Analyzing IPO Returns in the Nordic Markets
Pyykkönen, Lauri (2021)
Pro gradu -tutkielma
Pyykkönen, Lauri
2021
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2021062139236
https://urn.fi/URN:NBN:fi-fe2021062139236
Tiivistelmä
The underpricing of initial public offering has been widely studied in corporate finance. The aim of this study was to research the initial public offerings in Copenhagen, Helsinki, and Stockholm in 2014-2019.
This was done by calculating returns compared to the offer price after 1st day, 2nd week, 3rd month, and 1st year of being publicly traded. The returns are observed through the stock exchange and market capitalization segmentation of the companies. The observed companies were also examined with k-means clustering. The whole sample size or the study was 94 companies.
The research questions of this thesis were “How do the observed stock exchanges perform compared to one another?” “How do the observed market capitalization segments perform compared to one another?” “How do the observed companies move in clusters in regards of mean returns, maximum return, and minimum return during the first year?” “Do the companies grouped in the same cluster have similarities regarding listing year, city, market cap segmentation and industry?”
Stockholm was the most active market, with Helsinki, and Copenhagen trailing it, respectively. Mid cap segmentation was the most common market cap segment in the study. The stock exchanges performed quite evenly when compared to each other. Also, no market cap segmentation jumped out. It is worth noting, that most companies performed quite well during their first year as publicly traded company.
The k-means clustering resulted in four clusters with all the used variables. The 1st day, 2nd week, 3rd month and 1st year returns were used as the target variables and mean, max and min returns were used as explanatory variables. Unexpectedly, the companies stayed in the same cluster throughout the whole observation year. Companies in the clusters showed no clear similarities when compared to each other. With larger dataset it might be possible to evaluate the future performance of the IPOs and make suggestions on which IPOs would be profitable to invest in. With this dataset and clustering these kind of suggestions are difficult to make. Pörssilistautumisten alihinnoittelu on laajalti tutkittu aihe yritysrahoituksen piirissä. Tämän Pro gradu -tutkielman tavoitteena oli tutkia ja analysoida pörssilistautumisia Kööpenhaminassa, Helsingissä ja Tukholmassa vuosina 2014-2019.
Tämä tehtiin laskemalla osakkeiden tuotot ja vertaamalla osakkeen hintaa pörssiannin tarjoushintaan ensimmäisen listautumisvuoden aikana. Tuottoja tarkasteltiin listautumiskaupungin sekä yrityskokosegmentin avulla. Otoskoko oli 94 yritystä. Yritysten tuottoja ja ominaisuuksia tutkittiin myös k-means klusteroinnilla.
Tämän työn tutkimuskysymykset olivat “Miten tarkastellut yhtiöt menestyvät verrattuna toisiinsa?” “Miten eri yrityskokosegmentit menestyvät verrattuna toisiinsa?” “Miten tutkitut yritykset liikkuvat klustereissa keskiarvotuoton, minimituoton ja maksimituoton suhteen ensimmäisen kaupankäyntivuoden aikana?” “Mitä yhteisiä ominaisuuksia samoihin klustereihin ryhmittyvillä yhtiöillä on liittyen listautumisvuoteen, -kaupunkiin, markkinakokosegmenttiin ja teollisuuden alaan?”
Tukholman listautumismarkkinat olivat aktiivisimmat tutkituista pörsseistä. Keskikokoisia yhtiöitä oli listautunut tutkituista eniten. Eri listautumiskaupungit suoriutuivat tasaisesti toisiinsa verrattuna. Mikään yrityskokosegmentti ei suoriutunut merkittävästi muita paremmin. Huomionarvoista on, että yhtiöt menestyivät yleisesti ottaen hyvin ensimmäisen pörssivuotensa aikana.
K-means klusteroinnilla muodostettiin datajoukosta neljä klusteria ajan suhteen. Klustereita tarkastellessa huomattiin, että klusterin sisällä olevat yritykset pysyivät samana ajasta huolimatta. Yritykset eivät liikkuneet klusterista toiseen ajan kuluessa. Samassa klusterissa olevista yrityksistä ei löydetty merkittäviä yhtenäisyyksiä. Suurin osa yrityksistä oli klusterissa yksi. Suuremmalla määrällä yrityksiä ja pidemmällä aikavälillä klusteroinnilla voisi löytää merkittävämpiä yhtenäisyyksiä. Tällöin voitaisiin tehdä hypoteeseja siitä, minkä tyyppisiin yrityksiin kannattaisi sijoittaa. Tällä datalla kyseisiä johtopäätöksiä on hankala tehdä.
This was done by calculating returns compared to the offer price after 1st day, 2nd week, 3rd month, and 1st year of being publicly traded. The returns are observed through the stock exchange and market capitalization segmentation of the companies. The observed companies were also examined with k-means clustering. The whole sample size or the study was 94 companies.
The research questions of this thesis were “How do the observed stock exchanges perform compared to one another?” “How do the observed market capitalization segments perform compared to one another?” “How do the observed companies move in clusters in regards of mean returns, maximum return, and minimum return during the first year?” “Do the companies grouped in the same cluster have similarities regarding listing year, city, market cap segmentation and industry?”
Stockholm was the most active market, with Helsinki, and Copenhagen trailing it, respectively. Mid cap segmentation was the most common market cap segment in the study. The stock exchanges performed quite evenly when compared to each other. Also, no market cap segmentation jumped out. It is worth noting, that most companies performed quite well during their first year as publicly traded company.
The k-means clustering resulted in four clusters with all the used variables. The 1st day, 2nd week, 3rd month and 1st year returns were used as the target variables and mean, max and min returns were used as explanatory variables. Unexpectedly, the companies stayed in the same cluster throughout the whole observation year. Companies in the clusters showed no clear similarities when compared to each other. With larger dataset it might be possible to evaluate the future performance of the IPOs and make suggestions on which IPOs would be profitable to invest in. With this dataset and clustering these kind of suggestions are difficult to make.
Tämä tehtiin laskemalla osakkeiden tuotot ja vertaamalla osakkeen hintaa pörssiannin tarjoushintaan ensimmäisen listautumisvuoden aikana. Tuottoja tarkasteltiin listautumiskaupungin sekä yrityskokosegmentin avulla. Otoskoko oli 94 yritystä. Yritysten tuottoja ja ominaisuuksia tutkittiin myös k-means klusteroinnilla.
Tämän työn tutkimuskysymykset olivat “Miten tarkastellut yhtiöt menestyvät verrattuna toisiinsa?” “Miten eri yrityskokosegmentit menestyvät verrattuna toisiinsa?” “Miten tutkitut yritykset liikkuvat klustereissa keskiarvotuoton, minimituoton ja maksimituoton suhteen ensimmäisen kaupankäyntivuoden aikana?” “Mitä yhteisiä ominaisuuksia samoihin klustereihin ryhmittyvillä yhtiöillä on liittyen listautumisvuoteen, -kaupunkiin, markkinakokosegmenttiin ja teollisuuden alaan?”
Tukholman listautumismarkkinat olivat aktiivisimmat tutkituista pörsseistä. Keskikokoisia yhtiöitä oli listautunut tutkituista eniten. Eri listautumiskaupungit suoriutuivat tasaisesti toisiinsa verrattuna. Mikään yrityskokosegmentti ei suoriutunut merkittävästi muita paremmin. Huomionarvoista on, että yhtiöt menestyivät yleisesti ottaen hyvin ensimmäisen pörssivuotensa aikana.
K-means klusteroinnilla muodostettiin datajoukosta neljä klusteria ajan suhteen. Klustereita tarkastellessa huomattiin, että klusterin sisällä olevat yritykset pysyivät samana ajasta huolimatta. Yritykset eivät liikkuneet klusterista toiseen ajan kuluessa. Samassa klusterissa olevista yrityksistä ei löydetty merkittäviä yhtenäisyyksiä. Suurin osa yrityksistä oli klusterissa yksi. Suuremmalla määrällä yrityksiä ja pidemmällä aikavälillä klusteroinnilla voisi löytää merkittävämpiä yhtenäisyyksiä. Tällöin voitaisiin tehdä hypoteeseja siitä, minkä tyyppisiin yrityksiin kannattaisi sijoittaa. Tällä datalla kyseisiä johtopäätöksiä on hankala tehdä.