Modellezési eredmények

A logisztikus regresszió tényleges alkalmazása során modellezni kívánjuk, hogy milyen valószínű-séggel nyeri a Keleti Konferenciából származó csapat az NBA „nagydöntőjét”. Ennek érdekében létrehozunk egy két kimenetelű (bináris, dichotom) dummy változót (Champion: bajnokcsapat be-sorolása 1 – keleti; 0 – nyugati), amely a modell függő változó változója lesz. Modellspecifikációnkat az alábbi megfontolások motiválták:

 a kiegyensúlyozottabb főcsoportból érkező csapatnak több kudarcban volt része, ami meg-határozhatja a végső szereplést,

 ha egy csapat nagyon kiemelkedik a saját konferenciájából, akkor lehetséges, hogy az egész bajnokságból kiemelkedik,

 megvizsgálandó, hogy predesztinál-e a konferencia megnyerése arra, hogy egy csapat beke-rül a „nagydöntőbe”.

A fentiek alapján meghatároztuk azokat a magyarázó változókat, melyek képesek a bajnokság ki-egyensúlyozottságának mérésére, és így elképzelhető, hogy bekerülnek egy optimális logisztikus regressziós modellbe. A kiválasztott változók:

183

‒ ASD_East: győzelmi arány szórása a Keleti Konferenciában,

‒ ASD_West: győzelmi arány szórása a Nyugati Konferenciában,

‒ d_ASD_East: az ASD_East és a ASD_West különbsége,

‒ d_ASD_Ch: a győztest adó konferencia ASD-je és a vesztes ASD-jének a különbsége,

‒ Fin_East_Rank: a keleti döntős alapszakaszbeli helyezése,

‒ Fin_West_Rank: a nyugati döntős alapszakaszbeli helyezése,

‒ d_Rank: az előbbi helyezések közötti differencia.

A fenti magyarázó változók felhasználásával az alábbi (két magyarázó változós) optimális modellt kaptuk:

A modellezés legfontosabb tanulsága, hogy még a legjobban illeszkedő modell magyarázó ereje is igen csekély, ami még akkor sem szívderítő, ha tudjuk, hogy a bináris logit modellek illeszkedése általában elmarad a lineáris regressziószámításban megszokott 50-80%-tól. Az optimális modell esetén a McFadden-féle R² alapján 3,5%-os magyarázó erőt detektáltunk, ami meglehetősen ala-csony.

Hasonlóan nem túl magas a korrektül specifikált időszakok száma: mindösszesen 27 esetben találja el a modell a végső győztes konferencia-hovatartozását, ami az összes eset 54%-a. A tényleges és az előrejelzett győztesek kilétére vonatkozó adatokat tartalmazza az 5-21. táblázat.

Győztes a valóságban Győztes az előrejelzés szerint keleti nyugati

keleti 17 9

nyugati 14 10

5-21. táblázat: A logit modell előrejelzései

Láthatjuk, hogy a Keleti Konferenciából érkező győztest nagyobb hatékonysággal tudjuk előre je-lezni, aminek magyarázatát a modell paramétereinek vizsgálata szolgáltatja. A becsült modell tehát

 

1,948 19,760 _ 5,206 _

1,948 19,760 _ 5,206 _

Pr 1

1

ASD East ASD West

t ASD East ASD West

D e

formájú. A paraméterek formális értelmezése az alábbi:

Dependent variable: Champion McFadden R-squared 0,035393 Adjusted R-squared -0,051268

184

 amennyiben 1 százalékponttal növekszik a győzelmi arány szórása a Keleti Konferenciában, akkor jelentősen növekszik a valószínűsége annak, hogy a Keleti Főcsoportból érkezik a bajnok, a másik tényezőváltozó állandóságát feltételezve,

 amennyiben 1 százalékponttal növekszik a győzelmi arány szórása a Nyugati Konferenciá-ban, akkor jelentősen – de az előzőnél kisebb mértékben – csökken a valószínűsége annak, hogy a Keleti Főcsoportból érkezik a bajnok, ceteris paribus.

Praktikusan mindez azt jelenti, ha a keleti csoportban nagyobb a kiegyensúlyozatlanság (kevés csa-pat dominálja a bajnokságot), sokkal nagyobb eséllyel lesz keleti bajnoka a ligának, mint nyugati kiegyensúlyozatlanság esetén, hiszen a b -hez tartozó paraméter abszolút értéke közel négyszerese ₁ a b₂-nek.

Csak érdekességképpen írjuk, hogy a 2017/18-as alapszakasz eredményeinek az ismeretében mo-dellünk 37,5%-os valószínűséget „jósolt” arra az eseményre, hogy a Keleti Konferencia adja a nagy-döntő győztesét, vagyis több mint 60%-os esélyt adott a nyugati nagy-döntős győzelmének. Utólag már ismerve az eredményt (a nyugati Konferenciából érkező Golden State Warriors „söpréssel”, azaz veretlenül lett NBA-győztes), megállapíthatjuk, hogy modellünk jól teljesített.

5.5.3 Összegzés

Jelen írással azt kívántuk illusztrálni, hogy a széles körben alkalmazott bináris logisztikus regresszió alkalmas arra, hogy két (egymást kizáró) esemény bekövetkezésének valószínűségét előre jelezze, természetesen korrekten megválasztott specifikáció mellett. A természet- és társadalomtudomá-nyokban széles körben alkalmazott módszer a sportgazdaság területén is rengeteg kérdésre adhat választ. Véleményünk szerint ennek egyik hasznos példája lehet a különböző sportágak és ligák végeredményének előrejelzése, melyek közül választásunk azért esett éppen az NBA-re, mert – köszönhetően elsősorban a szigorú szabályozási rendszernek – a világ egyik legkiegyensúlyozot-tabb, ezáltal legizgalmasabb bajnoksága. Ebből következően nagyobb kihívást jelent végkimenete-lének megjóslása, mint egy olyan ligáé, melynek egyértelmű esélyese(i) vannak.

A vizsgálatba vont több évtized során az ASD-mutatók ugyan nem voltak állandóak, de bennük egyértelmű tendenciát sem lehetett kimutatni. Meglepőnek tűnhet, de azokban az időszakokban sem találtunk a maximálishoz közeli ASD-értékeket, amikor (legalábbis a nagyközönség szerint) egy-egy csapat egyértelműen dominálta a bajnokságot (pl. Los Angeles Lakers a 80-as, Chicago Bulls a 90-es években stb.)

Az alacsony magyarázó erejű modellekből arra következtethetünk, hogy az NBA szabályozási rend-szere hatásosan működik, vagyis a bajnok kiléte nehezen prognosztizálható.

185 5.6 Eseményelemzés a Rio-i Olimpia példáján keresztül⁸³

A társadalmi-gazdasági jelenségek elemzése során az elmúlt évtizedekben elterjedt az ökonometriai modellek véletlen változójára építő eseményelemzés (event study) módszere. A következőkben az erre a technikára alapozó esettanulmány olvasható.

A közelmúltban Rio de Janeiro-ban megrendezett XXXI. nyári olimpiai játékokkal kapcsolatosan a nemzetközi média nem csak és kizárólag a sportpályákon elért eredményekről számolt be. A világ legnagyobb rendezvényeként számon tartott olimpia gazdasági hatásaival rengeteg elemző foglal-kozott, vizsgálva többek között az esemény tőzsdei vonatkozású híreit.⁸⁴

Előbbi cikkek kiragadott példák, melyekkel pusztán szemléltetni szeretnénk a megaeseményhez kapcsolódó tőzsdei várakozásokat. Mint a címekből is kiderül, az olimpiát támogató vállalatok rész-vényeinek alakulását nem csak a versenyek történései, hanem már az eseményt megelőző periódus is befolyásolhatja, ezért a tőzsdei árfolyamok elemzéséhez az ún. eseményelemzés módszertanát használjuk. Az eljárás lehetőséget biztosít arra, hogy megvizsgáljuk, egy adott hír (jelen esetben egy rendezvényhez kötődő bejelentés) megjelenése milyen változást generál a tőkepiaci árfolyamokban, illetve a hozamokban. Választ ad továbbá arra a kérdésre is, hogy a változás csak a hír bejelentése után, vagy már a hírt megelőzően mutatkozik-e.

Az eseményelemzés módszertanát a hatékony piacok elméletének atyja, Fama et al. (1969) alkották meg, illetve alkalmazták először. Kutatásuk során 940, az NYSE-n végrehajtott részvényfelaprózást tartalmazó minta alapján vizsgálták a részvényárfolyamok alakulását. Megállapításuk, miszerint a részvényfelosztással ugyan nem változik a jövőbeli cash flow, a befektetők mégis pozitívan értékelik a hírt. Ennek eredményeként már a felosztás előtt nő a részvényárfolyam, mely azonban utána konstans marad. Módszerük csaknem teljes mértékben megegyezik a mai metódussal, hiszen meg-felelően sikerült különválasztaniuk a normális és az esemény által létrehozott (abnormális) hozam-változást. Az eseményelemzés továbbfejlesztése Brown-Warner (1985) nevéhez fűződik, akik sta-tisztikai eszközök segítségével, valamint az adatkezelés fontosságának hangsúlyozásával finomítot-tak a módszeren. Szimulációs módszerük előnye, hogy a kísérlet különböző abnormális modellek-kel és azok tesztelésével megismételhető. Az eseményelemzéssel foglalkozó szakirodalmi írások természetesen nem merültek ki a korai elemzésekkel, elterjedésének köszönhetően alkalmazásának területe is folyamatosan szélesedett. Különböző tanulmányok jelentek meg a részvények alakulását befolyásoló események kapcsán: felvásárlások és egyesülések hírének hatása (MacKinley, 1997), gyorsjelentések szolgáltatása (Bhattacharya et al., 2000), osztalék meghirdetése. A közgazdaságtan-ban ismert összefüggéseken kívül az eseményelemzés képes lehet olyan események megismerésére is, amelyek hatása nem teljesen egyértelmű.

83 Fűrész Diána Ivett: Az olimpiák hatása a részvény-árfolyamokra. XIV. Országos Sporttudományi Kongresszus, Pécs 2017. június 1-3.

84 Csak érdekességként említjük a következő, internetesen portálokon megjelent írásokat: Nike stock could do something unexpected before the Olympics (www.businessinsider.com/nike-stock-performance-ahead-of-major-sporting-events-2016-6), The stock market loves the Olympics (www.investopedia.com/financial-edge/0812/the-stock-market-loves-the-olym-pics.aspx), Here's what happens to the stock market during the Olympics (www.businessinsider.com/stock-market-perfor-mance-during-the-olympics-2016-8). Kifejezetten részvény-árfolyamokat vizsgál az Olympics Could Be A Bust For These Stocks (www.investopedia.com/articles/ markets/080816/olympics-could-be-bust-these-stocks.asp elemzés.

186 A 2000-es évektől kezdődően a sportgazdaságtan területén is egyre inkább elterjedt a módszer al-kalmazása, melyek során elsősorban az olimpiai játékok értékpapírpiacra vonatkozó hatásait vizs-gálták a rendezést elnyerő-, illetve elveszítő ország vonatkozásában. Veraros et al. (2004) a 2004-es athéni olimpiával kapcsolatosan Görögországban az athéni tőzsdén pozitív abnormális hozamot, míg a milánói tőzsdén szignifikáns összefüggés hiányát állapították meg.

Berman et al. (2000) a sydney-i olimpiát vizsgálva pozitív szignifikáns kapcsolatot találtak a játéko-kat szponzoráló vállalatok, illetve részvényeik árfolyamának alakulása között, főképpen az infra-struktúra-fejlesztésben érdekelt cégek esetében.

Martins-Serra (2007) eseményelemzése a legnagyobb rendezvényekre terjedt ki (nyári és téli olim-pia, labdarúgó világbajnokság, labdarúgó Európa-bajnokság), mely során érdekes eredményre ju-tottak: amennyiben a rendezés elnyerésének ténye nagy meglepetést keltett, abban az esetben a piaci reakció szignifikáns, vagyis pozitív a rendezést elnyerő, illetve negatív az elveszítő ország esetében.

Mielőtt rátérnénk az általunk vizsgált olimpiára vonatkozó elemzési eredmények bemutatására, fon-tosnak tartjuk kicsit részletesebben ismertetni magát az eseményelemzés módszertanát.

5.6.1 Eseményelemzés módszere

A részvényhozam alakulását befolyásoló vizsgált események típusa igen változatos. Egyik típus az előre nem várt esemény, amely a piacot nagyon váratlanul éri. Az események ezen típusába tartozó hírek nagymértékben alkalmasak a piaci reakció mérésére, mivel kimenetelükkel kapcsolatosan nem léteznek várakozások, éppen azok megjósolhatatlanságából adódóan. Ellenkező esetben, vagyis az előre jelzett hírek esetében viszont a piaci várakozás tökéletességét lehet lemérni. Ha pl. a tőkepiaci szereplők az egy részvényre jutó jövedelem (EPS) következő negyedévre vonatkozó mértékét he-lyesen anticipálják, abban az esetben a mutató bejelentésekor nem keletkezik abnormális hozam.

Ezzel szemben a helytelen várakozások rögtön megjelennek a hír publikálásakor a megugró, a re-ferenciahozamtól eltérő hozam realizációkon keresztül.

Az esemény megválasztása mellett szintén fontos az eseményt megelőző pre-window és az azt követő úgynevezett post-window kijelölése. Az időintervallumok megválasztása az információ-szivárgás, illetve -beépülés sebességének meghatározása szempontjából lényeges. Ebből követke-zően, ha pl. az információ nyilvánossá válásának időpontját megelőzően (pre-window) hozamemel-kedést tapasztalunk, feltételezhető, hogy az eseményhez kapcsolódó információk egy informális csatornán keresztül megjelentek a piacon. Abban az esetben, ha az eseményt követően (pozitív hírnél) a hozam továbbra is emelkedik vagy (negatív hírnél) csökken, feltételezzük, hogy az aktorok nem tudták megfelelően felmérni a hír konzekvenciáit, így azok hatása később (post window) je-lentkezik az árfolyamban.

Ha feltételezzük, hogy a T-edik időpillanatban következik be az esemény, vagyis ekkor lát napvilá-got a vizsgált részvény árfolyamát befolyásoló hír, akkor a rendelkezésünkre álló idősort három részre osztjuk:

 becslési periódus (t1, 2, ,T K)

187

 pre-window (t T K  1, ,T )

 post-window (t T 1, ,T L)

A becslési periódus adatain határozzuk meg a normál hozamot, míg a post-window-ban az abnor-mális hozamot.

A fentebb említett referenciahozamot, vagyis normál hozamot a becslési periódusban realizálódott hozamalakulást is figyelembe véve határozzuk meg. A normál hozamok generálására több modellt is ismerünk. Fejezetünkben az eredeti Fama tanulmányban használt, ún. piaci modellt alkalmaz-tuk. A modell gondolatmenetét, illetve felhasználásának részletes leírását tartalmazza Bélyácz (2009) könyve. Lényege, hogy egy konkrét befektetés (részvény) hozamát a piaci átlagos hozamot magya-rázó változóként szerepeltetve, kétváltozós lineáris regresszió-függvénnyel becsüli. A paraméter-becslést a legkisebb négyzetek módszerével (LNM) végezték; ahol az alkalmazott regressziófügg-vény az alábbi:

ˆ_{it mt it}

r   r  ahol

r it az i-edik részvény árfolyamváltozásból eredő hozama, r mt a piaci portfolió átlagos hozama,

 , a modell paraméterei

it a szokásos tulajdonságokkal (fehér zaj) rendelkező véletlen változó.

A becslési eljárás outputja a várt hozam, valamint az abnormális hozam, amely az egyes periódu-sokban realizált tényleges hozam különbségeként állítható elő. Az abnormális hozam számítása a pre-window első periódusától a post-window utolsó periódusáig történik, számszerűsítve egy idő-szakra:

it it ˆit

AR  r r

Az abnormális hozamok vizsgálata mellett nagyon fontos az is, hogy az adott hír mennyiben mó-dosítja a várt hozamokat, továbbá, hogy milyen ütemben történik meg az ún. „visszarendeződés”.

Ennek érdekében az egyes részvényekre kumulált abnormális hozamot (CAR) is számolunk, melyet a T K 1 naptól a TL napig kalkulálva az alábbiak szerint határozzuk meg:

,

1 K L T L

i it

t T K

CAR ^ AR

  

 

A kumulált abnormális hozamok ábrájáról leolvasható, hogy milyen mértékű volt a maximális elté-rés, valamint milyen időtávon zajlott le a hír okozta hozam-változás „lecsengése”. Vizsgálatunk során tesztelni fogjuk, hogy a CAR-értékek szignifikánsan eltérnek-e a 0-tól, vagyis az adott hír valóban okoz-e extra nyereséget, illetve veszteséget azok számára, akik erre számítva kereskednek.

188 5.6.2 A vizsgált események, illetve a vizsgált idősorok

Egy olimpia kezdetekor nem csak sportolók ezrei kerülnek reflektorfénybe, hanem a megaeseményt szponzoráló legnagyobb vállalatok is. Elemzésünkben a 2016-os Rio de Janeiro-i olimpia részvény-piacra gyakorolt hatásait kívánjuk megvizsgálni 3 világszerte ismert vállalat kapcsán, melyek a The Coca-Cola Company, a Ralph Lauren Corporation és a VISA Inc..

A világ szinte összes országában kapható szénsavas üdítőitalt forgalmazó cég a világ egyik legna-gyobb márkaneve, mely az Olimpiai Partner Program résztvevőjeként hatalmas kampánnyal „ne-vezett be” Rio-ba. „#Thats Gold” elnevezésű akciójával az olimpiák történetéhez fűződő viszo-nyának 88. évében márkájának további népszerűsítését, részvényhozamainak emelkedését várta a közel két hétig tartó eseménytől.

A divatvilág közel 40 éve töretlenül progresszív divatmárkájaként számon tartott Ralph Lauren Corporation elköteleződését a sport iránt többek között az amerikai olimpiai csapat formaruhájá-nak tervezése bizonyítja. A 2016. augusztus 5.-én rendezett megnyitó ceremóniára a cég logójával ellátott öltözékben bevonuló amerikai sportolók látványa feltételezhetően pozitív hatást generál a cég részvényhozamában.

Az 1958-ban alapított pénzügyi technológiákkal foglalkozó multinacionális vállalat, a VISA Inc., mint a nyári olimpiák egyik fő támogatója, partnerségének 30. évfordulóján egy jelentős fizetési innovációval készült a megaeseményre. A játékok idejére a főbb helyszíneken, közel 4000 terminált telepített, melyek mindegyike képes az okosórák, illetve mobiltelefonokkal való kommunikációra.

Fő termék-innovációja pedig egy olyan gyűrű-, illetve karkötő kifejlesztése volt, melyek segítségével a sportolók és a szurkolók is bárhol fizethettek az olimpia helyszínén.

A vizsgálatba bevont részvények a New York Stock Exchange (NYSE) kereskedésében szerepel-nek, ezért a részvény-árfolyamok alakulásának elemzése során a piaci portfolió hozamának kiszá-mítását a Standard&Poor 500 index alapján végezhetjük. A részvény-, illetve index-hozam számí-tása a szokásos módon történt, vagyis

, 1

ahol p az i-edik részvény árfolyama a t-edik napon. _it

Az eseményelemzés során alkalmazott időablakok az alábbiak voltak:

 teljes időtáv: 2015/12/31 – 2016/09/09

 becslési periódus: 2015/12/31 – 2016/07/14 (135 munkanap)

 pre-window: 2016/07/15 – 2016/08/04 (15 munkanap)

 event window: 2016/08/05 – 2016/08/21 (11 munkanap)

 post-window: 2016/08/22 – 2016/09/09 (15 munkanap)

189 Az időablakok kialakítása során irányadó volt, hogy az olimpia nem egyetlen napon zajlott, hanem több, mint két hétig tartott, így az „eseményhez” tartozó információ-szivárgás a megnyitót meg-előző, míg az információ-beépülés a záróünnepséget követő időszakra jellemző. A pre- és a post-window azonosan 3 hét, vagyis 15 tőzsdei kereskedési nap volt, míg a becslési periódus hosszát – az irodalmi ajánlásoknak megfelelően – a post-window hosszának tízszeresére, vagyis 150 kereske-dési napnak választottuk.

5.6.3 Modellbecslési eredmények

Elsőként, a becslési periódus idősorait felhasználva elvégeztük a piaci modell paraméterbecslését a legkisebb négyzetek módszere segítségével. A vizsgált három részvényre vonatkozó legfontosabb LNM becslési eredményeket az 5-22.táblázat tartalmazza:

Részvény neve Részvény kódja Regressziós együttható (β) p-érték _R²

Coca-Cola KO 0,4746 <0,0001 0,2601

Ralph Lauren RL 1,1771 <0,0001 0,1719

VISA VISA 1,2288 <0,0001 0,5541

5-22. táblázat: LNM becslési eredmények a piaci modellre

Láthatjuk, hogy mindhárom részvény esetén szignifikáns (globális F-próba alapján létező) modellt kaptunk, a modellek magyarázó ereje (R²) megfelel a tőkepiaci modellek esetén szokásos elvárá-soknak. Nem kell túlértékelni a VISA részvény esetén kapott magasabb értéket, ez vélelmezhetően a NYSE-n gyakran tapasztalható, ún. kosár-hatásnak tudható be.

Érdekes, és a későbbi vizsgálat szempontjából lényeges, hogy míg a Coca-Cola az átlagnál kevésbé kockázatos (egynél kisebb abszolút értékű béta-együtthatóval rendelkező), addig a másik két fő-szponzor részvénye az átlagnál jelentősebb kockázatosságú volt a becslési periódusban. Mindennek alapján azt várnánk, hogy szignifikáns kumulált abnormális profitot inkább az utóbbi kettő (RL, illetve VISA) részvényeken lehetett elérni.

Az 5-15. ábra az event-window és a post-window alatt tapasztalt abnormális hozamokat mutatja:

190

5-15. ábra: Abnormális hozamok az Olimpiai Megnyitót követően

Láthatjuk, hogy a Ralph Lauren részvény esetén a megnyitót követően szinte azonnal keletkezett egy jelentős, nem várt pozitív hatás (vélelmezhetően ekkor tudatosult a nagyközönségben, hogy a cég szállítja az Egyesült Államok csapatának formaruháit), ám ezt követően (a másik két részvény esetén mindvégig) pozitív és negatív abnormális hozamok váltogatták egymást.

Sokkal többet állapíthatunk meg az esemény (olimpia) hatásáról, ha a kumulált abnormális hoza-mokat vizsgáljuk (lásd 5-16. ábra):

5-16. ábra Kumulált abnormális hozamok az Olimpiai Megnyitót követően

-0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1

08-11 08-18 08-25 09-01 09-08

ar_VISA ar_RL ar_KO

-0,02 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16

08-11 08-18 08-25 09-01 09-08

car_VISA car_RL car_KO

191 Az ábra roppant érdekes képet mutat:

‒ a Coca-Cola részvény az Olimpia alatt minimálisan túlértékeltnek tűnik, ám az esemény után szinte azonnal visszatért az árfolyam a szokásos szintre;

‒ ezzel szemben a másik két részvény esetén elmondható, hogy az olimpiai szerepvállalás a vártnál is nagyobb árfolyam-erősödéssel járt, vagyis a befektetők jelentős (szignifikáns) ext-rahozamot realizálhattak a részvény-árfolyamokon;

‒ szintén érdekes lehet, hogy a ruhaipari cég esetén egy hirtelen gyors reakciót (meglepetést) követően mindössze az első napokban elért extrahozam konzerválódott, addig a VISA rész-vény – valószínűleg az új terminálok, innovatív termékek és fogyasztók megjelenésének hatására – folyamatosan növelni tudta az árfolyamát.

Összességében kimondhatjuk, hogy a nagy sportesemények szponzoraként, illetve beszállítójaként megjelenő globális nagyvállalatok a direkt bevétel-növekedés mellett jelentős extraprofitra tehetnek szert részvényárfolyamaik emelkedéséből eredően is.

Az olimpiák gazdasági hatásának elemzése népszerű téma napjainkban, különösen Magyarorszá-gon, a 2024-es budapesti kandidálása, illetve végül a pályázat visszavonása okán. Ebben az írásban semmiképpen sem kívántunk állást foglalni abban a kérdésben, hogy megéri-e olimpiát rendezni, mindössze arra akartuk felhívni a figyelmet, hogy a sportgazdaságban érintett vállalkozások tőke-piaci kapitalizációjának növekedése is a rendezés pozitív extern hatásai közé sorolható.

Ugyanakkor arról sem feledkezhetünk meg, hogy az olimpiák környezetében megjelenő vállalatok általában globális nagyvállalatok, így a hazai gazdaság szempontjából semmiképpen sem értékelhet-jük egyértelműen pozitívnak a részvénypiaci változásokat. A korrekt beruházás-gazdaságossági szá-mításokban ezen két hatás eredője lenne az igazán lényeges érték, ám ennek meghatározása messze meghaladja ezen fejezet terjedelmét, illetve témafelvetését.

Az esettanulmánnyal összességében azt kívántuk bizonyítani, hogy az eseményelemzés módszer-tana a sportgazdaságban is jól használható, de látnunk kell, hogy az event study-k alapja egy jól specifikált regressziófüggvény, ami esetünkben a stacioner részvény-hozamokra felírható piaci mo-dell volt.

192

193

Felhasznált irodalom

ADJEMIAN,S. – GAYANT , J.P.– PAPE,N.L. (2012): A generalized index of Competitive Balance in Professional Sports Leagues. http://ecodroit.univ-lemans.fr/IMG/pdf/Adjemian et_al_2012_first_part v2-6.pdf

AKAIKE,H.(1969): Statistical predicator identification. Annals of the Institute of Statistical Mathematics, Vol. 21. No. 2., 203-217. pp.

AKAIKE,H.(1974): A new look at the statistical model identification. IEEE Transactions on Automatic Control, Vol. 19. No. 6. sz., 716–723 pp.

ANDRÁS KRISZTINA (2004): A hivatásos labdarúgás piacai. Vezetéstudomány, 35. évf. Különszám, 0-57. old.

ANDREFF,W. (2015): Disequilibrium Sports Economics: Competitive Imbalance and Budget Constraints. Ed-ward Elgar Publ., Cheltenham, UK, 272 pp.

ANDREFF,W.–SZYMANSKI S. (2006): Handbook on the economics of Sport. Edward Elgar Publ.,

ANDREFF,W.–SZYMANSKI S. (2006): Handbook on the economics of Sport. Edward Elgar Publ.,

In document Ökonometriai modellek alkalmazása a sportgazdaságban (Pldal 182-0)