Bokföringsfiffel och konkursrisk på Stockholmsbörsen (2018)

Det här blir en mycket ambitiös (och bitvis bristfällig) utvärdering av de flesta bolag på Stockholmsbörsen. Nedan kommer jag använda två metoder som visar om det finns risk för att ett bolag använder sig av redovisningsmanipulation, eller om bolaget i fråga löper risk att gå i konkurs inom de närmaste 12 månaderna. Jag kommer att beräkna en så kallad “probability of manipulation” (PROBM/M-score) och en “probability of financial distress” (PFD). Ambitionen har varit att göra det för så många bolag som möjligt på Stockholmsbörsen, men av olika anledningar har jag tvingats utesluta en del. Mer om det längre ned.

I ett sådant här inlägg går det nästan inte att ha nog med disclaimers för att vara säker på att ni läsare är införstådda med vad jag visar här. Framför allt annat vill jag förtydliga att resultaten inte visar att ett visst bolag aktivt manipulerar bokföringen, eller att bolaget garanterat kommer gå i konkurs inom 12 månader. Metoderna har en historik av att framgångsrikt identifiera bolag som man bör undvika att investera i, men en del av bolagen som dyker upp kan göra det av orsaker som är helt i sin ordning.

PROBM/M-score och PFD beskrivs bland annat i boken “Quantitative Value”, av Wesley Grey och Tobias Carlisle. Det finns många fler metoder än dessa, och ursprungligen var min egen målsättning att använda så många som möjligt. Det visar sig däremot att flera av de äldre metoderna antingen är anpassade efter vissa specifika sektorer, eller helt enkelt inte lämpar sig lika bra att använda som de gjorde när de först utvecklades. Exempelvis är PFD en vidareutveckling av andra metoder, och det skulle vara helt överflödigt att även ta med dessa. Jag har därför valt bort bland andra Altman Z-score, Ohlson’s O-score, Sloan Ratio, Scaled Net Operating Assets och Shumways Hazard Model.

Så långt det är möjligt har jag försökt tillämpa metoderna såsom de beskrivs i Quantitative Value. Då Börsdata inte tillhandahåller alla nyckeltal som krävs för metoderna har jag behövt göra en del anpassningar av vissa parametrar, så ta resultaten i det här inlägget med en nypa salt. I avsnitten om respektive metod ser jag till att det tydligt framgår vilka eftergifter jag har gjort, så är det upp till var och en att avgöra om de är så pass stora att resultaten blir lidande.

Urval och period för utvärdering

• All data är hämtad den 28/2 2018. Det betyder att samtliga bolag som inte har brutna räkenskapsår har rapporterat årsboksluten för 2017. Alla bolag med brutna räkenskapsår har utesluts från beräkningarna.
• För att beräkna PROBM/M-score jämför jag siffror från 2016 och 2017. Bolaget måste därför ha varit noterat i två år för att Börsdata ska ha de uppgifter som krävs. Även om det i vissa fall finns uppgifter även för bolag som noterats mer nyligen än så är det väldigt många av dem som inte har det. Därför har jag exkluderat alla bolag som noterats under 2016-2018.
• PFD kan användas på bolag inom Finans och Fastighet, men eftersom PROBM/M-score inte är anpassad för den typen av bolag så utgår de sektorerna.

Efter ovanstående justeringar återstår 199 av Stockholmsbörsens 317 bolag.

Källa för samtliga uppgifter är alltså Börsdata. Jag har valt att använda sidan på engelska för att säkerställa att jag använder rätt finansiella nyckeltal för de olika parametrarna. De svenska översättningarna är säkert helt i sin ordning, men jag vill inte riskera att göra något misstag för att jag har tolkat det fel. Till exempel är det lättare att vara 100 % säker på att jag får med “Cash equivalents” när det står att dessa inkluderas i nyckeltalet “Cash” (till skillnad från den svenska beskrivningen av “Kassa” där det står “Likvida medel och kortfristiga placeringar inom omsättningstillgångar”). Kanske självklart för den kunnige, men inte för en lekman som jag.

Jag kommer inte visa resultaten för samtliga bolag på Stockholmsbörsen, utan endast de 10 bolag med “sämst” resultat för respektive metod. Resultaten kommer längre ned, efter beskrivningarna av båda metoderna.

Metoder

Probability of Manipulation (PROBM/M-score)

Då har det äntligen blivit dags att använda den här metoden som jag skrev så mycket om i början av året. PROBM kallas nästan alltid för M-score och utvecklades av Messod D. Beneish på 90-talet. Metoden syftar till att hitta bolag som med stor sannolikhet manipulerar bokföringen. En typisk “manipulator” beskrivs av Beneish på följande sätt:

Den som tänker komma med kritik över vilken brytpunkt och variant av metoden jag har valt bör först läsa det förra inlägget jag gjorde om M-score. Där reder jag ut en hel del av de missförstånd som cirkulerar kring hur den här metoden ska genomföras.

Här gör jag ingen långrandig utläggning om vad varje parameter består av och innebär, utan jag kommer kort att sammanfatta de modifieringar jag har gjort och sedan gå vidare till nästa metod. Beskrivningar av parametrarna finns i Messods artiklar, samt i ett informativt inlägg av Kenny Granath på Värdepappret. Ekvationen ser ut på följande sätt:

Resultatet blir ett värde som, om det är större än -1,78 (alltså närmare noll, eller positivt), visar att bolaget sannolikt manipulerar räkenskaperna. En brytpunkt på just -1,78 innebar i ursprungsartikeln att 74 % av bolagen som manipulerade räkenskaperna kunde upptäckas, samtidigt som 14 % av bolagen som fångades upp var oskyldiga.

Jag har behövt göra följande anpassningar för att kunna genomföra metoden:

• För DSR har jag fått fram kundfordringar genom att ta omsättningstillgångar – kassa. Det gör att även varulager räknas in. En ökning i varulager ger därför ett högre (sämre) värde på DSRI, vilket kan vara missvisande.
• Om det förekommer saknade värden i det underlag som behövs för att beräkna någon parameter, sätts parametern till 1. I Beneish artikel från 1999 gjordes detta för AQI, DEPI och SGAI, utan att resultaten påverkades nämnvärt. Jag har valt att göra det även för andra saknade värden, vilket framför allt påverkade beräkningarna av GMI. En beskrivning av vad detta innebär görs i Hofmann (2006):

Det här blir därför fördelaktigt för de bolag som faktiskt har oegentligheter i sin bokföring.

• SGAI för samtliga bolag sätts tyvärr till 1. Börsdata har inte den informationen och jag tänker definitivt inte gå igenom alla 199 årsbokslut för att få tag på värdena. Beneish erhöll liknande resultat med och utan korrekta värden på denna.
• Depreciation (för att kunna beräkna DEPI) finns inte heller som eget nyckeltal på Börsdata. Jag är istället tvungen att använda både D & A. Samma tillvägagångssätt används även på andra håll (artiklar och olika screeners), vilket inte är en ursäkt eftersom det inte är det sätt som används av Beneish, men jag har tyvärr inget val.

Probability of Financial Distress (PFD)

Den här metoden har en helt annan inriktning än den förra, och syftar istället till att ta reda på sannolikheten för att ett bolag befinner sig i finansiella svårigheter (financial distress) och löper risk att försättas i konkurs. Det här är något som har undersökts mycket i över 60 år, då en banbrytande studie publicerades av Edward I. Altman. Z-score fick stort genomslag, men var redan från början anpassad efter en begränsad typ av bolag. PFD introduceras i Campbell et al. (2008) och ska vara “a better measure of future financial distress than earlier models of financial distress like the Altman Z-score or Ohlson’s O-score”. PFD är i själva verket en vidareutveckling av Shumways Hazard Model och den modell som 2004 presenterades av Sudheer Chava och Robert A. Jarrow. PFD sammanfattas i Quantitative Value på följande sätt:

Även här är det 8 parametrar som ska beräknas. En senare artikel av samma författare utökade den period som metoden parametriserades för, vilket resulterade i uppdaterade koefficienter och konstanter. Beskrivningar av parametrarna finns i artiklarna från 2008 och 2010, samt på mängder av sidor på nätet. Ekvationen (med värden från 2010) ser ut som följer:

Värden på LPFD “omvandlas” sedan för att ge ett värde mellan 0 och 1 (motsvarande 0-100 % sannolikhet för “financial distress” inom de kommande 12 månaderna).

Jag har behövt göra följande anpassningar för att kunna genomföra metoden:

• Jag har inte data över respektive kvartal, så jag kan inte vikta de fyra senaste kvartalen för att få NIMTAAVG och EXRETAVG. För mig kommer dessa parametrar istället motsvara TTM. I originalartikeln viktas kvartalen eftersom ihållande förluster eller kontinuerlig minskning av marknadsvärdet är en bättre indikator på konkursrisk än enstaka kvartalsvärden.
• SIGMA (standardavvikelsen för de tre senaste månaderna) har utgått eftersom jag inte har dygnsdata för perioden. Jag hade kunnat få ett ungefärligt värde genom att använda ett av nyckeltalen som finns på Börsdata, men valde bort det. Det innebär att alla som är med på listan ges något bättre värden än vad de skulle ha om även detta räknats in. Det är ändå mycket stor skillnad mellan de som bedöms vara i “financial distress” och övriga att det inte påverkar rangordningen. Däremot går det (som med alla metoder) inte att ta procentsatserna som en exakt vetenskap. 
• Vid en beräkning av EXRETAVG och RSIZE används värden på ett index (som i ursprungsartikeln motsvarar S&P 500). Det index jag använder mig av motsvarar ett likaviktat index av alla bolag i mitt urval. Jag hade kunnat använda mig av OMXSPI, men eftersom jag har exkluderat en hel del av de bolag som finns med där blir det här mer korrekt.

Resultat

M-score

9 av bolagen i urvalet har ett M-score större än -1,78. G5 Entertainment ligger alltså på rätt sida om brytpunkten för redovisningsmanipulation, men har ändå ett sämre värde än 95 % av alla bolag. Fingerprint Cards och Saniona sticker ut med extremt dåliga värden.

För Fingerprint Cards är det AQI som står för en stor del av det dåliga betyget. Det innebär mer konkret att FPC under 2017 har haft en kraftig ökning av immateriella tillgångar, som kan indikera att bolaget aktiverar utvecklingskostnader i balansräkningen istället för att ta dem som en löpande kostnad, alltså att bolaget skjuter upp kostnader istället för att ta kostnaden här och nu.

Saniona har höga värden på både AQI och DSRI. Precis som för FPC har Saniona under 2017 haft en ökning av immateriella tillgångar. Det dåliga betyget på DSRI beror delvis på mitt sätt att räkna fram värdet, då jag inte har hämtat kundfordringar direkt från bokslutskommunikéerna. Kompenserar jag för det genom att lägga in exakta värden från rapporten blir DSRI lägre, men Saniona hamnar trots det bland de bolag med sämst värde på M-score.

PFD

För PFD är det endast ett fåtal bolag som får ett betyg som verkligen borde hissa varningsflaggor. Jag listar ändå 10 st, eftersom de trots allt har sämre värden än alla andra bolag i urvalet.

Invuo Technologies har framför allt något lägre värden på NIMTA och EXRET, samtidigt som aktiekursen endast handlas till någon enstaka krona (PRICE). De parametrarna påverkas av liknande faktorer och är kopplade till sjunkande omsättning och den kraftigt fallande aktiekursen det senaste året.

För NeuroVive Pharmaceutical gäller samma saker som för Invuo. Däremot är det tydligt att bolagen med hög sannolikhet för “financial distress” ganska genomgående har dåliga betyg på de flesta parametrar. Det är alltså inte något enstaka värde som sticker ut, som det är för bolag med ett dåligt M-score.

Resultaten för PFD passar ganska väl in på de slutsatser Campbell et al. drar i artikeln från 2010:

Övrigt

Det typiska bolaget på listan är ett bolag på Small Cap, inom sektorerna Hälsovård eller Informationsteknik. Bolag som uppfyller någon av de kriterierna står för 60-70 % av de 20 som jag har listat.

Tre bolag lyckas “hedrande” nog ta sig in på topplistorna för båda metoderna. Dessa är Fingerprint Cards, Invuo Technologies och NeuroVive Pharmaceutical. PFD ger ju dock FPC en mycket låg sannolikhet för att hamna i svårigheter inom de kommande tolv månaderna, så det är endast M-score som flaggar för att det finns bättre bolag att investera i för tillfället.

Tråkigt nog äger jag själv ett av bolagen på listan, nämligen just FPC. De låg väldigt högt rankat enligt Magic Formula när jag rebalanserade min andra strategi i juni förra året. Där tar jag även hänsyn till F-score, och av de 12 bolag jag plockade in då hade FPC det lägsta betyget. Inte helt oväntat har det varit en bedrövlig kursresa sedan dess, så det ska nog mycket till för att de ska få förnyat förtroende vid nästa rebalansering (de har i dagsläget en F-score på endast 4).

Jag kommer hålla lite koll på dessa under det kommande året. Förhoppningsvis kan jag göra en ny avstämning 1 år från nu, och kan då se om alla bolag fortfarande finns kvar i samma skepnad som nu. Kanske har metoderna framgångsrikt lyckats identifiera ett bolag som inte hade rent mjöl i påsen, eller som uppfyllt någon av kriterierna som krävs för att klassas som ett bolag i “financial distress”?

Hur skulle till exempel en likaviktad portfölj som går kort i dessa innehav prestera gentemot OMXSPI? Kanske är det något jag återkommer med framöver.

Betyder resultaten att alla bolag jag har listat verkligen hör hemma så högt upp? Kanske inte, någon av de anpassningar jag har gjort kan mycket väl göra att en parameter får för stort (eller litet) inflytande. Däremot är det mindre troligt att samma bolag har “drabbats” av flera eller samtliga av mina kompromisser, så en viss “finger”visning ger det ändå.

Artiklar som nämnts

Beneish, M., 1999
The Detection of Earnings Manipulation

Beneish, M., Lee, C. M. C., & Nichols, D. C., 2013
Earnings Manipulation and Expected Returns

Campbell, J., Hilscher, J., & Szilagyi, J., 2008
In Search of Distress Risk

Campbell, J., Hilscher, J., & Szilagyi, J., 2010
Predicting Financial Distress and the Performance of Distressed Stocks

Hofmann, J., 2006
Earnings Management e Analisi Della Qualità Degli Utili: Un Confronto Tra Metodi Quantitativi Per Il Rilevamento Di Manipolazioni Del Bilancio D’Esercizio