CC BY-NC-ND
77
ВЛИЯНИЕ ВЫПУСКА КОНЕЧНОГО ПРОДУКТА НА ЦЕНУ АКЦИИ КОМПАНИИ ПРОИЗВОДИТЕЛЯ
_А.В. Соломатин1, Я.В. Соломатин2_
^ ^ В данной работе изучается, как выпуск конечного продукта на рынок (релиз компьютерной игры) °может повлиять на цену акции ее разработчика/издателя. Были получены данные по 69 компьютерным играм, выпущенные в период 2004-2013 гг., а также финансовая информация о 9 публичных ^ ^компаниях, которые разработали/издали данные игры. После чего данные были обработаны с по-^^ хмощью двух различных методологий. В обоих случаях было выяснено, что релиз компьютерной ££ |игры имеет положительный, но кратковременный (до 48 часов) эффект на цену акции компании-^ производителя. Так же было выяснено, что больший эффект достигается если качество выпущен-хной игры превзошло ожидания игроков.
н Ключевые слова: Цена, акция, доходность, рынок ценных бумаг, продукт, капитализация.
CL
° JEL: G11
CL
О
* Введение
и и
^Выпуск конечного продукта на рынок (в нашем случае релиз компьютерной игры) является важным °событием как для ее разработчика, так и для издателя. Некоторые игры разрабатываются в течение „-^многих лет (например, Half-Life 2, Duke Nukem Forever и т.д.), иногда определяя дальнейший успех ^тфирмы. Согласно Baker (2011), инвесторы принимают во внимание информацию о выпуске игры ^Q 4ри торговле акциями фирм-разработчиков видеоигр. Однако, несмотря на это, не было найдено ни 0Q 2одного академического исследования по этой теме. Это серьезный пробел, который будет отчасти
иустранен в данной работе.
^
^Результаты данного исследования представляют интерес для трех типов агентов: (1) инвесторов, m которые смогут улучшить прогноз цен акций и получить дополнительную прибыль; (2) владельцев/ топ-менеджеров фирм по разработке/изданию компьютерных игр - они выяснят, как ожидания по-I требителей могут повлиять на капитализацию их компании; (3) потребителей/игроков - если они U узнают, что их мнение оказывает значимое влияние на фирму, то они будут мотивированы чаще давать обратную связь разработчикам.
<
со
В первую очередь будет подробно рассмотрен тип исследования. После этого описаны полученные данные и методология составления финальной выборки. Затем будут рассмотрены и применены Г^ два подхода к оценке влияния рассматриваемого события на цену акции, а также полученные с по-I , | мощью данных подходов результаты и рекомендации для инвесторов. В завершение рассмотрены недостатки исследования и сделаны выводы.
^ Общий тип исследования
— В данной работе применяется количественный (корреляционный) тип исследования. Он подходит
^ наилучшим образом для данной темы по нескольким причинам. .. Ш
^ |— Во-первых, основной целью данной работы является тестирование причинно-следственных связей, и ни один другой тип исследования не может дать нам столь точные инструменты для выполнения этой задачи. Во-вторых, используя данный тип исследования, будет легче найти подходящую методологию для тестирования влияния релиза игры, так как большинство статей по событийному
CQ
О ос □ О
п С^
С^ анализу3 применяют именно корреляционный тип исследования. В-третьих, исследованию необхо-
^ димо обладать высокой внешней валидностью (так как предполагается, что работа может быть использования инвесторами для прогнозирования цен акций разработчиков/издателей компьютерных
О
1. Негосударственное образовательное учреждение «Московская международная высшая школа бизнеса «МИРБИС» канд. экон. наук, проректор по научной работе.
2. Закрытое акционерное общество Коммерческий банк «Ситибанк», Аналитик отдела развития продукта депозитарного управления, DCC Analyst.
3. Общее название исследований, которые изучают влияние какого-либо события на определенный параметр, в основном на цену акции.
игры) - корреляционный тип исследования обладает подобным преимуществом благодаря большому количеству исследуемых наблюдений.
Данные и выборка
5 о Данное исследование полностью основано на вторичных данных. Вся финансовая информация
^^^ (N
_,цена акций, биржевые индексы, бухгалтерские коэффициенты и т.д.) была получена из Bloomberg; иинформация о дате релиза игр была взята с официальных сайтов разработчиков/издателей. Данные ^^ со качестве игр были взяты с сайта Metacritic (качество оценивается по 100-балльной системе).
©В первую очередь была использована база данных информационного агенства Bloomberg для того, ^чтобы найти все публичные компании, разрабатывающие/выпускающие компьютерные игры. Зачтем на этот список фирм были наложены три ограничения:
н • Компания должна разработать/выпустить, по крайней мере, одну компьютерную игру в промежутке с 2004 по 2013 г.
IZ
^ • Акции компании должны торговаться по крайней мере в течение 500 дней во время описанного выше временного промежутка.
и и
-Û
LT, • Основной доход компании должен быть получен благодаря разработке/выпуску видеоигр.
°Первое ограничение было сделано для того, чтобы избежать включения в выборку очень старых -,гр, которые были выпущены, когда рынок значительно отличался от сегодняшнего. Второе - для ^ого, чтобы увеличить статистическую мощность тестов - если включить в выборку фирмы с чрезвычайно неликвидными акциями, то очень вероятно, что взаимосвязь между ценой акции и рели-Г^ 2зом игры выявлена не будет, даже если она существует. Последнее ограничение было наложено по итой же причине: логично предположить, что для таких гигантов, как Microsoft или Sony (они так же Е разрабатывают и выпускают компьютерные игры), релиз игры не окажет значительного влияния на
—I—
m цену их акций, так как для данных фирм это событие не является значимым, в то время как, например, для Activision Blizzard релиз каждой игры чрезвычайно важен. Последнее ограничение просто — -р разделяет эти два типа фирм.
0 Ч
После наложения ограничений в выборку попали только 18 фирм. Однако так как процесс обра-~Г ^ ботки финансовых данных чрезвычайно трудоемкий, было принято решение случайным образом ^ 1_у выбрать 9 фирм. Список фирм, акции которых были рассмотрены в данном исследовании, пред-
1 СО ставлен в таблице 1. ^ Ш
тт" Следующим шагом является выбор игр, которые были разработаны/изданы вышеописанными ком-
1_у паниями. Здесь так же накладываются три ограничения:
• Информация о дате релиза игры и ее качестве должна быть доступна
^ • Игра должна быть как минимум второй для рассматриваемой фирмы
СП ^— • За 60 дней до и 10 дней после релиза игры рассматриваемая фирма не должна производить
^ LL релиз какой-либо другой игры.
Ш Первое ограничение накладывается для того, чтобы гарантировать наличие всей необходимой ин-П формации. Второе ограничение - для того, чтобы оценка ожидаемого качества игры была возмож-Q ной1. Третье ограничение было введено исключительно из-за особенностей используемой мето-" О дологии - для качественной оценки влияния события на цену акции необходимо гарантировать, П ^ чтобы в этот промежуток времени не происходили иные подобные события [MacKinlay, 1997].
ОСС
q После всех ограничений в конечной выборке осталось 69 компьютерных игр (релизов). Полный список рассматриваемых игр представлен в Таблице 2. Можно удостовериться, что полученная I | выборка репрезентативна - в ней представлены игры разных жанров, из разных стран, с разным Q качеством и датой выхода. Это обеспечит высокую внешнюю валидность результатов работы.
1. По методу адаптивных ожиданий, который будет применен в данном исследовании,, ожидаемое качество игры зависит от реального и ожидаемого качества предыдущих игр фирмы. Если рассматриваемая игра - первая для фирмы, то оценка ожиданий не представляется возможной.
Подход 1
< CQ
о
CI
и и
Методология
5 данном подходе будет использована методология, напоминающая обычный регрессионный ана-олиз, и которая была широко рассмотрена в статье Биндер [Binder, 1998]. Для каждой игры поведение цены акции изучается в день релиза и в 21-й день после него (что примерно равно одному календарному месяцу). Столь большой промежуток времени был выбран для того, чтобы изучить, как <долго в среднем после релиза игры наблюдается чрезмерная доходность вследствие неэффективности рынка (если бы рынок был эффективен, цена акции изменилась бы мгновенно после релиза). ©
ш Зависимой переменной в регрессии для каждого дня является кумулятивный доход акции в этот хдень1. Она может быть представлена формулой:
i P - P
t=0 р-1
рде CR - кумулятивная доходность в i-й день после релиза игры c;
о 1
(1)
Pt - цена закрытия в t-й день после релиза игры.
-Q
СО
О
кумулятивная доходность для 22 дней (включая день релиза) может быть представлена в виде матрицы:
т
и >
с
с
< е
ш
Z
ей
игра 1 игра 2 . . игра n . . игра 69
день день 0 _ 1 CR1 CR1 CR2 . CR2 . . CR0" . . CR? . . CR069 . CR169
день i CR CR2 . . CRn . . CR69
день 21 CRh CR 21 . . CR П . . CR69
(2)
Г^ Где игра_п - компьютерная игра под номером п,
^ день_г - г-й день после релиза игры
Для того чтобы спрогнозировать кумулятивную доходность для каждого дня, требуется принять во внимание не только информацию о реальном/ожидаемом качестве игры, но и проконтролировать | | | иные переменные, которые могли бы повлиять на доходность акции. Поэтому для каждого дня выводится своя собственная регрессия.
^ Модель кумулятивной доходности для каждого дня имеет следующий вид:
CR =a + ^(ßX ) + £>
t=i
(3)
где X - объясняющая переменная t (обсуждается далее),
^ ^ 8г - ошибка для 1-й регрессии
I— ф Данный подход имеет определенные ограничения, которые будут подробно рассмотрены в разделе П С^ «Недостатки».
сс
О и
и_
О
Оценка объясняющих переменных. Реальное и ожидаемое качество игры
Для событийного анализа классификация событий является частой практикой. Например, Болл и Браун [Ball and Brown, 1968] разделили объявления о доходах фирм на «хорошие» и «плохие» в зависимости от доходов в прошлом периоде. Поэтому в данном исследовании также необходимо разработать метод дискриминации изучаемых событий (которые в данном случае являются релизами игр).
1. Цена акции сама по себе не может являться зависимой переменной вследствие автокорреляции, нарушающей условия Гаусса-Маркова.
Cù
Для этого необходимо определить: (1) каково истинное качество выпущенной игры; (2) каковы были ожидания о качестве выпущенной игры. Сравнивая эти два параметра, можно определить, какую информацию (негативную/нейтральную/позитивную) несет в себе релиз игры. К сожалению, универсального способа оценки этих параметров не существует - он должен быть создан.
LЛ
о Самым очевидным способом оценки качества игры является использование оценок с обзоров компьютерных игр. Данный метод кажется весьма надежным - в соответствии с Бейкер [Baker, 2011] ¡3 обзоры игр в значительной степени определяют поведение потребителей и могут спрогнозировать ¡^коммерческий успех игры. Кроме того, в исследовании Делоит [Deloitte, 2007] указывается, что
^обзор того или иного продукта повлиял на решение о покупке 82% респондентов.
©
ш В данном исследовании будет использована средняя экспертная оценка с сайта Metacritic. Этот ис-хточник был выбран по нескольким причинам. Во-первых, он широко используется как учеными s[Plucker et al., 2009; Situmeang et al. 2014], так и инвесторами [Baker, 2011]. Во-вторых, в нем содер-<жатся оценки о большинстве компьютерных игр, соответственно вероятность пропустить непопулярную игру будет в рамках статистической погрешности, что увеличивает внешнюю валидность ^исследования. В-третьих, сайт предоставляет относительно объективную оценку качества игры ^благодаря агрегированию оценок множества экспертов, что увеличивает внутреннюю валидность
U
U 1Лработы.
°Так как не было обнаружено ни одного источника данных, который бы предоставлял информацию ожиданиях качества компьютерных игр, в исследовании делается предположение, что они (ожидания) следуют модели адаптивных ожиданий:
.Û .
££ üe(qn) = E(Qh)+äx(q- -E(Qh)) Vi * 1, Ä e [0;l] (4)
и >
_û
где Q" - реальное качество i-й по счету игры в фирме n, E Qn ) - ожидаемое качество i-й по счету игры в фирме n,
Я - коэффициент дисконтирования, который определяет, насколько сильно влияет разница между ^ реальным и ожидаемым качеством предыдущих игр на ожидаемое качество данной игры. Здесь tt предполагается, что Я =0.5
Ш Использование данной модели гарантирует постепенную и сбалансированную адаптацию ожида-Ш ний - если качество предыдущей игры в фирме оказалось слишком высоким/низким относительно ^ ожиданий, то это не будет иметь ощутимых последствий на ожидания о качестве рассматриваемой ф игры. Однако если реальное качество многих игр в прошлом оказалось выше/ниже ожиданий, ожи-I | | Qj дания о качестве новой игры будут значительно изменены.
П Модель адаптивных ожиданий также достаточно интересна, так как она отображает некоторые пси-~Г ^ хологические аспекты поведения потребителей. Например, в Эрдем [Erdem, 1998] и Ситуминг и ^ f^ соавторы [Situmeang et al., 2013] утверждается, что потребители связывают свойства (в том числе ^ L^ и качество) предыдущих товаров, выпускаемых определенной фирмой, со свойствами нынешних. Андерсон [Anderson, 1973] и Оливер [Oliver, 2009] также утверждают, что успех предыдущих товаров увеличивает ожидаемое качество будущих товаров этой же фирмы. Все эти эмпирические результаты принимаются моделью адаптивных ожиданий во внимание.
Р
0&. □ О
CL
П Выбор контрольных переменных
О л Существует внушительный объем академической литературы, предлагающей различные параметры, которые могут быть использованы для предсказания дневной доходности акции. Например, Шолтенс и Ванг [Scholtens and Wang, 2008] определили, что доходность акции положительно корре-
О
лирована с доходностью рынка, ценой на нефть, но негативно с отношением балансовой стоимости фирмы к ее рыночной стоимости. Лаконишок [Lakonishok et al., 1994] утверждают, что информация о доходах, дивидендах и балансовой стоимости фирмы в прошлых периодах может быть успешно использована для прогнозирования доходности акции. Однако некоторые ученые поддерживают гипотезу об эффективном рынке и утверждают, что цену акции невозможно предсказать [Kim and
Shamsuddin, 2008; Fama and French, 1993]. Поэтому выбор контрольных переменных является весьма спорным, так как какой бы набор параметров нЬ был бы выбран, он все равно может быть подвергнут критике. Кроме того, некоторые важные параметры могут быть не включены в модель из-за незнания, что приведет к ошибке невключенной переменной. Тем не менее в данной работе были ^^ ^рассмотрены наиболее доступные и важные параметры (полный список представлен в табл. 3).
^^ ^Стоит заметить, что для всех финансовых параметров (коэффициент «Цена/прибыль», капитализация фирмы и т.д.) применялось не абсолютное значение, а его ежегодное изменение в процентах. <Это было сделано потому, что по Коллиер [Collier, 2012] бухгалтерские коэффициенты и иная финансовая информация должна всегда с чем-то сравниваться: с ожидаемым значением, со значением ®этого параметра у конкурирующей компании или со значением из прошлых периодов. Соответственно в работе был выбран последний вариант из-за его доступности.
со
< CÛ
О
ci
и и
ь Анализ данных
IX
°После определения переменных и выборки, было сформировано информационное множество для □ каждого дня. Множество имеет следующий вид:
©День X (см. табл. 1 для расшифровки сокращений)
Л
cû О
LO ^ зависимая переменная независимые переменные
CR1 indretX CntretX . . Expindex X Goodx Badx
CR2 с—ь indretX CntretX . . Expindex X Goodx Badx
OI CK и indretn CntretX . . Expindex x Good^ Badx
CR6 indret X9 CntretX9 . . Expindex x9 Goodx9 Bad x9
ы
<
< е
ш
Z
CÛ
ел ш сс
LU
U
<с
р
О ос □ О
CL
сс
о
и
LL
о
CL
о ^:
Прежде чем получить конечную модель необходимо решить проблему мультиколлинеарности. Для этого из модели поочередно удаляются параметры с VIF (фактор инфляции дисперсии) выше пяти. Конечная модель для каждого дня имеет следующий вид:
<R i = а + ^jindret. + ^fintre^. + e3prev_ret. + в4PEchange. + J35Pbkchange. + в6Capchange. + в7Equitychang i + в8EPSchange. + в9Quality. + Д, Expindexi + s (5)
В данной модели представляют интерес не только знак и значимость коэффициентов перед параметрами Quality. и Expindex., но так же в какой степени включение данных параметров (которые представляют информацию о выпускаемой игре) в модель увеличивает качество ее прогноза. для
этого были созданы два типа моделей - одни включают в себя информацию об игре ( Quality. и Expindex. ), другие нет, а затем сопоставлены их коэффициенты детерминации.
Результаты
Результаты регрессионного анализа представлены в Таблице 4 (см. Приложение).
Несмотря на тот факт, что малое количество коэффициентов оказались значимы, объясняющие возможности моделей оказались достаточно высокими - средний скорректированный коэффициент детерминации равен 46,1% с диапазоном от 31,9% до 55,4%.
Коэффициент перед параметром «качество игры» оказался статистически значимым только в день релиза, в то время как индекс «ожидаемого качества игры» - в 19-й день после релиза. Однако это не столь важно. Из гистограммы 1 можно видеть, что в день релиза и на следующий день включение информации об ожидаемом/реальном качестве игры значительно увеличивает качество предсказания кумулятивного дохода акции. Следовательно, можно сделать вывод, что принятие во внимание информации о релизе игры может быть полезно для прогнозирования цены акции ее разработчика/издателя в день самого релиза и на следующий день; для последующих дней польза от
подобной информации весьма незначительна. Стоит заметить, что только реальное качество игры, но не ожидаемое качество, оказалось статистически значимым. Это может происходить по двум причинам. Во-первых, возможно, на финансовом рынке почти никто не принимает во внимание ожидания игроков и поэтому разница между ожидаемым и реальным качеством (именно это и по-^^ оказывает индекс ожиданий) становится бесполезной. Во-вторых, вполне возможно, что на самом ^^ °деле ожидания важны, но в данной работе они не были смоделированы должным образом, что при-
Хзвело к их незначимости.
и
^^ I Рекомендации для инвесторов
СО
^Несмотря на тот факт, что в большинстве случаев параметры выпущенной игры оказались стати-зстически незначимы, инвесторам рекомендуется принимать во внимание информацию о выпуске тигр при спекуляции акциями разработчиков/издателей видеоигр в течение 48 часов после релиза. ^Если качество выпущенной игры оказалось высоким, то при прочих равных цена акции будет ра-ости. Если после релиза игры прошло более двух торговых дней, то информация о ней, скорее всего, ^^ с! будет бесполезна.
U °
и © Подход 2
оВ данном разделе будет представлен альтернативный подход к оценке влияния выпуска компьютерных игр на цены акций. Этот подход использует классический событийный анализ, который ^доказал свою надежность и валидность в таких работах, Маккинли и Биндер [MacKinlay, 1997;
~П "Binder, 1998].
_ ^ О,
m 2Основная идея подхода: (1) определить, как цена акции должна была изменяться во время релиза и игры, если бы его (релиза) не было (2) сравнить ожидаемое поведение цены акции с реальным (3) Есделать вывод, является ли эта разница статистически значимой.
—I— ^^ CQ
Классификация релизов игр
X Прежде всего необходимо определить, какие новости для финансового рынка несет в себе тот или ^ иной релиз игры: некоторые из них несут в себе позитивную информацию, другие - негативную, поэтому целесообразно анализировать различные типы событий отдельно. В данной работе тип новости определяется по тому, насколько качество игры соответствует ожидаемому качеству, и рас-СО считывается по формулам:
СС <
_о
СО
Г^ Релиз игры считается «хорошим», если
ш о, - е (а)
и ем, = ц' )^ > 0.1
е (а) (6)
^ «нормальным», если
ЕТ ЕМ = 0 - Е (^ ) е [-0.1;0.1]
Ш ' Ш) 1 ] (7)
^ ь
^ «плохим», если
Шг = а-Е(а)<-0.1
г т) (8)
сс
^ где FM- процент, на который реальное качество игры i оказалось выше/ниже ожидаемого качества
^ 0 - реальное качество игры i
ф Е(0,) - ожидаемое качество игры i
• После использования подобной классификации выясняется, что в выборке присутствует 16 плохих, 30 нормальных и 23 хороших релиза. В дальнейшем эти три группы событий будут анализироваться по отдельности для увеличения точности исследования.
со
Определения ожидаемого поведения цены акций
После дискриминации релизов на три группы появляется необходимость смоделировать, как цена акции должна была себя вести, если бы релиза игры не было. При этом интересно не только поведение в день самого релиза, но и несколько дней до и после него. Группа дней, в которых будет ^рассматриваться поведение цены акции, называется «событийное окно», где 0 - это день релиза. ™Событийное окно в данной работе включает в себя 21-й торговый день, то есть рассматриваются 10
здней до релиза игры и 10 дней после.
и
<После определения дней, для которых необходимо смоделировать «нормальное» поведение цены
хакции, возможен переход непосредственно к самому моделированию. Для этого создается регрес-
©
шсия, которая использует поведение цены акции из «оценочного окна» для прогноза цены в «со-збытийном окне» (см. рис. 1), оценочное окно в данном исследовании равно 50 торговым дням1 и ^зависимой переменной является дневная доходность акции, равная:
Р - Р ° Я = Р Р-1
о с сг
Р-1 , (9)
^^ °где Р — цена акции в день t
и ^Регрессия так же включает в себя два типа объясняющих переменных - фактор отраслевого риска £ (представлен дневным доходом отраслевого фондового индекса) и фактор риска страны, в которой расположена фирма (представлен дневным доходом фондового индекса страны и дневное процент-Ш (Бное изменение курса домашней валюты к доллару США2). В конечном итоге регрессия имеет сле-^^ ^дующий вид:
т | Я(Наге =а + в Я'пЛа*у + в2 ЯсГЫгу + {в Я?тпсу }+ е, (10)
ОтлзЪаге
уде Я - дневная доходность акции в день t (один из 50 дней оценочного окна); 0 Я - дневная доходность отраслевого фондового индекса в день ^ щаитгу - дневная доходность фондового индекса страны; гЯ ( ) ЯСиггепсу - дневное процентное изменение курса домашней валюты к доллару США;
~Т" ^ е - ошибка. <
СО
_о
При подсчете регрессии были предприняты попытки минимизировать количество незначимых параметров и в то же время максимизировать коэффициент детерминации ^-квадрат). Минимальное сг значение R-квадрата по всем 69 регрессиям - 0,11%, максимальное - 57,35%, среднее - 21,16%. I м То есть, факторы рисков, описанные выше, объясняют, в среднем, более 20% дисперсии дневной доходности акции. Однако при интерпретации результатов стоит быть осторожным, так как в не-^ которых случаях коэффициент детерминации не превышает и 1%, что означает, что для некоторых -[— ^ релизов не удалось достаточно качественно определить механизм изменения цены акции.
СО ^ Используя коэффициенты, представленные в предыдущем уравнении, рассчитывается ожидаемая ^ ^ дневная доходность в событийном окне для каждого из 21-го дня и для каждого релиза по формуле:
Н- ш
^ Е(Я ) = а + в Я"йш1гу + в2 Щ°иМгу + {в3 Щиггепсу } . (11)
О
I— ^ Тестирование отклонения от ожидаемого поведения цены акции
^ ^ Теперь необходимо посчитать, как реальное поведение акции отличалось от прогнозируемого (то О ^ есть посчитать чрезмерную доходность), и если эта разница будет статистически значима, то будет ^ сделан вывод, что она (разница) была вызвана релизом игры. Чрезмерная дневная доходность рассчитывается по формуле:
и
О АМ" = Я" - Е (Я" ), (12)
_* 1. Подразумевается, что акция около релиза игры должна себя вести примерно по тем же принципам и законам, что и
в предыдущие 50 дней. Иными словами, коэффициенты для каждого из параметров в оценочном окне должны быть равны коэффициентам в событийном окне для каждого релиза. 2. Для всех стран, кроме самих США.
где AR - чрезмерная дневная доходность (Abnormal Return) i-й день для игры п.
После этого требуется определить, значимо ли отличается средняя дневная чрезмерная доходность от нуля (если релиз игры никак не влияет на поведение акции, то, в среднем чрезмерная дневная ^доходность должна быть примерно равна нулю). Средняя чрезмерная дневная доходность рассчи-отывается по формуле для каждого из 21-го дня событийного окна:
.о
и
< AAR. = -, (13)
5 V 69
Z AR
"=1_
69
CO фде AARt = Средняя чрезмерная дневная доходность (Average Abnormal Return) : в i-й день.
-После того как AAR для каждого дня посчитан, значимость его отличия от нуля тестируется с по-
и и
<
^мощью t-критерия Стьюдента. Выдвигаемые гипотезы таковы:
о H 0 : AARt = О
о 0 t
* H : AARt * О
<Э 1 t
LH
О CN
Результаты
^Значения AAR и результаты тестов для всех игр и типов событий представлены в таблице 5.
го
^Можно заметить, что единственная значимая AAR была выявлена лишь для 3-го дня до плохого ££ ^релиза. Результат неубедителен - из 84 AAR лишь одно значимое, что могло произойти случайно. ^Поэтому можно сделать вывод, что не были найдены достаточные доказательства, чтобы утверж-
-О
дать, что в какой-либо из дней чрезмерная доходность больше/меньше нуля.
_о
и
шОднако AAR не единственный показатель, который позволяет понять поведение цены акции. Чрезмерные доходности, полученные в течение определенного промежутка времени, можно просумми-Т ровать и понять, какую общую чрезмерную доходность получит инвестор, владея активом в заданный временной промежуток. Эта мера называется кумулятивной чрезмерной доходностью (далее - CAR) и рассчитывается по формуле:
хй CARn=ZARn, (14)
q СС где CAR_" - кумулятивная чрезмерная доходность от владения актива n в интервале с -1 до +t1
Ш ar" - чрезмерная доходность от владения актива n в i-й день до/после релиза игры Ш '
^ Для того чтобы определить, является ли CAR значимо отличимой от нуля, необходимо использо-^ вать t-тест для среднего CAR для каждого периода (так же как было сделано для AR).
^ _ Было принято решение выбрать три интервала размерами 5-й, 11-й и 21-й торговый день (что при-S ^ мерно равно одной, двум и четырем календарным неделям соответственно). Значения CAAR и их ^ Ш статистическая значимость представлены в таблице 6. Для большей визуализации значения CAAR
^ для «всех», «хороших», «нормальных» и «плохих» релизов представлены на графиках 1, 2, 3 и 4
О ос Из таблицы можно сделать вывод, что, покупая акцию разработчика/издателя за два дня до рели-1=0 за любой игры (вне зависимости от ее реального и ожидаемого качества) и продавая ее через два ^ ^ дня после релиза, инвестор получит в среднем статистически значимую чрезмерную доходность, О л равную 1,83%. Однако, если инвестор будет вкладывать деньги более обдуманно и применять по-^ добную стратегию только при релизе «хороших» игр, его/ее доход увеличится более чем в два раза | | и станет 3,96%.
О Для релиза обычных и «плохих» игр не было выявлено статистически значимой чрезмерной до-• ходности. Также для временного интервала в 21-й день ни один CAAR не оказался значимым, что может указывать на то, что цена акции разработчика/издателя компьютерных игр приходит в равно-
1. Интервалы обычно выбираются симметричными, а день события t=0 находится ровно посередине
весие быстрее, чем за две недели после релиза.
Рекомендации для инвесторов
1ЛДанная методология кажется более «репрезентативной», чем предыдущая, поэтому инвесторам стопит уделить ее результатам особое внимание. Однако стоит понимать, что она также более сложная , не может принять во внимание такие финансовые показатели, как, например, годовое изменение ¿прибыли на акцию, так как значение этого показателя в 50-дневном временном интервале статично.
X
^Результаты данной методологии немного похожи на предыдущие. Инвесторам стоит приобретать ^акции за пару дней до релиза игры, а затем продавать их через два дня после него. Для инвестора ш так же будет выгодно заранее определять, будет ли игра «хорошей», и применять вышеописанную хстратегию только для таких игр, чтобы увеличить вдвое прибыль от каждой транзакции. Стоит заметить, что период, в течение которого можно получить чрезмерную прибыль, весьма ограничен -<для 21-дневного интервала даже средняя кумулятивная чрезмерная доходность для «хороших» игр ° не оказалась значимой, поэтому инвестору нужно реагировать на события быстро, чтобы получить ^^ о прибыль.
О *
и ® Недостатки и допущения
CÛ
тН
^Несмотря на желание сделать данную работу как можно более точной и валидной, она все же об--,адает несколькими недостатками, которые могут быть исправлены в следующих исследованиях. тБыли выявлены три основных недостатка: проблема выборки, оценка ожидаемого и реального ка-4ества игры и ошибка спецификации модели.
CÛ ^ в изначальную выборку было включено 18 фирм. Однако возможно, что некоторые малые фирмы ^^ >не были включены в нее из-за того, что они просто не были обнаружены при поиске. Поэтому мож-зно утверждать, что выборка была получена удобным для исследователя образом, а не случайным, что формально запрещает обобщать результаты данной работы. Кроме того, второе ограничение, наложенное на фирмы для включения их в выборку, вероятно, исключит из нее маленькие фирмы с П X неликвидными акциями, в то время как третье ограничение, наоборот, исключит крупнейшие фирмы. Первое же ограничение для игр исключит из выборки непопулярные игры (без обзоров). Все ~Г ^ эти ограничения уменьшают внешнюю валидность исследования.
^ Ш Оценка ожидаемого и реального качества игр также может быть подвержена критике. Во-первых, щ нет никаких доказательств, что средняя экспертная оценка показывает истинное качество игры. ^ Сан [Sun, 2012] утверждает, что мнения экспертов обычно сильно поляризованы, что делает вари-Uj ацию оценок экспертов выше вариации истинного качества игр. Ситуминг и соавторы [Situmeang Ш et al., 2014] подмечают, что эксперты достаточно консервативны и не привыкли ставить слишком 7 разные оценки для игр из одной серии - только очень большое отклонение от обычного качества Т ^ может заставить их изменить свое мнение, что, наоборот, уменьшает вариацию оценок. Во-вторых, ГЛ ^ нет никаких доказательств, что ожидания о качестве игры формируются именно по модели адап-^ I I тивных ожиданий с коэффициентом дисконтирования, равным 0,5. Имеющаяся модель ожиданий |— uj также не включает множество параметров, которые потенциально могут влиять на ожидания игро-^ |— ков. Поэтому данный подход к оценке ожидаемого и реального качества неточен, он уменьшает q ^ внутреннюю валидность и сокращает мощность тестов.
|— Q Последний важный недостаток заключается в выборе контрольных переменных. Вполне возможно, П ^ что в модель не были включены некоторые важные параметры. Например, Френч [French, 1980] и Q Лим с соавторами [Lim et al., 2010] доказали наличие эффекта сезонности в цене акции, а именно ^ О доходность акции в понедельник значительно ниже, чем в другие дни, поэтому было бы разумно добавить в основную регрессию фиктивную переменную «Понедельник» 1. Поэтому, возможно, ^ модель в нынешнем виде некорректно специфицирована, что уменьшает точность полученных ре-^ зультатов.
1 Существует несколько второстепенных недостатков. Во-первых, была проигнорирована разница
1. Это не было сделано из-за трудоемкости процесса. К тому же мнения о наличии так называемого «Эффекта понедельника» весьма разнятся в академической среде.
между разработчиками и издателями компьютерных игр (уменьшает точность исследования). Во-вторых, нельзя быть уверенным, что результаты, полученные в данной работе, будут применимы в будущем, учитывая инновационный характер индустрии видеоигр (уменьшает внешнюю валид-ность). в-третьих, в исследовании предполагается, что информация о качестве игры становится ^^ ^доступной только после релиза игры, что не является правдой, так как для многих игр выпускаются ° бета-версии, с помощью которых достаточно точно можно оценить качество конечного продукта
--(уменьшает репрезентативность теста).
Хи
I
^^ I Заключение
СО ф данной работе были найдены доказательства, что выпуск игры (особенно той, качество которой ^^ 15превысило ожидания) в среднем положительно влияет на цену акции. Данный эффект длится в штечение нескольких дней после релиза. Однако, принимая во внимание недостатки исследования, ^L убудет разумным перепроверить данный результат перед применением или, по крайней мере, ис-Ш о пользовать его для прогнозирования цены акции только известного разработчика/издателя, полу-^^ ^чающего доходы в основном от продаж видеоигр, после релиза только популярных игр.
U °
U Список используемой литературы
I г\
1. Collier, P. M., 2012. Accounting for managers: interpreting accounting information for decisionmaking. 4th edition, John Wiley &Sons Ltd
2. Oliver, R. L., 2009. Satisfaction: A behavioral perspective on the consumer. New York: McGraw-^ Hill.
_ ^ Ol
CD ^ 3. Anderson, R. E., 1973. Consumer dissatisfaction: The effect of disconfirmed expectancy on ^^ ^ perceived product performance. Journal of Marketing Research, 10(1), 38-44.
з 4. Ball, R., Brown, P., 1968. An Empirical Evaluation of Accounting Income Numbers. J. Acc. Res.,
LO
tH
о
CN ijD
m
m
Autumn 1968, 6(2), pp. 159-78.
___ 5. Binder, J. J., 1998. The Event Study Methodology Since 1969. Review of Quantitative Finance and
-Û Accounting, 11, pp. 111-137
-i-DC 6. Erdem, T., 1998. An empirical analysis of umbrella branding. Journal of Marketing Research,
^ < 35(August), 339-351.
X CO 7. Fama, E. F., French, K.R., 1992. The Cross-section of Expected Stock Returns. Journal of Finance, 47, pp. 427-465
Uj 8. Fama, E. F., French, K.R., 1993. Common risk factors the returns on stock and bonds. Journal of
i i i qj Financial Economics, 33, pp. 3-56.
_Q ^ 9. French, K.R., 1980. Stock returns and the weekend effect. Journal of Financial Economics vol. 8,
X ^ pp. 55-69
10. Kim, J. H., Shamsuddin, A., 2008. Are Asian stock markets efficient? Evidence from new multiple
¡^ variance ratio tests. Journal of Empirical Finance, 15 (2008), pp. 518-532 H LU
|— 11. King, B. F., 1966. Market and Industry Factors in Stock Price Behavior. Journal of Business, 39
^ < (supplement), pp. 139-190.
I— o 12. Lakonishok, J., Shleifer, A., Vishny, R. W., 1994. Contrarian Investment, Extrapolation, and Risk.
n n The Journal of Finance, vol. XLIX, (5), pp. 1541-1578
O ^ 13. Lim, S.Y., Mun Ho, C., Dollery, B., 2010. An empirical analysis of calendar anomalies in the
^ O Malaysian stock market. Applied Financial Economics, 20, pp. 255-264
14. Lo, A. W., MacKinlay, A. C., 1988. Stock Market Prices Do Not Follow Random Walks: Evidence O from a Simple Specification Test. The Review of Financial Studies, vol. 1, (1), pp. 41-66
15. Lo, A. W., MacKinlay, A. C., 1997. Maximizing predictability in the stock and bond markets. Macroeconomic Dynamics, 1, pp. 102-134.
16. MacKinlay, A. C., 1997. Event studies in economics and finance. Journal of Economic Literature
Vol. XXXV (March 1997), pp. 13-39
17. Plucker, J. A., Kaufman, J. C., Temple, J. S., Qian, M., 2009. Do experts and novices evaluate movies the same way? Psychology and Marketing, 26(5), 470-478.
18. Poterba, J. M., Summers, L. H., 1988. Mean Reversion in Stock Prices. Journal of Financial Economics, vol. 22, pp. 27-59
-O
и
I
19. Salehi, M., Khodadadi, V., Abdolkhani, H., 2011. Forecasting stock price using artificial neural networks: A multi-layer perception model - Iranian evidence. Scientific Research and Essays Vol. ^ £ 6(19), pp. 4029-4038
CO e 20. Scholes, M. S., 1972. The Market for Securities: Substitution Versus Price Pressure and the Effects ^^ 3 of Information Share Prices. Journal of Business 45, pp. 179-211.
21. Scholtens, B., Wang, L., 2008. Oil Risk in Oil Stocks. The Energy Journal; 2008; 29.
22. Situmeang, F. B. I., Leenders, M. A. A. M., Wijnberg, N. M., 2013. The good, the bad and the variable: How evaluations of past editions influence the success of sequels. European Journal of Marketing, 33(3)
u -
#1 o 23. Situmeang, F. B. I., Leenders, M. A. A.M, Wijnberg, N. M., 2014. History matters: The impact of reviews and sales of earlier versions of a product on consumer and expert reviews of new editions.
ci
CL
О С
European Management Journal 32 (2014), pp.73-83
-Û
CÙ
~ 24. Sun, M., 2012. How does variance of product ratings matter? Management Science, 58(4), pp. 696-707.
"sf ^
u >
c
3
CO
25. Activision Blizzard, Inc., официальный веб-сайт 2014. Доступен по ссылке: www. activisionblizzard.com
26. Baker, L. B., 2011. Shares of video game companies swing on reviews. Доступен по ссылке: http://www.reuters.com/article/2011/09/16/us-videogame-reviews idUSTRE78F52320110916
27. Bloomberg, 2014. Доступен в Bloomberg terminal, Cass Business School
П X 28. Capcom Co., Ltd., официальный веб-сайт, 2014. Доступен по ссылке: www.capcom.com ( ) ^^
w ^ 29. CD Projekt S.A. официальный веб-сайт, 2014. Доступен по ссылке: www.cdprojekt.com
^ Ш 30. Deloitte, 2007. Most consumers read and rely on online reviews; companies must adjust. Досту-T ^ пен по ссылке: www.marketingcharts.com/interactive/most-consumersread-and-rely-on-online-
Ш reviews -companies-must-adjust-2234/.
■ф 31. Funcom Productions A/S, официальный веб-сайт, 2014. Доступен по ссылке: www.funcom.
ш и
со
com/
32. Hearn, B., Piesse, J., Strange, R., 2010. Market Liquidity and Stock Size Premia in Emerging ^ Financial Markets: The Implications for Foreign Investment. Доступен по ссылке: http://ssrn.
7 com/abstract=1163777
33. Majesco Entertainment, официальный веб-сайт, 2014. Доступен по ссылке: www.majescoent.
I— Ш com/ I—
^ ^ 34. Metacritic, 2014, официальный веб-сайт, 2014. Доступен по ссылке: www.metacritic.com
О ос
35. NCSOFT, 2014, официальный веб-сайт, 2014. Доступен по ссылке: www.ncsoft.com
П П 36. Square Enix Holdings Co., Ltd., официальный веб-сайт, 2014. Доступен по ссылке: www.
q ОС hd.square-enix.com
37. Take-Two Interactive Software, Inc, официальный веб-сайт, 2014. Доступен по ссылке: www. take2games.com/
LL
О 38. THQ Inc., официальный веб-сайт, 2014. Доступен по ссылке: www.thq.com
Приложение
Таблица 1
Рассмотренные фирмы
Номер Название фирмы
1 Activision Blizzard, Inc.
2 Capcom Co., Ltd.
3 CD Projekt S.A.
4 Funcom Productions A/S
5 Majesco Entertainment
6 NCSOFT
7 Square Enix Holdings Co., Ltd.
8 Take-Two Interactive Software, Inc.
9 THQ Inc.
Таблица 2
Рассмотренные компьютерные игры
1 Age of Conan: Rise of the Godslayer 35 Tost Planet 3
2 Aion 36 lost Planet Extreme Condition Colonies Edition
3 Auto Assault 37 Tost Planet: Extreme Condition
4 RioShock 38 Major Teague Raseball 2K11
5 RioShock 2 39 Max Payne 3
6 RioShock Infinite 40 Monaco: What's Yours Ts Mine
7 Rloodravne 2 41 MX vs. ATV Unleashed
8 Rlur 42 NBA2K10
9 Call of Duty: Modern Warfare 2 43 Nexuiz
10 Call of Duty: Modern Warfare 3 44 Psychonauts
11 Citv of Heroes Going Rogue 45 Quantum Conundrum
12 City of Villains 46 Ratatouille
13 Company of Heroes: Opposing Fronts 47 Red Faction: Armageddon
14 Dark Void 48 Red Faction: Guerrilla
15 Darksiders 49 Resident Evil Revelations
16 Darksiders TT 50 Saints Row 2
17 Dead Rising 2: Off The Record 51 Supreme Commander
18 Diablo 3 52 Supreme Commander 2
19 Duke Nukem Forever 53 The Bureau: XCOM Declassified
20 Dungeon Siege TTT 54 The Darkness TT
21 Fnemv Territory: Quake Wars 55 The Fairly OddParents: Shadow Showdown
22 Final Fantasy XTV": A Realm Reborn 56 The last Remnant
23 Flock! 57 The Secret World
24 Guild Wars 58 The Witcher 2: Assassins of Kings
25 Guild Wars 2 59 The Witcher: Enhanced Edition
26 Guild Wars: pye of the North 60 Titan Quest
27 Guild Wars: Nightfall 61 Tomb Raider
28 Hyborian Adventures 62 Torino 2006
29 Jade Empire: Special Edition 63 Wakfu
30 Jaws: Unleashed 64 WAT.T.-E
31 Juiced 65 Warhammer 40,000: Dawn of War TT - Chaos Rising
32 Kane & T ynch 2: Dog Days 66 Warhammer 40 000: Dawn of War: Soulstorm
33 Kurig Fu Panda 67 Warhammer 40,000: Dawn of War: Winter Assault
34 lost Planet 2 68 Warhammer 40 000: Space Marine
69 X-Men Origins: Wolverine
< Cû
О
ci
и и
LH
тН
о
CN
15
из
X
<
X
Таблица 3
Полный список рассмотренных параметров с ссылками на литературу
-Û
CÙ
О
45
m
ы
H
X со ш
и
ш и _û ^
Сокращение для названия параметра Название параметра Примеры работ, где рассматривался данный параметр
ret_cum Кумулятивный дневной доход акции (Зависимая переменная)
mdret Дневной доход отраслевого фондового индекса1 King (1966)2
Cntret Дневной доход фондового индекса страны3 Fama, Fisher at.al. (1969), Scholes (1972), Scholiens & Wang(2008)
prev ret Кумулятивный доход акции в предыдущем календарном месяце Lo & McKinlay (1988, 1997), Poterba & Summers (1988)
PEchange Ежегодное изменение коэффициента "цена/прибыль на акцию" Salehi et. al (2011)
Pbkchange Ежегодное изменение P/B коэффициента фирмы Fama & French (1992, 1993), Scholtens & Wang (2008)
Capchange Ежегодное изменение капитализации фирмы Fama & French (1992, 1993), Hearn, Piesse, Strange (2010)
Equitychange Ежегодное изменение собственного капитала фирмы Salehi et. al (2011)
EPSchange Ежегодное изменение коэффициента "прибыль на акцию" Salehi et. al (2011)
Quality Реальное качество игры
Expect Ожидаемое качество игры
Exp_met Процент оправданности ожиданий (Quality/ Expect - 1)
Expindex Индекс оправданности ожиданий (QuaIity-Expect)/(QuaI-ity+ Expect)
Good Фиктивная переменная. =1 если Exp_met>0.1
Bad Фиктивная переменная. =1 если Exp_met<-0.1
cû
О ос хО а. ^
0О
LL
О
1. В качестве показателя ситуации в индустрии был использован индекс S&P Global 1200 Information Technologies
2. Автор не изучал важность биржевого индекса, но доказал, что остатки, которые дает рыночная модель, коррелиро-ваны для фирм из одной индустрии. Это позволяет предполагать, что включение данного параметра может быть полезным.
3. Для оценки ситуации на финансовом рынке страны происхождения рассматриваемой фирмы были использованы следующие биржевые индексы: США - S&P 500, Япония - Nikkei-225, Польша - WIG20, Норвегия - OSEBX, Южная Корея - KOSPI..
Таблица 4
Результаты регрессии
День Константа indret cntret prev ret PEchange Pbkchange capchange equitychange ePschange Quality expindex R-квадрат с информацией о релизе1 R-квадрат без информации о релизе2 Процентное изменение R-квадрата из-за информации о релизе3
0 -0,064 0,317 0,32.7 -0,041 0,002 -0,010 -0,002 -0,002 0,002* 0,001* -0,015 0,319 0,217 47,42.7
1 -0,020 -0,828 2,255** 0,029 0,001 -0,026* -0,001 -0,001 0,002 0,000 0,115 0,362 0,281 28,864
2 -0,038 -0,214 1,354* 0,005 0,008 -0,043** -0,002 0,000 0,003* 0,001 0,036 0,351 0,325 7,989
3 -0,057 0,161 0,762 0,006 0,015 -0,067** -0,003 -0,001 0,004* 0,001 0,025 0,377 0,357 5,431
4 -0 052 0019 0 674 -0 017 0 015 -0,070** -0 007 -0 002 0,006** 0 001 0 053 0 378 0 355 6 536
5 -0 040 0 150 0 384 -0 098 0 015 -0,068** -0 010 0 000 0,005** 0 001 0 045 0419 0 399 4 825
6 -0,089 0,882 0,052 -0,030 0,015 -0,081** -0,008 -0,003 0,005* 0,001 -0,018 0,461 0,441 4,475
7 -0,053 0,836 0,186 0,048 0,017 -0,123** -0,009 -0,005 0,005* 0,001 0,041 0,554 0,542 2,286
8 -0,104 0,682 0,286 0,026 0,014 -0,114** -0,012 -0,003 0,005* 0,001 0,013 0,513 0,490 4,715
9 -0,132 0,623 0,376 -0,030 0,009 -0,109** -0,011 -0,002 0,005* 0,002 -0,035 0,515 0,492 4,749
10 -0,107 0,685 0,214 -0,005 0,011 -0,119** -0,012 0,000 0,005 0,001 0,000 0,490 0,475 3,033
11 -0 129 0 790 0 055 0 028 0 009 -0,114** -0 015 0 000 0 005 0 002 0011 0 454 0 429 5 889
< m ©
О
U
и
-Q
СО
О
45
"sf Ol
z
и >
iz 15
CO
ы
н
X CO ш
и
Ш cj _Q ^ X< CO ^
P
О cc cO
CL CL
Oo
От
. Коэффициент детерминации ^-квадрат), когда в модель включены параметры ожидаемого и реального качества игры.
2. Коэффициент детерминации ^-квадрат), когда в модель не включены параметры ожидаемого и реального качества игры.
3. Насколько первый коэффициент детерминации больше второго (в %).
КОРПОРАТИВНЫЕ ФИНАНСЫ J. OF CORPORATE FINANCE RESEARCH
НОВЫЕ ИССЛЕДОВАНИЯ
и » » и,
S ta re ft re S
-t.
os
-ü.
о
о 30 On л s VJ
з 3 3 3 3 3 1 3 1 3 1 3
—' —' 3 3 3 3 3 3 3
о On 30 ■D Jl 3 30 30
о 3 о VJ VJ
- - 3 3 3 3 3 3 3
N> о 3 30 л
30 Jl о VJ
* * 3 On On On On 3
1 з 1 3 3 3 3 3 3 3 3 3
—> 3 —> On VJ
30 VJ VJ On о O-N 30 —'
fc. о >J л
1 з 1 3 3 1 3 1 3 1 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3
о VJ On 3 30
о 30 fc. VJ 3-N
з 3 3 3 3 3 3 3 3 3
з 3 3 3 3 3 3 3 3 3
о 3 3 3 3 3 3 3
л 3 30 VJ •o 30
1 p 1 p 1 p 1 p 1 з 1 p 1 p 1 3 1 3 1 3
^ ^ 3 3 ^ ^ ^ ^
s> з о ж JJ 3\ N> N>
о ж з U> 3\ ж 3N -J л
* X * * * X * * * *
* * * * * * * * * *
1 з 1 з 1 з ь ь 1 3 1 3 1 3 1 3 1 3
ь s s s ь 3 3 3
s> Ы Ы N>
з о s t- * s> о о _,
* * * * * * * *
з 3 3 3 3 3 1 3 1 3 1 3 1 3
з 3 3 3 3 3 3 3 3 3
о 3 3 3 3 3 3 3 3 3
о VJ VJ 3 о
p 3 p 3 3 3 3 3 3 3 3
о s 3 3 3 3 3 3 3 3
о s 3 3 3 3 3 3 3 3
* * * On Jl Jl Jl
1 з 1 3 1 3 1 3 1 3 1 3 1 3 3 3 3
з 3 3 3 3 3 3 3 3 3
о 3 3 3 3 3 3 3 3 3
о 3
з 3 p 3 3 3 3 3 3 3
M* VJ о 3
о 30 Jl 3
On fc. * 3 о 30
о з 3 3 3 3 3 3 3 3 3
1>J л fc. fc. л л л fc. fc.
30 о VJ о 30
VO VJ 3 •о 3
о з 3 3 3 3 3 3 3 3 3
to fc. л ijl fc.
■D •О >J
з о о 3 о 3 VJ о
о -0 VJ
to л VJ 3 о о
00 Ji. On On 30 VJ
os 30 On 3 30
<
со О
С1
и и
.0
со
О
ЬЛ
н
0
2
и
1
<
I
ш о
Ы
н
X со ш
и
ш и _о ^ х< 00 2
р
О ос хО
°П
О
Гистограмма 1
Значения средних чрезмерных дневных доходностей и их статистическая значимость
Таблица 5
Средняя чрезмерная д оходность (ААЯ)
Лень Обшее Хороший Нормальный Плохой
10 -0 60% -0 55% -0 62% -0 63%
9 -0 45% -0 50% -0 15% -0 96%
8 -0 28% -0 44% -0 15% -0 31%
7 -0 01% 0 20% -0 54% 0 66%
6 -0 12% 0 30% -0 51% -0 01%
5 0 42% 1 00% -0 11% 0 60%
4 0 10% 0 54% -0 37% 0 38%
3 -0 44% 0 23% -0 97% -0 39%
2 0 12% 0 24% -0 38% 0 88%
1 0 36% 0 80% 0 37% -0 30%
0 0,20% 0,82% 0,15% -0,59%
-1 0 68% 0 88% 1 08% -0 36%
-2 0 47% 1 22% 0 30% -0 29%
-3 0 15% 0 70% 0 28% -0.88%*
-4 -0 14% -0 32% -0 10% 0 04%
-5 0 42% 0 79% -0 03% 0 74%
-6 0 63% 0 25% 0 87% 0 74%
-7 -0 12% -0 40% -0 67% 1 31%
-8 -0 31% -0 16% -0 02% -1 04%
-9 0 32% 0 07% -0 10% 1 45%
-10 0 20% -0 14% 0 38% 0 36%
■ значим на 5%-ном уровне, - значим на 1%-ном уровне
Таблица 6
Средняя кумулятивная чрезмерная доходность и ее статистическая значимость
Средняя кум тулятивная ч] резмерная дп ходность (ГАА1 К)
Размер интервала Обшее Хороший Нормальный Плохой
21 1 59% 5 52% -1 29% 1 37%
11 2 35% 6 90%** 0 22% -0 19%
5 1 83%* 3 96%* 1 53% -0 67%
* значим на 5%-ном уровне, ** - значим на 1%-ном уровне
< СО
О
С1
и и
-й
со
О
ш н
0
2
и
1
<
I
т н
0 ^
т
01
^
и >
С
2 со
X сл ш
ш и _о ^ х< со ^
О ос 1=0
°П
График 1. Средняя кумулятивная чрезмерная доходность для всех релизов
СААН (Хорошая)
График 2. Средняя кумулятивная чрезмерная доходность для хороших релизов
О
График 3. Средняя кумулятивная чрезмерная доходность для нормальных релизов
КОРПОРАТИВНЫЕ ФИНАНСЫ J. OF CORPORATE FINANCE RESEARCH
НОВЫЕ ИССЛЕДОВАНИЯ
ВЫПУСК №4 (36), 2015 © КОРПОРАТИВНЫЕ ФИНАНСЫ, 2015
< Cù
THE IMPACT OF THE FINAL PRODUCT TO THE SHARE
PRICE OF THE MANUFACTURER
Alexander Solomatin,
Non-state educational institution «Moscow international higher business school
«MIRBIS» (Institute), Pro-rector on academic research
Jaroslav Solomatin,
<_Closed joint stock company Commercial Bank «Citibank», DCC Analyst
x s
Abstract
^In this work, we study how the release of the product to the market (release of computer game in this case) ^ fEmay affect the share price of its developer/publisher.
^ oFinancial data were obtained for 9 public companies - computer games' developers/publishers, which ^ satisfied three predetermined criteria. Then all games developed/published by the firms were examined and
* Q
games published during period from 2004 to 2013 were selected in accordance with three other criteria. ©After that the data were processed by two methodologies. First methodology is just a set of ordinary linear ^regressions, in which cumulative daily return of developers'/publishers' shares is a dependent variable and °financial performance of the corresponding firm, industry and country; as well as real and expected quality ^of published game; are independent variables. Second methodology is one of the types of event study 3nethods, in which abnormal return and cumulative abnormal return of the developers'/publishers' shares 4re dependent variables. In both cases for estimation of real quality of the game average expert score from CQ ^Metacritic website was used, whereas expected quality was modeled using adaptive expectations method, ^^ ^which took into account real quality of previous games of corresponding developer/publisher.
^ isResults of the first method claim, that information about game release and its quality improves quality of the share price's forecast on more than 25-45%, but only for two days after the release. Results of the second method state, that release of any game causes a short-term abnormal increase in share price _Q X on 1,83%, and release of a "good game" causes 3,96% increase. The results can be used by investors to O receive additional return and by producers' management bodies to understand better the factors, which X affect the value of their companies. They also allow to conclude that release of the product (computer ^ LU game) has a positive short-term impact on share price of the producer, especially if the quality of the X C^ product turned out to be higher than expected.
q CC Keywords: Price, stock, profitability, securities market, product, capitalization
LU CJ
JEL: G11
References
_<
CQ^ 1. Collier, P. M., 2012. Accounting for managers: interpreting accounting information for decision-^ L^ making. 4th edition, John Wiley &Sons Ltd
LU 2. Oliver, R. L., 2009. Satisfaction: A behavioral perspective on the consumer. New York: McGraw-
S !< Hm.
O or 3. Anderson, R. E., 1973. Consumer dissatisfaction: The effect of disconfirmed expectancy on 1=0 perceived product performance. Journal of Marketing Research, 10(1), 38-44.
f>. ^ 4. Ball, R., Brown, P., 1968. An Empirical Evaluation of Accounting Income Numbers. J. Acc. Res., 2 O Autumn 1968, 6(2), pp. 159-78.
u
Ll_
O
5. Binder, J. J., 1998. The Event Study Methodology Since 1969. Review of Quantitative Finance and Accounting, 11, pp. 111-137
6. Erdem, T., 1998. An empirical analysis of umbrella branding. Journal of Marketing Research, 35(August), 339-351.
7. Fama, E. F., French, K.R., 1992. The Cross-section of Expected Stock Returns. Journal of Finance,
47, pp. 427-465
Fama, E. F., French, K.R., 1993. Common risk factors the returns on stock and bonds. Journal of Financial Economics, 33, pp. 3-56.
lti 9. French, K.R., 1980. Stock returns and the weekend effect. Journal of Financial Economics vol. 8,
tH
pp. 55-69
(N
2
и
i
<
i
10. Kim, J. H., Shamsuddin, A., 2008. Are Asian stock markets efficient? Evidence from new multiple __variance ratio tests. Journal of Empirical Finance, 15 (2008), pp. 518-532
^ 11. King, B. F., 1966. Market and Industry Factors in Stock Price Behavior. Journal of Business, 39 Cû e (supplement), pp. 139-190.
^^ 12. Lakonishok, J., Shleifer, A., Vishny, R. W., 1994. Contrarian Investment, Extrapolation, and Risk. The Journal of Finance, vol. XLIX, (5), pp. 1541-1578
13. Lim, S.Y., Mun Ho, C., Dollery, B., 2010. An empirical analysis of calendar anomalies in the Malaysian stock market. Applied Financial Economics, 20, pp. 255-264
^ ° 14. Lo, A. W., MacKinlay, A. C., 1988. Stock Market Prices Do Not Follow Random Walks: Evidence
u
CO
< CL
О с
CL
LO
тН
о
from a Simple Specification Test. The Review of Financial Studies, vol. 1, (1), pp. 41-66
15. Lo, A. W., MacKinlay, A. C., 1997. Maximizing predictability in the stock and bond markets. Macroeconomic Dynamics, 1, pp. 102-134.
^ Îjd 16. MacKinlay, A. C., 1997. Event studies in economics and finance. Journal of Economic Literature Vol. XXXV (March 1997), pp. 13-39
^Q z 17. Plucker, J. A., Kaufman, J. C., Temple, J. S., Qian, M., 2009. Do experts and novices evaluate movies the same way? Psychology and Marketing, 26(5), 470-478.
О
с
Economics, vol. 22, pp. 27-59
< X CO
ш и
CL CL
О
18. Poterba, J. M., Summers, L. H., 19SS. Mean Reversion in Stock Prices. Journal of Financial
19. Salehi, M., Khodadadi, V., Abdolkhani, H., 2011. Forecasting stock price using artificial neural n X networks: A multi-layer perception model - Iranian evidence. Scientific Research and Essays Vol.
O 6(19), pp. 4029-4038
^ 20. Scholes, M. S., 1972. The Market for Securities: Substitution Versus Price Pressure and the Effects of Information Share Prices. Journal of Business 45, pp. 179-211.
21. Scholtens, B., Wang, L., 2008. Oil Risk in Oil Stocks. The Energy Journal; 2008; 29.
СИ
0 22. Situmeang, F. B. I., Leenders, M. A. A. M., Wijnberg, N. M., 2013. The good, the bad and the
variable: How evaluations of past editions influence the success of sequels. European Journal of Marketing, 33(3)
<£ 23. Situmeang, F. B. I., Leenders, M. A. A.M, Wijnberg, N. M., 2014. History matters: The impact of reviews and sales of earlier versions of a product on consumer and expert reviews of new editions. European Management Journal 32 (2014), pp.73-83
I— lu 24. Sun, M., 2012. How does variance of product ratings matter? Management Science, 58(4), pp.
^ H 696-707. ^ <
Q CC 25. Activision Blizzard, Inc., официальный веб-сайт 2014. Доступен по ссылке: www.
I— О activisionblizzard.com
26. Baker, L. B., 2011. Shares of video game companies swing on reviews. gociyneH no ccbMKe:
OCC
Q http://www.reuters.com/article/2011/09/16/us-videogame-reviews idUSTRE78F52320110916
О 27. Bloomberg, 2014. Доступен в Bloomberg terminal, Cass Business School
28. Capcom Co., Ltd., официальный веб-сайт, 2014. Доступен по ссылке: www.capcom.com
29. CD Projekt S.A. официальный веб-сайт, 2014. Доступен по ссылке: www.cdprojekt.com
30. Deloitte, 2007. Most consumers read and rely on online reviews; companies must adjust. Доступен по ссылке: www.marketingcharts.com/interactive/most-consumersread-and-rely-on-online-
К LD тН ГЛ 32
s ^ CN
X 2 и I 33
< < I
CÛ © 34
О ш 2 I 35
ci CÛ S 1- 36
Ш CL
О
^ С CL 37
U О
U <Э LO 38
s тН о CN
LU ijD
СП
-Û "sf
CÛ Ol ^
О и > с
I 2 CQ
X сл ш
à ^ ш cj _û ^ х<
CÛ ^
О ос хО а. ^
°П
reviews -companies-must-adjust-2234/.
31. Funcom Productions A/S, официальный веб-сайт, 2014. Доступен по ссылке: www.funcom. com/
Hearn, B., Piesse, J., Strange, R., 2010. Market Liquidity and Stock Size Premia in Emerging Financial Markets: The Implications for Foreign Investment. Доступен по ссылке: http://ssrn. com/abstract=1163777
Majesco Entertainment, официальный веб-сайт, 2014. Доступен по ссылке: www.majescoent. com/
hd.square-enix.com
Take-Two Interactive Software, Inc, официальный веб-сайт, 2014. Доступен : take2games.com/
38. THQ Inc., официальный веб-сайт, 2014. Доступен по ссылке: www.thq.com
О
