Это, казалось бы, естественное деление новостей на хорошие и плохие, однако, не всегда верно. Так, Бейкер и Веглер (Baker and Wurgler, 2004a, 2004b) эмпирически показали, что в разные периоды инвесторы по-разному воспринимают новость о росте и уменьшении дивидендных выплат: иногда инвесторы предпочитают компании, выплачивающие дивиденды, и платят за акции таких компаний так называемую «дивидендную премию»; а иногда инвесторы предпочитают компании, не тратящие ресурсы на выплату дивидендов, и уже эти компании торгуются с премией. Таким образом, в первом случае рост дивидендов воспримется инвесторами как хорошая новость, а во втором случае — как плохая. Это же касается роста прибыли или, скажем увеличения числа магазинов и т. д. В связи с этим такие метрики ненадежны и могут исказить результаты исследования.
Третью группу составляют метрики, построенные, по сути, на ожиданиях инвесторов, которые формируются аналитиками посредством выпуска рекомендаций и прогнозов. В этом случае хорошей новостью является соответствие фактических результатов ожиданиям инвесторов, и плохой — не оправдавшиеся ожидания инвесторов. В связи с этим авторы, предлагающие такие метрики, пользуются терминами «сюрприз» или «шок», обращая внимание читателя на ключевую роль ожиданий при классификации новости. Так, например, Скиннер и Слоун (Skinner and Sloan, 2002) оперируют метрикой «сюрприз доходов» (ES, Earnings surprise) и определяют сюрприз как разность между реальными доходами на акцию (EPS) за квартал и прогнозируемыми (здесь берется медианное значение прогнозов):
ES = ActualEPS − MedianForecastedEPS .
В зависимости от знака сюрприза новость классифицируется как хорошая, плохая или нейтральная — если ожидания в точности оправдались.
Поскольку существуют доказательства, что цены меняют направление движения в долгосрочном периоде в сопоставлении с рынком в целом, стоит проанализировать, можно ли классифицировать эти тенденции изменения по группам акций на рынке. Например, правда ли, что акции, цены на которые росли большую часть прошлого периода, по всей вероятности, будут переживать спад в последующем периоде? Чтобы изолировать воздействие подобных поворотов ценового движения на экстремальные портфели, ДеБондт и Талер (DeBondt and Thaler, 1985) сконструировали портфель победителя из 35 акций, стоимость которого росла на протяжении большей части прошлого года, а также портфель неудачника из 35 акций, чья стоимость уменьшалась на протяжении большей части прошлого года. Исследования охватили каждый год за период 1933 — 1978 гг., причем были изучены доходности этих портфелей за 60 месяцев, следующих за созданием каждого портфеля. Данный анализ привел к следующему выводу: в течение 60 месяцев, следующих за созданием портфелей, показатели неудачника очевидно хуже, чем показатели победителя. Данное доказательство согласуется с чрезмерной реакцией рынка и коррекцией в продолжительных интервалах доходности. Джегадиш и Титман (Jegadeesh and Titman, 1993) обнаружили аналогичное явление, однако представили интересное свидетельство того, что портфели победителя (неудачника) продолжают приобретать (терять) в стоимости на протяжении вплоть до 8 месяцев после их создания, а перелом тенденции происходит в последующие периоды.
Многие ученые и практики утверждают, что эти выводы, возможно, и интересны, но они переоценивают потенциальные доходы, создаваемые портфелями неудачников. Например, портфели неудачников, скорее всего, содержат недорогие акции (продающиеся менее чем за 5 долл.), которые создают высокие транзакционные издержки и с высокой вероятностью приносят сильно смещенную доходность (т.е. избыточная доходность связана с несколькими видами акций, обеспечивающих феноменальную доходность, а не с соответствующей эффективностью). Более того, значительную часть избыточной доходности портфеля неудачника можно приписать недорогим акциям, и эти результаты чувствительны к моменту создания портфеля. Любопытно, что портфели неудачника, создаваемые каждый декабрь, обеспечивают значительно более высокую доходность, чем портфели, создаваемые каждый июнь.
Таким образом, анализ стратегий деятельности на рынке портфельного инвестирования позволяет сделать вывод о том, что в российских условиях наиболее приемлемой будет являться стратегия Momentum Strategy, использование которой основано на техническом и фундаментальном анализе показателей рынка и деятельности компаний-эмитентов.
Итак, с учетом высказанных положений, можем определить последовательность принятия решения по формированию оптимального портфеля финансовых инвестиций по предложенному нами алгоритму:
Вначале строятся опорные наборы из различных вариантов портфелей финансовых инвестиций (назовем их наборы портфелей первого, второго, третьего и т. д. порядка);
Далее, посредством направленного перебора варианты портфелей выстраиваются в порядке убывания их эффективности (по предложенным выше критериям);
Затем, удаляем из набора портфелей первого порядка последний, являющийся самым неэффективным в соответствующем наборе, и набор дополняется первым по критериям эффективности (соотношению «доходность / риск» и объему инвестиций) из набора портфелей второго порядка;
Процедура повторяется для следующего по эффективности набора и далее до момента, когда-либо выбранный вариант портфеля не станет доминировать в опорном наборе портфелей, либо не будут перебраны все варианты портфеля финансовых инвестиций.
Такая процедура алгоритма формирования портфеля финансовых инвестиций позволяет найти все оптимальные по Парето варианты портфеля инвестиций на основе имеющихся наблюдений по динамике доходности и риска финансовых активов, включаемых в портфель. Основным преимуществом алгоритма является заложенный в его основу механизм направленного поиска, позволяющий не рассматривать основную массу заведомо неэффективных вариантов портфелей.
В условиях высокой волатильности отечественного фондового рынка важной проблемой для инвестора при поиске оптимального портфеля является учет уровня риска при оптимизации состава портфеля. Решение этой проблемы, для инвестора избегающего риска, возможно на основе метода рисковой стоимости, максимизирующего наименьшую стоимость портфеля на конец периода владения портфелем.
2.2 Расчет и оценка параметров модели
В качестве расчетной базы использовались архивы итогов торгов ценными бумагами за период с 01.
10.2007 по 31.
01.2010 (28 месяцев). Выбор расчетного периода (месяц) обусловлен недостаточно длительной историей существования российского фондового рынка в целом и короткой торговой историей отдельных бумаг в частности (скажем, ОАО «Мобильные Теле
Системы", «ОАО «Новатэк»). Таким образом, если бы использовались исторические данные за больший срок, это привело бы к сокращению количества бумаг. Вместе с тем включение акций указанных компаний в состав набора бумаг с целью дальнейшего отбора для формирования инвестиционного портфеля позволяет расширить возможности его диверсификации.
Таблица 2.1
Значения средней доходности и стандартного отклонения
№ п/п Код Название компании Средняя месячная доходность Стандартное отклонение AFKS ОАО АФК Система, ао 4,17 12,06 AFLT ОАО Аэрофлот, ао 3,24 10,30 AKRN ОАО Акрон, ао 4,26 1,0 AVAZ ОАО Автоваз, ао 2,59 8,05 BANE ОАО Башнефть, ао 6,22 12,38 CHMFS ОАО Северсталь, ао 1,58 15,78 ENCO ОАО Сибирьтелеком, ао 5,58 12,13 ESMO ОАО Центр
Телеком, ао 2,21 8,87 FEESS ОАО ФСК ЕЭС, ао 2,21 11,44 GAZPS ОАО Газпром, ао 2,46 13,49 GMKNS ОАО ГМК Норильский никель, ао 4,14 12,53 HYDRS ОАО Рус
Гидро, ао 1,33 11,90 IRAO ОАО ИНТЕР РАО ЕЭС, ао 4,36 9,02 LKOHS ОАО ЛУКОЙЛ, ао 4,26 12,18 MAGNS ОАО ММК, ао 6,59 12,70 MGNT ОАО Магнит, ао 3,34 15,90 MRKH ОАО Холдинг МРСК, ао 1,98 8,28 MSNG ОАО Мосэнерго, ао 4,06 8,02 MTLR ОАО Мечел, ао 4,46 12,38 MTSS ОАО МТС, ао 2,21 8,87 MVID ОАО Компания М. видео, ао 3,18 5,14 NLMK ОАО НЛМК, ао 5,42 10,18 NMTP ОАО Новороссийский морской торговый порт, ао 6,22 11,24 NNSI ОАО Волга
Телеком, ао 2,13 3,14 NVTK ОАО НОВАТЭК, ао 5,47 2,58 OGKB ОАО ОГК-2, ао 6,18 3,22 OGKC ОАО ОГК-3, ао 7,24 8,45 OGKD ОАО ОГК-4, ао 3,23 11,21 OPIN ОАО ОПИН, ао 2,11 8,71 PHST ОАО Фармстандарт, ао 5,41 7,24 PLZLS ОАО Полюс Золото, ао 4,39 8,24 PMTL ОАО Полиметалл, ао 5,28 6,13 RASP ОАО Распадская, ао 3,17 9,14 ROSNS ОАО НК Роснефть, ао 2,55 4,11 SBERS ОАО Сбербанк России, ао 3,87 7,24 SBERPS ОАО Сбербанк России, ап 8,17 10,57 SIBN ОАО Газпром нефть, ао 2,41 5,14 SILV ОАО Сильвинит, ао 3,29 5,71 SNGSS ОАО Сургутнефтегаз, ао 8,14 11,21 SNGSPS ОАО Сургутнефтегаз, ап 5,22 7,24 SPTL ОАО Северо-Западный Телеком, ао 6,11 8,21 SVAV ОАО СОЛЛЕРС, ао 7,25 8,71 TATNS ОАО Татнефть им. В. Д. Шашина, ао 4,51 5,73 TRNFP ОАО АК Транснефть, ап 7,14 5,24 UFNC ОАО Уфанефтехим, ао 4,28 6,28 URKAS ОАО Уралкалий, ао 4,14 5,22 URSI ОАО Уралсвязьинформ, ао 8,14 9,24 VSMO ОАО Корпорация ВСМПО-АВИСМА, ао 5,24 7,11 VTBRS ОАО Банк ВТБ, ао 3,17 5,27 WBDF ОАО Вимм-Билль-Данн Продукты Питания, ао 4,11 7,24
Расчет основных характеристик ценных бумаг — средней месячной доходности без учета дивидендов и стандартного отклонения выполнен по формулам 2.1, 2.2 и 2.3 с использованием программе Excel и представлен в таблице 2.
1.
Для определения средней (месячной) доходности актива без учета дивидендных выплат использовалась формула:
где Pt — цена акции в текущем периоде t;
Pt-1 — цена акции в предыдущем периоде t-1;
отношение разницы цен в текущем и предыдущем периодах к цене в предыдущем периоде есть не что иное, как доходность актива в период под номером t, то есть Rti;
T — количество периодов, для которого рассчитывается средняя доходность.
Мерой риска, связанного с доходностью актива i, является дисперсия, оценивающая степень отклонения возможных конкретных значений доходности от среднего:
Где Rit — одно из возможных значений доходности актива i.
Для облегчения интерпретации показателя дисперсии его преобразуют в стандартное отклонение:
Далее был произведен отбор акций российских компаний для формирования оптимального портфеля в зависимости от степени их взаимосвязи (корреляции) между собой и с учетом соотношения статистических характеристик риск — доходность.
Охарактеризовать степень взаимосвязи и направления изменения доходности двух ценных бумаг позволяют рассчитываемые значения ковариации и корреляции (формулы 2.4 и 2.5).
где Rit — значение доходности актива i в период t (месяц);
Rjt — значение доходности актива j в период t;
— средняя доходность актива i;
— средняя доходность актива j;
Т — число периодов, за которые регистрировались доходности активов i и j.
Формула для коэффициента корреляции имеет вид:
Величина коэффициента корреляции может находиться в пределах от -1 до 1. Если коэффициент корреляции по абсолютной величине близок к 1, то связь между доходностью рассматриваемых ценных бумаг тесная. При его величине, близкой к 0, связь слабая. Если коэффициент отрицательный, то связь обратная, если положительный — прямая.
Расчет коэффициентов корреляции для отобранных акций и их дальнейший анализ выявил высокие положительные значения данного показателя среди значительного количества ценных бумаг. 30 акций из 50 тесно коррелируют (коэффициент корреляции > 0,60) с 2 и более бумагами из рассматриваемого списка. Тем не менее надо отметить и присутствие бумаг с относительно невысокими коэффициентами корреляции, а в некоторых случаях — даже отрицательными.
Согласно принципам современной портфельной теории в состав портфеля отбираются акции, которые при сопоставимых значениях средней месячной доходности и риска имеют минимальные коэффициенты корреляции. И наоборот, если в ходе составления портфеля встает вопрос об исключении той или иной бумаги ввиду сокращения на каком-либо этапе доли присутствия в портфеле или даже появления отрицательных долей, то после нахождения тесно коррелирующих между собой бумаг исключается та, рассматриваемые статистические характеристики которой хуже.
Доходность портфеля определяется соотношением:
где Ri — доходность актива i;
wi — доля инвестиций в ценные бумаги типа i, входящие в портфель, или удельный вес каждого актива, причем вес каждого актива должен быть больше или равен нулю, а сумма весов — равна единице.
Риск портфеля ценных бумаг оценивается стандартным отклонением, вычисляемым на основе дисперсии его доходности:
В соответствии с моделью САРМ структура портфеля должна обеспечивать инвестору желаемое значение доходности при наименьшем риске. Поэтому задача оптимизации портфеля ставится следующим образом: необходимо минимизировать критерий:
Портфель, имеющий наименьшее значение риска для заданного значения доходности, называется эффективным. Оптимальный портфель выбирается из множества эффективных портфелей.
Осуществленные расчеты демонстрируют возможность формирования с помощью методов математико-статистического анализа групп эффективных портфелей из исходного набора 20 акций. При этом полученные портфели различаются по количеству акций и желаемым прогнозируемым соотношениям риска и доходности.
К первой группе портфелей будут относиться портфели с умеренной ожидаемой месячной доходностью в диапазоне 3,40 — 5,00% при рисках 4,77 — 5,95%, состоящие из 12 акций (GUTB, RUSI, SOLD, FIBR, VTBC, FORC, MCAP, ROSB, UFGR, UNIN, UNPA, PTRC) и различающиеся соотношением долей входящих в их состав акций, а также соотношением прогнозируемых значений риска и доходности. Здесь следует отметить, что отдельно взятые бумаги, которые вошли в состав данных портфелей, с сопоставимыми месячными доходностями CITF (4,36%) и ECAP (4,06%), имеют риск более 8%.
Далее путем исключения некоторых бумаг из представленных выше были построены эффективные портфели, включающие 4 акции (AKBF, CKBN, CSFB, ECAP) с несколько большей ожидаемой месячной доходностью в 4,90 — 5,80%, но и с большим риском (6,09 — 7,33%).
Если инвестора интересуют максимальные ожидаемые месячные доходности (до 6,40%), которые предположительно могут обеспечить рассматриваемые акции, то (после исключения акции CITF) могут быть сформированы эффективные портфели, состоящие из 3 бумаг. Предполагаемые месячные доходность и риск этих портфелей колеблются в диапазоне 5,00 — 6,40% и 6,31 — 9,16% соответственно. Для сравнения — средняя месячная доходность отдельно взятой бумаги CSBF равна 6,59%, всего лишь на 0,2 процентных пункта превышая максимальную ожидаемую месячную доходность построенных портфелей. Вместе с тем ее риск равен 12,7%, что на 38% больше максимального риска портфеля, в состав которого она входит.
Осуществленные математические расчеты призваны помочь инвестору сузить круг рассматриваемых инструментов. Решение вопроса о том, какой портфель из сформированных выше предпочтительнее, является оптимальным, зависит от конкретных целей инвестора и определяется его собственными взглядами на соотношения доходности и риска.
На основании анализа, представленного в настоящей работе, можно говорить о следующих чертах, характерных для российского рынка ценных бумаг с точки зрения применимости к нему существующих методов отбора ценных бумаг для последующего формирования инвестиционного портфеля.
1. Недостаточное количество общего числа ценных бумаг и ограниченное количество «качественных» ценных бумаг. На конец марта 2010 г. Котировальный список РТС насчитывал 318 ценных бумаг 286 эмитентов (для сравнения — в листинг Нью-Йоркской фондовой биржи, крупнейшей фондовой площадки в мире, входит более 3 тыс. ценных бумаг). Кроме того, отобранные для анализа бумаги — это в большинстве своем наиболее ликвидные бумаги крупнейших отечественных компаний нефтегазового, энергетического и металлургического секторов (так называемые голубые фишки).
Таким образом, речь идет уже не об отборе бумаг, представляющих наибольший интерес с точки зрения формирования портфеля, из большого числа активно торгуемых качественных ценных бумаг, а о полном использовании списка ликвидных акций.
2. Отсутствие в достаточном объеме объективной информации об эмитенте (в том числе по финансовым показателям) затрудняет применение методов традиционной портфельной теории, в частности фундаментального анализа, к российским реалиям.
3. Имея в виду, что для вычисления математико-статистических показателей можно ограничиться торговой историей по ценной бумаге, и учитывая то обстоятельство, что нынешнее развитие вычислительной техники позволяет значительно облегчить многочисленные вычисления, методы современной портфельной теории представляются достаточно эффективными применительно к отечественному рынку.
Но и здесь следует учесть некоторые особенности. В частности, короткая торговая история по большинству бумаг делает затруднительным использование в качестве расчетного периода больший, нежели месяц, временной отрезок (например, квартал или год, как это следует из теоретических разработок западных экономистов и практики применения статистических расчетов). Кроме того, несмотря на то что по сравнению с предыдущими годами доля нефтегазового сектора в общей капитализации крупнейших отечественных компаний существенно снизилась и составляет сейчас около 50%, вопрос об отраслевой «перекошенности» российского фондового рынка остается актуальным. Этот факт может объяснять характерное для российского фондового рынка присутствие большого количества высоких положительных значений коэффициентов корреляции между бумагами. А оно, в свою очередь, — появление в портфеле отрицательных долей некоторых ценных бумаг.
Заключение
Под конструированием портфеля понимается определение его состава и структуры. Первичный отбор активов осуществляется исходя из соображений доступности для данного инвестора, а также с учетом априорных ограничений, устанавливаемых инвестором или законодательством. Вторичный отбор осуществляется путем исключения тех активов, инвестиционные качества которых абсолютно неприемлемы с точки зрения инвестора. Таким образом, вторичный отбор производится только после количественной или качественной оценки инвестиционных характеристик каждого из активов, отобранных на первом этапе. Конечным результатом процедуры отбора является определение для каждого инвестора целевого сегмента либо нескольких сегментов финансового рынка, в рамках которых будет осуществляться инвестиционная деятельность.
Исходными данными для первичного отбора активов являются объективные сведения о формальном статусе инвестора, объеме его ресурсов, предполагаемой срочности инвестирования, а также об имеющихся на финансовом рынке активах и порядке доступа инвесторов к операциям с этими активами. Осуществление вторичного отбора требует формализации субъективных предпочтений инвестора в отношении объектов инвестирования.
Целью оптимизационного алгоритма как части портфельной теории является определение структуры портфеля. Процедура предварительной сегментации портфеля, предполагающая разделение общего объема инвестируемых ресурсов в определенных пропорциях между несколькими типами активов (например, между акциями и облигациями), является необязательной. Однако такая сегментация позволяет значительно упростить процедуру дальнейшей детализации структуры портфеля, поскольку для осуществления диверсификации в рамках каждого подпортфеля потребуется проведение сравнительного и комбинационного анализа только однотипных активов.
Модуль комбинирования (диверсификации) портфеля является ключевым в ряду процедур и алгоритмов портфельной теории: он позволяет выбрать оптимальное с точки зрения инвестора сочетание инвестиционных активов в рамках всего портфеля или отдельных подпортфелей, если была проведена соответствующая сегментация.
Оценка инвестиционных качеств активов и портфелей является с точки зрения портфельной теории вспомогательным элементом, обеспечивающим основной массив исходных данных для процедуры оптимизации портфеля. Однако именно этот элемент является наиболее сложным, как для формализации, так и для интерпретации результатов анализа.
Методика оценки инвестиционных качеств включает в себя ряд частных методик, позволяющих численно оценить доходность, риск, ликвидность и иные качества финансовых активов. Каждая из этих частных методик должна позволять переходить от оценок индивидуальных активов к оценкам портфеля, состоящего из этих активов. В рамках портфельной теории может оцениваться неограниченное количество инвестиционных качеств активов и портфелей, однако набор этих качеств и характеризующие их показатели должны быть идентичны для всех типов активов, потенциально входящих в портфель.
В курсовой работе было обосновано применение модели САРМ для портфельного инвестирования в современных российских условиях и проведен расчет и выбор оптимальных портфелей ценных бумаг с учетом возможных различных стратегий инвестирования, выбираемыми при выходе на рынок ценных бумаг в качестве инвестора.
Кроме того, в курсовой работе было определено, что в современных условиях недостаточной развитости рынка ценных бумаг и высокого уровня неопределенности оптимальной стратегией инвестирования будет стратегия Value effect, основанная на оценке технических и фундаментальных характеристик фондового рынка.
Батяева Т.А., Столяров И. И. Рынок ценных бумаг: Учебное пособие. — М.: ИНФРА-М, 2009. — 304 с.
Бехтерева Е. В. Управление инвестициями. — М.: Грос
Медиа: РОСБУХ, 2008.
Бланк И. А. Основы инвестиционного менеджмента. — М.: ОМЕГА-Л, 2008.
Гитман Л.Дж., Джонк М. Д. Основы инвестирования / Пер. с англ. — М.: Дело, 1997. С. 800.
Гуськова Н. Д. Инвестиционный менеджмент: учебник. М.: КНОРУС, 2010. — 456 с.
Игонина Л. Л. Инвестиции: Учебник. — М.: Магистр, 2008.
Инвестиции: Системный анализ и управление / Под ред. проф. К. В. Балдина. — М.: Дашков и К, 2007.
Инвестиции: Учебник / Отв. ред. В. В. Ковалев, В. В. Иванов, В. А. Лялин. — М.: Проспект, 2010. — 592 с.
Инвестиции: Учебник / Под ред. Г. П. Подшиваленко. — М.: КНОРУС, 2008.
Инвестиции: Учебное пособие / Под ред. М. В. Чиненова. — М.: КНОРУС, 2007.
Исследования информационной прозрачности российских компаний в 2007 г.: значительные изменения в десятке лидеров / Служба рейтингов корпоративного управления Standard&Poor's, 14 ноября 2007 г.
Карлик А.Е., Рогова Е. М., Тихонова М. В., Ткаченко Е. А. Инвестиционный менеджмент: Учебник. — СПб.: Издательство Вернера Регена, 2008.
Корчагин Ю. А. Инвестиционная стратегия. — Ростов-на-Дону: Феникс, 2006.
Корчагин Ю. А. Рынок ценных бумаг. — Ростов-на-Дону: Феникс, 2007. — 496 с.
Корчагин Ю. А. Современная экономика России. — Ростов-на-Дону: Феникс, 2006.
Коттл С., Мюррей Р. Ф., Блок Ф. Е. «Анализ ценных бумаг» Грэма и Додда / Пер. с англ. — М.: ЗАО «Олимп-Бизнес», 2000
Кох И. А. Элементы современной портфельной теории // Экономические науки. — 2009. — № 8.
Нешитой А. С. Инвестиции: Учебник. — М.: Дашков и К, 2008.
Хаертфельдер М., Лозовская Е., Хануш Е. Фундаментальный и технический анализ рынка ценных бумаг. — М. — СПб.: Питер, 2005.
Шеремет А.Д., Сайфулин Р. С., Негашев Е. В. Методика финансового анализа. — М.: ИНФРА-М, 2000.
Abarbanell, J., and Lehavy, R. Biased forecasts or biased earnings? The role of earnings management in explaining apparent optimism and inefficiency in analysts' earnings forecasts // Unpublished paper, University of North Carolina, 2000.
Baker, M., and Wurgler, J. (2004a), A catering theory of dividends, Journal of Finance, 59 (2004a) 271—288.
Baker, M., and Wurgler, J. (2004b), Appearing and disappearing dividends: The link to catering incentives, Journal of Financial Economics (2004b), forthcoming.
Brown, L. (2001), A temporal analysis of earnings surprises: Profits versus losses, Journal of Accounting Research, 39 (2001), 221—241.
Chan, W. (2003), Stock price reaction to news and no-news: drift and reversal after headlines, Journal of Financial Economics 70 (2003), 223−260.
Cohen, R., Gompers, P., and Vuolteenaho, T. (2002), Who underreacts to cash-flow news? Evidence from trading between individuals and institutions, Journal of Financial Economics, Vol. 66, Iss. 2, 3 (2002), p. 409.
Conrad, J., Cornell, B., and Landsman, W. (2002), When is bad news really bad news? The Journal of Finance, Vol. LVII, No.6, (2002), 2507—2532.
Copeland, T., and Dolgoff, A. Outperform with expectations-based management. — New Jersey: John Wiley & Sons, Inc., 2005.
Ekholm, A. (2002), How do different types of investors react to new financial statement information? Swedish School of Economics and Business Administration Working Paper No. 464.
Hong, H., Lim, T., and Stein, J. (2000), Bad news travels slowly: size, analyst coverage, and the profitability of momentum strategies, Journal of Finance 55 (2000), 265−295.
Ikenberry, D., and Ramnath, S. (2002), Underreaction to self-selected news events: the case of stock splits, Review of Financial Studies 15 (2002), 489−526.
Kothari, S., Shu, S., and Wysocki, P. (2008), Do Managers Withhold Bad News? MIT Sloan Research Paper No. 4556—05, 2008.
Pritamani, M., and Singal, V. (2001), Return predictability following large price changes and information releases, Journal of Banking and Finance 25 (2001), 631−656.
Skinner, D., and Sloan, R. (2002), Earnings surprises, growth expectations and stock returns or Don’t let an earnings torpedo sink your portfolio, Review of Accounting Studies 7 (2002), 289—312.
Soffer, L., Thiagarajan, S., and Walther, B. (2000), Earnings preannouncement strategies, Review of Accounting Studies 5 (2000), 5—26.
