代写BUSANA 7001 - Predictive and Visual Analytics for Business 2024 S1代写Processing

BUSANA 7001 - Predictive and Visual Analytics for Business

2024 S1, Individual Assignment

March 14, 2024

Instructions

1. This is an individual assignment.

2.  The maximum score is 25 points.

3. The presentation of your write-up is important.   Poorly  formatted reports might lose up to 5 points.

4.  All numerical analysis, all tables and gures need to be done using SAS or SAS Visual Analytics (however, in Task 2, you may use Excel or Word etc.  to make tables for regressions as the standard SAS output for regressions is not very nice).

5.  Please retain your SAS code and make sure that it is user-friendly (use com- ments where necessary).  Using your submitted code, one should be able to produce all your results, tables, and figures.

6.  Please retain a copy of the problem set that is submitted.

7. You should submit 3 files (feel free to combine them into a single file):

●  `Assignment Cover Sheet', which must be signed (electronic signature is okay) and dated

●  the report (in pdf format) for Task 1

●  the report (in doc, docx, or pdf format) for Task 2; the report should be properly formatted and be similar to a business report; font:  12 pt Times New Roman; maximum number of pages:  10  (no penalty for exceeding this limit); at the end of the report (in the appendix) include your SAS code.

8.  Lecturer can refuse to accept assignments,  which do not have a signed ac-knowledgment of the University's policy on plagiarism.

9. Any suspected plagiarism will be severely punished.  This includes any student that submits copied work or any student that allows their work to be copied.

10. You must acknowledge any external material you use in your answers, e.g., material from websites, textbooks, academic journals and newspaper articles.

11. All queries (including deadline extensions) for this project should be directed to Course Coordinator.

12. The submission deadline for the Individual Assignment is 6pm, Friday the 29th of March, 2024.

13. The submission must be done through MyUni.

14.  Late submission will be penalized 2.5 points per day.

Agenda

Assume that you area financial analyst working for an investment bank, specializing in initial public offerings (IPOs).

An IPO is the process of offering shares of a private corporation to the public in a new stock issuance for the   rst time.  An IPO allows a company to raise equity capital from public investors.  Before the IPO, the stocks of a firm are not traded on any stock exchange.  After an IPO, the stocks are traded on at least one stock exchange, and public investors could buy its shares.

Companies hire investment banks to underwrite the stock issue. Speci cally, investment banks help an issuer to sell shares to public investors, primarily to large institutional investors such as mutual funds. The tasks of an investment bank include assessing the demand for shares, how much investors are willing to pay for each share, and providing stock price support after its trading commences on the stock exchange (i.e., which means that the investment bank would trade the stock in order to keep its price within a certain range).

Investment banks charge underwriting fees for their service, typically expressed as a percentage of the IPO size.  For example, if an issue amount is $100 million, underwriting fees could be 7 per cent or $7 million.  You have been assigned the task to analyze the historical IPO fees  (data   le:  IPO_data_2024_S1.csv) and determine how much a new client should be charged for its IPO. In the data set, IPO fees are in % of the IPO amount. IPO price is in $. Debt, profit, assets are in $ million. IPO amount is defined as how much money (in $ million) a  firm got from investors.

1    Descriptive statistics using SAS Visual Analytics       (10 points)

This task has to be completed using SAS Visual Analytics.

Using the provided dataset, create a report (using `Text' object which is avail- able under `Content' group) with various   gures and tables (around 6 objects) that summarize the sample. Discuss brie  y your sample, including the number of obser- vations, outliers. Provide the descriptive statistics of the sample.  How you choose to do this is entirely at your discretion.  However, it is recommended that you consider using both summary statistic and graphical methods (this task should include at least one properly formatted table, one pie chart, one histogram, and one scatter plot) while also noting any peculiarities within the data set. You should put more emphasis on variables that are the dependent variables in the regressions estimated in the next task.

Then estimate an OLS regression model where the dependent variable is the IPO fee.  Motivate your choice of the independent variables and discuss the results (again, using `Text' object which is available under `Content' group).

2    Estimating yield for a hypothetical bond (15 points)

This task has to be completed using SAS onDemand for Academics.

First, you should prepare your data for the analysis:

● remove duplicates (if any)

● remove observations with missing values of any variable

● remove observations where the exchange is neither Nasdaq nor New York (in other words, retain those observations where the exchange is Nasdaq or New York).

Then create the following variables:

● three time period dummy variables (which can be used instead of year fixed effects):

1. if ipo_year ≤ 2000

2. if 2001 ≤ ipo_year ≤ 2009

3. if ipo_year ≥ 2010

● a natural logarithm of   rm's assets

● a natural logarithm of IPO size

● leverage (debt-to-assets ratio)

● ROA (pro  t-to-assets ratio)

● a dummy if pro  t is positive.

● a dummy is a   rm is from California.

Then provide a summary statistics table of main variables and briefly discuss it.

Afterwards, perform a regression analysis where the dependent variable is IPO fee. To ensure that the results are robust, estimate at least 3 regression models (e.g., in the   rst regression model, one includes size in $, in the second model, one uses the natural logarithm of size in $, and the third model features something else).  To ensure that regression residuals  behave well,   you may need to scale or transform one or more variables.  For example, to use a natural logarithm value of the variable instead of its raw value.  Do not forget to include industry and time fixed effects in the regression models as the independent variables (i.e., at least, one regression should be with fixed effects).

Briefly discuss the determinants of IPO fees (i.e., which firm characteristics sig- nificantly increase and decrease IPO fees?)  and answer the following questions:

● Which industries are associated with highest and lowest IPO fees?

● Do firms in California pay lower IPO fees?

● Do IPO proceeds depend on the time period (1, 2, or 3)?

● Do profitable firms listed on New York stock exchange have lower IPO fees?

Lastly, you need to estimate IPO fees for the following issue:

●  assets = 500

● roa = 0.05

● ipo_amount = 300

● leverage = 0.1

● state = California

● exchange = New York

● industry = Machinery

● IPO price = 25.

Using one of the regression models, compute one additional IPO fee estimate:

● the IPO amount is $100, roa is -0.1, other issue characteristics are the same as above.

Are the results the same as the main estimate? Why?