In der folgenden Arbeit wird eine multiple lineare Regressionsanalyse durchgeführt, welche zum Ziel hat, herauszufinden, ob und in welchem Ausmaß mannigfaltig ausgewählte exogene Größen einen statistisch signifikanten Einfluss auf die Aktienrendite der Glencore plc haben. Diese werden sowohl im Verlauf der Arbeit als auch im Fazit gesamtheitlich interpretiert und im Anschluss evaluiert.
Hierfür geht die Arbeit in Kapitel 2 auf die theoretischen Grundlagen der Arbeit ein. Der Fokus wird anschließend in Kapitel 3 auf den Forschungsansatz gelegt. In diesem werden die Datenbasis, das Modell und die zugehörigen Hypothesen sowie die damit zusammenhängenden Modellprämissen behandelt. Im Anschluss daran wird das Ergebnis der Regression in Kapitel 4 aufgeteilt in drei Hauptbereiche vorgestellt und analysiert. Zuletzt befasst sich Kapitel 5 mit dem Fazit der Arbeit, in welcher die Forschungsfrage komprimiert und endgültig beantwortet wird. Dabei erfolgt ebenfalls eine kritische Auseinandersetzung mit der ausgewählten Methodik als auch ein Ausblick auf weiterführende Forschung.
Inhaltsverzeichnis
Abbildungsverzeichnis...II
Formelverzeichnis...III
Tabellenverzeichnis...IV
Abkürzungsverzeichnis...V
1. Einleitung...1
2. Theoretische Grundlagen...3
3. Forschungsansatz...4
3.1 Datenbasis...4
3.1.1 Abhängige Variable...4
3.1.2 Unabhängige Variablen...5
3.2 Modell & Hypothesen...9
3.2.1 Modell...9
3.2.2 Modellprämissen...10
3.2.3 Hypothesen...16
4. Ergebnisse...17
4.1 Einfluss des FTSE 100 Index...18
4.2 Einfluss der Sparte Metals & Minerals...18
4.3 Einfluss der Sparte Energy...19
5. Fazit...21
Literaturverzeichnis...22
1. Einleitung
Am 18. Mai 2011 ging der Rohstoffhandelskonzern Glencore plc an die London Stock Exchange (kurz LSE genannt). Dabei handelte es sich mit einem Volumen von ca. 11 Mrd. USD um den damals drittgrößten Börsengang eines europäischen Unternehmens. Auch im Jahr 2020 belegte Glencore mit einem Jahresumsatz von 142 Mrd. USD den zweiten Platz unter den Rohstoffhändlern.
Im Mai 2021 hat sich nun das IPO zum zehnten Mal gejährt. Aus diesem Grund lohnt es sich, einen tieferen Blick auf die Einflussfaktoren zu werfen, welche Glencore in seiner ersten Dekade an der Börse beeinflusst haben.
Diese Abbildung ist in dieser Leseprobe nicht enthalten.
Die daraus entstehenden Erkenntnisse können nicht nur für private Investoren, sondern auch für professionelle Marktteilnehmer, wie z. B. Derivatehändler oder Asset Manager, interessant sein. Ebenfalls ist eine solche Auswertung wichtig für mögliche Management-entscheidungen sowohl von Glencore selbst als auch seitens der Konkurrenz oder anderen Marktteilnehmern. Denn nur wer die entscheidenden Determinanten für Preisveränderungen einer Aktie kennt, kann den betrieblichen Wertschöpfungsprozess bzw. den Investitionsprozess an die entstehenden Preisbewegungen anpassen und optimieren.
In der folgenden Arbeit wird eine multiple lineare Regressionsanalyse durchgeführt, welche zum Ziel hat, herauszufinden, ob und in welchem Ausmaß mannigfaltig ausgewählte exogene Größen einen statistisch signifikanten Einfluss auf die Aktienrendite der Glencore plc haben. Diese werden sowohl im Verlauf der Arbeit als auch im Fazit gesamtheitlich interpretiert und im Anschluss evaluiert.
Hierfür geht die Arbeit in Kapitel 2 auf die theoretischen Grundlagen der Arbeit ein. Der Fokus wird anschließend in Kapitel 3 auf den Forschungsansatz gelegt. In diesem werden die Datenbasis, das Modell und die zugehörigen Hypothesen sowie die damit zusammenhängenden Modellprämissen behandelt. Im Anschluss daran wird das Ergebnis der Regression in Kapitel 4 aufgeteilt in drei Hauptbereiche vorgestellt und analysiert. Zuletzt befasst sich Kapitel 5 mit dem Fazit der Arbeit, in welcher die Forschungsfrage komprimiert und endgültig beantwortet wird. Dabei erfolgt ebenfalls eine kritische Auseinandersetzung mit der ausgewählten Methodik als auch ein Ausblick auf weiterführende Forschung.
2. Theoretische Grundlagen
Preise sind im Allgemeinen ein Ergebnis von Angebot und Nachfrage. Dieses Prinzip gilt auch am Kapitalmarkt und somit für die dort gehandelten Finanzinstrumente, beispielsweise Anleihen, strukturierte Produkte und ebenso die in dieser Arbeit behandelten Aktien. Durch die verschiedensten Interdependenzen zwischen unterschiedlichen Kenngrößen ergeben sich an den heutzutage vorzufindenden Kapitalmärkten verschiedene Wechselwirkungen, die Preisbewegungen, teilweise in nur eine Richtung und teilweise beiderseitig, beeinflussen.[1]
Die Preisbewegungen an Kapitalmärkten weisen im Vergleich zu anderen Datensätzen einige statistische Besonderheiten oder auch stilisierte Fakten auf. Die wichtigsten dieser Eigenschaften sind die schweren Ränder, die bedingte Heteroskedastizität sowie das sogenannte lange Gedächtnis. Während die schweren Ränder besagen, dass Extremereignisse hinsichtlich der Renditen in der Praxis wahrscheinlicher sind als durch eine Normalverteilungsannahme vermutet, bezieht sich die bedingte Heteroskedastizität auf die Häufung von vergleichsweise hohen Renditen zu bestimmten Zeitpunkten. Das lange Gedächtnis hingegen wird dadurch gekennzeichnet, dass die Autokorrelation der stochastischen Prozesse hyperbolisch abnimmt.[2]
Eine einflussreiche Theorie über die Funktionsweise von Kapitalmärkten ist das Capital Asset Pricing Model (kurz CAPM genannt), das davon ausgeht, dass die Rendite einer Aktie neben dem risikolosen Zinssatz und der Marktrisikoprämie überwiegend durch das sogenannte Beta einer Aktie beeinflusst wird. In der Literatur wurden mehrere Erweiterungen des CAPM um zusätzliche Faktoren diskutiert. Das Fama-French-Dreifaktorenmodell etwa erweitert das CAPM um den Faktor der Marktkapitalisierung sowie den Faktor der Zugehörigkeit zur Gruppe der sogenannten Value-Aktien.[3] Solch ein Modell kann zur Steigerung der erklärten Varianzen theoretisch um beliebig viele Faktoren erweitert werden, was beispielsweise beim Fama-French-Fünffaktorenmodell durch die Faktoren Profitabilität und Investmentverhalten ausgeführt wird.[4] Bei einer multiplen linearen Regression wird das gleiche Konzept angewendet. Hierbei werden also verschiedene Kenngrößen mit den zugehörigen Betafaktoren zur Erklärung einer abhängigen Variablen definiert.
3. Forschungsansatz
Als notwendige Basis für die in Kapitel 4 analysierte Regression dient Kapitel 3 der ausführlichen Exploration des gewählten Forschungsansatzes. In Kapitel 3.1 wird hierzu zuerst die Datenbasis, bestehend aus der Definition der abhängigen Variablen (Kapitel 3.1.1) sowie der Ausführungen zu den unabhängigen Variablen (Kapitel 3.1.2), erläutert. Anschließend werden in Kapitel 3.2 das zugehörige Modell (Kapitel 3.2.1), die Modellprämissen (Kapitel 3.2.2) und die daraus erarbeiteten Hypothesen (Kapitel 3.2.3) dargestellt.
3.1 Datenbasis
Als Datenbasis wurden die jeweiligen Kursdaten aus Bloomberg entnommen. Diese umfassen den Zeitraum vom Börsengang am 18.05.2011 bis inschließlich zum 30.06.2021. Alle Daten wurden täglich in USD umgerechnet heruntergeladen. Die zugehörigen Renditen wurden anhand dieser Datenlage errechnet.Bei den Rohstoffen wurde anstelle des Spotpreises der jeweilige 3-Monats-Future verwendet. Zum einen, da Glencore laut der eigenen Financial Policy Terminmarktgeschäfte eingeht und die Rendite somit vor allem durch die Rendite der Futures beeinflusst wird sowie zum anderen, da der 3-Monats-Future am liquidesten und somit am aussagekräftigsten ist.
[...]
[1] Vgl. Laux, H., Kapitalmarkt, 1998, S. 151-184.
[2] Vgl. Krämer, W., Finanzmarkt, 2000, S. 10-24.
[3] Vgl. Fama, E. F., French, K. R., Risikofaktoren, 1993, S. 3-56.
[4] Vgl. Fama, E. F., French, K. R., Asset Pricing Model, 2015, S. 1-22.