Good Day Sunshine

Stock Returns and the Weather1

Seminararbeit aus dem Vertiefungskurs I – Investments

SBWL Investmentbanking & Katallaktik

PI 0972, SS 2009

LV-Leiter: Dr. E. Kopp

Wirtschaftsuniversität Wien

Paul Josef Wirth 0352423

31. März, 2009

1
Wenn nicht anderes vermerkt, bezieht sich die gesamte Seminararbeit auf das Paper „Good Day Sunshine:
Stock Returns and the Weather“ von D. Hirshleifer & T. Shumway, 2001
Inhaltsverzeichnis

1. Einführung 3
2. Effekt des Wetters auf Trader-Entscheidungen 4
3. Analyse-Daten 5
4. Beweisführung 7
5. City-by-City-Test 8
6. Conclusio 10
7. Referenzliste 11
8. Tabellen 12

Seite 2 von 14
 1. Einführung

Das Ziel dieser Seminararbeit ist die Analyse der Zusammenhänge vom Wetter auf die
Investitionserträge an den Börsen. Um diesen Zusammenhang zu analysieren, benötigt man
einen bestimmten Wettertypus, damit man einen Ausgangspunkt für die Analyse festlegt. In
der ersten Analyse konzentrieren wir uns auf den Zusammenhang von sonnigem Wetter auf
positive Aktienerträge.

Sonnenschein wird seit jeher als sehr positiv empfunden und wirkt sich auch
dementsprechend auf die Gemütslage des Menschen aus. Dieser Effekt floss in Form von
Allegorien in die Sprache ein. Die Sonne wird dabei immer als sehr positiv assoziiert2. Auch in
der Bibel oder in koranischen Texten wird der Sonne, Göttlichkeit zugesprochen und als
Symbol des Guten angesehen. Hingegen ist die Finsternis oder die Dunkelheit stark negativ
assoziiert und wird mit dem Bösen in Verbindung gebracht. Dieser Glauben ist in der
Menschheit tief verwurzelt und hat seinen Ursprung aus einer Zeit, in der das Wetter eine
lebensentscheidende Rolle spielte. Der Mensch hat demzufolge ein unterbewusstes Gespür
für das Wetter entwickelt, was seine Entscheidungen selbst dann beeinflusst, wenn er nicht
mehr als Bauer sondern als Trader an der Börse arbeitet. Die Schlussfolgerung, dass die
Trader-Entscheidungen zum Teil von Wettereinflüssen abhängen, scheint somit nicht mehr
so abwegig zu sein. Einzig in Hinblick auf die Rationalität des Traders ist dieser
Zusammenhang kurios, da das Wetter, welches regional am Börsenplatz vorherrscht, wohl
keine Aussage über die Wetterlage an investitionsbeeinflussenden Orten hat. Da aber alle
Trader an einem bestimmten Börsenplatz, denselben Wettereinflüssen unterliegen, ist es
wiederum rational, zu tun was die anderen tun, um hohen Renditen zu lukrieren.

In den folgenden Kapiteln wird darauf eingegangen wie die zuvor besprochenen
Zusammenhänge wissenschaftlich zu beweisen sind und welche Daten für derartige
Analysen verwendet werden. Dabei wird erst auf die psychologische Komponente des
Wettereinflusses auf den Menschen eingegangen und danach auf die verschiedenen Analyse
Möglichkeiten um diesen Effekt zu veranschaulichen.

2
Ein sonniges Gemüt, in Schönheit erstrahlen, etc.
Seite 3 von 14
 2. Effekt des Wetters auf Trader-Entscheidungen

Wie bereits in der Einleitung erwähnt, hat das Wetter durchaus einen ausgeprägten Einfluss
auf unsere Gefühle. Bei schönem bzw. sonnigem Wetter sind Menschen generell besser
gelaunt und weitaus optimistischer bei Entscheidungen und Beurteilungen (vgl. Wright und
Bower(1992)). Gerade bei abstrakter Informationslage, beeinflusst die Gemütslage
überproportional die Entscheidung (Clore, Schwarz, and Conway (1994), Forgas (1995)). Ein
interessantes Verhalten zeigen Menschen bei schlechter Stimmung, sie neigen dazu,
Informationen sehr kritisch zu prüfen und sind verhalten eine Entscheidung schnell zu
treffen. Hingegen zeigen gut gelaunte Menschen eine weniger kritische Analyse der
Informationslage und neigen dazu Entscheidungen schnell zu treffen (Schwarz (1990)). Ein
Aspekt, welcher gut gestimmten Leuten zu Gute kommt ist, dass die Stimmung sich auch auf
deren Kreativität auswirkt und dass sie daher leichter mit komplexen Aufgaben umgehen
können (Schwarz and Bless (1991)).

Wenn man diese Erkenntnisse auf den Börsenmarkt projiziert, kommt man zu dem Schluss,
dass die Gefühle des Traders seine Risikobereitschaft beeinflusst (Johnson and Tversky
(1983)) und damit auch sein Tradingverhalten. Menschen können nicht genau zuordnen,
woher ihre Gefühlslage kommt, weil es unterbewusst aufgenommen wird und nicht darüber
nachgedacht wird (Schwarz and Clore(1983)).

In der Psychologie ist die Korrelation von Sonnenschein auf die Psyche schon seit langem
bekannt. Auch wenn negative Effekte von der Sonnenbestrahlung bekannt sind, wirkt sich
der überwiegende Teil der Effekte sehr positiv auf die Gemütslage des Menschen aus. Durch
die positive Einstellung, wenn die Sonne scheint, kann davon ausgegangen werden, dass
mehr Aktien gekauft werden als bei schlechtem Wetter und damit assoziierter schlechter
Stimmung. Das bedeutet, die Trader haben eine positive Zukunftserwartung und investieren
daher mehr. Der ökonomische Grund, dass sonniges Wetter etwa Agrarprodukte positiv
beeinflusst, spielt in der Investitionsentscheidung hingegen keine Rolle.

Man kommt daher zu der Erkenntnis, dass Sonnenschein und Aktienerträge positiv korreliert
sind. Außerdem, muss man festhalten, dass nicht der Wetterbericht dafür sorgt, dass am

Seite 4 von 14
nächsten Tag die Aktiengewinne steigen, sondern nur der direkte Sonnenschein selbst, der
dann im selben Moment die Entscheidungen der Trader beeinflusst.

Es scheint offensichtlich, dass jede Wetterlage einen anderen Einfluss auf unsere Psyche hat.
Saunders (1993) zeigte die Auswirkungen von schlechtem Wetter in New York City, auf den
New York Stock Exchange Index und kam zu dem Ergebnis, dass die Aktienerträge bei dem
Wetter negativ waren.

Um diese ganzen Zusammenhänge zu analysieren, verwendete Hirshleifer und Shumway

(2001) die Daten von 26 Aktienbörsen und es wurden hierbei keine Zeitreihe sondern Panel
Daten verwendet. Diese Paneldaten ermöglichen es zu überprüfen, ob die Korrelation
zwischen schlechtem Wetter und negativen Aktienerträgen über den gesamten Zeitraum
vorherrschend ist. Außerdem erhöhen die Paneldaten die Teststärke um den Effekt zu
messen. Ebenfalls um die Power zu erhöhen ist es wichtig viele Börsenplätze in die Analyse
mit einzubeziehen, um Marktschwankungen aus wirtschaftlichen Gründen zu kompensieren.
Im nächsten Abschnitt wird auf die verwendeten Daten genauer eingegangen.

3. Analyse-Daten

Um die Korrelation zwischen Bewölkung und Aktienrendite zu messen, benötigt man die
Wetterdaten und die dementsprechenden Aktienrenditen. Die Wettermessdaten kommen
vom International Surface Weather Observation (ISWO), welche vom der National Climatic
Datacenter vertrieben werden. Diese Wetterdaten beschreiben 3000 Regionen weltweit
vom Jahre 1982 bis 1997. Sie beinhalten stündliche Aufzeichnungen über die Windstärke,
Bewölkungsgrad und den Luftdruck. Für die oben erwähnte Korrelationsmessung ist der
Bewölkungsgrad (total sky cover (SKC)) essentiell. Der SKC definiert einen klaren Himmel mit
0 und einen wolkenverhangenen Himmel mit 8. Da der durchschnittliche Bewölkungsgrad
über den Tag des Börsenortes gemessen werden soll, müssen die stündlichen
Bewölkungsgrade addiert und durch die Anzahl der Stunden dividiert werden. Damit erhält
man den durchschnittlichen Bewölkungsgrad eines Tages an einem Börsenort.
Unglücklicherweise sind die Daten der ISWO nicht vollständig und beinhalten keine
Bewölkungsdaten über viele wichtige Börsenplätze auf der Welt. Diese können daher in der
Analyse nicht berücksichtigt werden.
Seite 5 von 14
Um die Daten der durchschnittlichen Bewölkungsgrade nun verwendbar zu machen, müssen
sie noch gefiltert werden. In viele dieser Werte fließt die Saisonalität mit ein, daher muss aus
den Daten die Saisonalität herausgefiltert werden. Um das zu bewerkstelligen, muss der
durchschnittliche Bewölkungswert für jede Woche des Jahres an jedem Börsenplatz
berechnet werden, um dann die Daten zu de-saisonalisieren, idem man die
durchschnittlichen Wochenbewölkungsgrade von den Tagesbewölkungsgraden subtrahiert.

Im Konkreten stellt sich das so dar:

= . ö

= .

= .

0( = ö

), 0( = ö8

, 0(= 8 ö8

Man errechnet den durchschnittlichen 0( für z.B. die erste Woche im Kalenderjahr für
eine bestimmte Stadt und rechnet sich die jeweilige durchschnittliche Wochen SKC für einen
Zeitraum von 16 Jahren aus. Danach subtrahiert man den zuvor berechneten Jahres-
Wochen-Tages Durchschnittswert des SKC vom täglichen Durchschnittswerts des 0 ( der

Stadt in der ersten Woche jedes Jahres. Damit werden die Daten Saisons bereinigt und
werden als 0 ( bezeichnet.

Eine weitere Verzerrung der Daten kommt wegen verschiedenen Wetterlagen zu Stande,
daher wird in speziellen Regressionen auf Regen- und Schneefall gesondert darauf
eingegangen. Die Daten für Regen (RAIN) und Schnee (SNOW) werden wieder aus den ISWO
Daten bezogen und müssen ebenfalls wie die Saisons bereinigt werden.

Bei den Börse-Daten werden die täglichen Indexerträge von Datenströmen aus Datastream
Global Index gesammelt. Die für die Analyse verwendeten ausgewerteten Daten können aus
der Tabelle 1 im Anhang entnommen werden. In der Tabelle 1 werden die originalen 0(

Werte verwendet, dass heißt die Saisonalität wurde nicht herausgefiltert. Außerdem ist bei
Seite 6 von 14
der Tabelle zu berücksichtigen, dass die Erträge in nominalen Werten in der entsprechenden
Währung angegeben sind und daher Inflationsbedingt sehr hoch sein können (Rio de
Janeiro, Buenos Aires).

Im der Tabelle 2 sieht man eine Korrelations-Matrix, welche die Korrelationen von den
Saisons bereinigten 0( und den täglichen Aktienerträgen darstellt. In der Cross-City-
Korrelation werden unter der Diagonale die Korrelationen der Aktienerträge dargestellt und
im oberen Bereich der Diagonale die Korrelationen der Bewölkungsgrade ( 0 (). Alle
Korrelationen, welche absolut größer sind als 0,04 sind bei einem 5 Prozentlevel signifikant.
Bei den Korrelationen der Aktienerträge ist festzustellen, dass die Werte positiv, groß und
signifikant sind. Diese hohe Korrelation ergibt sich daraus, dass die Aktienerträge an einem
Börsenplatz stark von dem globalen Aktienmarkt abhängen. Bei der Aktienrendite des
Aktienindex der bestimmten Stadt gibt es immer eine globale und eine lokale Komponente,
welche die Aktienrendite ausmacht. Für die Analyse der Korrelation zwischen Wetter und
Aktienrendite ist aber nur die lokale Komponente relevant.

Die Bewölkungskorrelationen zeigen, dass nahe gelegene Städte eine hohe Korrelation
aufweisen. Die Korrelation ist demnach vornehmlich aus geografischen Gründen vorhanden.

4. Beweisführung

In diesem Abschnitt wird eine Übersicht über die möglichen Analysemethoden geboten, wie
der Beweis zu erbringen ist, dass der Sonnenschein Einfluss auf die Aktienerträge nimmt. Die
erste Methode ist der „City-by-City-Test“. Dieser soll eine Aussage über die Signifikanz der
Korrelation von bewölktem Wetter auf niedrige Aktienerträge geben.

Weil für diese Analyse eine relativ kurze Zeitreihe zur Verfügung steht, werden daher nur
wenige individuelle Städteergebnisse statistisch signifikant sein. Um die Aussagekraft der
Analyse zu verbessern wird ein Test mit dem gesamten Panel der 26 Börsen durchgeführt.
Zur Beweisführung bietet sich auch die Analyse der Korrelation von Schnee und Regen auf
die Indexerträge an. Aber vorerst Genaueres zu dem City-by-City-Test.

Seite 7 von 14
 5. City-by-City-Test

Beim ersten Test wird eine einfache Regression durchgeführt welches nach demselben
Konzept wie bei Saunders (1993) aufgebaut ist.

0( = 0 0 0( 0(

Der Kleinstquadratschätzer Koeffizient 0 und die dazugehörigen t-Testwerte sind in der

Tabelle 3 angeführt. Bei der Regressionsmessung, werden die 0 ( - Werte vereinfacht
verwendet. Dies liefert in etwa ähnliche Ergebnisse, vereinfacht aber die Analyse.

0( =

ℎ 0( =

0( =

Die einfache Regression gibt bereits einen Einblick auf Korrelation zwischen den
Indexerträgen und den Bewölkungsgraden. Drei der 0 sind signifikant unterschiedlich zu 0
bei zwei-seitigen, 5% Signifikanz Test. Bei einem ein-seitigen 5% Signifikanz Test sind 6 aus
26 Koeffizienten statistisch signifikant. Dabei ist Manila mit einem t-Wert von 0.83 die
signifikanteste Messgröße mit einem positiven Wert. Aus den Messergebnissen aus Tabelle 3
lässt sich schließen, dass die Erträge mit der Bewölkung korrelieren.

Die einfache Regressionsanalyse eignet sich zwar für die Analyse der vorliegenden
Hypothese, sie ist aber für Feinheiten, welche sich aus der Datenmenge ergeben, nicht am
besten geeignet. Um die Analyse zu verbessern ist eine gewichtete Beurteilung der Daten
nötig. Die einfache Regressionsanalyse verbindet die Werte der prozentuellen Erträge mit
den prozentuellen Bewölkungsgraden an einem bestimmten Tag. Diese Formulierung drückt
aus, dass ein relativ hoher Bewölkungsgrad (z.B.:6) eine negativen Indexertrag und ein sehr
hoher Bewölkungsgrad (z.B.:8) einen sehr negativen Indexertrag hat. Saunders (1993)
meinte das die Erträge öfter negativ sind an bewölkten Tagen, als an sonnigen. Ein Fehler
der in der Analyse auftauche könnte wäre, dass die Erträge in einer Stadt von einer anderen
Stadt mit einem anderen Bewölkungsgrad abhängen. Damit würde man einem Fehlschluss
unterliegen, wenn man annimmt, dass der Ertrag mit dem vorherrschenden Bewölkungsgrad
der Stadt korreliert. Daher ist es wichtig die Einflüsse der anderen Städte auf den Ertrag
jeder einzelnen Stadt in die Berechnungen mit einfließen zu lassen.

Seite 8 von 14
Um dem Problem zu begegnen verwendet man eine logistische Regression in der Form einer
Maximum-Likelihood-Schätzung:

0( =

In der Tabelle 3 ist in der 5. Spalte zu finden mit der dazugehörigen Chi-Quadrat Variable
und dem dazu passenden P-Wert. Bei der logistischen Regression erlangen fünf Werte
eine Signifikanz mit dem Signifikanz-Niveau von 5%, während bei der einfachen zwei-seitigen
Regression lediglich 3 Werte signifikant waren. Wenn man das Signifikanz-Niveau auf 10%
ausweitet, erhält man sogar 9 Werte mit Signifikanz. Außerdem ist kein positiver -Wert
annähernd signifikant.

Überhaupt sind 25 Werte der insgesamt 26 Messwerte negativ, was ein starker Beweis für
eine Korrelation von Bewölkung und Erträgen ist. Der Chi-Quadrat Test ergibt bei New York
einen Wert von 8,83 mit einem dazugehörigen P-Wert von 0,0033, was einer
außerordentlichen hohen Signifikanz entspricht. Wenn man diesen Wert genauer untersucht
und die Messergrößen der Subperioden von den 80er- und den 90er-Jahren vergleicht,
kommt man zu dem Ergebnis dass der Wettereinfluss in den 90er-Jahren sehr signifikant war
und in den 80er-Jahren quasi kaum vorhanden war. Bemerkenswert ist die Tatsache, dass
Saunders (1993) seiner Zeit bei der Messgröße (1983-1989) keine Korrelation zwischen
Bewölkungsgrad und Erträgen errechnete und dies auch publizierte.

Um den Beweis zu erbringen, dass es eine Korrelation zwischen dem Sonnenschein und den
Erträgen an den Börsen gibt, ist bisher lediglich der Bewölkungsgrad in die Analysen mit
eingeflossen. Diese Analyse lässt noch großen Spielraum in der Auslegung des Wetters und
somit ist es möglich die Daten von Schneefall und Regen mit zu berücksichtigen. Diese
Analysen verstärken den Beweis der Abhängigkeit der Indexerträge vom Bewölkungsgrad,
entkräften aber eine Abhängigkeit von anderen Wetterlagen auf die Indexerträge. In dieser
Abhandlung wird aber nicht näher darauf eingegangen.

Seite 9 von 14
 6. Conclusio

Diese Abhandlung untersuchte die Korrelation von sonnigem Wetter auf Aktienerträge. Es
wurden erst die psychologischen Hintergründe dieser These besprochen. Diese Thesen
führten zu dem Schluss, dass Sonnenlicht eindeutig einen positiven Einfluss auf das
menschliche Gemüt hat. Um diesen Effekt auch mit fundamentalen Daten zu untermauern,
führte man eine Analyse mit den Daten von 26 Börsenstandorten in der Welt, im Zeitraum
von 1982-1997 durch. Mit diesen Wetterdaten kam man zu dem Ergebnis, dass Schnee und
Regen keinen signifikanten Einfluss auf die Indexerträge zeigten und dass sehr wohl eine
signifikante Abhängigkeit vom Bewölkungsgrad besteht.

Selbst mit dieser Erkenntnis von der Korrelation des Sonnenlichtes auf die Indexerträge, wird
ein Investor nur schwer davon substantiell profitieren können. Eher eignet sich dieses
Wissen zur besseren Selbsteinschätzung über die Beeinflussung von Entscheidungen durch
äußere Faktoren. Dabei denkt man an die Tendenz unter Einfluss von Sonnenlicht
euphorisch zu sein und damit die Informationen positiver zu interpretiert als unter neutralen
Umständen.

Abschließend bleibt zu bemerken, dass ein scheinbar irrelevanter Faktor weitaus mehr
Auswirkungen hat als man objektiv annehmen würde. Man kann davon ausgehen, dass die
Psychologie am Marktplatz eine außerordentliche Rolle spielt und weitreichenden Platz für
weitere Forschungsansätze bietet.

Seite 10 von 14
 7. Referenzliste

Wright, W. F., and G. H. Bower, 1992, Mood effects on subjective probability assessment,

Organizational Behavior and Human Decision Processes 52, 276-291.

Clore, G. L., N. Schwarz, and M. Conway, 1994, Affective causes and consequences of social

information processing, in Jr. Tovert S. Wyer, and Thomas K. Srull, ed.: Handbook of Social
Cognition, 2nd edition (Lawrence Erlbaum, Hillsdale, NJ)

Forgas, J. P., 1995, Mood and judgment: The affect infusion model (aim),

Psychological Bulletin 117, 39-66

Schwarz, N., 1990, Feelings as information. Informational and motivational functions of

affective states, in T. Sorrentino, and E. T. Hiffins, ed,; Handbook of Motivation and

Cognition 2, 527-561 (Guilford Press, New York)

Schwarz, N., and H. Bless, 1991, Happy and mindless, but sad and smart? The impact of

affective states on analytic reasoning, in J. Forgas, ed.: Emotion and Social Judgments
pp. 55-71 (Pergamon, Oxford)

Johnson, E.J., and A. Tversky, 1983, Affect, generalization, and the perception of risk, Journal

of Personality and Social Psychology 45, 20-31

Schwarz, N., and H. Bless, 1991, Happy and mindless, but sad and smart? The impact of

affective states on analytic reasoning, in J. Forgas, ed.: Emotion and Social Judgments
pp. 55-71 (Pergamon, Oxford)

Saunders, E. M. J., 1993, Stock prices and wall street weather,

American Economic Review 83, 1337-1345

Seite 11 von 14
8. Tabellen

Tabelle 1

Zusammengefasste Statistikwerte

Seite 12 von 14
 Tabelle 2

Korrelations-Matrix

Seite 13 von 14
 Tabelle 3

Sonnenschein Regression und logistische Regression

Seite 14 von 14