December and January effect and Volatility in the United States Stock Markets

Abstract

Rahoitusmarkkinoiden on tutkittu kohtaavan useita kausittaisuuksia, joita kutsutaan anomalioiksi. Kuukausitasolla tammikuuilmiö on kaikista tutkituin anomalia, ja myös tämä tutkimus keskittyy siihen. Tehokkaiden markkinoiden hypoteesin mukaan aiempien osakekurssien avulla ei pitäisi pystyä ennustamaan tulevia osakekursseja, ja tammikuuilmiö onkin todiste tätä hypoteesia vastaan. Siitä lähtien kun tammikuuilmiö havaittiin ensimmäisen kerran, se on käynyt läpi intensiivisiä empiirisiä tutkimuksia erilaisilla menetelmillä, jotka ovat tuottaneet ristiriitaisia tuloksia. Useimmissa tutkimuksissa tammikuuilmiön on havaittu esiintyvän markkina-arvoltaan pienten yritysten osakkeissa. Kolme yleisimmin ehdotettua mahdollista selittävää tekijää tammikuuilmiölle ovat verohypoteesi, informaatiohypoteesi sekä portfolion uudelleenmuodostamishypoteesi. Vaikka useissa tutkimuksissa havaitaan vieläkin tammikuuilmiötä, sen on todettu pienenevän tai jopa häviävän.

Tässä tutkimuksessa tarkastellaan aiempaa kirjallisuutta, mutta sen laajuutta rajoittaa volatiilisuuden vaikutusta käsittelevien tutkimusten pieni lukumäärä. Tarkastelun kohteena olevassa kirjallisuudessa menetelminä on käytetty joko regiimin muutosmallia tai GARCH-mallia. Kirjallisuus, jossa käytetään jälkimmäistä menetelmää, toimii tämän tutkimuksen perustana.

Tämän tutkimuksen empiirisessä osassa tutkitaan riskin toimimista selittävänä tekijänä joulu- ja tammikuuilmiölle Yhdysvaltojen osakemarkkinoilla vuosien 1926–2021 aineistolla. Analyysi tehdään käyttämällä lineaarista GARCH-mallia. Lisäksi tutkimuksessa tarkastellaan tammikuuilmiön ja yrityskoon välistä suhdetta.

Tämän tutkimuksen tulokset osoittavat, että yrityksen markkina-arvon kasvaessa joulukuuilmiö kasvaa ja markkina-arvon laskiessa tammikuuilmiö kasvaa. Tulokset osoittavat myös, GARCH-in-Mean -ilmiö esiintyy markkina-arvoltaan pienten yritysten osakkeissa.

Financial markets have been researched to encounter several seasonal patterns, which are called anomalies. The January effect is the most studied anomaly at the monthly level, and this research studies it too. The Efficient Market hypothesis suggests that past stock prices should not have predictive power on future stock prices, and the January effect is a proof against it. Since the January effect was found, it has gone through intense empirical investigations with various methods causing conflicting results. In most of the research papers, January effect has been found to be in shares of the companies having the smallest market value. The three commonly suggested possible explanatory factors behind the January effect are the Tax-Loss-Selling hypothesis, the Information hypothesis, and the Portfolio Rebalancing hypothesis. Although in several researches the January effect is still observed, it has been stated to be diminishing or even disappearing.

In this research a review of previous literature is done, although regarding the impact of volatility on the January effect, it is somewhat limited by the small number of research papers on this subject. In the literature either Markov regime switching model or a time-series GARCH approach is used as the methodology. Literature, where the latter methodology is used, serve as the basis of this research.

In the empirical part of this research risk being the possible explanatory factor behind the December and January effect in the United States stock markets, with data from years 1926–2021, is studied. The analysis is done by using the multiple linear regression analysis and the GJR-GARCH approach. In addition, the relationship between the January effect and the firm size, is examined.

The results of this research show that when the market value of the companies increases the December effect increases and, on the opposite, when the value decreases the January effect increases. The results also show that a GARCH-in-Mean effect is observed in shares of small market value companies.