvende statistiek van de marktindices in de dataset

Dagelijkse observaties (aantal 3655), 1992-2005 Domein Gemiddeld rendement* mediaan minimum maximum st.dev. kurtosis Belgie 0,047% 0,05% -3,64% 4,51% 0,64% 5,71 Duitsland 0,034% 0,09% -7,17% 4,95% 0,81% 7,41 Finland 0,066% 0,06% -6,43% 5,18% 0,94% 3,43 Frankrijk 0,047% 0,08% -7,07% 5,77% 0,93% 5,95 Ierland 0,062% 0,06% -6,14% 3,97% 0,71% 8,54 Italie 0,045% 0,05% -7,92% 4,97% 1,05% 4,38 Nederland 0,033% 0,07% -6,06% 4,03% 0,74% 7,28 Oostenrijk 0,036% 0,02% -5,85% 4,66% 0,69% 4,73 Portugal 0,028% 0,01% -7,07% 11,48% 0,87% 17,37 Spanje 0,058% 0,06% -8,13% 7,98% 0,94% 8,87 Maandelijkse observaties (aantal 168), 1992-2005 Domein Gemiddeld rendement* mediaan minimum maximum st.dev. kurtosis Belgie 1,01% 1,26% -12,63% 10,00% 4,05% 1,14 Duitsland 0,73% 1,64% -21,27% 17,46% 5,52% 2,93 Finland 1,46% 1,30% -21,30% 19,95% 5,78% 2,10 Frankrijk 1,01% 1,36% -22,44% 15,97% 6,38% 1,99 Ierland 1,34% 2,12% -18,90% 15,19% 5,13% 2,39 Italie 0,94% 0,51% -23,07% 25,45% 6,93% 1,60 Nederland 0,70% 1,13% -18,83% 10,77% 5,03% 2,47 Oostenrijk 0,76% 1,15% -15,35% 11,87% 4,09% 1,31 Portugal 0,58% 0,19% -22,49% 20,70% 6,00% 2,27 Spanje 1,47% 1,43% -18,26% 18,79% 5,93% 1,14

* Omdat het hier equal-weighted marktindices betreft, zijn de gemiddelde rendementen hetzelfde als in tabel 4

3.3 Wisselkoersen

25

In dit onderzoek zijn de US Dollar ($US), Britse Pond (£) en Japanse Yen (¥) de wisselkoersen in het regressiemodel. De Verenigde Staten, Verenigd Koninkrijk en Japan waren in de periode 1992-2005 de belangrijkste handelspartners van de Eurozone en daarom onderwerp van onderzoek. In het licht van dit onderzoek is het ook mogelijk een gewogen ‘mandje’ van valuta te creëren. Hierin zijn de valuta van talrijke landen naar handelsvolume gewogen in één munt. Als handelsgewogen mandje valuta ten opzichte van de euro geeft Datastream de effective euro-index18. In het regressiemodel wordt dan een multilaterale wisselkoers opgenomen. Dit is ook een veelvuldig toegepaste methode in eerder empirisch onderzoek. De Jong et.al. [2002] onderzochten het verschil tussen het gebruik van bilaterale en multilaterale wisselkoersen; zie Paragraaf 2.3 voor een beschrijving van hun onderzoek. Het resultaat is dat beide vormen van wisselkoersen elkaar aanvullen en beiden in een dergelijk onderzoek meegenomen moeten worden. Deze conclusie van de Jong, Ligterink en Macrae wordt ook toegepast in dit onderzoek. Wel moet in het achterhoofd gehouden worden dat de euro-index een kunstmatig begrip is waar direct geen economische betekenis aan gegeven kan worden.

Wisselkoersen kunnen ook in twee andere vormen onderverdeeld worden; nominale en reële wisselkoersen. Reële wisselkoersen zijn nominale wisselkoersen aangepast voor inflatieverschillen tussen landen. Van inflatieverschillen zijn echter geen dagelijkse observaties beschikbaar waardoor het gebruik van dagelijkse reële wisselkoersen onmogelijk is [Pilbeam, 1998]. Dit resulteert in het noodgedwongen gebruik van nominale wisselkoersen. Chamberlain, Howe en Popper [1996] geven gelukkig aan dat dit waarschijnlijk niet zal leiden tot vertekeningen in de resultaten. De correlatie tussen nominale en reële wisselkoersen is namelijk zeer hoog. Pilbeam [1998] stelt dat deze correlatie minstens 0,95 is. Vrijwel alle onderzoeken naar valuta-exposure gebruiken nominale wisselkoersen. Dit onderzoek zal hiervan niet afwijken. Het derde aspect is het onderscheid tussen verwachte en onverwachte wisselkoersveranderingen. Het opdelen van wisselkoersveranderingen in verwachte en onverwachte veranderingen valt echter buiten het bestek van dit onderzoek. Meese en Rogoff [1983] en Pilbeam [1998] gaan hier op in en zij concluderen dat een wisselkoers niet significant valt te voorspellen. Daarom zal in dit onderzoek de aanname gebruikt worden dat, in lijn met andere onderzoeken, een wisselkoersveranderingen onverwacht is. Dit is een belangrijke aanname omdat dan de onverwachte wisselkoersveranderingen gelijk kan worden gesteld aan de totale waargenomen wisselkoersveranderingen.

18

26

Ten slotte belichten Bodnar en Wong [1999] de kwestie van multicollineariteit. Als de wisselkoersen samen in het regressiemodel verwerkt worden is het resultaat als volgt;

t i t s i t m i i t i

R

R

u

R

=

β

+

β

+

∑

β

+

Uit oogpunt van onderlinge correlaties is het de vraag of dit verstandig is. Een correlatie-overzicht van de wisselkoersen onderling kan aanduiden in welke mate multicollineariteit optreedt. De twee tabellen op de volgende pagina tonen de onderlinge correlaties bij zowel een dagelijkse als een maandelijkse horizon. De periode betreft 1992 t/m 2005. Bij een hoge onderlinge correlatie is het onverstandig de betreffende variabelen samen in het model op te nemen.

Tabel 9: Correlatie-overzicht (7)

euro-index euro/dollar euro/pond euro/yen

euro-index - 0,84 0,77 0,63

euro/dollar 0,84 - 0,56 0,43

euro/pond 0,77 0,56 - 0,27

euro/yen 0,63 0,43 0,27 -

Correlaties wisselkoersen onderling – dagelijkse observaties

Tabel 10: Correlatie-overzicht (8)

euro-index euro/dollar euro/pond euro/yen

euro-index - 0,86 0,79 0,63

euro/dollar 0,86 - 0,61 0,37

euro/pond 0,79 0,61 - 0,23

euro/yen 0,63 0,37 0,23 -

Correlaties wisselkoersen onderling – maandelijkse observaties

27 Tabel 12: beschrijvende statistiek van de wisselkoersen in de dataset

Dagelijkse observaties (aantal 3655), 1992-2005

Wisselkoers Gemiddeld rendement mediaan minimum maximum st.dev. kurtosis euro-index 0,0019% 0,00% -1,98% 1,65% 0,35% 1,93 euro/dollar -0,0027% 0,01% -3,32% 2,52% 0,58% 1,31 euro/pond 0,0049% 0,01% -2,17% 2,32% 0,46% 1,26 euro/yen 0,0036% 0,00% -4,48% 5,04% 0,72% 3,15 Maandelijkse observaties (aantal 168), 1992-2005

Wisselkoers Gemiddeld rendement mediaan minimum maximum st.dev. kurtosis euro-index 0,06% 0,11% -4,57% 4,56% 1,58% 0,26 euro/dollar -0,04% -0,03% -7,28% 6,53% 2,69% -0,01 euro/pond 0,12% 0,14% -6,46% 5,24% 2,05% 0,20 euro/yen 0,09% -0,13% -9,98% 16,62% 3,54% 2,69

Hoofdstuk 4

Methodologie

Dit hoofdstuk behandelt de opzet van het onderzoek. Uitgangspunt is het Jorion regressiemodel, wat ten grondslag lag aan eerder empirisch onderzoek (o.a. van Doidge et.al, 2001; Nydahl, 2001; Chue et.al., 2003). t i t s i t m i i t i R R u R_, =

β

β

β

Hierbij is Ri,t het procentuele rendement van aandeel of portefeuille i op tijdstip t, Ri,t het

procentuele rendement van een marktindex op tijdstip t, Rs,t is de procentuele verandering van

wisselkoers s op tijdstip t, parameter β0,i is de constante factor, ui,t is het residu en parameter β2,i

is de elasticiteit van aandeel of portefeuille i voor de veranderingen van wisselkoers s.

De onderzoeksmethode behelst de toepassing van regressies. Deze komen in talrijke varianten voor. Een regressie wordt doorgaans uitgevoerd met de kleinste kwadraten methode. In het Engels is de terminologie Ordinary Least Squares (OLS)19. Eerst volgt een beschouwing over de validiteit van OLS in dit onderzoek. Op basis van deze beschouwing volgt een conclusie welke regressiemethode dit onderzoek hanteert. Tenslotte wordt de methodiek besproken om het effect van de introductie van de euro te meten.

19

28 4.1 OLS methode nader bekeken

Een onzorgvuldige toepassing van OLS kan leiden tot onbetrouwbare en zelfs invalide resultaten [Koutmos en Knif, 2003]. Zoals eerder vermeld (paragraaf 2.2) spelen bij financiële data de volgende begrippen een rol; normality, heteroskedasticity, autocorrelation en linearity. Met behulp van QMS Eviews 5.1 is onderzocht in hoeverre deze begrippen een rol spelen binnen dit onderzoek. Daarover volgt nu een uiteenzetting. Op basis daarvan volgt een conclusie welke regressiemethode dit onderzoek toepast.

4.1.1 Normality

Deze eigenschap gaat over de verdeling van de dataverzameling. Er is geen sprake van normality als de residuen normaal verdeeld zijn, ut ~ N (0, σ2). Statistisch een verdeling testen kan met

behulp van de Jarque-Bera normaliteittest; deze test vier statistische eigenschappen van verdelingen. De welbekende gemiddelde en standaarddeviatie zijn er twee van, de anderen zijn skewness en kurtosis. Skewness meet de mate van symmetrie van de verdeling rondom het gemiddelde, kurtosis meet in welke mate de staarten van de verdeling de 0 benaderen. Een volledig normale verdeling heeft een skewness van 0 (volledige symmetrie) en een kurtosis van 3 (mesokurtosis). Het is doorgaans eigen aan financiële data dat er geen sprake is van mesokurtosis20. Dit is ook het geval in dit onderzoek. Een analyse in Eviews van de normaliteiten geeft aan dat het ruime merendeel van de dataset niet normaal verdeeld is. Als voorbeeld toont het volgende figuur de histogram en normaliteitgegevens van de Nederlandse marktindex:

Figuur 2: normaliteit Nederlandse marktindex, 1992-2005, dagelijkse observaties

29

De probability is lager dan het significantieniveau van 5% waardoor de nulhypothese van normaliteit verworpen dient te worden. Met andere woorden, hoewel de histogram normaalverdeeld oogt, is de verdeling significant niet normaal. Gezien de grootte van de dataset is het ondoenlijk alle overzichten te presenteren. Het is echter duidelijk uit Eviews dat het merendeel van de dataset, net zoals de Nederlandse marktindex, niet normaalverdeeld is. Dit rechtvaardigt de conclusie dat aan de eis van normaliteit niet voldaan wordt. De vraag luidt dan ook of hierdoor OLS niet gebruikt mag worden. Brooks [2002] is hier vrij stellig in. Een non-normaliteit detectie van Jarque-Bera levert hoogstwaarschijnlijk geen nadelige gevolgen voor de resultaten met OLS. Het argument is dat OLS een vrij robuuste methode is die, indien er sprake van een ruim aantal metingen zoals in dit onderzoek, bestand is tegen non-normaliteit. Toch gebruikt dit onderzoek ook een toets die geen eisen stelt aan de verdeling van de dataverzameling. Paragraaf 4.2.2 gaat hier verder op in.

4.1.2 Heteroskedasticity

Een constante variantie van de residuen uit vergelijking (6) wordt homoskedasticity genoemd. Dit houdt in dat de variantie van de residuen constant is, var (ut) = 0. In geval van een variabele

variantie van deze residuen spreekt men van heteroskedasticity. E-views geeft de White heteroscedasticity test, welke in dit onderzoek gebruikt wordt. Het volgende voorbeeld toont de aanwezigheid van heteroskedasticity in de dataset. Vergelijking (6) is getest met het aandeel Ahold als de te verklaren variabele en de Nederlandse marktindex en de euro-index als verklarende variabelen. De periode is 1992-2005 met dagelijkse observaties wat in totaal 3130 observaties oplevert.

Figuur 1: Residual graph van het aandeel Ahold, dagelijkse observaties

30

De y-as geeft de procentuele verandering weer en de x-as loopt van 1992 links tot en met 2005 rechts. Vooral de piek naar beneden valt op. Dit heeft te maken met de enorme koersval in 2003. Er geen sprake is van een constante variantie van de residuals. Om dit statistisch te onderbouwen volgt nu de estimation output van de White heteroscedasticity test uit Eviews (alleen het relevante gedeelte wordt getoond):

Tabel 13: White heteroscedasticity test van het aandeel Ahold, dagelijkse observaties White Heteroskedasticity Test:

F-statistic 23.28772 Prob. F(5,3124) 0.000000 Obs*R-squared 112.4702 Prob. Chi-Square(5) 0.000000 Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 03/09/06 Time: 15:47 Sample: 1 3130

Included observations: 3130

De probability is 0 waardoor de nulhypothese van een constante variantie verworpen kan worden. Hiermee is de conclusie gerechtvaardigd dat het aandeel Ahold heteroskedasticity vertoont. Ditzelfde geldt meer aandelen in de dataset bij zowel dagelijkse als maandelijkse observaties. Verrassend kan dit resultaat niet genoemd worden. Heteroskedasticity komt vaker voor bij financiële data21 [Brooks, 2002]. De vraag is wat hiervan de gevolgen zijn. In het geval van time-series data, zoals dit onderzoek betreft, is een oplossing het gebruik van ‘Pooled EGLS’, Estimated Generalised Least Squares [Campbell et.al, 1997]. Deze methode corrigeert voor heteroskedasticity.

4.1.3 Autocorrelation

Als er geen sprake is van autocorrelation in een dataverzameling betekent dat de residuen niet gecorreleerd zijn met elkaar, cov (ut, up) = 0. Er is dan geen statistisch verband tussen de residuen

ut en ut-1. Indien er wel een dergelijk verband is, spreekt men van serial- of autocorrelation.

Brooks [2002] betoogt dat een spreidingsdiagram visueel eventuele autocorrelatie kan laten zien. Dit kan echter leiden tot lastige interpretaties, daarom is een statistische test gewenst. E-views 5.1 geeft in de estimation output van een regressie (vergelijking 6) automatisch de waarde van de Durbin-Watson test. Deze test detecteert eventuele autocorrelation tussen ut en 1 periode ervoor,

21

31

ut-1. Indien er sprake is van autocorrelation zal een OLS regressie onbetrouwbare resultaten geven

en kan beter een andere regressiemethode toegepast worden. De Durbin-Watson test kan een waarde aannemen tussen 0 en 4. De waarde 2 betekent absentie van autocorrelation, 0 en 4 betekenen enerzijds volledig positieve en anderzijds volledig negatieve autocorrelation. De waarde (dicht bij) 2 is aldus gewenst. De volgende tabel geeft een overzicht van de Durbin-Watson waarden van de dataset in dit onderzoek.

Tabel 14: Durbin-Watson waarden residuen vergelijking (6)

Domein Dagelijks observaties Maandelijkse observaties euro-index $US,£,¥ euro-index $US,£,¥

Belgie 2,11 2,11 2,15 2,14 Duitsland 2,17 2,17 2,16 2,16 Finland 2,12 2,12 2,09 2,11 Frankrijk 2,06 2,06 2,13 2,13 Ierland 2,17 2,17 1,95 1,95 Italie 2,05 2,05 1,97 1,96 Nederland 2,08 2,08 2,08 2,08 Oostenrijk 1,98 1,98 2,00 2,00 Portugal 2,09 2,09 2,02 2,01 Spanje 2,00 2,00 2,25 2,25

Deze waarden dienen vergeleken te worden met de kritieke waarden22 van de Durbin-Watson test. Als de waarden buiten deze kritieke waarden vallen moet de nulhypothese van geen autocorrelation verworpen worden. De buitenste kritieke waarden zijn 1,68 en 2,28. Voor elk domein geldt dat de nulhypothese niet verworpen dient te worden. Hieruit volgt de conclusie dat er geen sprake is autocorrelation in de dataverzameling.

4.1.4 Linearity

Een OLS regressie is lineair, wat betekent dat de relatie tussen y en x weergegeven kan worden met een rechte lijn. Indien dit niet mogelijk is, geeft een OLS regressie onbetrouwbare en invalide resultaten en valt de keuze op een non-lineair model (zie paragraaf 2.2). Om de lineariteit te testen geeft E-views de Ramsey RESET test. Ahold is eveneens het voorbeeld, de volgende estimation output komt uit Eviews:

22

32 Tabel 15: Ramsey RESET test voor Ahold, 1992-2005, dagelijkse observaties

Ramsey RESET Test:

F-statistic 0.441874 Prob. F(1,3126) 0.506269 Log likelihood ratio 0.442408 Prob. Chi-Square(1) 0.505963 Test Equation:

Dependent Variable: SERIES04 Method: Least Squares

Date: 03/09/06 Time: 15:50 Sample: 1 3130

Included observations: 3130

De probability is hoger dan het significantieniveau van 5% waardoor de nulhypothese van lineariteit niet verworpen dient te worden. Er is dus geen sprake van nonlineairiteit. Ditzelfde geldt voor de rest van de dataset. Aan de voorwaarde van lineairiteit wordt aldus voldaan.

Gezien bovenstaande beschouwing is de conclusie dat dit onderzoek niet verantwoord OLS kan gebruiken omdat heteroskedasticity optreedt in de dataset. Zoals eerder vermeld, is een bruikbare variant de lineaire methode ‘Pooled EGLS’. Analoog aan andere empirische studies (o.a. Doidge et.al, 2005; Coric et.al, 2006) past dit onderzoek deze methode toe.

4.2 Het euro-effect statistisch toetsen

Dit onderzoek past drie verschillende methoden toe om het effect van de introductie van de euro op valuta-exposure te meten. De t-procedure voor gekoppelde paren en de tekentoets kunnen de percentages voor en na de introductie statistisch met elkaar vergelijken. Deze methoden zijn onder andere gepraktiseerd door Lee et.al [2004] en Rossi et.al [2005]. Hiermee kan getest worden of de uitspraken van Trichet opgaan voor de eurozone in het algemeen. De derde methode behelst de toepassing van een parameter stabiliteitstest, de Chow test [zie o.a. Rees et.al, 1996 en Dominguez et.al, 2001]. Deze test is geschikt om per euroland de nulhypothese te testen. Een beschouwing over deze methoden volgt nu.

4.2.1 t-procedure voor gekoppelde paren

33

voor de invoering van de euro, is dat de percentages in periode 2 gemiddeld lager liggen. Om een dergelijke nulhypothese te toetsen kan de t-procedure voor gekoppelde paren aangewend worden [Moore en McCabe, 1997]. De opzet van deze toets is als volgt. De percentages in periode 1 worden afgetrokken van periode 2. Dit levert tien verschillen op. Hiervan is het gemiddelde

x

σ

10 − = x x t

σ

Het aantal vrijheidsgraden df is 10-1 = 9. De overschrijdingskans wordt gevonden uit de t(9)-verdeling. De t-grootheden wordt vergeleken met de overschrijdingskans (1%, 5% en 10%) en dan kan een conclusie getrokken worden. Om de grootte van een eventueel effect te schatten kan een betrouwbaarheidsinterval gegeven worden;

x

l

x

σ

(8)

Moore en McCabe [1997] betogen verder wel stellig dat, alvorens deze test te gebruiken, de reeksen te controleren op normaliteit. Zeker met een df van 9 mag de t-procedure voor gekoppelde paren niet gebruikt worden als er geen sprake is van normaliteit. SPSS 11.0.1 geeft in een estimation output de resultaten van de Shapiro-Wilk toets. Deze toets test of de reeksen percentages onder een normale verdeling vallen. Paragraaf 4.2 toont hiervan de resultaten.

4.2.2 tekentoets

De tekentoets is een non-parametrische toets. Een dergelijke toets kan ook aangewend worden als er geen sprake is van een normale verdeling. De tekenttoets telt hoe vaak er sprake is van een toename (+) of een afname (-) van de percentages in periode 2 ten opzichte van de percentages in periode 1. De t-grootheid T is het aantal plustekens (of equivalent het aantal mintekens). Waarnemingen van T = 0 worden buiten beschouwing gelaten. Onder de nulhypothese van "geen verschil" komt de overschrijdingskans uit een binomiale verdeling met

n = (+,-) en p = 1/2.

4.2.3 Chow test

Bij een OLS regressie zoals die van Jorion wordt verondersteld dat de parameters βj,i over de

34

worden de kwadratensommen van de residuen (RSS) met elkaar vergeleken. De Chow test is hiervoor te gebruiken. In formulevorm:

)

2

/(

)

(

/

))

(

(

k

N

N

RSS

RSS

k

RSS

RSS

RSS

t

−

+

+

+

−

=

t = test statistiek die onder een F-verdeling valt

RSS = kwadratensom van de residuen in de onderzoeksperiode, 1992-2005 RSS1 = kwadratensom van de residuen in subperiode 1, 1992-1998

RSS2 = kwadratensom van de residuen in subperiode 2, 1999-2005

N1,2 = aantal observaties in subperiode 1 en 2

k = aantal parameters

De nulhypothese is dat de parameters stabiel zijn in de onderzoeksperiode. De alternatieve hypothese is dat de parameters significant verschillen tussen beide subperioden. De berekende test statistiek (t) dient vergeleken te worden met de overschrijdingskans op 5% uit de F-verdeling, F (k, N1+2 -2k) en vervolgens kan op basis daarvan een conclusie getrokken worden.

Hoofdstuk 5

Resultaten

Dit hoofdstuk presenteert de resultaten. Ten eerste wordt in paragraaf 5.1 een overzicht gegeven van het aantal bedrijven dat in beide perioden significant beïnvloed werden door de verschillende wisselkoersen. Vervolgens worden deze twee perioden in paragraaf 5.2 statistisch met elkaar vergeleken. Getoond worden de resultaten van de t-procedure voor gekoppelde paren, de tekentoets en de Chow test. Ten slotte volgt paragraaf 5.3 met een samenvatting en een analyse van de resultaten. Een samenvattende tabel van de resultaten wordt gepresenteerd waarin wordt aangegeven of de nulhypothese al dan niet verworpen dient te worden.

5.1 Overzicht exposures

35

hieruit voort dat als een bedrijf ook significant wordt beïnvloed door wisselkoersveranderingen, dit een ‘residual’ exposure inhoudt. Dit betekent dat het bedrijf meer valuta-exposure ondervindt dan de markt zelf. De volgende twee tabellen presenteren de percentages per domein voor elke wisselkoers gedurende de perioden 1992 t/m 1998 en 1999 t/m 2005. Tabel 16 toont de resultaten bij dagelijkse observaties en tabel 17 bij maandelijkse observaties. De resultaten van het totaal aantal bedrijven (=eurozone) volgen later in deze paragraaf.

Tabel 16: percentages eurolanden, dagelijkse observaties (3655 voor elk domein)

euro-index US dollar

1992-2005 1999-2005 1992-1998 1999-2005

Domein

sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10%

Belgie 10% 18% 26% 3% 5% 5% 8% 10% 13% 8% 10% 18% Duitsland 2% 9% 21% 6% 11% 21% 0% 9% 15% 10% 15% 25% Finland 14% 14% 28% 21% 38% 41% 3% 3% 10% 28% 31% 41% Frankrijk 11% 18% 24% 6% 14% 21% 5% 14% 19% 9% 18% 24% Ierland 17% 17% 29% 4% 8% 13% 13% 21% 38% 8% 8% 13% Italie 5% 12% 15% 5% 12% 16% 9% 23% 32% 3% 11% 18% Nederland 9% 16% 27% 16% 24% 33% 12% 21% 31% 8% 14% 18% Oostenrijk 6% 13% 31% 6% 13% 25% 0% 6% 13% 6% 6% 19% Portugal 10% 14% 29% 10% 24% 24% 19% 33% 43% 19% 29% 29% Spanje 9% 15% 21% 11% 15% 24% 6% 12% 24% 14% 20% 23% Pond Yen 1992-1998 1999-2005 1992-1998 1999-2005 Domein

sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% Belgie 5% 10% 15% 0% 3% 13% 5% 8% 10% 8% 13% 18% Duitsland 1% 5% 9% 1% 5% 6% 4% 11% 16% 0% 5% 11% Finland 0% 0% 7% 3% 17% 17% 10% 14% 21% 0% 0% 3% Frankrijk 0% 5% 6% 2% 6% 11% 3% 8% 13% 4% 8% 19% Ierland 4% 4% 8% 0% 4% 4% 4% 17% 17% 0% 4% 13% Italie 0% 7% 11% 3% 5% 12% 1% 8% 14% 1% 5% 9% Nederland 4% 6% 13% 1% 5% 8% 6% 12% 19% 2% 8% 11% Oostenrijk 0% 13% 13% 0% 0% 0% 0% 6% 6% 6% 6% 13% Portugal 10% 10% 24% 0% 14% 29% 0% 14% 14% 0% 10% 10% Spanje 2% 9% 15% 0% 3% 9% 5% 11% 15% 2% 6% 14%

36 Tabel 17: percentages Eurolanden, maandelijkse observaties (168 per domein)

euro-index US dollar

1992-2005 1999-2005 1992-1998 1999-2005

Domein

sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% Belgie 5% 8% 15% 0% 5% 10% 0% 5% 15% 0% 8% 18% Duitsland 3% 11% 17% 1% 2% 6% 4% 8% 19% 0% 6% 10% Finland 0% 3% 10% 3% 10% 21% 0% 0% 10% 0% 0% 0% Frankrijk 2% 9% 14% 2% 3% 9% 4% 8% 11% 1% 4% 8% Ierland 4% 4% 4% 0% 4% 21% 0% 4% 13% 0% 8% 8% Italie 4% 9% 15% 1% 5% 9% 5% 12% 14% 0% 1% 4% Nederland 1% 8% 13% 4% 8% 12% 1% 8% 13% 1% 5% 9% Oostenrijk 6% 6% 25% 0% 6% 25% 0% 6% 13% 0% 0% 13% Portugal 5% 14% 19% 0% 10% 19% 0% 5% 10% 0% 0% 10% Spanje 2% 5% 9% 3% 8% 12% 3% 6% 15% 2% 8% 12% Pond Yen 1992-1998 1999-2005 1992-1998 1999-2005 Domein

sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% sig.1% sig.5% sig.10% Belgie 5% 8% 18% 3% 5% 10% 8% 15% 18% 0% 3% 8% Duitsland 1% 9% 16% 2% 4% 9% 3% 9% 18% 0% 2% 5% Finland 0% 10% 10% 0% 3% 14% 7% 28% 34% 0% 0% 3% Frankrijk 5% 8% 13% 0% 2% 8% 1% 5% 10% 3% 4% 7% Ierland 4% 4% 17% 0% 4% 13% 4% 8% 17% 0% 0% 4% Italie 1% 11% 19% 1% 3% 5% 1% 7% 14% 1% 4% 9% Nederland 7% 9% 21% 2% 5% 9% 2% 5% 9% 0% 5% 8% Oostenrijk 0% 0% 25% 0% 0% 25% 6% 19% 38% 0% 6% 19% Portugal 0% 19% 19% 0% 10% 19% 5% 14% 24% 0% 0% 14% Spanje 5% 15% 17% 0% 5% 9% 2% 9% 15% 3% 5% 9%