Caratteristiche individuali e overcondence: l'impatto sul trading dei piccoli investitori

Transcript

1 Caratteristiche individuali e overcondence: l'impatto sul trading dei piccoli investitori Enrico Maria Cervellati Università di Bologna e Luiss Guido Carli Scelte di investimento e regole di tutela Il ruolo della Finanza Comportamentale tra economia, psicologia e diritto Convegno organizzato da Associazione Disiano Preite e Consob Milano, 30 novembre 2010

2 Papers di riferimento Cervellati E. M., Fattori P., Pattitoni P. (2011) The Impact of Individual Characteristics and Overconfidence on the Trading Activity of Small Investors, International Journal of Behavioural Accounting and Finance (forthcoming). Cervellati E. M., Fattori P., Pattitoni P. (2010) L operatività degli investitori individuali: il caso di una banca cooperativa, Banche e Banchieri, n. 1, pp

3 Motivazioni e contributi The investor s chief problem and even his worst enemy is likely to be himself Benjamin Graham Motivazioni: Collegare caratteristiche individuali e overconfidenceal trading. Verificare se esistono peculiarità per i clienti di banche di credito cooperativo, effetti di località e di dimensione. Contributi alla letteratura: Work in progress Nuova metodologia econometrica Al momento, risultati in linea con la letteratura Sviluppi futuri promettenti (segue) 2

4 Misure di overconfidence Eccessiva confidenza nelle proprie conoscenze e/o capacità. Misure: Indirette: inferenza da caratteristiche sociodemografiche Dirette: metriche di overconfidence Illusione del controllo (illusion of control) Effetto superiore alla media (better than average) Errata calibrazione (miscalibration) 3

5 Overconfidence e trading eccessivo L overconfidence porta a movimentare troppo il portafoglio, con conseguente sotto-performance a causa dei costi di transazione sostenuti (Barber e Odean, 1999). 4

6 Genere Overall, men claim more ability than do women, but this difference emerges most strongly on masculine task[s] Deaux and Ferris (1977) In media, rispettoalledonne, gliuomini (Barber e Odean, 2001): sembrano essere più overconfident fanno più transazioni ottengono performance nette inferiori 5

7 Investitorionline Gli investitori che passano dal trading tradizionale a quello online (Barber e Odean, 2002): performano bene prima di passare al trading online accelerano il trading dopo essere passati online diventano più speculativi dopo essere passati online performano male dopo essere passati online 6

8 Perchègliinvestitorionline sono overconfident Errore di selezione (selection bias) Errore di auto-attribuzione (self-attribution bias) Illusioni della conoscenza (illusion of knowledge) Illusione del controllo (illusion of control) 7

9 Traders online: evidenze internazionali Descrizione dei trader online e dei loro portafogli è disponibile per molti paesi: Italia Germania Giappone USA Svezia I trader online hanno caratteristiche omogenee dal punto di vista socio-demografico e delle preferenze di portafoglio (Alemanni e Franzosi, 2006) 8

10 Evidenzesui trader online in Italia Alemanni e Franzosi (2006) investigano un campione di investitori online focalizzandosi sui c.d. high frequency trader (che effettuano almeno due transazioni al mese) rispetto a molteplici prospettive: Caratteristiche dei trader online Caratteristiche dei portafogli e del trading Tratti psicologici Dataset che integra sia azioni che derivati Psicometria Possibilità di distinguere diversi aspetti dell overconfidence Self-monitoring come metrica di intelligenza sociale 9

11 I trader online italiani Da un punto di vista socio-demografico, i trader online italiani hanno caratteristiche diverse dalla popolazione. Un tipico trader online italiano: uomo: 96,6% (vs. 48,7% della popolazione italiana) vive nel nord-ovest: 36% (vs. 24,7%) età fra i 35 e i 44 anni: 35% (vs. 22%) lavoratore autonomo, professionista o imprenditore: 37,5% (vs. 4,5% ) educazione medio-alta: 48,8% è laureato (vs. 6,7%) buon reddito: 51,1% con più di euro al mese. 10

12 Effettidell overconfidencedeitrader online italiani Gli investimenti dei trader online sembrano essere overconfident, ma sono diversificati. L overconfidence spiega la frequenza del trading (che aumenta per i lavoratori autonomi, i pensionati e per chi vive al sud Italia). Il numero di transazioni aumenta con la frazione di ricchezza dedicata agli investimenti di breve periodo, con l uso di broker online specializzati e con la performance passata. I trader online, anche se overconfident, sembrano comportarsi in modo più razionale di altri investitori individuali. Sviluppi: Alemanni e Franzosi (2007) 11

13 Informazione e overconfidence Guiso e Jappelli (2006) studiano gli effetti dell informazione e dell overconfidence basandosi sui dati di un gruppo bancario italiano. Gli autori trovano che gli investitori meglio informati registrano performance inferiori e possiedono portafogli meno diversificati. 12

14 Overconfidence non è necessariamente sinonimo di sotto-performance Shefrin, Hoffmann e Pennings (2010): impatto sulle performance di differenze attinenti agli obiettivi di investimento di investitori individuali (olandesi). Segmentazione del campione basandosi su: obiettivi di investimento, strategie di investimento, livello di ambizione, profilo del rischio, classe di investitore. Un questionario per misurare direttamente le tendenze di fondo del comportamento degli investitori. Risultato: l overconfidence non porta necessariamente alla sotto-performance. Pochi investitori overconfident, ma abili, riescono a sovra-performare. 13

15 Il nostrostudio Periodo: Dati: Numero e ammontare delle transazioni effettuate dai clienti di una banca di credito cooperativo Caratteristiche socio-demografiche dei clienti Numero di transazioni:

16 Statistiche descrittive Numero di operazioni Media 7,15 7,29 7,43 Deviazione standard 19,89 20,86 22,46 Minimo Mediana Massimo Totale Numero clienti Concentrazione (Gini) 0,7533 0,7529 0,7516 Tabella 1. Statistiche descrittive per il numero di transazioni 15

17 Età, genere, reddito Fonte: Lucarelli e Brighetti (2010) 16

18 log-operazioni Genere, età e internet Figura 1. Numero di transazioni per: Genere log-operazioni Genere log-operazioni Genere Genere F: Femmina (27%) M: Maschio (73%) % campione F M F M F M Età Età Età Età log-operazioni log-operazioni log-operazioni E1: <35 (10-15%) E2: (37-38%) E3: (31-33%) E4: >65 (16-20%) E1 E2 E3 E4 Internet E1 E2 E3 E4 Internet E1 E2 E3 E4 Internet Internet: trader on line. log-operazioni log-operazioni log-operazioni NO SI NO SI NO SI 17

19 log-operazioni Reddito, tipo lavoro e concentrazione Reddito R1 R2 R3 R4 log-operazioni Reddito R1 R2 R3 R4 log-operazioni Reddito R1 R2 R3 R4 Figura 2. Numero di transazioni per: Classe di Reddito % campione R1: <15,000 (33%) R2: 15,001-30,000 (51%) R3: 30,001-55,000 (11%) R4: >55,000 (6%) Lavoro Lavoro Lavoro Tipologia di Lavoro: log-operazioni log-operazioni log-operazioni A: Autonomo (32%) C: Casalinga (6%) D: Dipendente (41%) P: Pensionato (21%) A C D P A C D P A C D P Operazioni Operazioni Operazioni Concentrazione delle transazioni frequenza frequenza frequenza

20 Metodologia (1) Analizziamo il numero di transazioni per ogni individuo nel dataset La variabile dipendente può assumere solo valori interi non negativi La maggior parte dei clienti compie poche transazioni, dunque il numero medio (mediano e modale) della variabile dipendente è basso Essendo dati di conteggio, non seguono una distribuzione normale Le peculiarità della variabile dipendente suggeriscono di deviare dall OLS standard 19

21 Metodologia (2) La Poisson potrebbe essere un candidato, tuttavia in caso di sovra-dispersione dei dati non è utilizzabile. La deviazione standard della variabile dipendente è circa tre volte la media. Il rapporto varianza-media, i test di sovra-dispersione Cameron-Trivedi e LR suggeriscono che la variabile dipendente è sovra-dispersa non è dunque sufficientemente descritta da una semplice distribuzione Poisson Una regressione Binomiale Negativa ci permette invece di predirre il numero di transazioni considerando il problema della sovra-dispersione. 20

22 Numero di transazioni N. operazioni 2005 N. operazioni 2006 N. operazioni 2007 Stima Std. Error Sign. Stima Std. Error Sign. Stima Std. Error Sign. costante -5,617 1,673 *** -6,072 1,502 *** -5,348 1,484 *** uomo 0,615 0,200 *** 0,374 0,179 ** 0,443 0,179 ** età 0,089 0,042 ** 0,016 0,037 0,024 0,036 età 2 ( 10 4 ) -8,925 3,950 ** -0,011 0,335-1,193 3,221 internet 2,239 0,314 *** 2,759 0,273 *** 2,693 0,243 *** ln(reddito) 0,480 0,130 *** 0,643 0,118 *** 0,568 0,112 *** casalinga -0,210 0,429 0,677 0,372 * 0,470 0,369 dipendente -0,317 0,184 * -0,055 0,166-0,493 0,162 *** pensionato -0,197 0,261-0,189 0,235-0,294 0,217 θ 0,7609 0,9499 1,0059 N AIC 1.508, , ,70 2 Test LR ( 8 ) 2 Test LR ( ) χ 122,02 *** 189,33 *** 211,54 *** χ ,80 *** 2.073,10 *** 2.336,80 *** ***, ** e * indicano, rispettivamente, livelli di significatività a 99, 95 e 90 percento 21

23 Evidenze sul numero di transazioni Il numero di operazioni è maggiore per: uomini chi opera on-line chi percepisce un reddito mediamente più elevato Il numero di transazioni cresce con l età in una prima fase e diminuisce, in seguito, all avvicinarsi dell età della pensione. Il tipo di professione svolta non sembra avere un impatto significativo sul numero di transazioni effettuate. 22

24 Valori transazioni Valore scambiato 2005 Valore scambiato 2006 Valore scambiato 2007 Stima Std. Error Sign. Stima Std. Error Sign. Stima Std. Error Sign. costante uomo ** età età internet *** *** *** ln(reddito) *** *** ** casalinga * dipendente pensionato N R2 (Adj.) F(8, 243) *** *** *** Effetto professione (Test di Wald) F(3, 243) 0, F(3, 267) 196,553 F(3, 290) 0, ***, ** e * indicano, rispettivamente, significatività al livello del 99, 95 and 90 per cento. 23

25 Evidenze sull ammontare transato L ammontare transato è maggiore per: donne chi nonopera on-line chi percepisce un reddito mediamente più elevato L effetto età nonè significativo in relazione all ammontare transato. 24

26 Conferme di overconfidence VARIABILI N. OPERAZIONI AMMONTARE SCAMBIATO COEF. SIGN. COEF. SIGN. COSTANTE - SI ± NO GENERE (dummy) + SI - NO ETÀ + SI + NO ETÀ 2 - SI - NO INTERNET (dummy) + SI - SI REDDITO (logaritmo) + SI + SI LAVORO (dummy) ± NO ± NO La differenza è coerente con la letteratura e le evidenze empiriche precedenti perché i clienti che operano on-line effettuano un numero maggiore di operazioni (in quanto overconfident), ma per un volume inferiore. 25

27 Controlli di robustezza Test di causalità inversa(reverse causality) nella relazione tra il numeo di transazioni e la dummy internet Rigettiamo l ipotesi di endogeneità Il numero di zero (nessuna operazione) potrebbe essere più grande di quanto una regressione binomiale negativa possa sopportare Stimiamo un modello hurdle negative binomial Tale modello può catturare un numero eccessivamente grande di zeri I risultatinon alteranol interpretazionequalitativadell analisie non aggiungono alcuna informazione addizionale, ma il numero dei parametri si duplica Rimuovere gli outlier? Impossibile perchè rappresentano la maggior parte delle transazioni. 26

28 Conclusioni Le caratteristiche individuali sono rilevanti nello spiegare il numero di operazioni effettuate dagli investitori e l ammontare transato. Combinate, sembrano rappresentare una buona proxy del livello di overconfidence degli individui. Molto rimane da fare in questo filone di ricerca futuri sviluppi. 27

29 Datidisponibiliper future ricerche Periodo: Dati: Intra-Day Saldi di fine periodo Numero di osservazioni: Tutte (compresi esercizi diritti): Acquisti e vendite: frazionate: non frazionate:

30 Datiintra-day Codici dei singoli conti e dei proprietari del conto (singolo vs. cointestato) Commissioni fisse e variabili Profitto/perdita (lordi e netti) su ciascuna transazione (anche frazionata ) Codice ISIN dei titoli transati Prezzo e quantità degli eseguiti Canale trasmissione ordini (banco, telefono, internet) Data e ora della transazione 29

31 Home bias locale? TOTAL 1 Stmicr Telecom Italia Arena Fiat Unicredit Fiat 2 TIM ord. Intesa San Paolo Tenaris SA Enel Enel Enel 3 Tiscali Stmicr Fiat Alitalia Fiat Telecom Italia 4 Telecom Italia Enel Enel Unicredit Telecom Italia Stmicr 5 Seat Unicredit Capitalia Telecom Italia Eni ord. Unicredit 6 Fastweb Trevi Stmicr Intesa San Paolo Tiscali Intesa San Paolo 7 Alitalia Fastweb Intesa San Paolo Eni ord. Intesa San Paolo Tiscali 8 Finmeccanica Tel.Italia rnc Alitalia Generali Finmeccanica Raggr. Seat 9 Banca Fideuram Telecom Italia Media ord. Unicredit Banca Italease Seat Tenaris SA 10 Enel Seat Telecom Italia Fiat risp. Trevi Trevi Local home bias (Huberman, 2001): individui tendono a investire ammontare rilevanti nelleaziendechesonoloropiù familiario per prossimitàgeografica, o perchè lavorano per quell azienda. Cause: familiarità, rappresentatività, illusione del controllo Trevi? Azienda ubicata vicino alla banca e molto conosciuta. Arena? Stabilimentonellostessocomunedellabancae sedemolto visibile.tuttavia, dopoun controllo, è risultatochenel 2006 i fornitori localidi Arena venivano pagati anche in azioni; questo potrebbe in larga parte spiegare perchè in quell anno sia il titolo più scambiato. 30

32 Canaledi trasmissionedegliordini (sportello, telefono, internet) Le commissioni per le transazioni svolte allo sportello e al telefono vengono contrattate tra banca e cliente. Per le transazioni vi internet, invece, le commissioni non sono contrattabili. Canale trasm. ordini Sportello Internet Telefono Totale

33 Tipi di transazioniduranteilgiorno 32

34 Transazioniper anno e per mese 33

35 Altrequestioni Caratteristiche della banca e dei clienti. Rappresentatività della banca e dei clienti. Confronto con altre banche. Differenze tra banche cooperative e non? 34

36 Ricerchefuture (1): test addizionali Completare il modello con informazioni su: Eventi che attirano l attenzione (Barber e Odean, 2007) Portafoglio titoli complessivo posseduto (obbligazioni ecc ) Diversificazione di portafoglio (Polkovnichenko, 2005) Ricchezza complessiva Tentativo di questionario bloccato per problemi di privacy Testare: Effetto di disposizione (Shefrin and Statman, 1985; Odean, 1998) Avversione alla perdita Performance Il condizionamento da parte di amici, familiari ecc (peers effects) potrebbe rivelarsi importante in una banca di piccole dimensioni. Gambling (Kumar, 2009) 35

37 Ricerchefuture (2): altrimodelli Modelli differenziati per: Acquisti vs. vendite (diversi set azionari di scelta: Barber e Odean, 2007) Sportello, telefono o internet Chi effettua transazioni vs. chi non opera in Borsa (sembra siano due categorie qualitativamente differenti) Modelli hurdle: Modello di conteggio right-censored: per modellizzare la probabilità che i titoli vengano inclusi nei portafogli dei clienti condizionalmente alle caratteristiche dei titoli stessi Modello di conteggio left-censored: per modellizzare il numero di volte che un titolo viene contrattato Modelli che tengano conto dell effetto titoli locali che potrebbe avere: Maggiore probabilità di essere inclusi nei portafogli dei clienti di banche locali Minore probabilità, una volta inseriti in portafoglio, di essere venduti 36

38 Ricerche future (3): obbligazioni e mutui Includere obbligazioni detenute in portafoglio La maggioranza dei clienti della banca investe in obbligazioni Carenza di studi behavioral sulle obbligazioni In questo caso, tuttavia, la banca svolge attività di consulenza cambiare framework della ricerca. Includere scelte riguardanti i mutui Problemi comportamentali relativi all avversione alla perdita, alle emozioni (invidia ) per spiegare scelte apparentemente irrazionali. 37

39 Ricerche future (4): altri database Altre Banche di Credito Cooperativo (BCC): Azionario Obbligazionario Derivati? Universiadi del trading Dati Questionari Peculiarità: Peers effects (dinamiche di gruppo) Assicurazioni contro le perdite 38

40 Grazie per l attenzione! enrico.cervellati@unibo.it 39