Der Einfluß der Benchmarkwahl auf das Ergebnis langfristiger Ereignisstudien

Zusammenfassung.

Die Durchführung langfristiger Ereignisstudien setzt ein geeignetes Benchmarkmodell voraus, welches die erwartete Rendite der Untersuchungswertpapiere liefert. In den meisten bisherigen Studien wird diese durch die Änderungsrate eines Aktienindexes approximiert. Nach unseren Simulationsergebnissen entstehen bei einer solchen Vorgehensweise jedoch erhebliche Verzerrungen der Mittelwerte und der dazugehörigen Teststatistiken.

In unserer Untersuchung werden Ereignisstudien dadurch simuliert, daß aus einer umfassenden Datenbank über historische Aktienrenditen durch einen Zufallsprozeß einzelne Aktien ausgewählt und analysiert werden. Die wichtigsten Ergebnisse der durchgeführten Simulationen sind: (1) Geeignete Benchmarks sollten mittels einer Simulation ausgewählt werden, um potentielle Verzerrungen in den Ergebnissen bereits bei der Festlegung des Untersuchungsdesigns zu erkennen und zu reduzieren. (2) Die Verwendung speziell konstruierter Vergleichsportefeuilles, z.B. Size-Portefeuilles, führt in Verbindung mit bootstrap-geschätzen Konfidenzintervallen zu genaueren Untersuchungsergebnissen. (3) Verzerrungen der Untersuchungsergebnisse, die auf zeitlich variierende Renditeeffekte zurückzuführen sind, können bei identischen zeitlichen Verteilungen von Untersuchungs- und simulierten Stichproben erfaßt werden.

Abstract.

An important step in long-horizon event studies is the choice of the benchmark that is used as a proxy for the expected return of the individual securities. Most existing studies use the rate of return of a stock market index. However, our simulation shows that such a procedure creates a significant bias in the means and in the test statistics.

We simulate event studies by randomly choosing stocks out of a large database of historical rates of returns. The main results are: (1) Benchmarks should be selected by a simulation procedure before the design of a study is established in order to reduce potential bias. (2) Using reference portfolios that take account of return anomalies, and testing for long-run abnormal returns with bootstraped skewness-adjusted t-statistics lead to more precise results. (3) Misspecification due to time-varying return effects can be analyzed by the construction of random samples that share the same time distribution as the real events.