Türkisch Deutsche Universität Beykoz, Istanbul BACHELORARBEIT Test der Auswirkungen der Monate eines Jahres an der Börse Istanbul: Januar-Anomalie Themensteller: Dr. Öğr. Üyesi Çiydem ÇATAK Ausgabetermin: 23.05.2022 Abgabetermin: 23.05.2022 Vorgelegt von: Alper Kazakli Matrikelnummer:200390001 Abstract Abstract Anleger und Anlegerinnen verfolgen das Ziel aus ihren knappen Ressourcen maximale Gewinne zu generieren. Maximale Gewinne werden in Aktienmärkten unter anderem durch die bessere Nutzung von Informationen erlangt. Forscher und Forscherinnen verfolgen das Ziel Aktienmärkte mit Theorien und Modellen so gut wie möglich zu beschreiben und somit eine Formel zum erfolgreichen Handeln am Aktienmarkt finden. Beide Gruppen treffen sich bei den Kapitalmarktanomalien und insbesondere bei der Januar-Anomalie. Das Ziel dieser Arbeit ist diese beiden Gruppen auf den neuesten Stand der Dinge zu bringen und die Existenz der Januar-Anomalie an der BIST 100 in den Jahren 2010 bis 2021 zu prüfen und die Konsequenzen bei einer Existenz für die gängigen Theorien und Modelle zu beschreiben. Um dieses Ziel zu erreichen, werden diese Theorien und Modelle analysiert und beschrieben und die Schnittpunkte mit Kapitalmarktanomalien herauskristallisiert. Die Prüfung der Existenz der Januar-Anomalie wird durch eine empirische Untersuchung der Börsenschlusskurse der BIST 100 untersucht, wofür auch Kennzahlen wie Standartabweichung und Varianz genutzt werden. Der empirischen Untersuchung zufolge gibt es den Januar-Effekt in 10 von 12 Jahren zwischen 2010 und 2021 und man kann somit eindeutig von der Existenz sprechen. Auch sind andere Anzeichen für den Januar als stärkster Performer gegeben, welche im Kapital 4, in der Diskussion der Ergebnisse beschrieben werden. Die Existenz des Januar-Effektes an der BIST 100 zeigt uns eine nicht immer rationale Börse, in der die Informationseffizienz nach der Markteffizienztheorie nicht gegeben ist in diesem Fall, auch in der schwächsten Form nicht. Standartabweichungen die das Risiko in die damit verbunden Wirkung auf die Börse beschreiben, zeigen uns zudem eine Steigerung der Turbulenzen ab dem Jahre 2019. I Inhaltsverzeichnis Inhaltsverzeichnis Abstract .................................................................................. I Inhaltsverzeichnis ................................................................. II Abbildungsverzeichnis ....................................................... III Tabellenverzeichnis ............................................................ IV Abkürzungsverzeichnis ........................................................ V 1.Einleitung ............................................................................ 1 1.1 Problemstellung .............................................................. 1 1.2 Zielsetzung der Arbeit und Forschungsfrage ................ 2 1.3 Aufbau der Arbeit .......................................................... 3 1.4 Forschungsstand ............................................................ 3 2. Theoretische Grundlagen ................................................. 5 2.1 homo oeconomicus ........................................................ 5 2.2 Die Markteffizienz-Hypothese ...................................... 7 2.2.1 Random-Walk-Hypothese .................................. 10 2.3 Das Capital Asset Pricing Model ................................ 11 2.4 Arbitrage Pricing Theory ............................................. 13 2.5 Marktanomalien ........................................................... 14 3. Kalendereffekte ............................................................... 16 3.1 Januar-Effekt ................................................................ 17 II Inhaltsverzeichnis 3.2 Weitere Beispiele für Effekte ...................................... 18 3.3 Erklärungsansätze für Kalendereffekte ....................... 22 3.3.1 Behavioral Finance ................................................... 22 3.3.1.1 Noise Trading .................................................. 23 3.3.1.2 Market Overreaction ....................................... 24 3.3.2 Tax-Loss-Selling-Hypothese .................................... 25 4. Empirische Untersuchung .............................................. 26 4.1 Vorgehensweise ............................................................ 26 4.2 Verwendete Daten in Tabellenform ............................. 26 4.3 Ergebnisse der empirischen Untersuchung .................-31 4.4 Diskussion der Ergebnisse ............................................ 34 5. Fazit................................................................................... 36 Anhang................................................................................. VI Literaturverzeichnis .......................................................... VII Eidesstaatliche Versicherung ......................................... VIII II Abbildungsverzeichnis Abbildungsverzeichnis Abbildung 1: IG.com (2020) Markteffizienzformen 7I Abbildung 2: corporatefinanceinstitute.com StockCharts.com 10I Abbildung 3: CAPM-Formel 12I Abbildung 4: Kapitalmarktlinie 12I Abbildung 5: APT-Formel 13I Abbildung 6: Multi-Faktor-Modell-Formel APT 14I Abbildung 7: Durchschnittliche Monatsrenditen (Winkler,2016) 17I Abbildung 8: Montagseffekt (IG.com) 18I Abbildung 9: Monatswechseleffekt. (Intalcon.com) 19I Abbildung 10: Post-Gewinn-Mitteilungs-Drift (IG.com) 21I Abbildung 11:Momentum-Effekt (Godmode-Trader.de) 21I III Tabellenverzeichnis Tabellenverzeichnis Tabelle 1: Berechnungsbeispiel Januar 2010 (Eigene Tabelle) 27I Tabelle 2: Berechnungsbeispiel Januar 2011(Eigene Tabelle) 28I Tabelle 3:Berechnungsbeispiel Januar 2012(Eigene Tabelle) 28I Tabelle 4: Jährliche-Tabellierung Teil 1 (Eigene Tabelle) 29I Tabelle 5: Jährliche-Tabellierung Teil 2 (Eigene Tabelle) 29I Tabelle 6: Übersicht alle Monatsrenditen (Eigene Tabelle) 30I Tabelle 7: Standartabweichungen der Monate (Eigene Tabelle) 30I Tabelle 8: Varianzen der Monate (Eigene Tabelle) 31I Tabelle 9: Durchschnitte der Monate für alle Jahre (Eigene Tabelle)34I Tabelle 10: Durchschnitte der Standartabweichungen der Monat für die Jahre 2010 bis 2021 (Eigene Tabelle) 35I IV Abkürzungsverzeichnis Abkürzungsverzeichnis BIST: Börse Istanbul CAPM Capital Asset Pricing Model APT Arbitrage Pricing Theory STABW Standardabweichung WML Wertpapiermarktlinie KML Kapitalmarktlinie V Einleitung 1. Einleitung 1.1 Problemstellung “Sie haben eine bestimmte Menge an Fakten und suchen nach Situationen, in denen Sie einen Vorteil haben, egal ob die Grenze psychologisch oder statistisch ist.” (Einhorn)1 Mit diesem einleitenden Zitat soll die grundlegende Motivation und die Problemstellung dieser Bachelorarbeit beschrieben werden. Der Kapitalmarkt als Teil des gesamten Finanzmarktes bietet Produkte für Geldanlagen von verschiedenen Anlegern, sei es der Staat, private Haushalte oder Unternehmen. So individuell jeder Anleger ist, so individuell können sich die Strategien innerhalb des Kapitalmarktes unterscheiden. Die Hauptaufgabe besteht jedoch darin mittel- bis langfristig Kapital anzulegen und sein eingesetztes Kapital mittel- bis langfristig zu vermehren. Wann jedoch der richtige Zeitpunkt ist das eigene Kapital anzulegen ist eines der größten Problemstellungen innerhalb eines Kapitalmarktes. Durch ständig eingehende Meldungen unterliegen Aktienkurse (Anlagen) täglichen Schwankungen und unter dieser Menge an Informationen und Schwankungen stellt sich die Frage, ob man bestimme Muster psychologisch oder statistisch erfassen kann. Der Januar-Effekt ist hier eines dieser Muster, wo sich die Frage stellt, ob diese wirklich existiert und falls ja, wie hoch das Ausmaß dieses Effektes ist und welche Gründe sich für die Existenz herauskristallisieren 1.2 Zielsetzung der Arbeit und Forschungsfrage Die vorliegende Arbeit beschäftigt sich mit der Frage, ob und wieweit sich der Januar-Effekt an der Börse Istanbul erkennen lässt und das Ausarbeiten der Gründe, sei es psychologische oder statistische. 1 Überliefertes Zitat von David Einhorn, US-Amerikanischer Hedgefund-Manager 1 Einleitung In der Herangehensweise werden historische Daten der Börse Istanbul verwendet. Vergangene empirische Untersuchungen belegen Saisonalitäten innerhalb dieser Daten, das negative und positive Bewegungen aufgrund von Kalendereffekten auftreten. Hierbei werden auch andere Effekte, welche durch Saisonalitäten innerhalb eines Jahres auftreten genannt, welche in der Literatur als Kalendereffekte bezeichnet werden. Durch die vergangenen Ertragszahlen der Aktienindizes der Börse Istanbul sollen diese statistisch untersucht und diskutiert werden. Falls sich solche Effekte in den vergangenen Ertragszahlen an der Börse Istanbul widerspiegeln, so wären Vorteile für Anleger anhand des Januar-Effektes aus dem Kapitalmarkt herauszuschlagen. Dadurch stellt sich auch die Frage wie sich dieser Effekt in der Hypothese der Markteffizient, welche vor allem von Eugene Fama getragen worden ist, widerlegen lässt. Laut Eugene Fama und der Markteffizienzhypothese können neue und preisrelevante nur zufällig entstehen und nicht durch Saisonalitäten innerhalb eines Kalenderjahres. (Fama, 1970) Diese Arbeit soll daher der Frage nachgehen ob es einen Januar-Effekt an der Börse Istanbul gibt und Ansätze liefern diesen Kalendereffekt zu erklären. 1.3 Aufbau der Arbeit Die vorliegende Arbeit ist in drei Gebiete aufgeteilt. Im ersten Teil werden die grundlegenden theoretischen Fakten dargestellt, um einen besseren Einblick auf das Geschehen im Kapitalmarkt auf persönlicher und statistischer Ebene zu verstehen. Dafür wird der Kapitalmarktteilnehmer homo oeconomicus beschrieben und relevante Themen wie die Markteffizienz-Hypothese, Marktanomalien und Pricing-Theorien in Form des CAPM und der APT beschrieben. Im zweiten Teil wird näher auf Kalendereffekte eingegangen. Der Januar-Effekt ist dabei natürlich das Hauptziel, jedoch werden weitere Beispiele kurz erwähnt und Erklärungsansätze für Saisonalitäten (Kalendereffekte) 2 Einleitung beschrieben mit Fokus auf psychologische Gründe wie dem Behavioral Finance, noise trading, market overraction und der Tax-Loss-Selling-Hypothese. Im dritten Teil werden historische Daten der Börse Istanbul für die empirische Untersuchung der Januar-Anomalie genutzt und anschließend die Ergebnisse diskutiert. 1.4 Forschungsstand Der Forschungsstand der Kalenderanomalien ist reicht an empirischer Literatur für Aktienmärkte in Schwellenländern in Asien oder Lateinamerika im Vergleich zu europäischen Märkten (Rossi, 2015), wo die Literatur geringer ausfällt mit einer kürzeren Betrachtung im Bezug zu Zeiträumen, nur einzelne Kalendereffekte oder Faktoren, die im Zeitverlauf aufgetreten sind, werden nicht vollständig berücksichtigt. (Stavärek, 2012) Die Literatur gab erste Untersuchungen über Überrenditen im Januar an den USAktienmärkten im Jahre 1942 von Wachtel (Wachtel, 1942). Einige Jahrzehnte später gab es den Durchbruch des Januar-Effekt-Begriffes im Jahre 1976 von Rozeff und Kinney, welche die ersten offiziellen Publisher am US-Aktienmarkt waren, die gezielt den Januar-Effekt in den Zeiträumen 1904 bis 1974 durch monatliche Renditen an der New Yorker Börse untersucht haben. (Rozeff, 1976) Rozeff und Kinney haben durch statistische Methoden signifikante Überrenditen, mit Ausnahme der Jahre 1929 bis 1940, bei den Durchschnittsrenditen der JanuarMonate. (Rozeff, 1976) Somit entfachten Sie die Diskussion noch weiter an und Agrawal und Tondon fanden 1994 in 18 Ländern außerhalb der USA durchschnittliche hohe Überrenditen in den meisten Ländern und in zehn Ländern eine statistisch signifikante Überrendite, wo die Bezeichnung des Januar-Effektes wählbar ist, in zehn Ländern. (Agrawal, 1994) Noch aktueller untersuchten Salm und Siemkes den deutschen Aktienmarkt im DAX Performance Index und fanden bis in die 1980er Jahre statistisch signifikante Überrenditen im Januar. (Salm, 2009) 3 Einleitung Die Tendenz das statistische signifikante Überrenditen im Januar geringer werden mit dem Fortschreiten der Jahre konnten Rossi und Gunardi im Jahre 2018 feststellen, welche häufig geringere Januar-Effekte in europäischen Börsenindizes gefunden haben in den Jahren 2001 bis 2010. (Rossi M. G., 2018) Auf dem türkischen Markt hat beispielsweise Simsek im Jahre 2018 die Zeiträume zwischen 2006 bis 2016 untersucht, wobei der BIST100 untersucht worden ist. In sieben der zehn Jahre konnten statistisch signifikante Überrenditen im Januar festgestellt werden. (Simsek, 2018) 4 Theoretische Grundlagen 2. Theoretische Grundlagen Um der Frage nachzugehen, wieso Saisonalitäten Kapitalmarktanomalien darstellen, gehen wir in diesem Teil der Arbeit auf die theoretischen Grundlagen ein, welche in der Literatur die Dynamiken innerhalb einer Börse so gut wie möglich erklären und darstellen. Die Preisfindung folgt der Annahme, unter Einbeziehung von Modellen, welche eine Beziehung zu den Parametern Risiko und Rendite besagen. Das Capital Asset Pricing Model und Arbitrage Pricing Theory sind zwei weit verbreitete Modelle hierfür. (Perridon, 2007) Da Kalendereffekte hier eine weitere Komponente, den Zeitpunkt einer Investition, mit in diese Beziehung bedeuten würden und somit eine ungleichverteilte Entwicklung von Renditen am Aktienmarkt darstellen abhängig von Jahreszeiten, stellt sich die Frage, inwieweit diese Kalendereffekte im Aktienmarkt genutzt werden und wie diese bei Existenz mit den gängigen Kapitalmarkttheorien vereinbar sind. 2.1 homo oeconomicus In der Wissenschaftstheorie wurden durch die Annahmen der klassischen und neoklassischen Kapitalmarkttheorie eine Charakterisierung des Menschen modelliert. Das Verhalten Kapitalmarktteilnehmerinnen wird der daher Kapitalmarktteilnehmer durch die und grundlegenden Charakteristiken des homo oeconomicus abgeleitet. Hierbei wird vereinfacht von einem Menschen ausgegangen, wo die Entscheidungen im Eigeninteresse unter Einbeziehung von relevanten Faktoren in einer rationalen Art und Weise maximiert werden. (Ruckriegel, 2009) In der Literatur wurde dieser Begriff vermutlich erstmals von Vilfredo Pareto ,1906, benutzt und hat seither in der Geschichte der Wissenschaftstheorie 5 Theoretische Grundlagen viele Vertreter gehabt. Jedoch war dieses Konstrukt für die Übertragung von mathematischen Gesetzmäßigkeiten aus der mechanischen Physik auf die Wirtschaft eine Voraussetzung und war eine Grundlage dafür Wirtschaftswissenschaften als exakte Wissenschaft zu bezeichnen. (Ruckriegel, 2009) Folgende Annahmen unterliegen daher theoretische Modellierungen in der Wirtschaftswissenschaft: (Franz, 2004) A1: Der Homo oeconomicus handelt für das eigene Interesse A2: Der Homo oeconomicus maximiert seinen eigenen Nutzen: Für die Nutzenmaximierung werden alle Alternativen bewertet und durch die Nutzenfunktion des homo oeconomicus welche aus Rationalem, menschlichem Handeln anhand eigener Präferenzen entsteht jene Alternative gewählt, die den höchsten Erwartungswert des Nutzens liefert. A3: Der Homo oeconomicus reagiert auf Umweltbedingungen: Durch strukturelle und äußere Bedingungen ändert sich das Verhalten des homo oeconomicus. A4: Der Homo oeconomicus handelt rational. Rationales Verhalten wird in den Wirtschaftswissenschaften das Handeln nach dem ökonomischen Prinzip bezeichnet. Aus der Knappheit an Gütern wird die Alternative mit dem min-max. Prinzip gewählt. Maximum an Output, Minimum an Input. A5: Der Homo oeconomicus hat festgelegte Präferenzen: Durch diese gegebenen Präferenzen kann eine stabile Nutzenfunktion unterstellt werden. A6: Der Homo oeconomicus hat vollständige Informationen: Im Entscheidungsprozess besitzt er alle relevanten Informationen über Handlungsalternativen und kann Konsequenzen abschätzen 6 Theoretische Grundlagen Eine detaillierte Diskussion über die teils realitätsfernen Annahmen ist nicht Sinn dieser Arbeit, jedoch bieten die genannten Annahmen einen Beitrag zum Verständnis der Handlungen der Teilnehmer im Kapitalmarkt. Die Grundmotivation der Nutzenmaximierung durch die knappen Ressourcen bringt die Kapitalmarktteilnehmer dazu immer neue Wege der Informationsbeschaffung finden zu wollen, um somit einen Konkurrenzvorteil zu erarbeiten. Kapitalmarktanomalien sind hierbei neue Informationen deren Legitimität festgestellt werden muss, um somit der vollständigen Informationen des homo oeconomicus gerecht zu werden. (Nell V., 2006) 2.2 Die Markteffizienz-Hypothese Abbildung 1: IG.com (2020) Markteffizienzformen Informationen sind eine der wichtigsten, vermutlich die wichtigsten, Ressourcen innerhalb eines Kapitalmarktes: Informationen sind nach Eugene Fama, einer der prominentesten Vertreter der Markteffizienz-Hypothese maßgebliche Faktoren für die Preisfindung von Aktien. Nach dieser reflektieren die Preise alle zur Verfügung stehenden Informationen zu jeder Zeit. Somit können durch neue Informationen keine Vorteile am 7 Theoretische Grundlagen Aktienmarkt erlangt werden, da diese schon in den derzeitigen Preisen berücksichtigt worden sind. (Fama, 1970) Daher sind Märkte dann effizient, wenn vorhandene Preise alle verfügbaren Informationen, auch die, die nur ein kleiner Anteil an Investoren und Investorinnen besitzen. (Fama, 1970) hier besteht eine grundlegende Diskrepanz zwischen Marktanomalien und der Markteffizienztheorie. Das Wissen der Existenz der Anomalien würde laut der Markteffizienztheorie bereits in den Vorperioden in den Preisen reflektiert werden und eine Überrendite im Vergleich zu anderen Monaten auf Grund eines Januar-Effektes ausschließen . Für diese Informationsgleichheit aller Kapitalteilnehmer und Kapitalteilnehmerinnen werden drei hinreichende Bedingungen gegeben laut Fama: (Fama, 1970) 1. Es entstehen keine Transaktionskosten im Wertpapierhandel 2. Zugang zu allen vorhandenen Informationen sind kostenlos 3. Die Beurteilung der vorhandenen Informationen ist homogen für momentane und bevorstehende Wertpapiere Die Abbildung 1 zeigt eine weitere wesentliche Thematik des EMH, und zwar die Formen der Effizienz des Marktes im Bezug zur Reflektion des Informationsniveaus in der Preisfindung. Die Klassifizierung dieser vorherrschenden Informationseffizienzen kann in drei Formen beschrieben werden laut Eugene Fama: (Fama, 1970) Schwache Form der Informationseffizienz: Bei der schwachen Form sind alle Informationen über vergangene Preise und Renditen und Ereignisse berücksichtigt. Zukünftige Kurse folgen einem Zufallsprozess und können nicht anhand von technischen Analysen wie Chartanalysen Vorteile zu erzielen. Alle verfügbaren historischen Daten sind schon im derzeitigen Preis reflektiert 8 Theoretische Grundlagen Mittelstarke Form der Informationseffizienz: Bei der mittelstarken Form sind alle Informationen die öffentlich zugänglich sind in den Aktienkursen berücksichtigt. Fundamentale Analysen bringen durch die Reflektion der verfügbaren öffentlichen Informationen in den Aktienpreisen keine Renditevorteile im Kapitalmarkt. Starke Form der Informationseffizienz: Die starke Form der Informationseffizienz gleicht der Annahme 6 (Siehe 2.1) des homo oeconomicus. Alle verfügbaren Informationen sei es öffentliche oder private Informationen sind in den derzeitigen Aktienkursen berücksichtigt. Private Informationen sind hierbei u.a. Insiderinformationen die eigentlich jedem Marktteilnehmer nicht zur Verfügung stehen. Das bedeutet das es keine Geheimnisse mehr gibt und jegliche neuen Informationen keinen Vorteil im Kapitalmarkt ergeben. Die Beziehung der drei Formen ist ebenso anhand der Abbildung 1 zu sehen. Stärkere Formen der Informationseffizienz schließen die schwächeren Formen mit ein. Durch die Klassifizierung der Märkte mit der dazugehörigen Informationseffizienz können somit die erforderlichen Mindestinformationen für die Teilnahme am Kapitalmarkt prognostiziert werden und das eigene Marktverhalten dementsprechend angepasst werden. (Steiner M./Bruns, 2007) In Einzelfällen kann man trotzdem beispielweise in einem Markt der schwachen Informationseffizienz höhere Renditen als die erwarteten Renditen durch technische Analysen erzielen, was jedoch purem Zufall entspricht und die durchschnittliche Rendite in diesem Markt entspricht den erwarteten Renditen. (Martin, 1988) Laut Eugene Farma herrscht die mittelstarke Form der Informationseffizienz in den bestehenden realen Märkten und somit wäre eine Überrendite nur durch den Zugang an Insiderinformationen möglich und Kalendereffekte wie die Januar-Anomalie würde in die Kategorie der öffentlichen Informationen fallen und eine Overperformance anhand dieser nicht möglich sein. (Fama, 1970) 9 Theoretische Grundlagen Diese Diskrepanz wird im Folgenden nach der empirischen Untersuchung in der Diskussion der Ergebnisse näher beleuchtet. 2.2.1 Random-Walk-Hypothesis Abbildung 2: corporatefinanceinstitute.com StockCharts.com Anhand der Abbildung soll die Hypothese der zufälligen Preisentwicklungen einer Aktie dargestellt werden. Jeder dieser Veränderungen am Graphen stellt laut der Theorie neue, bedeutende Informationen dar deren Erwartungswert Null ist und somit nicht vorhersehbar sind und in der Betrachtung einer längeren Periode einem „Random-Walk“ gleichen. (Uhlir, 1979) Somit sind neue Informationen Zufall und die daraus entstehenden Preisänderungen ebenso Zufall und der einzige Anhaltspunkt für eine Schätzung ist der gegenwärtige Kurs (Uhlir, 1979). Die Markteffizienz-Hypothese ist Grundlage für die RandomWalk-Hypothese, da nur in effizienten Märkten neue, bedeutsame Informationen zufällig sind und nicht durch technische und fundamentale Informationen erschaffen werden können (Radcliffe, 1987). Daher wären auch nach der RandomWalk-Hypothese Kalendereffekte nicht möglich, da diese Informationen nicht dem Zufall entsprechen und die Preisfindung die Reflektion dieser Informationen wie nach dem EMH schon in den derzeitigen Preisen geschieht. 10 Theoretische Grundlagen 2.3 Capital Asset Pricing Method Beruhend auf den Entdeckungen von Markowitz (Markowitz, 1952), welcher besagt das eine Risikodiversifikation bei der Aufnahme von weiteren Wertpapieren im Portfoliomanagement möglich ist, wurde das Capital Asset Pricing Method (CAPM) in den 1960er Jahren von William F Sharpe, John Lintner und Jan Mossin entwickelt. Kernaussage ist die Beziehung zwischen dem systematischen Risiko und der erwarteten Rendite einer Aktie in einem einperiodigem Kapitalmarktmodell.2Dafür wird nach dem CAPM angenommen eine Investition wäre mit der Varianz der Renditen und dem Erwartungswert der Renditen zu bewerten. (Hausmann, 2002) Wertpapiere gibt es mit sicheren und riskanten Auszahlungen, wobei bei den sicheren Auszahlungen einem risikolosen Zinssatz entspricht und riskante Wertpapiere, dessen Rückflüsse noch unsicher sind. Jedoch können diese wertpapierspezifischen Risiken durch eine Diversifikation im Portfoliomanagement beseitigt werden. Systematische Risiken können jedoch nicht durch Diversifikation beseitigt werden. Somit besagt das CAPM das eine Risikoprämie nur durch systematische Risiken erzielt werden können, wobei diese normiert in der Kennzahl Beta reflektiert werden. Je höher das Beta eines Wertpapieres, desto höher ist der erwartete Return. (Sharpe W. , 1990) Auch bei diesem Modell werden Annahmen vorgenommen, die wie folgt lauten: (Copeland, 2005) A1: Es herrscht ein vollkommender Kapitalmarkt A2: Es herrscht eine homogene Renditeerwartung A3: Es herrscht nach dem EMH eine Markteffizienz, in welcher jeder dieselbe gekrümmte Effizienzlinie besitzt. A4: Steuern und Transaktionskosten existieren nicht. A5: Es herrscht Risikoaversion Alternativen mit dem geringstmöglichen Verlust und dem geringeren Risiko bei gleichem Erwartungswert werden bevorzugt. 2 Vgl. Sharpe (1964), Lintner (1965), Mossin (1966) 11 Theoretische Grundlagen Abbildung 3: CAPM-Formel Generell besagt das CAPM damit das Veränderungen im Aktienkurs nur eine Veränderung des Risikos darstellen und somit eine weitere Dimension zur Informationseffizienz der EMH bietet. (Fischer, 2009) Abbildung 4: Kapitalmarktlinie In der Abbildung 4 ist die Kapitalmarktlinie des CAPM dargestellt und damit eine Entscheidungsvorlage für Anleger. Mit der blauen und der roten Linie werden zwei Teilmärkte des Kapitalmarkts dargestellt. Die blaue Linie stellt hierbei risikolose Alternativen mit fixen Erträgen dar und die rote Linie stellt Alternativen gibt es Zusammenhänge mit den Risiken und den Renditen der Wertpapiere, Wertpapiere, die unter dieser Linie liegen sollten, nicht gekauft werden (Eilenberger, 1994). Das CAPM gilt als einer der wichtigsten Modelle im Kapitalmarkt und wurde seither immer wieder durch Tests und Innovationen der Realität angepasst. Wie im Folgenden auch die Arbitrage Pricing Theory eine Weiterentwicklung des CAPM ist, stellt sich in unserer Arbeit die Frage wie Kapitalmarktanomalien wie Kalendereffekte in den Modellen vereinbar sind. Beim CAPM finden Anomalien 12 Theoretische Grundlagen keine Berücksichtigung und wären bei der Existenz dieser eine Lücke in der Modellierung. 2.4 Arbitrage Pricing Theory Die Beziehung zwischen dem Risiko und der erwarteten Rendite ist beim APT ebenso wie beim CAPM die Hauptaussage. Basierend auf dem CAPM wurde dieses Modell 1976 von Ross veröffentlicht. (Ross, 1976) Beide Modelle besitzen das EinFaktor-Modell, jedoch beim Arbitrage Pricing Theory nur in seiner einfachsten Form. Durch Multi-Faktor-Modelle bietet es eine Weiterentwicklung zum CAPM und bietet dadurch ebenso die Einbeziehung von Branchen- und makroökonomischen Faktoren, sowie weiteren relevanten Faktoren in der Ermittlung der Wertpapierrendite. Faktoren, die einbezogen werden müssen, hierbei empirisch ermittelt werden. Diese mikro- und/oder makroökonomischen Faktoren werden in eine lineare Funktion mit der erwarteten Rendite gestellt. Je stärker Wertpapiere auf die Faktoren reagieren, desto höher ist die erwartete Rendite. (Pankoke, 2009) Im Grunde genommen werden die gleichen Annahmen wie beim CAPM für das APT unterlegen. Die Formel des Ein-Faktor-Modells sieht wie folgt aus: Abbildung 5: APT-Formel 13 Theoretische Grundlagen Die Erweiterung durch Multi-Faktoren sieht wie folgt aus als Formel: Abbildung 6: Multi-Faktor-Modell-Formel APT Die Einbeziehung von verschiedenen mehrdimensionalen Risikofaktoren bietet im Gegenzug zum CAPM die Möglichkeit sich der Realität zu nähern und somit eine verbesserte ökonomische Interpretierbarkeit der Ergebnisse und hat im Vergleich verbesserte empirische Testergebnisse und ist dadurch in der Realität sowie in der Literatur als eine Verbesserung bestätigt (Pankoke, 2009). Der höhere Schätzaufwand und die unklare Festlegung der Faktoren sind jedoch Aspekte die negativ sind (Daxhammer, 2012) und Marktanomalien wie Kalendereffekte und der Januar-Effekt sind ebenso kaum zu berücksichtigen. 2.5. Marktanomalien Eine Anomalie bedeutet eine Unregelmäßigkeit und kategorisiert im Hinblick auf Kapitalmärkte Unregelmäßigkeiten bei der Preisentwicklung. Die erwartete Entwicklung und das erwartete Verhalten von Wertpapieren stehen somit nicht im Einklang mit den tatsächlichen Entwicklungen und Verhaltensweisen der Wertpapiere. (https://www.ig.com, 2022) Die vorherrschende Erwartung wurde im vorherigen durch die verschiedenen Hypothesen und Formeln beschrieben und Marktanomalien sind daher Entwicklungen und Verhaltensweisen, die nicht in diese Hypothesen und Formeln passen. Einige Anomalien treten nur einmal auf und andere sind im Laufe der gesamten historischen Chartanalyse von Wertpapieren zu erkennen. Der finanzielle Anreiz dieser Anomalien ist die, dass solche genutzt werden können für Überrenditen, da viele Systeme und Individuen nicht flexibel im Hinblick auf diese Unregelmäßigkeiten sind oder diese überhaupt nicht auf dem Zettel der Einflussfaktoren haben. (https://www.ig.com, 2022) Der Diskurs in der Literatur entsteht 14 Theoretische Grundlagen durch die Annahmen der EMH von Fama, da solche Anomalien nichts anderes als Informationen zu kommenden Preisentwicklungen darstellen und verfügbar für jeden Anleger sind durch einfache historische Chartanalysen und somit bei einem Informationseffizienten Markt in der schwächsten Form keine Möglichkeiten von Überrenditen darstellen dürften, da diese Informationen bereits in den bestehenden Preisen reflektiert sind. Das heißt unter- oder überbewertete Aktien durch unbeachtete Marktanomalien sollten nicht existieren und den Anlegern keine Möglichkeit bieten diese teuer zu verkaufen oder günstig zu kaufen. (Fama, 1970) Im Grunde genommen kann die Literatur diese Marktanomalien nicht erklären und daher ist die Prüfung der Existenz dieser eine fundamentale Aufgabe, um die bestehenden Modelle und Hypothesen zu verbessern. Durch diese Tatsachen ist man zu dem Entschluss gekommen das statische Gleichgewichtsmodelle (CAPM, APT) bei Existenz von Marktanomalien nicht genügen sind und die konventionelle Hypothese (EMH, Random-Walk) nicht flexibel genug sind diese Einflussfaktoren einzubeziehen. (Sapusek, 1998) Auf die Frage ob diese Marktanomalien existieren, gibt es verschiedene empirische Untersuchungen in verschiedenen Ländern die saisonalen Effekte mit statistischer Signifikanz belegen und Kalendereffekte wie das Thema in dieser Arbeit, dem Januar-Effekt, ist eines der am weitest verbreiteten und belegten Marktanomalien. In den folgenden Kapiteln wird daher genauer auf die Januar-Anomalie eingegangen und auch weitere Effekte beschrieben. Erklärungsansätze aus der Literatur werden ebenso genutzt, um weiter Verständnis in dieser Thematik aufzubauen und von großer Bedeutung in der Literatur ist die Weiterentwicklung von Theorien, die diese Marktanomalien berücksichtigen. Einer der wichtigsten Begriffe hierbei ist das Behavioral Finance, welche ein Gegenmodell zu den konventionelle Finanztheorien wie EMH bietet und gibt verschiedene Erklärungen für Unregelmäßigkeiten. 15 Kalendereffekte 3. Kalendereffekte Ein großer Bereich der Marktanomalien sind die sogenannten Kalendereffekte, die in vorherigen Kapiteln schon erwähnt worden sind. Hier wird näher beschrieben was diese genau bedeuten, welche Kalendereffekte es gibt und Erklärungsansätze für solche Effekte. Ein großer Bereich dafür ist das Behavioral Finance, welche psychologischen Effekte bei Anlegern und Finanzmärkten studiert und dabei Kalendereffekte unter diese psychologischen Effekten einsortiert. (Education, 2021) Der Januar-Effekt wird als Thema dieser Arbeit separat beschrieben und im vierten Kapitel der empirischen Untersuchung über die Existenz dieser an der BIST untersucht und diskutiert. Kalendereffekte drücken sich aus den Korrelationen von Renditen durch Tagesund Monatsbasen aus beziehungsweise Aktienrenditen sich zu bestimmten Kalenderereignissen (Tag, Wochenende, Monat, Halbjahr etc.) anders verhalten als sonst zu erwarten ist. Die Erforschung dieser Kalendereffekte hatte anfängliche Versuche in der 30er Jahren, jedoch wurden erst in den 70er Jahren vertieft in dieser Thematik geforscht insbesondere von Akademikern die dafür datenintensive quantitative Analysen genutzt haben, welche so von der Praxis nicht genutzt worden sind und somit konnte man in der Vergangenheit durch zahlreiche Untersuchungen Kalendereffekte auf den Finanzmärkten rund um die Welt entdecken. (Perederiy, 2004) Eine Erklärung dafür liefert die Markteffizienztheorie im negativen Sinne. Ineffizienzen bei der Informationsgleichheit auf den Finanzmärkten führten so zu Überrenditen von Anlegern die gezielt auf diese Kalendereffekte gesetzt haben und Überrenditen durch die Informationsineffizienz und der Nichtreflektion dieser neuen Informationen in der Preisgestaltung erzielt haben. (Fama, 1970) Durch die immer weitere Forschung und die Annäherung der Forschungsergebnisse in die Finanzmärkte stellt sich immer wieder die Frage, ob Dynamik der Informationseffizienz nach dem EMH stattgefunden hat und Kalendereffekte somit verschwinden. Das bekannteste Beispiel für ein von Akademikern entdeckten Kalendereffekt ist der Januar-Effekt, worauf im Folgenden eingegangen wird. 16 Kalendereffekte 3.1 Januar-Effekt Januar-Effekt oder Januar-Anomalie ist die am weitesten bekannte und am meisten erforschte Anomalie in der Kategorie der Kalenderanomalien. Als Synonym wird auch der Jahreswechseleffekt benutzt. Bezeichnet wird eine systematische und signifikante Überrendite im Januar im Vergleich zu den übrigen Monaten eines Kalenderjahres. (Sapusek, 1998) Genauer wird beim Jahreswechseleffekt gezielt auf die ersten Handelstage des Kalenderjahres geschaut. Bekannt sind Arbeiten u.a. von Rozeff/Kinney (1976), Reinganum (1983), Roll (1981), Gültekin/Gültekin (1983), wo die JanuarAnomalie bestätigt worden ist. Auch Eugene Fama hat Studien in den Jahren 1941 bis 1990 geführt und einen Januar-Effekt feststellen können wie in der folgenden Abbildung durch die durchschnittlichen Renditen der Monate im S&P500, CRSP Small und DPA Small. Abbildung 7: Durchschnittliche Monatsrenditen (Winkler,2016) Bei Arbeiten von Cheung/Coutts (1999) und Marquering (2002) konnte dieser nicht mehr nachgewiesen werden: Eine weitere Besonderheit des Januar-Effektes ist die unterschiedliche Ausprägung in verschiedenen Ländern und in Märkten, die sich in der Größe unterscheiden. Gültekin/Gültekin (1983) hat in den USA nur geringe Effekte nachgewiesen, jedoch in Belgien, Italien oder den Niederlanden höhere Effekte. Welche Region oder welche Aktienklasse betrachtet wird ist daher mit erheblichen Variationen in den Ergebnissen verbunden. So wird im Zusammenhang mit der Januar-Anomalie der Firm-Size-Effekt genannt, welche besagt das eine negative Beziehung zwischen der Ausprägung des JanuarEffekt und der Größe des jeweiligen Unternehmens besteht. Unternehmen mit geringer Marktkapitalisierung erweisen höhere Überrenditen im Januar als Unternehmen mit hoher Marktkapitalisierung. (Züst, 2009) 17 Kalendereffekte „As goes January, so goes the year“ ist eine weitere Verkettung von Besonderheiten, die mit dem Januar-Effekt verbunden ist. So wird als Börsenweisheit besagt das der Januar ein Indikator für die Performance des gesamten Kalenderjahres bedeutet. (Flierl, 2014) Kritik an der Januar-Anomalie gibt es auf Grund der unzuverlässigen Natur der Planung und Transaktionskosten der Wertpapierkäufen und -verkäufen die Unterschiede im Januar wieder verschwinden lassen so behauptet es Burton Malkiel (Ex-Direktor der Vanguard Group). Weiterhin sorgen die Januar-Effekte auch in der Wissenschaft wieder durch die Natur eines Kalendereffektes Diskrepanzen mit den Finanztheorien der effizienten Märkte und der „Random Walk“-Hypothese. Auch stellt die Tatsache das in Märkten, in denen dieser Effekt bewiesen wurde, nicht regelmäßig jedes Jahr Effekte nachgewiesen werden, sondern so aussieht, als ob diese nur zufällig in bestimmten Jahren auftreten. 3.2 Weitere Beispiele für Effekte Abbildung 8: Montagseffekt (IG.com) 1.Montagseffekt: So wie in der Abbildung 8 dargestellt bezeichnet der Montagseffekt, auch Wochenendeffekt genannt, den Effekt das der „Friday Close“, der Schlusspreis am Freitag, höher ist als der nächste Montag, „Monday Close“. Das bedeutet für das man eher am Freitag verkaufen sollte als am Montag Erklärungsversuche bietet die Behavioral Finance durch die allgemeine schlechte Stimmung auf Grund der Tatsache das der Montag der erste Arbeitstag ist und man grade aus dem Wochenende und der Freizeit kommt. Durch die schlechtere Stimmung ist man noch weniger bereit hohe Preise für Aktien zu zahlen und ist auch weniger bereit den 18 Kalendereffekte Handel mit Kaufen und Verkaufen anzutreiben im Aktienmarkt, was zu weniger Volatilität und niedrigen Preisen führt Da Unternehmen, während dem die Börsen geöffnet sind, eine gute Performance liefern möchten und keine schlechten Nachrichten in den Öffnungszeiten der Börse packen möchten, werden oft die Nachrichten am Freitag nach der Schließung der Börse veröffentlicht und diese haben dann am Wochenende Zeit, ihr volles Beeinflussungspotenzial auszuüben. Da schlechte Nachrichten mit sinkenden Preisen verbunden sind, kommen die Anleger diesen Nachrichten zuvor und verkaufen Ihre Aktien am Freitag, bevor die Börse schließt. (https://www.ig.com, 2022) Abbildung 9: Monatswechseleffekt. (Intalcon.com) 2. Monatswechsel: Der Monatswechsel bezeichnet die Periode der letzten drei Tage eines Monats und die ersten drei Tage des nächsten Monats. Im ersten Abschnitt dieser Periode (letzten drei Tage eines Monats) zeichnet sich die Tendenz steigender Aktienpreise aus, welcher ein Momentum für den zweiten Abschnitt dieser Periode (ersten drei Tage des nächsten Monats) erwirkt und diesen Effekt damit auch hier ergibt. Statistisch gesehen ist dieser Effekt auch durch eine höhere Gesamtrendite dieser Periode im Gegensatz zu allen 30 Tagen eines Monats ausgezeichnet. Die Gründe sind nicht sehr erforscht, daher ist nicht wirklich klar, ob es sich um einen Zufall handelt oder ob es eine Verbindung zu der Tendenz der Veröffentlichung von positiven Wirtschaftsnachrichten gibt. Diese werden nämlich eher am Ende des Monats veröffentlicht . (https://www.ig.com, 2022) 19 Kalendereffekte 3. Feiertagseffekt. Der Feiertagseffekt ist dem Montagseffekt ähnlich, nur liegt der Fokus nun Börsenlandschaft bewirkt. Dem Feiertag. Um genauer zu sein dem Tag vor einem Feiertag. Daher nennt man diesen Effekt auch VorFeiertagseffekt. Am letzten Handelstag sorgt die Vorfreude auf den Feiertag für steigende Preise und somit höhere Verkaufspreise und somit auch höhere Renditen verbunden mit steigenden Kauf- und Verkaufszahlen Leerverkäufer haben Ihren Beitrag zu diesem Effekt, da diese Ihre Positionen, vor einem Urlaub verkaufen und Feiertage sind oft Tage an dem Urlaub genommen wird. Auch die Vermutung der Börsenlandschaft das dieser Effekt auftreten wird sorgt für erhöhte Volatilität an diesem Tag und so wird der Feiertagseffekt sozusagen zu einer selbsterfüllenden Prophezeiung. (https://www.ig.com, 2022) Abbildung 10: Post-Gewinn-Mitteilungs-Drift (IG.com) 4. Post-Gewinn-Mitteilungs-Drift Als Post-Gewinn-Mittelungs-Drift wird die Tendenz der Aktienrenditen bezeichnet sich in die Richtung von Überraschungsgewinnen zu bewegen. Diese Überraschungsgewinne sind Unternehmensmeldung denen Aktienpreise folgen, da Märkte sich an die neuen Informationen anpassen. Nach der Markteffizienztheorie sollten sich diese Informationen sofort in den Aktienpreis niederschlagen. Somit wären Gewinnmeldungen von Unternehmen kein Grund für ein positiven Renditeeffekt. Jedoch dauert dieser Prozess in der Praxis bis zu 60 Tage und dadurch kann man in diesen 60 Tagen eine höhere Informationsposition dazu nutzen die Aktienrendite zu verbessern. Positive Gewinnmeldungen führen zu einer Aufwärtsbewegung und negative Gewinnmeldungen zu negativen Aufwärtsbewegungen. Erklärung hierfür ist das Gewinnmeldungen nicht (https://www.ig.com, 2022) 20 Kalendereffekte Abbildung 11:Momentum-Effekt (Godmode-Trader.de) 5. Momentum-Effekt: Der Momentum-Effekt beschreibt das Momentum von sogenannten „Gewinnern“. Aktien, die einen starken Aufwärtstrend erlebt haben, wahrscheinlich kurz- bis mittelfristig weiter steigen werden und somit Aktien, die einen Abwärtstrend erlebt haben, sozusagen „Verlierer“ überlegen sind kurz- bis mittelfristig. Diese Anomalie wird dadurch begründet, dass Händler die Aufwärtsbewegungen nutzen wollen, um durch diese Kurssteigerungen Profit zu generieren, indem sie bei Gewinnern Long und bei Verlieren Short gehen. Auch die Tatsache das neue Informationen in Form von guten Nachrichten in Märkten nicht sofort, sondern erst graduell in der Preisfindung reflektiert werden, führt zu einer Unterreaktion der Märkte und die graduelle Reflektion der Information in den Preisen lässt die Gewinner so aussehen, als ob die Gewinne weiterhin hoch sind in dieser Periode. (https://www.ig.com, 2022) 6. Zeitwerteffekt: Unterdurchschnittliche Bilanzen bringen Aktien dazu bessere Wachstumstitel zu sein für Anleger durch das Potenzial dieser sich zu verbessern, woran Anleger glauben. Diese Potenzialspekulation führt dazu das diese einen erhöhten Marktwert im Vergleich zum Buchwert haben. Dies würde normalerweise zu einer Korrektur im Markt führen und somit eine Preisminderung führen, (https://www.ig.com, 2022) 21 Kalendereffekte jedoch entscheiden sich Anleger bewusst für technisch überbewertete Aktien, was nach der Regel eine ungünstige Entscheidung bedeutet, da durch eine Mögliche Korrektur und der schlechten Finanzlage dieser Aktien ein erhöhtes Risiko besteht, da die Spekulation auf die Überrendite durch das Potenzial dem erhöhten Risiko vorgezogen wird. 3.3 Erklärungsansätze für Kalendereffekte Durch die zahlreichen Publikationen im Laufe der Zeit die Kalendereffekte erwiesen haben in verschiedenen Märkten ist die Diskussion über den gängigen Modellen der Zeit entfacht worden und die Frage ob die Annahmen, welche nicht der Realität entsprechen, zu abstrakt sind. Diese bekannte Realitätsfremde und die Anzahl dieser abstrakten Annahmen hat im Endeffekt zu neuen Erklärungsansätzen geführt, welche die Kalendereffekte und Marktanomalien zu erklären versuchen. Im Mittelpunkt der Kritik der gängigen Methoden liegt die Markteffizienztheorie, laut der es wie bereits in dieser Arbeit erwähnt, überhaupt es gar nicht möglich ist Marktanomalien Raum zum Wachsen zu geben und durch diese Überrenditen zu erzielen, durch die Informationseffizienz und der Reflektion dieser in der Preisfindung der Aktien. 3.3.1 Behavioral Finance Behavioral Finance hat den Ansatz in der Forschung das die Entscheidungsfindung in Aufnahme, Auswahl und Verarbeitung von Informationen beruht und in diesen Prozessen der Aufnahme, Auswahl und Verarbeitung werden auf neue Erkenntnisse aus der Psychologie aufgegriffen, um das Verhalten in diesen Prozessen in den Kapitalmärkten zu erklären. (Goldberg, 2004) Während in konventionellen Theorien nicht Rücksicht auf folgende Aspekte genommen werden, wird in der Behavioral Finance auf ökonomische, soziologische und psychologische Faktoren in der Preisbildung an 22 Kalendereffekte den Kapitalmärkten eingegangen (Shiller, 1999). Die neoklassische Finanztheorie hat das rational handelnde Individuum im Zentrum, den homo oeconomicus, und den damit verbundenen realitätsfremden Annahmen. In der Behavioral Finance wird dieses rationale Handeln mit psychologischen, mentalen und neuronalen Restriktionen gegengesetzt (Rapp, 1997) und dadurch die Rationalität nur zu einem gewissen Maß sich ergibt. Der Aspekt das nicht nur die Gewinnerzielung Hauptmotiv der Marktteilnehmer und Marktteilnehmerinnen ist, erzielt eine weitere Dimension im Gegensatz zu den neoklassischen Finanztheorien. (Goldberg, 2004) Dazu wird in der Behavioral Finance besagt, dass nicht alle relevanten Informationen bei der Entscheidungsfindung genutzt werden können, da nicht alle Marktteilnehmer und Marktteilnehmerinnen Zugang über alle und vollständige Informationen haben (Goldberg, 2004). Dieser neue Erklärungsansatz führte in den 1980er Jahren zu dieser neuen Disziplin der BFT und sich in der Folge der Zeit immer mehr entwickelt hat und immer mehr Anhänger bekommen hat (Fama E. , 1998). Durch die immer stärkere Berücksichtigung der soziologischen und psychologischen Faktoren im Kapitalmarkt wurden auch hier bewusst psychodynamische oder behavioristische Komponenten dazu genutzt diese soziologischen und psychologischen Effekte zu beeinflussen, um somit Überrenditen zu erzielen, zu mindestens ist dies nicht auszuschließen (Bruns, 2013) Als Beispiel hierfür wäre der Framing-Effekt geeignet. Gute Nachrichten können als schlechte Nachrichten dargestellt werden und andersrum schlechte Nachrichten als gute Nachrichten dargestellt werden. So können unterschiedliche Reaktionen im Markt kreiert werden. So können Kalendereffekte genutzt werden die vorhandene Theorie des BFT auszunutzen, um Nachrichten zu verbreiten die nicht der Realität entsprechen, jedoch den Kalendereffekten entsprechen, um Überrenditen zu generieren durch die Ausnutzung dieser verfälschten Reaktionen. (Kogan, 2009) 3.3.1.1 Noise-Trading Ein Bereich der Behavioral Finance beschreibt den Zustand des „noise trading“, dieser beschreibt das Handeln von Marktteilnehmern und Markt- 23 Kalendereffekte Teilnehmerinnen auf der Basis des Rausches. Diese sind nicht als Informationen einzustufen, sind aber jedoch notwendige Handlungen, da sonst das Kaufen und Verkaufen von Wertpapieren eingeschränkt werden würde. Die Entscheidungsbasis dieses Rauschhandelns besteht aus der Grundlage unvollständiger oder ungenauer Daten und ist daher irrational. So werden Entscheidungen durch Hypes oder Gerüchten gemacht und nicht auf solide Analysen auf fundamentaler oder technischer Basis. (corporatefinanceinstitute, 2022) So führt dieses Rauschhandeln auf eine Verzerrung der Aktienkurse und eine exakte Preisfindung auf den tatsächlichen Wert wird unmöglich gemacht. Die Gefahr geht hier durch die irrationale Handlunge der sogenannten „noise Trader“ aus, welche immer noch Gewinne erzielen können und so lassen Sie diese irrationalen Entscheidungen so aussehen, als wären sie auf Grundlage von rationalen Analysen getroffen worden. Dies bringt in der Folge andere Marktteilnehmer und Marktteilnehmerinnen zu den Nachahmungen der Handlungen der „noise Trader“ und führt wiederrum zu zusätzlichen finanziellen Mitteln in diese Aktienmärkte und im weiteren Verlauf zu höheren Gewinnen der „noise Trader“. (Maas, 1977)Im Endeffekt fühlen sich diese in Ihrem Verhalten noch sicherer und sind bereit immer mehr riskante Anlagen zu tätigen. So werden fundamentale und technische Analysen völlig umgangen und die Theorien in der Literatur können diese Dynamiken nicht mehr nachvollziehen und können diese als Marktanomalien sehen. 3.3.1.2 Market Overreaction Übertriebene Reaktionen auf soziologischer oder psychologischer Basis sind ein größeres Bereich der Behavioral Finance. An Aktienmärkten können diese Überreaktionen durch neue relevante Informationen entstehen, wobei die Signifikanz dieser Informationen übertrieben wird von den Marktteilnehmern und Markteilnehmerinnen (Bruns, 2013). Diese Überreaktion kann auf Emotionen wie Angst oder Gier zurückgeführt werden und bringen somit eine Verzerrung bei den Aktienkursen und führen zu Massenreaktionen im Markt. Was wiederrum nicht 24 Kalendereffekte Die erhöhte Volatilität auf Grund dieser Überreaktionen führt zu Überkäufen und Überverkäufen, was zu Preisveränderungen führt. Der Aktienkurs braucht deswegen eine Weile, um auf seinen tatsächlichen Wert wieder zurückzuerlangen. (Maas, 1977) Kommt es zu steigenden Preisen in Märkten, findet eine abnehmende Risikowahrnehmung statt, da die Aufwärtsbewegung eine Überreaktion der Sicherheit der Situation erschafft. Auch sinkende Preise führen zu Überreaktionen, da die Angst durch stärkeren Verlust die Anleger dazu bringt mehr zu verkaufen als tatsächlich durch technische Analysen nötig (Maas, 1977). So kommt es zu Verkettungen der Marktteilnehmer und Marktteilnehmerinnen die zu einer Massenbewegung gezwungen sind, um Verluste zu minimieren oder Gewinne zu maximieren.3Die Gefahr besteht daher bei der Entstehung dieser Kursbewegungen. Diese können durch Täuschungen gezielt provoziert werden, um somit diese Massenbewegungen auf eine irrationale Basis zu erwirken und aus diesem Chaos Überrenditen zu erzielen. 3.3.2 Tax-Loss-Selling-Hypothese Die in der Behavioral Finance genannten Erklärungsansätze können einen Anteil an allen genannten Effekten haben und damit auch dem Thema dieser Arbeit, dem Januar-Effekt. Auf den Januar-Effekt fokussiert hat die Tax-Loss-SellingHypothese seine Daseinsberechtigung, da diese auf realwirtschaftliche Aspekte basiert. Stark verbunden ist diese Hypothese mit den Regeln der Besteuerung von Unternehmen. Anleger und Einkommenssteuerperiode durch Anlegerinnen den Verkauf können der bei der unterdurchschnittlich performenden Aktien, den sogenannten „Verlierer-Aktien“ bei der Ermittlung der Bemessungsgrundlage eine Minderung der Steuerlast erzielen. Da man diese Verluste in der Summe der Bemessungsgrundlage abziehen darf (Vollmer, 208). Da diese Einkommenssteuerperiode am Ende des Jahres stattfindet, werden somit die Verlierer-Aktien im Dezember veräußerlicht und bieten eine Grundlage zur Erklärung des Januar-Effektes, da durch die Minderung des Portfolios der Anleger und Anlegerinnen im Januar zu neuen Investitionen in Wertpapieren 3 Roßbach (2001), Maas/Weibler (1997), Schachter et al. (1987) 25 Empirische Untersuchung kommt und die dadurch erhöhte Volatilität und die erhöhte Marktbewegung zu Verzerrungen der Aktienpreise führt und somit eine Erklärung des Januar-Effektes und den Verzerrungen im Januar bietet. (Vollmer, 208) 4. Empirische Untersuchung 4.1. Vorgehensweise In dieser Studie werden die durchschnittlichen Monatsrenditen des BIST 100 Indexes betrachtet. Die Daten werden mittels einer Internetrecherche auf Investing.com aus der Datenbank der Vergangenheit bezogen. Mit der folgenden Formel wird auf Überrenditen im Januar geprüft: G = (PDt - PDt-1) / PDt-1 PD ist hierbei der Schlusskurs von Periode t = 0 PD ist hierbei der Schlusskurs der Periode t = - 1 G ist der Gewinn -> hier täglicher Gewinn Somit werden die täglichen Gewinne ermittelt und am Ende die durchschnittliche Rendite für den Monat errechnet. Der Betrachtungszeitraum wird von 2010 bis 2021 gewählt. Monate, die betrachtet werden, sind folgende: Januar, Februar, Mai, Juli, September, Dezember Der Untersuchungszeitraum beginnt mit dem 01.01.2010 und wird am 31.12.2021 beendet. 4.2 Verwendete Daten in Tabellenform Wie bereits erwähnt werden die historischen Daten aus der Investing.com Datenbank entnommen und die täglichen Schlusskurse von Periode t=0 26 Empirische Untersuchung und Periode t = -1 einbezogen. Beispielweise wäre im Januar 2010 die erste Berechnung vom 04.01.2010 (Periode t = 0) und vom 05.01.2010 (Periode t = - 1). Gleicherweise für den gesamten Monat ergibt dies aus den täglichen Gewinnen die durchschnittliche Monatsrendite im BIST 100 Index. Tabelle 1: Berechnungsbeispiel Januar 2010 (Eigene Tabelle) Anhand der Tabelle können wir alle täglichen Gewinne ersehen und im Schluss die durchschnittliche Monatsrendite von 0,0013 (0,13%). Somit haben wir unseren ersten Anhaltspunkt bei der Ermittlung des Januar-Effektes. Auf gleicher Art und Weise werden die bereits genannten Monate der Jahre 2010 bis 2021 ermittelt. Da die tabellarische Abbildung aller Monate eine viel zu große Anzahl an Seiten in dieser Arbeit benötigen würde, werden wir im Folgenden zwei weitere tägliche Beispiele haben und danach die monatliche und jährliche Tabellierung der Berechnungen. 27 Empirische Untersuchung Tabelle 2: Berechnungsbeispiel Januar 2011(Eigene Tabelle) Tabelle 3Berechnungsbeispiel Januar 2012(Eigene Tabelle) . 28 Empirische Untersuchung Tabelle 4: Jährliche-Tabellierung Teil 1 (Eigene Tabelle) Tabelle 5: Jährliche-Tabellierung Teil 2 (Eigene Tabelle) Die Jährliche-Tabellierung zeigt in der gleichen Art und Weise der Berechnung die täglichen Gewinne, Monatsrenditen, Standartabweichung. 29 Empirische Untersuchung In der folgenden Tabelle sehen wir die finale Form zum Vergleich der Monatsrenditen, um so festlegen zu können, ob Überrenditen im Januar generiert werden. Im ersten Teil sind die Monate Januar, Februar, Mai aufgezeigt und im zweiten Teil die Monate Juli, September und Dezember Tabelle 6: Übersicht alle Monatsrenditen (Eigene Tabelle) Die Übersicht der Tabelle 6 mit allen Monatsrenditen gibt uns die statistischen Daten und eine Antwort auf unsere Frage, ob es einen Januar-Effekt an der BIST 100 im Zeitraum 2010 bis 2021 gibt. Die fett gedruckten Zahlen sind die größten Monatsrenditen der Jahre und die Zahlen, welche eingerahmt sind, sind die kleinsten Zahlen. Tabelle 7: Standartabweichungen der Monate (Eigene Tabelle) 30 Empirische Untersuchung Tabelle 8: Varianzen der Monate (Eigene Tabelle) Die Standartabweichungen und Varianzen aller Monate sind weitere Ansatzpunkte für Diskussionen und bieten damit eine weitere Dimension zur Untersuchung des Januar-Effektes. Hier sind wieder die fett gedruckten Zahlen die größten und die eingerahmten Zahlen die kleinsten. Mithilfe der Auswertung dieser drei Kennzahlen der Monatsrenditen, Standartabweichungen und Varianzen werden wir im Folgenden die Ergebnisse dieser empirischen Untersuchung festlegen und anschließend diskutieren. 4.3. Ergebnisse der empirischen Untersuchung Anhand der Tabelle 6 können wir folgende Aussagen treffen: Der Januar hat Überrenditen in den Jahren 2012 (0,4038%), 2015 (0,2034%), 2019 (0,7605%) erzielt. Das bedeutet in dem Betrachtungszeitraum von 12 Jahren gab es den Januar-Effekt in 3 Jahren. 31 Empirische Untersuchung Der Januar 2019 hat mit 0,7605% dabei die größte durchschnittliche Monatsrendite des gesamten Betrachtungszeitraumes. Nur im Jahre 2014 (-0,3662 %) wurden die geringsten Renditen im Januar erzielt. Der Februar ist der einzige Monat, welcher in keinem Jahr die größten Renditen erzielt hat und hat im Gegenzug zwei Jahre 2010 und 2020 die geringsten Renditen. Dabei ist die negative Rendite des Jahres 2010 ( -0,7032 %) die geringste des gesamten Betrachtungszeitraumes. Der Mai ist einer der schlechtesten Performer, da hier in vier Jahren die geringsten Renditen erzielt worden sind. Diese wären: 2011 (-0,4763 %), 2012 (-0,3161 %), 2016 (-0,3341 %) und 2019 (-0,1745 %). Im Gegensatz dazu wurden im Jahr 2014 (0,2858 %) Überrenditen erzielt. Alles in allem ist der Monat Mai mit dem September der auffälligste mit insgesamt fünf Events (größte und kleinste Renditen). Dabei wie erwähnt mit vier kleinsten Renditen. Der Monat Juli hat in den Jahren 2010 (0,4498 %) und 2021 (0,0959 %) die höchsten Renditen und hat außer diesen zwei Jahren keine weiteren Events. Der September ist mit dem Monat Mai einer die auffälligsten Monate mit fünf Events und hat, wie der Monat Januar drei Jahre mit den höchsten Renditen erzielt. 2011 (0,3989 %), 2013 (0,4391 %), 2018 (0,3339 %) sind die Jahre mit den höchsten Renditen und 2017 (- 0,3064 %) ist neben 2021 (-0,2197 %) das Jahr mit den geringsten Renditen. Zu den Monaten mit fünf Events und drei Überrenditen gehört auch der Dezember mit und hat in folgenden Jahren die höchsten Renditen erzielt: 2016 (0,3587 %), 2017 (0,3429 %) und 2020 (0,4956 %) und in den Jahren 2013 (- 0,4467 %) und 2018 (-0,1939 %) der geringsten Renditen. 32 Empirische Untersuchung Bei den Standartabweichungen und Varianzen gibt es folgenden Ergebnisse: Januar vier Events, dabei drei höchste, ein niedrigster Wert/e: Höchste Werte in den Jahren: 2012, 2017, 2019 Niedrigste Werte in den Jahren: 2010 Februar fünf Events, dabei ein höchster, vier niedrigste Werte/e: Höchste Werte in den Jahren: 2010 Niedrigste Werte in den Jahren: 2013, 2014, 2017, 2019 Mai ein Event, dabei ein höchster Wert/e: Höchste Werte in den Jahren: 2011 Niedrigste Werte in den Jahren: - Juli vier Events, dabei drei höchste, ein niedrigster Wert/e: Höchste Werte in den Jahren: 2015, 2016, 2018 Niedrigste Werte in den Jahren: 2011 September fünf Events, dabei ein höchster, vier niedrigste Wert/e: Höchste Werte in den Jahren: 2014 Niedrigste Werte in den Jahren: 2012, 2015, 2016, 2020 Dezember vier Events: dabei drei höchste, ein niedrigster Wert/e: Höchste Werte in den Jahren: 2013, 2020 Niedrigste Werte in den Jahren: 2018, 2020, 2021 33 Empirische Untersuchung 4.4 Diskussion der Ergebnisse Die empirische Untersuchung hat ergeben das der Monat Januar im BIST 100 in den Jahren 2010 bis 2021 in drei Jahren Überrenditen erzielt hat. Was einen Prozentanteil von 25% bedeutet. Jedoch sind bei der empirischen Untersuchung die Monate September und Dezember ebenso in drei Jahren durch Überrenditen ausgezeichnet. Daher kann man hier von keiner statistisch signifikanten Überrendite auf Grund des Januar-Effektes sprechen. Einzig die Überrendite des Januar-Monates im Jahre 2014, welche die höchste Rendite im gesamten Betrachtungszeitraum ist, wäre für das Jahr 2014 ein eindeutiges Indiz für einen Januar-Effekt, jedoch ist dies ohne weitere Untersuchungen auf weitere Einflussfaktoren der Mikro- und Makrowirtschaft des Jahres 2014, nicht eindeutig zu belegen durch die einzelne Betrachtung der Renditen. Tabelle 9: Durchschnitte der Monate für alle Jahre (Eigene Tabelle) Betrachtet man jedoch die Monatsrenditen nicht für die jeweiligen Jahre, sondern den Durchschnitt aller Monatsrenditen für alle Jahre, so ist der Monat Januar der beste Performer des gesamten Betrachtungszeitraumes mit 0,1380%. Weiterhin ist der Monat Januar, welcher wie bereits erwähnt, mit dem Monat September und Dezember, drei Jahre mit Überrenditen beendet hat, der einzige Monat, welcher nur in einem Jahr (2014) die niedrigsten Renditen des Jahres erzielt hat. Alles in allem kann man den Monat durch 34 Empirische Untersuchung Folgende Tatsachen zum stärksten Performer benennen: 1. die höchste Anzahl von Jahren mit Überrenditen (3 von 12 mit September und Dezember) 2. die höchste Rendite des gesamten Betrachtungszeitraumes (Januar 2019) 3. die höchste durchschnittliche Monatsrendite aller Jahre (Tabelle 10) 4. gepaart mit Punkt 1. Der einzige Monat unter zwei niedrigsten Renditen (September, Dezember hat 2, Januar 1) Tabelle 10: Durchschnitte der Standartabweichungen der Monat für die Jahre 2010 bis 2021 (Eigene Tabelle) Die Ergebnisse der Standartabweichungen zeigen das der Monat Januar die zweithöchste Volatilität im gesamten Betrachtungszeitraum hat. Der Monat Dezember konnte nur auf Grund des Jahres 2021, welcher eine extrem hoche Standartabweichung von 127,29 (Tabelle 7) besitzt, eine höhere durchschnittliche Standartabweichung erlangen. Die Vermutung das dies mit den extremen Turbulenzen der Finanzpolitik der türkischen Regierung im Dezember 2021 verbunden ist, liegt sehr nahe. Da die maximale Standartabweichung abgesehen vom Dezember 2021 bei 56 liegt. Daher geht diese Arbeit hier von einer unnatürlichen Polarisierung des Dezember-Wertes aus und hält den Monat Januar als den Monat mit der höchsten Volatilität und damit ist das Risiko im Monat Januar der risikoreichste im Betrachtungszeitraum des BIST 100. 35 Fazit Tabelle 11: Januar-Renditen im Vergleich zu den restlichen Monaten. Während die vorherigen Ergebnisse den Januar zum stärksten Performer machen, ist der Unterschied zu den Monaten September, Dezember nicht signifikant genug, um eindeutig von einem Januar-Effekt sprechen zu können. Die Tabelle 11 sieht da jedoch anders aus. Die durchschnittlichen Monatsrenditen der Januar-Monate wurden mit den durchschnittlichen Monatsrenditen der restlichen Monate verglichen und nur in zwei Jahren hat der Januar schlechter als die restlichen Monate. Hier können wir eindeutig von einem Januar-Effekt im Betrachtungszeitraum von 2010 bis 2021 an der BIST 100 sprechen. 5. Fazit Das Ziel dieser Arbeit war durch eine empirische Untersuchung die Existenz der Januar-Anomalie an der Börse Istanbul festzustellen. Wieso diese überhaupt als Anomalie gelten wurde im zweiten Kapitel durch die theoretischen Grundlagen beschrieben mit einem Fokus auf die Markteffizienztheorie von Eugene Fama. Im Vordergrund wurde diese Theorie genannt, da nach dieser, Kapitalmarktanomalien wie Kalendereffekte und somit d 36 Fazit Januar-Anomalie überhaupt nicht existieren sollte. Demzufolge sind Aktienpreise Reflektionen von allen verfügbaren Informationen basierend auf dem Niveau der Informationseffizienz. Hier gab es drei verschiedene Stärken dieser Niveaus und die niedrigste und schwächste Form sollte trotzdem genug Informationsreflektion in den Aktienpreisen haben das die Januar-Anomalie nicht eintreffen sollte, da diese zu öffentlich verfügbaren Informationen gehören. Im Forschungsstand sind wir näher darauf eingegangen, dass dieser Marktanomalien trotzdem auftreten. Marktanomalien, Kalendereffekte, besonders die Januar-Anomalie wurden im dritten Teil beschrieben. Erklärungsansätze durch die Behavioral Finance und der Tax-Loss-Selling-Hypothese wurden genutzt, um zu versuchen die Lücke der Markteffizienztheorie mit Marktanomalien zu schließen. Im umfangsreichsten Teil vier der empirischen Untersuchung wurden Daten der BIST 100 für die Jahre 2010 bis 2021 dafür genutzt, um verschiedene Betrachtungswinkel zum Lösen unserer Forschungsfrage zu finden. Durch relativ simple Berechnungen der Gewinne, Standartabweichungen, Varianzen und Gegenüberstellungen war der Januar-Monat stets einer der stärksten Performer und hat eindeutige Indizien für eine außergewöhnliche Stärke gezeigt- In der Tabelle 11 wurde dann eindeutig klar, dass die Januar-Anomalie an der BIST 100 zwischen 2010 und 2021 existiert. Damit ist nach der Markteffizienztheorie von Eugene Fama die BIST 100 ein Aktienmarkt mit mangelnder Informationseffizienz in dem Anleger und Anlegerinnen nicht immer rational handeln. Die Betrachtung des Risikos, beziehungsweise der Standartabweichung, hat gezeigt das ab 2019 Makro- und mikrowirtschaftliche Außenbedingungen eine signifikante Steigerung der Standartabweichung bewirkt haben und diese eine extreme Zuspitzung im Dezember 2021 gefunden hat. Diese Steigerung zeigt uns die gesteigerte Sensibilisierung der Anleger und Anlegerinnen auf Nachrichten und ist ein Indiz dafür das eine gewisse Unruhe im Markt herrscht in den Emotionen dazu führen die Rationalität vergessen zu lassen. 37 Literaturverzeichnis Literaturverzeichnis Agrawal, A. T. (1994). Anomalie oder Illusion. Bruns, C.-B. F. (2013). Professionelles Portfoliomanagement. Aufbau, Umsetzung und Erfolgskontrolle strukturierter Analagestrategien. Stuttgart: Schäffer Poeschel, . Copeland, T. E. (2005). Financial Theory and Corparate Policy, 4. Aufl.,. Pearson. corporatefinanceinstitute. (5. Mai 2022). corporatefinanceinstitute. Von https://corporatefinanceinstitute.com/resources/knowledge/tradinginvesting/noise-trader/ abgerufen Daxhammer, R. J. (2012). Behavioral Finance: Verhaltenswissenschaftliche Finanzmarktforschung im Lichte begrenzt rationaler Marktteilnehmer. UVK Verlagsgeschellschaft. Education, K. F. (23. Juli 2021). KaplanFinancial.com. Von https://www.kaplanfinancial.com/resources/careeradvancement/behavioralfinance#:~:text=Behavioral%20finance%20is%20the%20study,pers onal%20biases%20instead%20of%20facts. abgerufen Eilenberger, G. (1994). Betriebliche Finanzwirtschaft. Einführung in die Finanzpolitik und das Finanzmanagement von Unternehmungen Investition und Finanzierung,. München: R. Oldenbourg Verlag. Einhorn, D. (kein Datum). Moospara.com. Von https://moospara.de/zitateinvestoren-spekulanten/ abgerufen Fama, E. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Fama, E. (1998). Ineffiziente Märkte. Fischer, E. O.-B. (2009). „Effiziente Asset Allocation im globalen Portfoliomanagement“,. Universität Graz. VII Literaturverzeichnis Flierl, R. (2014). Januar-Effekt,. Franz, S. (2004). „Grundlagen des ökonomischen Ansatzes. Das Erklärungskonzept des Homo oeconomicus". Goldberg, J. R. (2004). Behavioral Finance: Gewinnen mit Kompetenz. München: FinanzBuch Verlag. Hausmann, W. D. (2002). Derivate, Arbitrage und Portfolio-Selection:. Springer. https://www.ig.com. (19. Mai 2022). Von https://www.ig.com/de/tradingstrategien/was-sind-die-marktanomalien-180829#informationbanner-dismiss abgerufen Kogan, P. (2009). Marktanomalien bei IPOs: Frankfurter Freiverkehr und Londoner Alternative Investment Market. Igel Verlag. Lintner, J. (1965). „The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets”,. The Review of Economics and Statistics 47, . Maas, P. J. (1977). Immer unter Spannung - Crash-Konstellationen: Kontrollillusionen und Streß an der Börse,. Markowitz, H. (1952). “Portfolio Selection”, . The Journal of Finance 7. Martin, J. D. (1988). “The Theory of Finance: Evidence and Applications". Chicago. Mossin, J. (1966). “Equilibrium in a Capital Asset Market”,. Econometrica 34. Nell V., K. K. (2006). Homo oeconomicus: Ein neues Leitbild in der globalisierten Welt? Berlin: Lit Verlag. P., R. (2001). Behavioral Finance: Eine Alternative zur vorherrschenden Kapitalmarkttheorie?,. Arbeitsberichte der Hochschule für Bankwirtschaft 31. Pankoke, T. K. (2009). Der Zinssatz in der Unternehmensbewertung. Praxishandbuch Unternehmensbewertung. Wiesbaden. Perederiy, V. (2004). Existenz von Kalenderanomalien in Aktienmärkten. VII Literaturverzeichnis Perridon, L. M. (2007). Finanzwirtschaft der Unternehmung. München: 14. Aufl., VahlenVerlag. Radcliffe, R. C. (1987). Investment: Concepts, Analysis, and Strateg. Scott, Foresman and Company. Rapp, H. W. (1997). Der tägliche Wahnsinn hat Methode - Behavioral Finance: Paradigmenwechsel in der Kapitalmarktforschung. Stuttgart. Ross, S. (1976). “The arbitrage theory of capital asset pricing”. Journal of Economic Theory 13. Rossi, M. (2015). Effizienzmarkthypothese. Rossi, M. G. (2018). Europäischer Aktienmarkt. Rozeff, M. S. (1976). Kapitalmarktsaisonalitäten. Ruckriegel, K. H. (2009). „Der Homo Oeconomicus: ein realitätsfernes Konstrukt“, Orientierung zur Wirtschafts- und Gesellschaftspolitik . Salm, C. S. (2009). Persistenz Kalenderanomalien. Sapusek, A. (1998). Informationseffizienz auf Kapitalmärkten. Konzepte und empirische Ergebnisse. Wiesbaden: Gabler-Verlag. Schachter, S. e. (1987). „Effects of trend and of profit or loss on the tendency to sell". Basic and Applied Social Psychology 8. Sharpe, W. (1964). „A Theory of Market Equilibrium under Conditions of Risk”. The Journal of Finance 19. Sharpe, W. (1990). nvestments. 4. Aufl. Prentice-Hall. Shiller, R. J. (1999). “Human Behavior and the Efficiency of the Financial System”. Handbook of Macroeconomics 1. Simsek, N. (2018). http://earsiv.kastamonu.edu.tr/. Von http://earsiv.kastamonu.edu.tr:8080/xmlui/bitstream/handle/123456 789/753/Nagihan%20%c5%9e%c4%b0M%c5%9eEK.pdf?sequenc e=1&isAllowed=y abgerufen Stavärek, D. H. (2012). Zentraleuropäische Anomalien. VII Literaturverzeichnis Steiner M./Bruns, C. (2007). Wertpapiermanagement. Professionelle Wertpapieranalyse und Portfoliostrukturierung. Stuttgart. Uhlir, H. (1979). „Überprüfung der Random-Walk-Hypothese auf dem österreichischen Aktienmarkt“. Österreichische Akademie der Wissenschaft. Vollmer, R. (208). Rechnungslegung auf informationseffizienten Kapitalmärkten. Gabler Edition Wirtschaft. Wachtel, S. B. (1942). Saisonalitäten im Aktienkurs. Züst, T. (2009). Winner-Loser-Effekt,. VII Eidesstaatliche Versicherung Eidesstattliche Versicherung Ich versichere hiermit, dass ich meine Bachelorarbeit Test der Auswirkungen der Monate eines Jahres an der Börse Istanbul: Januar-Anomalie selbständig und ohne fremde Hilfe angefertigt habe und dass ich alle von anderen Autoren wörtlich übernommenen Stellen wie auch die sich an die Gedankengänge anderer Autoren eng angelehnten Ausführungen meiner Arbeit besonders gekennzeichnet und die Quellen zitiert habe. Istanbul, den 23.05.2022 Unterschrift Alper Kazakli VIII
