The Long Run Return on Investment - Introduction of a VEC model to business bank accounts

Abstract

Denne masteroppgaven formulerer en strategi for å estimere avkastningen på investeringer ved hjelp av forretningsbankkontodata. Masteroppgaven er metodologisk basert, men dataene jeg bruker er en del av det større bildet av finansiell utvikling. Jeg utvikler en økonometrisk modell som kan, etter min mening, estimere avkastningen på investeringer, både innenfor og mellom bedrifter. Modellen gir høyere estimater for investeringer med høyere avkastning, og høyere estimater for bedrifter med høyere avkastning på investeringer. For å teste modellens robusthet, estimerer jeg ulike variasjoner av modellen, og jeg viser at den også kan brukes på data med lavere frekvens. Modellen kan brukes til å rangere bedrifter etter avkastning på investering, og i en utvidelse av modellen viser jeg at den også kan brukes til å rangere investeringer etter avkastning innenfor bedrifter. Dataene jeg bruker er gjort tilgjengelig for fintech-utlånere gjennom åpen banking, og jeg har fått tilgang til dataene fra en slik fintech-utlåner. Åpen banking har som mål å øke effektiviteten i kapitalmarkedet ved å redusere informasjonsbarrierene for finansforetak. Initiativets strategi er å tillate bedrifter å dele dataene som holdes i bankkontoene deres med andre finansselskaper, for derved å stimulere innovasjon i bearbeidingen av disse dataene. Fintech-utlånere bruker forretningsbankkontodata i vurderingen av potensielle låntakere, og anvender datavitenskapsstrategier for å identifisere kredittrisiko og investeringsmuligheter. Konkurranse innen utlån er ulik andre sektorer, da långivere alltid kan øke kredittilbudet ved å øke kredittrisikoen, noe som betyr at det er en fin balanse mellom produksjon og risiko. Innovasjon i prosesseringen av informasjon reduserer kredittrisiko og øker kredittilbudet direkte, selv om den indirekte effekten av konkurranse kan øke risiko i finanssektoren. Den generelle modellen jeg presenter i denne oppgaven kan bli implementert av enhver bank, finansforetak, eller fintech-utlåner, i evalueringen av potensielle låntakeres kredittverdighet.

This master thesis formulates a strategy to estimate the return on investment using business bank accounts. The thesis is methodological at heart, but the data I use is part of the bigger picture of financial development. I construct an econometric model that can, I argue, estimate the return on investment, both within and between firms. The model consistently yields higher estimates for investments with higher return and higher estimates for firms with higher return on investment. To test the model’s robustness, I estimate different variations of the model, showing that it can be applied to lower frequency data too. The model can be applied to rank the return on investments between firms, and in an extension of the model I show that the model can be used to rank the return on investment between investment types within firms. The data I use has been made available to fintech lenders through the open banking initiative, and I have been provided the data from one such fintech lender. Open banking aims to increase capital market efficiency by decreasing the informational barriers to entry in finance. The initiative's strategy is to enable firms to share the data withheld in their bank accounts with other finance companies, thereby incentivising innovation in the processing of that data. Fintech lenders use open banking data in the screening of potential borrowers, applying data-science strategies to identify credit risk and investment opportunities. But, competition in lending is different from other sectors, as lenders can always increase their supply of credit by increasing their credit risk, meaning that there is a fine balance between output and risk. Innovations in the processing of information directly reduces credit risk and increases credit supply, though the indirect effects of competition may be to increase risk in the financial sector. The general model I present in this thesis can be implemented by any bank, financial institution, or fintech lender, in the evaluation of potential borrowers' creditworthiness.