Анализ финансовых временных рядов
Оглавление
Введение
Глава 1. Теоретическое
обоснование исследования
1.1 Изучение и анализ
основной литературы
1.2 Влияние девальвации
национальной валюты на цены активов
1.3 Влияние девальвации на
фондовый рынок
1.4 Влияние процентных
ставок
1.5 Изучение отраслевой
динамики
1.6 Описание выборки
данных
Глава 2. Практические
аспекты анализа временных рядов
2.1 Статистический анализ
первоначального набора данных
2.2 Корреляционный анализ
данных
2.3 Регрессионный анализ
2.4 Оценивание моделей
методом «Rolling Window»
Глава 3. Анализ отраслевых
взаимосвязей
Заключение
Список источников
Приложение
Введение
В нашей работе мы будем анализировать временные ряды на примере изучения
и анализа динамики российского фондового рынка с момента его становления и на
текущий момент.
Объектом нашего исследования являются финансовые временные ряды. В
простейшем случае временным рядом является совокупность собранных в разные
моменты времени статистических единиц, описывающих те или иные свойства
определенного процесса. Основным отличием временного ряда от обычной выборки
данных является упорядоченность статистических элементов во времени и изучение,
и анализ этих элементов происходит в зависимости от динамики этих элементов во
времени. Финансовым же временным рядом является временной ряд, в котором в
качестве статистических элементов выступают экономические или финансовые
параметры и характеристики определенного процесса. (2) Финансовым временным
рядом, например, может являться ряд данных по ВВП России с 1992 по 2014 года, или,
например, ряд данных по биржевым котировкам какой-нибудь акции за определенный
промежуток времени.
Предметом нашего исследования является российский фондовый рынок,
представленный определенными временными рядами - биржевыми индексами. Мы будем
изучать и анализировать взаимосвязи и закономерности в динамике российского
фондового рынка с множеством других финансовых показателей, также относящихся к
финансовым временным рядам.
В своей работе мы будем ориентироваться на работы российских
исследователей фондового рынка, анализировавших взаимосвязи и закономерности в
динамике российских биржевых индикаторов и множества других временных рядов.
Основополагающими работами станут статьи Анатольева и Пересецкого, которые
использовали в целом схожие инструменты анализа временных рядов, однако
ориентировались на различные факторы, различные временные интервалы, а также
включали в себя некоторые дополнительные особенности, отличающие исследования
друг от друга:
Таблица № 1 Основополагающие различия исследований Анатольева и
Пересецкого
|
Фактор
|
Анатольев
|
Пересецкий
|
|
Временной отрезок
|
1995-2004 года
|
2000-2010 года
|
|
Тип данных
|
Недельные данные
|
Дневные данные
|
|
Особенности
|
Использование особого «рискового» фактора в модели
|
Анализ волатильности с помощью моделей с авторегрессионной
условной гетероскедастичностью
|
|
Основные выводы
|
Выводы исследований в целом совпадают
|
Вопросом изучения динамики мировых фондовых рынков занимаются многие
ученые экономисты в течение долгого времени. Они пытаются определить
закономерности и возможные взаимосвязи между различными факторами, для того,
чтобы иметь возможность предсказывать и прогнозировать дальнейшее направление
движения фондовых рынков. К сожалению, еще никому не удалось найти единственно
верное и универсальное решение данной проблемы, однако, несмотря на этот факт,
в процессе проведения анализа и исследований многие ученые смогли прийти к
различным важным выводам и наблюдениям.
Тем не менее, несмотря на популярность данной темы, найти достаточное
количество современных работ, изучающих динамику российского фондового рынка,
достаточно сложно. Кроме того, существующие работы обычно покрывают небольшие и
старые временные диапазоны, и актуальность таких исследований обычно сильно
снижается уже через несколько лет, так как взаимосвязи на фондовых рынках
крайне неустойчивы во времени и выводы, и закономерности, которые работали и
были справедливы даже несколько недель или месяцев назад, сейчас уже могут не
работать.
Целью нашей работы является поиск и определение ключевых детерминант
динамики российского фондового рынка. анализ взаимосвязей с факторами в
динамике, а также описание данных зависимостей и сравнение этих связей с
фундаментальными предпосылками и нашими гипотезами. Основными задачами нашего
исследования станут поиск и сбор необходимых данных, проведение статистического
и регрессионного анализа данных, . анализ взаимосвязей с факторами в динамике,
а также описание данных зависимостей и сравнение этих связей с фундаментальными
предпосылками и нашими гипотезами.
Глава 1. Теоретическое обоснование исследования
1.1 Изучение и анализ основной
литературы
Первым шагом нашего исследования является первоначальный сбор всей
необходимой информации, отбор ключевых факторов, которые будут исследованы и
проанализированы, а также выбор диапазона дат и интервала исследования. Об этом
мы и расскажем далее.
Ранее уже было отмечено, что основополагающими работами станут статьи
Анатольева (1.1) и Пересецкого (1.7.), хотя для исследования мы также изучили
несколько связанных с ними работ, серди которых можно отметить, например,
работы Горяева и Сонина (1.3.) и Хайо и Кутана (1.5.).
Как известно, исследователи оценивали российский рынок на разных
промежутках времени, что может быть связано и с тем, что статьи были написаны в
разное время и у Анатольева, например, не было возможности собрать такой же
объем данных за тот же период, что у Пересецкого, и с тем, что исследователи
по-разному оценивали значимость тех или иных этапов развития фондового рынка в
России и брали в расчет разные факторы, по которым было возможно собрать данные
только лишь с определенного момента времени.
Пересецкий не использует в анализе данные раньше 2000 года, что может
быть связано с тем, что российский фондовый рынок, в том виде, в котором мы его
знаем сейчас, в целом начал формироваться только после кризиса 1998 года. В
начале и середине 90-х годов фондовый рынок был мало похож на современный
вариант, что было обусловлено множеством факторов: здесь нужно отметить и целый
ворох политических проблем - нестабильность властных структур, постоянные смены
министров и правительств и многое другое. Экономическая ситуация также была
далека от идеала: после развала СССР, экономика страны была отброшена на годы,
или даже на десятилетия назад. Перестройка под новый экономический лад давалась
тяжело - высокая безработица, высокий уровень населения, живущего за чертой
бедности, вспышки инфляции и девальвации рубля, совершенная «на скорую руку»
приватизация собственности ну и наконец, дефолт 1998 года. Внешняя конъюнктура
была также неблагоприятна: сырьевые цены в те годы держались на низких уровнях,
поэтому основа российской экономики - нефтегазовый сектор, находился в
плачевном состоянии и не мог в одиночку обеспечивать процветание государства,
как это будет позже, в нулевых. Не стоит забывать и том, что кризис в России в
1998 году был во многом спровоцирован долговым кризисом в странах юго-восточной
Азии, который вспыхнул там, в середине 1997 года.
В совокупности политические и экономические факторы оказывали крайне
негативное влияние на внутреннее развитие финансовой системы. Большой проблемой
было также отсутствие хорошей правовой базы, ведь многие законы, регламенты и
правила после развала СССР и перехода к рыночной модели экономики, пришлось
писать фактически с нуля, но для этого требуется время. В частности, именно
из-за этого фактора 90-ые годы стали настоящим расцветом преступности и
мошенничества, в том числе и финансового характера: вспомним множество
выстроенных финансовых «пирамид», среди которых была известная на всю страну
МММ. В таких условиях трудно говорить о нормальном развитии финансового и
фондового рынка. С тех пор ситуация заметно улучшилась, но в вопросе развития
правового обеспечения деятельности на фондовом рынке остается еще очень много
проблем: острым вопросом, например, является защита прав миноритарных
акционеров и, в частности, именно этим фактором обуславливается низкая
привлекательность российского фондового рынка для иностранных инвесторов, а
также слабая вовлеченность рядового населения страны в деятельность финансовой
системы. (1.1., 1.7.)
Кроме того, Пересецкий и Анатольев используют в качестве основного
анализируемого фактора разные показатели: первый ориентируется на биржевой
индекс ММВБ, по которому собрать точные ежедневные данные можно лишь с 1997 (а
данные «внутри дня» - лишь с 2001), хотя электронные торги на московской бирже
стартовали еще в 1995 году. Анатольев же ориентируется на другой биржевой
индекс - MSCI Russia, который отражает стоимость наиболее ликвидных
российских акций в долларах, а не в рублях, как это оценивается в индексе ММВБ.
Для исследования взаимосвязей в мировой экономике принято использовать
показатели, выраженные в долларах США, так как именно он является основной
мировой (резервной) валютой, принятой для международных расчетов. В этом
смысле, использовать индекс от Morgan Stanley
представляется более разумной идеей. По индексу MSCI Ru также есть возможность собрать больший объем данных - с 1995
года, как раз с периода начала электронных торгов на московской бирже. Для
целей нашего исследования будут использованы оба индикатора и только в процессе
анализа выберем лучший из них. Кроме того, в исследование будет включен индекс
РТС - он также отражает цены российских акций в долларах США, но имеет немного
иной состав.
Также обозначим остальные факторы, которые будут изучены в данном
исследовании:
· Зарубежные биржевые индексы. И Анатольев, и Пересецкий в
своих работах, в качестве одной из главных детерминант российского рынка
выделяют именно иностранные биржевые площадки. В мировой экономике все процессы
тесно взаимосвязан, поэтому состояние экономики одного государства (тем более
крупного) и состояние его фондового рынка может оказывать сильное влияние на
другие экономики мира. После распада СССР, Российская Федерация постепенно
начала интегрироваться в мировую экономическую и финансовую систему. Кризис
1998 года показал, что этот процесс прошел не бесследно. По данным на 2013 год,
Россия экспортировала в другие страны товары на общую сумму в 515 миллиардов
долларов, что составляет примерно 3% от общемирового экспорта и занимает по
этому показателю девятое место в мире. (3.11) При этом, Россия в том же 2013
году импортировала товаров на сумму в 341,7 миллиардов долларов, занимая по
этому показателю 15 место в мире. (3.8.) Уже из этих показателей можно сделать
вывод о том, что российская экономика оказывает сильное влияние на общемировую
экономику, также, как и мировая экономика, в свою очередь, оказывает еще более
значимое влияние на российскую экономику. (1.5.)
Для того, чтобы оценить взаимосвязи мировых фондовых рынков, необходимо,
для начала, определиться с вопросом кто является крупнейшими игроками в этом
секторе. Ответ на этот вопрос найти не так сложно - это крупные международные
инвестиционные банки, инвестиционные компании, хедж-фонды и прочие
представители отрасли финансовых посредников. Их доминирующее положение в
мировой финансовой системе было определено их исторически сложившейся ролью -
банки и фонды призваны привлекать капитал из тех отраслей и секторов, где он в
избытке, с тем чтобы, инвестировать этот капитал в те отрасли и сектора, где он
в дефиците. Чтобы убедиться в том, что именно финансовые компании обладают
самыми большими объемами денежных средств, достаточно открыть рейтинг 2000
крупнейших публичных компаний мира по версии Forbes за 2013 год: первая нефинансовая компания (из
реального сектора экономики) по размеру активов появится лишь на 47 месте и это
будет американский энергетический гигант General Electric. (3.25) Примерно те же результаты
можно получить и в Bloomberg: по его
данным, крупнейшими, по объемам активов, отраслями экономики являются
банковский сектор, отрасли страхования, инвестбанкинга и управления активами,
оставив далеко позади все остальные отрасли экономики. (3.20)
Таким образом, финансовые посредники стали аккумулировать у себя огромные
объемы денежных средств, которые они затем вкладывают в различные объекты
инвестирования, а фондовый рынок является одним из самых удобных методов
перераспределения капитала.
Из сказанного выше вытекает второй и самый главный вывод: крупнейшие
банки и фонды располагаются в США, Европе, Китае и Японии, поэтому именно эти
регионы имеют самое большое влияние на мировую финансовую систему. От того,
куда будут вкладываться JP Morgan или ICBC зависит гораздо больше, чем от действий Сбербанка или
ВТБ, и влияние крупнейших мировых банков на мировые рынки акций, облигаций,
деривативов, валюты, сырья и драгметаллов, очень трудно переоценить.
Но когда мы говорим о взаимосвязи российского и мировых фондовых рынков,
нельзя забывать еще об одном важном факторе: на иностранных биржевых площадках
торгуется достаточно большое количество акций и депозитарных расписок на акции
российских компаний. Как правило, крупные компании, вроде Газпрома, ЛУКОЙЛа и
МТС, имеют листинг одновременно и на российском фондовом и рынке, и на
иностранных площадках, иногда даже на нескольких. Ясно, что динамика одной и
той же акции не будет абсолютно различаться на торгах в Москве и Нью-Йорке (по
крайней мере, в течение длительного времени), поэтому движение будет идти
примерно в оду сторону. В этой связи, динамика акций и депозитарных расписок на
иностранных площадках может оказать более сильное влияние на капитализацию
компании, так как объемы торгов в Лондоне или Нью-Йорке в разы превосходят
объемы торгов на Московской Бирже. (3.20)
В этой связи важно оценивать взаимосвязь динамики российского рынка с
западными и восточными мировыми площадками, оценивать, как российский рынок
реагирует на общемировые события и на настроение инвесторов на мировых фондовых
площадках. В качестве основных мировых биржевых индексов мы выделили индикаторы
крупнейших фондовых площадок из главных финансовых центров мира. Первый из них
- Нью-Йорк в котором расположены две крупнейшие биржи США и по совместительству
крупнейшие фондовые биржи мира - NYSE (New-York Stock Exchange) и NASDAQ. NYSE
является крупнейшей в мире биржей по объему торгов акциями. Листинг на этой
площадке провели более 3000 компаний из США и мира, в том числе и несколько
десятков компаний из России. Биржа NASDAQ опережает NYSE в плане
технологического оснащения и развитости системы электронных торгов, но объемы
торгов на ней пока что уступают старейшей бирже США, что не мешает ей быть
одной из крупнейших в мире (3-е место). В качестве фондовых индикаторов
американского рынка, мы будем использовать индекс S&P 500,
объединяющий крупнейшие публичные компании США по капитализации и являющийся
основным и самым популярным фондовым индексом США, а также индекс MSCI USA, являющийся близким аналогом индекса от Standard & Poor’s. (3.18,
3.17)
Второй признанный финансовый центр мира - это Лондон, где расположена
одна из старейших мировых фондовых бирж LSE, берущая свое начало еще в 16-ом веке. На данный
момент Лондонская биржа является пятой в мире по величине. Основной биржевой
индикатор Лондонской биржи - индекс FTSE 100, объединяющий капитализацию крупнейших компаний, торгуемых на LSE. В Лондоне также торгуется
значительное число депозитарных расписок на акции российских компаний. (3.4, 3.16)
Вторая по значимости европейская биржа располагается в немецком городе
Франкфурт-на-Майне, также являясь шестой в мире по размерам. Основной биржевой
индикатор этой биржи - индекс DAX.
Все большее значение в последние годы имеют фондовые биржи Азии. По
данным на 2013 год, три крупнейших азиатских экономики - Китай, Индия и Япония,
превосходят все остальные государства мира, уступая лишь США. Влияние
азиатского региона на мировую экономику и политику сейчас как никогда велико,
так что оценка взаимосвязи российского фондового рынка с азиатскими площадками
также имеет очень большое значение.
Среди всех азиатских бирж крупнейшая располагается в Японии, в столице
этой страны Токио. Токийская фондовая биржа также занимает второе место по
размерам в мире, уступая лишь Нью-Йоркской бирже. Основной биржевой индикатор
Японии - индекс Nikkei 225,
объединяющий капитализацию крупнейших японских компаний, акции которых
торгуются на токийской фондовой бирже. Продолжительная борьба с дефляцией и
низкими темпами роста, которая ведется в течение последних двух десятилетий,
сделала Японию и ее ЦБ одними из главных поставщиков ликвидности в мировую
финансовую систему и по этому показателю она уступает лишь США и Федеральной
Резервной Системе. (3.10)
Отметим также фондовый рынок Китая и его крупнейшую биржу, которая располагается
в Шанхае входит в число 10 крупнейших бирж мира. Китайская экономика занимает
второе в мире место по размеру ВВП, а сама «Поднебесная» является крупнейшим в
мире импортером сырьевых товаров, оказывая самое прямое внимание на цены
сырьевых фьючерсов по всему миру. (3.15) Кроме того, если обратиться к уже
упомянутому рейтингу Forbes
2000 за 2013 год, та на первых трех местах в общем рейтинге (по совокупности
нескольких показателей), можно обнаружить исключительно китайские банки - ICBC, China Construction Bank и Agricultural Bank of China, что еще раз доказывает силу влияния китайской
экономики и финансовой системы на весь мир. (3.25) В качестве биржевого индикатора возьмем индекс Shanghai Composite.
В качестве последнего фондового рынка в нашей работе мы будем исследовать
Гонконгскую фондовую биржу, которая также входит в число 10 крупнейших в мире.
Сам по себе Гонконг является одной из самых благополучных территорий в мире по
показателю ВВП на душу населения, а также регулярно занимает призовые места в
рейтингах лучших финансовых центров мира. (3.15, 3.5) В качестве биржевого
индикатора мы возьмем ключевой индекс Hang Seng.
Основное внимание из этого списка стоит уделить двум крупнейшим и
старейшим биржам - Лондона и США, но сделать это нужно не только из-за
общемировой значимости, но исходя из того фактора, что именно на этих двух
площадках в настоящий момент торгуется наибольшее число депозитарных расписок и
акций российских компаний за рубежом.
· Сырьевые рынки. Бесспорен и тот факт, что российская
экономика и российский фондовый рынок соответственно, сильно связаны с мировыми
ценами на сырьевые ресурсы, в частности с ценами на нефть. Объясняется это
довольно просто: почти половина доходов федерального бюджета России
складывается из поступлений от нефтегазового сектора экономики. Этому сектору
также принадлежит больше половины от всего объема экспорта РФ. (3.1, 3.8, 3.11)
Кроме того, в расчетах основных биржевых индексов России (ММВБ и РТС) доля
нефтяных компаний составляет чуть больше 30% - это самая «тяжелая» отрасль
российского фондового рынка от динамики которой напрямую зависит динамика всего
фондового рынка. Если же добавить в расчет Газпром и НОВАТЭК, которые тоже
часть своей выручки получают от добычи и продажи нефти, то общая доля сектора
вырастет до 50%. (3.9) В таких условиях становится ясно, что изменение мировых
рыночных цен на нефть будет оказывать очень сильное влияние не только на
экономику, но и на динамику российского фондового рынка.
Анатольев и Пересецкий в своих исследованиях изучают разные сорта нефти -
WTI и Brent, хотя в случае России корректнее пользоваться ценами
на североморскую нефть (Brent)
так как она больше похожа на ту, что добывается на территории нашей страны.
(1.1, 1.2, 1.7) Мы в своем исследовании также обратим внимание на оба эти сорта
и только в процессе анализа выберем более подходящий вариант.
Однако, кроме цен на нефть, мы также будем исследовать зависимость
российского фондового рынка и цен на промышленные металлы. На наш взгляд, это
также является сильным и важным фактором, который не был учтен в исследованных
работах, но в действительности он может оказать сильное влияние на динамику
фондового рынка по нескольким причинам: от мировых цен на промышленные металлы
напрямую зависит состояние всей промышленной отрасли в стране, которая
обеспечивает примерно треть ВВП государства и обеспечивает работой треть
работающего населения страны. (3.11) В расчет основных биржевых индексов входит
несколько крупных металлургических компаний, суммарный вес которых составляет
примерно 10% от общей рыночной капитализации, что делает этот сектор третьим по
величине в расчете биржевых индексов, уступая лишь нефтегазовому и финансовому
секторам. (3.9) Для оценки этого фактора мы будем пользоваться сводным индексом
цен на промышленные металлы, составленный банком UBS на основании данных по ценам с Лондонской товарной
биржи.
· Прочие факторы. В своих исследованиях авторы также пользуются
большим набором других факторов, влияние которых на российский рынок порой не
столь очевидно, однако мы также учтем ряд данных факторов. На основании
прошлогоднего исследования было выяснено, что многие из данных переменных имеют
слабую связь с российским фондовым рынком и плохо описывают его динамику, так
что большая часть этих факторов, куда вошли, например, процентные ставки в США
и некоторые другие переменные, были исключены из нового исследования, хотя
такие переменные, как динамика долгового рынка РФ и уровень процентных ставок
были оставлены.
Последний фактор - динамика курса доллара к рублю. Курс национальной
валюты влияет на динамику индексов РТС и MSCI Russia самым непосредственным образом: оба эти индикатора
отражают цены российских акций не в рублях, а в долларах США, то есть вне
зависимости от того, как изменяется стоимость этих акций в рублях, в случае
укрепления курса доллара к рублю их стоимость будет снижаться, а в случае
укрепления рубля к доллару, она будет расти. Кроме того, изменение курса рубля
оказывает влияние и на деятельность, компаний, входящих в расчет основных
биржевых индекс. Так, в случае ослабления рубля, сильнее всего пострадают
компании финансового сектора (примерно 17% в расчете индексов), так как они
имеют очень большой объем задолженности, взятой в иностранной валюте, в
основном в долларах и евро: таким образом, свою деятельность компании
финансового сектора ведут в основном на территории России и выручку,
соответственно получают в рублях, а по задолженности им приходится
рассчитываться в долларах. В случае ослабления рубля, прибыль банков снижается.
(1.4, 1.6)
На экспортерах (компании нефтегазового сектора и крупные промышленные
предприятия), ослабление рубля может наоборот сказаться благоприятным образом:
затраты эти компании несут в основном в рублях на территории страны, а вот
экспортную выручку они получают в долларах, так что укрепление доллара будет
положительно сказываться на их деятельности.
Тем не менее, сильное ослабление рубля приведет к росту инфляции в
стране, что будет оказывать давление на реальные доходы населения, и,
следовательно, будет негативно сказываться на их покупательной способности и на
общем внутреннем спросе населения из-за чего пострадают компании, производящие
потребительские товары и услуги и ориентированные на внутренний рынок и на
внутренний спрос.
На новом этапе нашего исследования мы больше внимания уделим влиянию
динамики валютных курсов на ценообразование на фондовом рынке. События,
произошедшие осенью-зимой 2014 года, связанные с резкой девальвацией рубля,
вскрыли известный, но неочевидный на примере фондового рынка факт - обесценение
национальной валюты приводит к росту стоимости активов, выраженных в рублях, и,
в частности, к росту фондового рынка.
1.2 Влияние девальвации национальной валюты на цены
активов
Принято считать, что девальвация обесценивает активы страны с падающей национальной
валютой, однако на практике это не совсем так: если сказать точнее, девальвация
обесценивает активы страны в иностранных валютах, то есть для нерезидентов,
однако в национальной валюте такого же не происходит. Приведем простой пример:
нерезидент А, живет в США и несет расходы в долларах США. В 2013 году он купил
российский актив, например, акцию, которая стоила тогда 100 руб. Для покупки
ему необходимо было перевести свои доллары в рубли, по тогдашнему курсу условно
32 руб. за доллар. На покупку, таким образом, он потратил 3,125 долларов. В
начале 2015 года он решил продать свой актив, при этом в рублевом выражении его
стоимость не изменилась, однако изменился валютный курс и один доллар стал
стоить уже не 32 рубля, а, например, 62 рубля. Продав актив в рублях, и
переведя их обратно в доллары, он получил лишь 1,613 долларов, то есть почти в
два раза меньше, чем он потратил на приобретение акции. Инвестор понес убытки
от данной операции. Что же при этом случилось для похожего инвестора В,
единственным отличием которого от А является то, что он является резидентом РФ
и расходы он свои несет в рублях. Допустим, он совершил аналогичные действия и
в 2013 году купил акцию по 100 руб., а затем в 2015 году также продал ее за те
же 100 рублей. У него не было необходимости делать переводы средств из одной
валюты в другую и, таким образом, получается, что его финансовый результат
оказался нулевым - он ни потерял, но и не заработал.
Этот пример отлично иллюстрирует тот факт, что девальвация в первую
очередь наносит удар по нерезидентам, то есть тем, кто получает доходы,
денежные потоки, или имеет активы, выраженные в девальвирующей валюте, однако
расходы несет в другой валюте, которая является растущей по отношению к
девальвирующей. Резиденты же убытков от самой по себе девальвации не несут,
только если у них нет необходимости достаточно часто и в больших объемах нести
расходы в иностранной валюте. Значит ли это, что резиденты вообще никак не
страдают от девальвации? Это не совсем так.
Здесь необходимо понимать, что девальвация сама по себе резидентам не
вредит, но она становится причиной того, что оказывает непосредственное
негативное влияние на благосостояние резидентов - речь идет об инфляции.
Падение курса национальной валюты приводит к удорожанию импорта в страну, и,
как следствие, к его сокращению и дальнейшему дефициту. Импортные товары
подорожали, их стало меньше и это приводит к тому, что постепенно начинают
дорожать уже отечественные товары. Почему это происходит? Во-первых, потому,
что многие отечественные производители так или иначе несут хоть какие-то
издержки в иностранной валюте и в условиях девальвации, когда эти затраты
увеличиваются, производители вынуждены перекладывать их в стоимость товаров,
что приводит к росту инфляции. Однако это лишь одна сторона медали. Нельзя
забывать и том, что в условиях удорожания импорта, потребители будут стремиться
заместить потребление подорожавших импортных товаров более дешевыми
отечественными, что приведет к росту спроса на отечественные товары. Рост
спроса, как известно, ведет к росту цен на рынке, из-за чего растут цены не
только на импортные, но и на внутренние товары и все это ведет к ускорению
инфляции в стране. Таким образом, выходит, что выраженные в национальной валюте
активы не только не обесцениваются, но и начинают дорожать из-за ускоряющейся
инфляции. (1.4, 1.9)
Конечно, в таких условиях снижается благосостояние резидентов, не из-за
самой девальвации, а из-за того, что она ведет к росту инфляции. Вернувшись к
примеру, с инвесторами, мы можем подставить в данную модель еще один фактор -
инфляцию. Активы резидента В не обесценились в рублях, однако его покупательная
способность снизилась из-за роста цен на товары и услуги в рублях: живя в
стране с высокой инфляцией он вынужден нести затраты в валюте этой страны и за
этот период они вполне могли реально увеличиться на 20-25%, то есть даже
номинально не потеряв на инвестициях в акции, он реально потерял из-за роста
цен в стране, так как этот рост не был перекрыт ростом стоимости его
собственных активов и доходов. Здесь мы сделали предпосылку о том, что
купленная за 100 рублей акция являлась единственным активов и источником дохода
инвестора В.
Сделаем промежуточный вывод: девальвация обесценивает активы страны, чья
стоимость выражена в иностранной валюте, но при этом приводит к росту стоимости
этих же самых активов, выраженных в национальной валюте. Далее мы будем
говорить лишь о самой стоимости активов и не станем затрагиваем то, насколько
это плохо или хорошо для благосостояния резидентов и нерезидентов.
1.3 Влияние девальвации на фондовый рынок
Возникает закономерный вопрос - как же это все связано с фондовым рынком?
Ответ уже отчасти был дан несколько раньше: девальвация приводит к росту
стоимости активов в иностранной валюте, но под ними можно подразумевать не
только товары и услуги, импортируемые из-за рубежа, но и все прочие активы, чья
стоимость выражена в иностранной валюте, и которые резиденты могут покупать и
продавать. Внутри страны формируется спрос не только на реальные товары и
услуги из-за рубежа, но и на различные нематериальные и финансовые активы:
российские компании могут не только покупать станки, автомобили и фрукты в
Европе, Америке или Азии, они могут также нанимать там работников, выкупать
патенты, или же покупать акции и облигации, и все эти категории активов также
стали слишком дорогими из-за девальвации, так как их стоимость выражена в
иностранных валютах. Инвестиционные компании, инвестиционные фонды, частные
инвесторы, которые ранее покупали финансовые активы за рубежом, теперь не могут
это делать в тех же объемах из-за их дороговизны, однако инвестировать во
что-то они должны и естественно они будут больше внимания уделять отечественным
активам, чья стоимость выражена в рублях. Все это приводит к росту спроса на
отечественные акции, облигации и прочие финансовые инструменты и, как
следствие, к росту цен на данные группы активов. Рост стоимости акций приводит
к росту капитализации всего фондового рынка, чья стоимость выражена в
национальной валюте. Таким образом, инфляция затрагивает не только группы
потребительских товаров и услуг, но и категории более сложных и неоднородных
активов. (1.9)
Часто в СМИ данный феномен называют «аргентинским». Именно экономика
Аргентины является самым свежим и ярким примером, среди крупных экономик мира,
где обесценение валюты вследствие кризиса привело к ускорению инфляции и
мощному росту фондового рынка. Национальная валюта Аргентины - песо, за 2014
год девальвировала на 30% к доллару, а с пиковых значений 2008 года по текущий
момент она обесценилась уже почти в три раза. Девальвация идет практически
беспрерывно с начала кризиса на фоне огромной эмиссии ликвидности со стороны
государства в условиях закрытых внешних рынков капитала. При этом годовые темпы
инфляции на всем посткризисном отрезке стабильно превышают 20% и это только
официальные данные, к которым у многих экспертов есть заметное недоверие. При
этом местный фондовый индекс (Merval),
стоимость акций в котором выражена в национальной валюте, с кризисных минимумов
по текущий момент взлетел уже почти в 10 раз, а за 2014 год прирост стоимости
составил почти 60%. (3.15, 3.23, 3.19)
Теперь посмотрим на то, что происходит в РФ сегодня: с пиковых значений в
середине лета, когда рубль постепенно начал девальвировать, национальная валюта
рухнула на 83% к доллару, годовые темпы инфляции к февралю ускорились почти до
17%, а как же вел себя в это время фондовый рынок? Выраженный в долларах США
индекс РТС за это время рухнул почти на 40%, тогда как индекс ММВБ, стоимость
акций в котором выражена в рублях, вырос за этот период на 10%, а еще пару
недель назад прирост был на уровне 25%.Волна роста индикатора ММВБ в
декабре-январе, после самой сильной волны девальвации в ноябре-декабре,
взвинтила рублевую стоимость российских акций более чем на 30% всего за 1,5
месяца, что дает оценку годовых темпов роста на уровне 240%.Очевидно, РФ сейчас
переживает развитие «аргентинского сценария» внутри страны. (3.9, 3.19)
Тем не менее, не всякая девальвация приводит к запуску «аргентинского
сценария». Взять, к примеру, начало прошлого года - период с начала января по
конец февраля, без учета событий, произошедших 3-его марта. Тогда в СМИ также
много говорили о начавшейся девальвации рубля, ведь рубль тогда обесценился
почти на 9% к доллару всего за пару месяцев. Сейчас такая динамика кажется
слабой, но тогда она всерьез взволновала финансовую общественность, ведь курс
доллара постепенно приближался к пику кризиса 2008 года, хотя очевидных причин
для начала нового экономического кризиса тогда еще не было. (3.19) Несмотря на
то, что тогда это действительно считалось самой настоящей девальвацией, она,
тем не менее, не привела к переоценке рублевой стоимости российских активов:
годовые темпы инфляции не взлетели до 10-20% от такого падения национальной
валюты, а остались на приемлемом уровне в 7-8%, а индекс ММВБ за этот период
вообще упал на 4%. (3.19, 3.11) Таким образом, не всякая динамика цен
финансовых активов, может привести к существенному изменению цен,
коррелированных с ними инструментов.
Этот вывод объясняет, например, почему на определенных отрезках времени,
даже сильно взаимосвязанные фундаментально и статистически активы могут не
реагировать друг на друга. Взять, например, нашу предыдущую работу: мы получили
несколько основных переменных, которые на длинном промежутке времени оказывали
значимое влияние на динамику российского фондового рынка, однако на отдельных
временных отрезках даже сильно коррелированные между собой временные ряды могли
не показывать сильной взаимосвязи. Скорее всего, это происходит из-за того, что
во времена относительного затишья, когда ценовые ряды движутся вяло в рамках
узких боковых трендов, коррелированные инструменты могут демонстрировать
дивергенции во взаимодействии и лишь появление новой сильной динамики вверх или
вниз по одному из инструментов, может вернуть эту взаимосвязь.
Таким образом, одной из главных целей нашего исследования станет поиск
ценовых уровней по различным видам активов, при которых не наблюдается, или
наоборот наблюдается сильная взаимосвязь между объясняющими и объясняемой
переменной. Однако прежде, необходимо будет дополнить прошлогоднее исследование
оценкой взаимосвязи на новом временном промежутке, который включит в себя
практически целый годовой период с мая 2014 года по март 2015. В этот же
диапазон войдут события декабря 2014 года, когда из-за резкого обвала рубля и
неожиданного повышения ключевой процентной ставки на фондовом рынке наблюдалась
сильнейшая волатильность, подобная той, что была в марте 2014, летом 2011, или
осенью 2008 года.
В связи со всем вышесказанным будет несколько изменен подход к оценке
взаимосвязей в вопросе выбора объясняемой переменной. Напомним, в прошлогоднем
исследовании в качестве объясняющей переменной, которая лучшим образом отражала
и олицетворяла бы собой фондовый рынок РФ, использовались несколько основных
параметров:
· индекс РТС, отражающий стоимость 50 крупнейших публичных
компаний РФ, выраженную в долларах США;
· индекс MSCI Russia фактически
является прямым аналогом индекса РТС - он отражает стоимость крупнейших
публичных российских компаний, однако в его состав входит чуть меньше
эмитентов, хотя это не сильно влияет на конечный результат, так как основную
долю в составе обоих индексов занимают одни и те же компании. Корреляция между
двумя индексами на всем рассматриваемой отрезке времени составляет порядка
97,3%, так что, по сути, нет разницы в том, какой из этих двух индикаторов
выбирать;
· индекс ММВБ, рублевый аналог индекса РТС, то есть он также
отражает рыночную стоимость 50 крупнейших российских публичных компаний, но уже
не в долларах, а в рублях.
В конечном итоге, выбор стоял между рублевыми и долларовыми индикаторами,
и так как статистические взаимосвязи были крепче между объясняющими переменными
и долларовыми индексами, мы выбрали именно их. Однако, позже стало ясно, почему
взаимосвязь между рублевым индексом ММВБ и объясняющими переменными была слабой
и неочевидной - все дело в валютном курсе.
Когда производилась оценка взаимосвязи, многие объясняющие переменные
были выражены в долларах США, или в других иностранных валютах, но при этом
были попытки найти зависимость между этими факторами и выраженным в рублях
индексом ММВБ, но когда это делалось, не был учтен тот факт, что в данной
ситуации в эту взаимосвязь вмешивается динамика валютного курса, которая может
либо полностью нивелировать, либо наоборот усиливать зависимость между двумя
переменными.
Чтобы лучше понять, о чем идет речь, вновь обратимся к наглядному
примеру: в прошлом году, помимо сильнейшей девальвации рубля, произошел еще
один серьезнейший шок - обвалились цены на нефть. Хорошо известно, что львиная
доля экспортных и налоговых доходов в нашей стране формируется за счет
деятельности по добыче и продаже нефти и природного газа и, таким образом,
падение цен на нефть может стать серьезным ударом по экономике нашего государства.
Разумеется, фондовый рынок не является абсолютно точным отражением дел в
экономике страны, однако, вне зависимости от этого, необходимо учесть, что
львиная доля (около 50%) капитализации индексов РТС, ММВБ, MSCIRu приходится на компании нефтегазового
сектора. Очевидно, что 60%-ое падение цен на нефть всего за несколько месяцев
не может не отразиться на российском фондовом рынке, однако вот что мы имеем по
факту: цена фьючерса на нефть обычно выражена в долларах США и нетрудно
заметить, что выраженные в долларах США индексы фондового рынка РФ заметно
просели за это время, однако рублевый индикатор ММВБ нет. (3.19, 3.21) В чем же
причина? Ответ кроется в динамике валютных курсов. Дело здесь даже не только и
столько в девальвации, которая порождает инфляцию, а в том, как девальвация
реально влияет на положение дел отдельных компаний.
Компании нефтегазового сектора РФ относятся к экспорт ориентированным
компаниям, то есть тем, кто активно и в больших объемах продает свою продукцию
за рубеж, и в данной ситуации на первый план вновь выходит динамика валютных
курсов, ведь она крайне важна в процессе международной торговли.
Для компаний, поставляющих товары на экспорт, обесценение национальной
валюты является благом, так как стоимость проданных за иностранную валюты
товаров в пересчете на рубли становится выше, что увеличивает рублевую выручку.
Пересчитывать долларовую выручку в рубли необходимо, так как полученные доллары
компания скорее всего переведет в рубли и пустит их на покрытие собственных
затрат, которые в большей степени будут формироваться в рублевом сегменте, ведь
деятельность компания ведет на территории РФ. Представим: ЛУКОЙЛ тратил на
добычу одного барреля нефти 350 рублей, продавал на внешнем рынке за 100
долларов при курсе 35 рублей за доллар, то есть за 3500 рублей. То есть
операционная прибыль с продажи одного барреля нефти для ЛУКОЙЛА составляет
3500-350=3150 рублей. Через несколько месяцев стоимость одного барреля нефти
упала на 50% до 50 долларов, но при этом вырос и курс доллара к рублю до 60
рублей. В таких условиях ЛУКОЙЛ будет получать от продажи одного барреля нефти
уже 3000 рублей, то есть на 14% меньше, чем раньше, а не на 50%, как упала
стоимость нефти. Даже если предположить, что вследствие инфляции издержки
производства одного барреля в рублях выросли на 10% или даже 20% за этот
период, общий финансовый результат составит 3000-420=2580 рублей. Прибыль
снизилась примерно на 20%, что не так сильно, если учесть, что стоимость нефти
рухнула на 50%.
Этот пример наглядно иллюстрирует тот факт, что девальвация национальной
валюты нивелируют потери от снижения долларовых цен на нефть для компаний
нефтегазового сектора. Тоже самое можно сказать и про компании-экспортеры из
других секторов экономики (металлургическая отрасль, химическая, оружейная и
т.д.), которые несут издержки на территории РФ, а продукцию продают в
иностранной валюте за рубеж. Таким образом, если необходимо оценить тесноту
взаимосвязи между изменением цен на нефть, или на какой-то другой промышленный
товар, с динамикой фондового рынка РФ, стоимость которого выражена в рублях,
корректнее было бы переводить стоимость этих товаров из иностранной валюты в
рубли, что и будет сделано в данной работе.
Теперь же вернемся непосредственно к динамике курса доллара к рублю. В
нашем прошлогоднем исследовании уже были протестированы взаимосвязь долларового
индекса MSCI Russia с динамикой валютной пары доллар-рубль и практически
на всем анализируемой отрезке была выявлена сильная обратная зависимость, то
есть чем выше был курс доллара к рублю, тем ниже был фондовый рынок, однако
этот вывод можно было сделать и без оценки регрессионных уравнений: напомним,
что в индексе MSCI, также, как и в индексе РТС,
стоимость акций российских компаний выражена в долларах, а мы уже отмечали
ранее, что девальвация национальной валюты приводит к удешевлению российских
активов, стоимость которых выражена в иностранной валюте. В прошлогоднем
исследовании была лишь подтверждена эта гипотеза статистически. В этот раз
будет тестироваться новая гипотеза о том, что сильная девальвация национальной
валюты приводит к удорожанию стоимости российских активов, выраженных в рублях,
из-за растущих темпов инфляции. Для этих целей будет тестироваться взаимосвязь
динамики курса доллара к рублю и динамики российского фондового рынка через
рублевый индекс ММВБ.
Конечно, в данной ситуации нельзя забывать о том, что ослабление
национальной валюты оказывает двойной эффект на стоимость акций, выраженных в
этой же валюте: как мы уже отметили выше, первый эффект - это эффект
девальвации, вызывающей инфляцию и приводящий к инфляции стоимости активов в
национальной валюте. Второй же эффект имеет более узкую направленность и
заключается в том, что девальвация национальной валюты может благосклонно
сказаться на финансовом положении компаний-экспортеров, что особенно важно,
если такие компании занимают существенную долю на фондовом рынке этой страны.
Что характерно, эффект благосклонного влияния девальвации на стоимость
акций, выраженных в национальной валюте, имеет место не только в России, и даже
не только в развивающихся странах, которые принято относить к экспорт
ориентированным, но и в ряде развитых государств. В качестве примера здесь
можно привести Японию или страны Еврозоны.
Япония уже не первый год пытается побороть дефляцию в стране, которая
ограничивает темпы роста экономики, и для этой цели местное правительство в
течение многих лет проводит ультрамягкую монетарную политику, которая призвана,
в частности, ослабить местную валюту (йену) и ускорить темпы роста цен в
стране. Особого размаха в плане монетарного стимулирования и смягчения
экономическая политика Японского ЦБ достигла в 2012 году с приходом на пост
премьер-министра Синдзо Абэ. С тех пор даже появился специальный термин -
«абэномика», характеризующий ультрамягкую монетарную политику, проводимую в
Японии. К устойчиво высоким темпам роста цен и ВВП она пока что не привела,
однако определенных результатов властямвсе же удалось добиться: курс доллара к
японской цене с конца 2012 года по текущий момент взлетел примерно в 1,5 раза (с
80 до 120 йен), а местный фондовый рынок (индекс Nikkei 225, например) за это же время вырос даже сильнее -
более чем в два раза. Возможно, опережающее влияние девальвации на фондовый
рынок произошло из-за присутствия эффекта роста экспорт ориентированных
компаний, которые занимают весомую долю в экономике страны и на фондовом рынке.
(3.15, 3.20)
Крупнейшие компании страны ориентированы на экспорт и известны по всему
миру. Здесь можно выделить, например, автомобильные компании, среди которых
есть Toyota, Mazda, Honda,
Subaru, Nissanи многие другие; компании, производящие
потребительские товары и электронику - Nikon, Olympus,
Sony, Panasonic, Fujitsu, Hitachi,
Canon и др.; также нельзя забывать и про
компании легкой и тяжелой промышленности, входящие в огромные конгломераты,
существующие уже сотни лет, вроде Nippon, Sumitimo иMitsubishi. Для всех них ослабление
национальной валюты является положительным фактором, позитивно влияющим на их
финансовое положение.
Пример Еврозоны является более свежим, но не менее наглядным.
Долгосрочные тренды в евро и фондовом рынке стран Еврозоны совпадают не так
сильно, однако события последних месяцев указывают на то, что эта взаимосвязь
все-таки есть, и она существенна. У стран Еврозоны проблема схожа с тем, что
происходит в Японии - из-за сильной национальной валюты и низких темпов
инфляции в регионе уже который год сохраняются низкие темпы роста экономики.
Последние годы ЕЦБ боролся с этой проблемой традиционными способами, вроде
снижения процентных ставок и выдачи льготных кредитов банкам, однако в прошлом
году, наконец, по существу стали говорить уже о запуске масштабной программы
выкупа активов с рынка, вроде той, что действовала в США и Великобритании.
Окончательно о запуске QE (quantitive easing) стало известно во второй половине прошлого года, а
официальный старт программы пришелся на март 2015 года. С лета прошлого года,
когда точно стало известно о запуске QE, хотя еще не было конкретных данных о ее сроках и параметрах, курс евро
к доллару обвалился более чем на 20% к текущему моменту, а фондовый рынок
(индекс Eurostoxx 600) вырос за это же время на 24%,
индекс Франкфуртской биржи DAX 30
за этот же период вырос на 33%. (3.19)
Большинство европейских стран также ориентировано на экспорт товаров и
услуг, а экспорт ориентированные компании занимают наиболее весомые позиции в
составе фондовых индексов. Здесь можно отметить, например, немецкие компании Siemens, Volkswagen, Daimler, Henkel,
BMW, Adidas, французские Total, L’Oreal, Peugeot-Citroen,
Renault, итальянские Fiat и Pirelli, голландскиеRoyalDutchShellиUnilever, а также
многие другие.
1.4
Влияние процентных ставок
Также в новом исследовании планируется больше внимания уделить влиянию
динамики процентных ставок в стране на динамику фондового рынка. В прошлогоднем
исследовании была рассмотрена данная зависимость, однако, получив не слишком
значимые результаты, данный параметр был достаточно быстро исключен из
рассмотрения нашей модели, а, между тем, влияние процентных ставок на фондовый
рынок может быть очень большим. Во-первых, стоит отметить, что резкое и сильное
повышение процентной ставки в периоды кризисов может сильно ударить по целому
ряду секторов экономики. Например, больше всего от этого может пострадать
финансовый сектор (банки, страховые компании, инвестиционные компании) из-за
увеличения стоимости фондирования, а также другие сильно закредитованные
сектора экономики. Или же пострадать могут компании из секторов строительства и
недвижимости, а также прочие отрасли, сильно завязанные на спрос со стороны потребителей,
использующих маржинальные, то есть кредитные ресурсы для покупок товаров и
услуг. Однако это можно назвать косвенным влиянием на динамику фондового рынка
через состояние компаний, входящих в расчет биржевых индексов, но в тоже время
имеется и непосредственное влияние процентной ставки на динамику фондового
рынка: дело в том, что на фондовом рынке очень много участников, использующих
маржинальные (долговые) ресурсы для совершения операций на бирже, и для них
рост процентных ставок означает ужесточение условий, а снижение ставок наоборот
является благом. (1.4, 1.9)
Итак, было выяснено, что процентные ставки могут быть значимым фактором,
однако пока не ясно, какой конкретно параметр мы будем использовать для
тестирования взаимодействия. В прошлогоднем исследовании, в силу того, что
возникли трудности с поиском достаточного количества релевантных данных, была
использована годовая ставка MIBOR,
хотя она является не слишком подходящим в данной ситуации фактором, так как
из-за слишком большого широкого диапазона она была мене чувствительной к
различным изменениям. В новом исследовании будет использована более
чувствительная ставка MosPrime сроком на 1 месяц.
1.5 Изучение отраслевой динамики
Наконец, последней стадией данного исследования должно стать изучение и
анализ взаимосвязей не только всего фондового рынка в целом, но и отдельных
секторов экономики, представленных на фондовом рынке. Это позволит оценить то,
как отдельные отрасли реагируют на изменение различных экзогенных параметров, а
также позволит проверить ряд гипотез и предположений, таких как, например, то,
что финансовый сектор сильнее прочих зависит от динамики валютных курсов и от
процентных ставок, что нефтегазовые компании сильно коррелированы с ценами на
нефть, а металлургические и химические компании с ценами на промышленные
металлы и удобрения.
На данном этапе в качестве зависимой переменной будут использованы
отраслевые индексы фондового рынка. На Московской Бирже в реальном времени
ежедневно рассчитываются не только основные и всем хорошо известные индикаторы,
вроде индекса ММВБ, или индекса РТС, но также множество других индикаторов
фондового рынка, среди которых есть, например, индекс «голубых фишек», индекс
акций «второго эшелона», индикатор «широкого рынка», а также нужные нам отраслевые
индексы. На Московской Бирже идет расчет девяти отраслевых индексов: нефть и
газ; электроэнергетика; телекоммуникации; металлы и добыча; машиностроение;
банки и финансы; потребительские товары и торговля; химическое производство;
транспорт. Все индексы рассчитываются, как в рублях, так и в долларах США.
Итак, подводя итог теоретической части данной работы, необходимо выделить
основные гипотезы, которые мы будем тестировать в данной исследовании:
· Динамика российского фондового рынка должна сильнее всего зависеть от
динамики цен на сырьевые товары (нефть и промышленные металлы) из-за сильной
экспорт зависимости нашего государства;
· Остальные факторы будут оказывать значимое, но более слабое
влияние на динамику российского фондового рынка;
· Объясняемые переменные, выраженные в долларах США, должны
отрицательно зависеть от динамики валютной пары доллар-рубль, а переменные,
выраженные в российских рублях должны зависеть от данной динамики положительно
на всем, или, по крайней мере, на отдельных временных отрезках;
· Отраслевые индексы, ориентированные на внешний спрос, могут
иметь более сильную положительную зависимость от динамики курса доллар-рубль, в
отличие от отраслевых индексов, ориентированных на внутренний рынок;
1.6 Описание выборки данных
По сравнению с прошлогодним исследованием перечень входных факторов
изменился не сильно и все основные экзогенные и эндогенные переменные остались
прежними, хотя было добавлено достаточно большое количество новых параметров.
В первоначальную выборку вошло 37 различных факторов, из которых 21
фактор является эндогенной или объясняемой переменной, а остальные 16 факторов
представляют группу экзогенных объясняющих переменных. Максимальный диапазон
выборки - с 6 января 1995 года по 24 апреля 2015 года, то есть наша база данных
покрывает более 20 лет существования фондового рынка РФ. Периодичность данных -
недельные. Были взяты недельные данные, также, как и в работе Анатольева,
поскольку их проще собрать и проще привести к единому виду: дело в том, что в
данной работе присутствует множество различных факторов, в том числе и из
разных государств и в этом заключается особенность анализа временных рядов -
разные факторы для разных стран будут иметь различные периоды данных.
Это просто объяснить тем, что биржевые торги в разных странах идут в
разное время и в разные дни. Из-за праздников могут выпадать данные в одной
стране, тогда как в другом государстве в это время торги шли, и данные за эти
даты имеются. Из-за этого в выборке появляется множество пробелов данных, которые
приходится либо убирать, либо заполнять, чтобы сделать выборку однородной и
привести все переменные к единому формату. Использование недельных данных
отчасти решает эту проблему, поскольку пробелов становится значительно меньше,
и выборка данных становится более сглаженной без большого числа случайных и
чисто технических отклонений и выбросов. Подробное описание факторов было
представлено в первой теоретической главе нашей работы, а сейчас мы больше
внимания уделим статистическому аспекту исследования.
Большая часть данных была получена из торгово-аналитического терминала Bloomberg, а также частично с
информационно-аналитических ресурсов Investing.com (3.19),
Investfunds (3.21), а также с сайта ЦБ РФ (3.14).
Рассмотрим подробнее все переменные, которые будут использованы для
построения моделей.
Эндогенные переменные.
Индекс ММВБ - один из основных фондовых индексов российского фондового
рынка, рассчитываемый Московской Биржей на ежедневной основе с сентября 1997
года. Обозначение в нашей работе - «micex». Индекс ММВБ представляет собой
ценовой, взвешенный по рыночной капитализации композитный индекс российского
фондового рынка. Цена акций для расчета индекса берется в российских рублях.
Формула для расчета индекса в n-ный момент времени: I =MC/D, где D -
коэффициент делитель (константа), а MC- рыночная капитализация всех акций,
входящих в расчет индекса. Формула MC = Σ (P * Q * FF *
W), где P - цена акции в
рублях в n-ный момент времени, Q- общее количество акций одной категории одного
эмитента, FF - поправочный коэффициент, учитывающий количество ценных бумаг
данного вида в свободном обращении (коэффициент free-float), W - коэффициент,
ограничивающий долю капитализации данной Акции (весовой коэффициент). (3.9)
В расчет индекса входит 50 наиболее ликвидных акций крупнейших публичных
компаний РФ. Наибольший все в составе индекса принадлежит трем акциям, на долю
которых приходится почти 40% от суммарной капитализации индекса- обыкновенная
акция ОАО Газпром 15,66%, обыкновенная акция ОАО ЛУКОЙЛ 12,84%, обыкновенная
акция ОАО Сбербанк 10,27%. Отраслевая диверсификация также выявлена не слишком
хорошо, особенно, если сравнивать с фондовыми индексами развитых государств,
хотя это является отражением низкой диверсифицированности всей российской
экономики. Больше всего в составе индекса представителей нефтегазового сектора
(11), суммарная капитализация которых составляет 51,06% от капитализации
индекса, а также представителей металлургической отрасли - также 11
представителей с суммарной долей 11,9%. Представителей финансового сектора
меньше (5), но их рыночная стоимость больше, чем у металлургических компаний -
17,16%. Также заметный вес в составе индекса имеют компании потребительского
сектора (4 акции и 7,57% доля), телекоммуникационного сектора (4 акции и 5,22%
доля), энергетические (5 и 2,15%) и химические компании (3 компонента и 2,63%).
Оставшиеся 7 бумаг имеют долю в 2,3% от суммарной капитализации индекса и
представляют абсолютно разные отрасли экономики. (3.9)
Индекс РТС является «долларовым» клоном индекса ММВБ. Эти два индекса
абсолютно идентичны по составу и методурасчета, а единственный исключением
является то, что P- цена каждой отдельной акции, учитывается в составе индекса
не в российских рублях, а в долларах США, то есть P = Pi/K, где Pi цена акции в
рублях, а К - курс доллара США к российскому рублю в момент времени n. Индекс
РТС рассчитывается с сентября 1995 года. Обозначение в работе - “RTS”. (3.9)
Индекс MSCI Russia представляет из себя аналог индекса РТС, однако он
имеет ряд существенных отличий. Во-первых, индекс рассчитывается американской
аналитической компанией Morgan Stanley Capital International и входит в
семейство широко известных и популярных индексов MSCI. На основании индексов
MSCI ведется управление многими крупнейшими инвестиционными фондами мира.
Во-вторых, состав индекса также отличается от индекса РТС - вместо 50 крупных и
средних компаний РФ в состав индекса MSCI Russia входят лишь 22 акции. Также, в
расчете участвуют не только торгуемые акции и депозитарные расписки Московской Биржи,
но и акции и ДР, торгуемые на зарубежных площадках, в частности, на
Нью-Йоркской фондовой бирже. Цены акций и ДР в составе индекса учитываются в
долларах США. Индекс покрывает примерно 85% от общей рыночной капитализации
российского фондового рынка. Обозначение в работе - “MSCIRU”. (3.17)
Крупнейшие акции, входящие в состав индекса - Газпром 19,61% и ЛУКОЙЛ
16,42%. Крупнейшие отрасли - нефтегазовая (57,99%), финансовый сектор (13,4%),
металлургический сектор (12,43%), потребительский сектор (9,2%), телекоммуникационный
сектор (6,26%). (3.17)
Отраслевые индексы российского фондового рынка, рассчитываемые Московской
Биржей. Методика расчета аналогична методике расчетов основных индексов ММВБ и
РТС, с той лишь разницей, что состав каждого отдельного индекса зависит от
отраслевой направленности, входящих в него акций. Индексы рассчитываются в
российских рублях и долларах США.
Индекс «нефти и газа». В состав индекса входит 15 акций крупнейших
нефтегазовых компаний РФ. Крупнейшие компании, входящие в состав индекса -
Газпром ао (акция обыкновенная) (доля - 15,41%), НОВАТЭК ао (14,99%), Роснефть
ао (14,83%), ЛУКОЙЛ ао (13,42%). Нефтегазовый сектор является крупнейшим и
наиболее значимым для российской экономики, на долю которого приходится
примерно 50% от экспорта и 50% от налоговых поступлений. Обозначение в работе -
“micex_og”. (3.9)
Индекс «банков и финансов» состоит из 7 акций крупнейших публичных
финансовых корпораций страны. Крупнейшие компоненты: Московская Биржа ао
(25,77%), ВТБ ао (25,16%), Сбербанк ао (24,69%), АФК Система (19,46%).
Обозначение в работе - “micex_fnl”. (3.9)
Индекс «металлов и добычи» представлен достаточно широким и разнообразным
списком металлургических компаний, добывающих и обрабатывающих черные, цветные
и драгоценные металлы и поставляющие их как на внутренний, так и на внешний
рынки. В состав индекса входит 20 акций металлургических компаний. Крупнейшие
компоненты: Алроса ао (18,2%), Нор Никель ао (15,8%), Северсталь (14,69%).
Обозначение в работе - “micex_mm”. (3.9)
Индекс «потребительских товаров и торговли» включает 9 бумаг публичных
компаний, ориентированных на продажу товаров широкому кругу потребителей, в
число которых входят крупнейшие производители продуктов питания и лекарств, а
также крупнейшие ритейлеры страны. Крупнейшие элементы: М.Видео (19,05%),
Протек (15,3%), Магнит (15%), Дикси (14,22%). Обозначение в работе -
“micex_cgs”. (3.9)
Индекс «телекоммуникаций» включает всего 4 бумаги трех крупнейших
телекоммуникационных компаний страны - МТС, Мегафон и Ростелеком. Акции Вымпелком
не входят в состав индекса, так как компания не имеет обращающихся на
Московской Бирже бумаг, акции компании обращаются на Нью-Йоркской фондовой
бирже. Обозначение в работе - “micex_tlc”. (3.9)
Индекс «электроэнергетики» является самым «густонаселенным», так как в
расчет данного индикатора входит сразу 25 акций крупнейших энергетических
компаний страны, большая часть из которых являются частицами бывшей РАО ЕЭС.
Теперь вместо одной РАО ЕЭС есть одна Федеральная сетевая компания, множество
генерирующих компаний оптового рынка электроэнергии (ОГК), территориальных
генерирующих компаний (ТГК), межрегиональных распределительных сетевых компаний
(МРСК), а также РусГидро и ИнтерРАО. Крупнейшими компонентами индекса являются
Э.Он Россия ао (16,3%), ИнтерРАО (15,65%), РусГидро (13,9%), ФСК ЕЭС
(12,58%).Обозначение в работе - “micex_pwr”. (3.9)
Индекс «химического производства» состоит из 7 бумаг химических компаний
страны. Основную долю в составе индекса занимают производители химических
удобрений - ФосАгро (24,32%), Уралкалий (23,17%), Акрон (22,06%). Обозначение в
работе - “micex_chm”. (3.9)
Индекс «транспорта» включает 5 акций авиакомпаний и морских торговых
портов. Крупнейший компонент - Аэрофлот ао (58,65%). Обозначение в работе -
“micex_trn”. (3.9)
Индекс «машиностроения» включает 4 акции производителей автомобилей
(АВТОВАЗ и Соллерс), а также акции Объединенной авиастроительной Компании.
Обозначение в работе - “micex_mnf”. (3.9)
Экзогенные переменные.
Индекс S&P 500, представляет из себя ценовой взвешенный по
капитализации индекс фондового рынка США, включающий в себя наиболее ликвидные
акции крупнейших публичных компаний страны. Является одним из наиболее
известных и популярных фондовых индексов США и мира. В состав индикатора входит
500 акций наиболее крупных публичных компаний США. Крупнейшие компоненты: Apple, Microsoft, Exxon Mobile, Johnson & Johnson,
General Electric, Wells Fargo. В индекс входит 10 основных секторов экономики, наибольший вес среди них
имеют - сектор информационных технологий (19,9%), финансовый сектор (16,1%),
сектор здравоохранения (14,6%), потребительский сектор (12,5%). По глобальному
стандарту классификации отраслей (GICS) в состав индекса S&P 500 помимо 10
основных секторов также входит 24 отраслевые группы, 67 отраслей и 156 подотраслей.
Индикатор представляет отличную диверсификацию фондового рынка по отраслевому
признаку. Обозначение в работе - “SPX”. Валюта индекса - доллар США. (3.18,
3.20)
Американский фондовый рынок является крупнейшим в мире, суммарная
капитализация компаний, входящих в расчет индекса S&P 500 или индекса
MSCIUSA, которые покрывают около 85% общей капитализации фондового рынка США,
превышает 19 триллионов долларов. Кроме того, американская экономика продолжает
оставаться крупнейшей в мире по объему ВВП, который в 2014 году превысил 17
триллионов долларов. В состав индексных фондов, ориентированных на
инвестирование в акции развитых государств, например, на основании индекса MSCI
World, самая большая доля отдана именно под американские акции - в среднем 57%
средств таких фондов вкладывается в акции США. Даже если брать фонды,
ориентирующиеся на индекс MSCIACWI (развитые + развивающиеся рынки),
представительство США будет на уровне 50% от общего объема активов таких
фондов. Штаты имеют самое больше представительство в списках Forbes 2000
(крупнейшие компании мира) и Forbes Billionaires. США являются крупнейшим
мировым экономическим и финансовым центром и его влияние на весь остальное мир
очень велико, и именно поэтому необходимо особенно внимательно отнестись к
анализу взаимосвязи динамики отечественного фондового рынка с фондовым рынком
США. (3.20, 3.23, 3.25, 3.26)
Индекс MSCI USA является очень близким аналогом индекса S&P 500, хотя
состоит не из 500, а из 627 крупных и средних публичных компаний США. Крупнейшие компоненты те же, что и в индексе S&P 500- Apple
(3,76%), Microsoft (1,95%), Exxon Mobile (1,9%), Johnson & Johnson (1,42%),
General Electric (1,39%), Wells Fargo (1,39%). Обозначение в работе - «MSCIUS». Валюта индекса -
доллар США. (3,17)
Индекс Nikkei 225 является одним из ведущих фондовых индексов Японии и
рассчитывается на основании стоимости акций 225 крупнейших компаний страны,
торгуемых на Токийской фондовой бирже, которая на данный момент является второй
по величине в мире, уступая лишь Нью-Йоркской фондовой бирже. Вычисляется с
1970 года. Крупнейшие компоненты индекса: Toyota Motor (6,37%), Mitsubishi UFJF
Group (3,04%), Softbank Corp (2,01%). Крупнейшие сектора: потребительский
(22,39%), финансовый (19,42%), промышленность и металлургия (19,36%). Доля в
индексах MSCI World и MSCI ACWI - 8,73% и 7,78%, что соответствует второму
месту, уступая лишь США. Суммарная рыночная капитализация индекс составляет
почти 3 триллиона долларов. По размеру ВВП Япония занимает 4-ое место в
мире.Обозначение в работе - “NKY”. Валюта индекса - японская йена. (3.20, 3.23,
3.25, 3.26, 3.10, 3.17)
Индекс FTSE 100. Это ведущий фондовый индекс Великобритании,
рассчитываемый на основании цен 100 наиболее ликвидных акций крупнейших
компаний, торгуемых на Лондонской фондовой бирже. Крупнейшие компоненты: HSBC (6,98%), British Petroleum (4,84%), Royal Dutch Shell
(4,54%), Glaxo Smith Kline (4,16%), British American Tobacco (3,78%), Vodafone
Group (3,43%). Отраслевая
диверсификация сохранена на хорошем уровне, также, как и в США, хотя крупнейшие
отрасли в составе индекса немного отличаются от американского варианта:
финансовый сектор (13,33%), потребительские товары (10,91%), энергетический
сектор - нефть и газ (14,54%). Обозначение в работе - “FTSE”. Валюта индекса -
британский фунт. (3.16, 3.4)
Суммарная капитализация акций, входящих в состав индекса FTSE 100
превышает 2,7 триллиона долларов (85% от общей капитализации фондового рынка
страны), что практически равно ВВП страны, который также составляет порядка 2,7
триллионов долларов (9-10 место в мире, по различным данным). В составах
мировых индексов вроде MSCI World и MSCI ACWI Великобритании обычно отдается
третье место после США и Японии - доля по 7,98% и 7,11% соответственно в каждом
из индексов. Таким образом, фондовый рынок Великобритании также имеет очень
важное значение в деятельности мировой финансовой системы. (3.17, 3.20, 3.23,
3.25, 3.26)
Индекс DAX 30 является основным фондовым индексом германского фондового
рынка и рассчитывается на основании стоимости 30 акций крупнейших компаний
Германии, торгуемых на Франкфуртской фондовой бирже. Рассчитывается с 1988
года. Несмотря на небольшое число компонентов, индекс предоставляет достаточно
хорошую диверсификацию по отраслям и отдельным бумагам. Самые крупные элементы:
Bayer (9,77%), Daimler (7,56%), BASF (7,47%), Siemens (7,03%). Самые крупные
отрасли: потребительский сектор (22,17%), финансовый сектор (17,12%),
здравоохранение (14,81%), производство материалов (13,99%), промышленность и
металлургия (12,25%). Обозначение в работе - “DAX”. Валюта индекса - евро.
(3.12)
По объему средств, инвестируемых в рамках фондов, ориентирующихся на
индексы MSCI World MSCI ACWI, Германия обычно делит места с 4 по 7 вместе с
Францией, Канадой и Швейцарией, имея долю от 3,3 до 3,6% в общем объеме
активов. Общая капитализация индекса составляет порядка 1,2 триллионов
долларов, а ВВП Германии равен примерно 3,7 триллионам долларов (5-6 места в
мире, по различным данным). На Франкфуртской бирже также торгуется достаточно
большое количество акций и депозитарных расписок российских компаний. (3.17,
3.20, 3.23, 3.25, 3.26)
Индекс Shanghai Composite рассчитывается на основании стоимости всех
акций, торгуемых на Шанхайской фондовой бирже, и входящих в котировальные
списки A и B. Акции из списка А торгуются в китайских юанях, а акции из списка
В торгуются в долларах США. В состав индекса входит несколько сотен акций и
хотя он предоставляет неплохую диверсификацию по отдельным бумагам, в составе
индекса есть две явно доминирующие отрасли - финансовый сектор (33%) и
промышленность и металлургия (21%). Общая капитализация индекса составляет
около 2 триллионов долларов, хотя общая капитализация фондового рынка Китая, с
учетом Шэньчжэньской и Гонконгской бирж, а также с акциями из других
котировальных списков, гораздо больше и составляет больше 4 триллионов
долларов, что делает фондовый рынок Китая вторым по величине в мире, после
рынка США. В состав индексных фондов MSCI World Китай не входит, так как он не
считается развитым государством, а в фондах, основанных на индексе MSCIACWI,
Китаю обычно отдается около 2,7% от общих активов (8-9 место). Китайская
экономика является второй по величине в мире, уступая лишь США. Обозначение в
работе - “SHCOMP”. (3.13, 3.17, 3.20, 3.23, 3.25, 3.26)
Индекс Hang Seng отражает стоимость 34 наиболее ликвидных акций
крупнейших компаний, торгуемых на фондовой бирже Гонконга. Рассчитывается с
1969 года в гонконгских долларах. Общая капитализация индекса составляет
порядка 450 миллиардов долларов и 66% от этой величины приходится на сектор
финансовых компаний, куда входят банки, страховые и инвестиционные компании.
Обозначение в работе - “HANGS”.
Нефть марки Brent (фьючерс на нефть марки Brent) является одним из двух
основных торгуемых видов нефти, добываемых в мире (второй - WTI). Brent
является эталонной маркой нефти, которая добывается в Северном море и
используется для ценообразования других сортов нефти, в том числе, и для
расчета основной экспортной российском марки - Urals. Так как торгуемые
фьючерсы на нефть марки Urals имеют не слишком хорошую ликвидность и историю
торгов, для исследования предпочтительнее использовать фьючерсы на нефть WTI
или Brent, но так как нефть Brent больше походит по составу на российскую марку
Urals, в нашем исследовании будет фигурировать именно она. Кроме того, в нашем
прошлогоднем исследовании мы уже доказали, что взаимосвязь российского
фондового рынка выше у сорта Brent, чем у сорта американской легкой нефти WTI.
Фьючерс на нефть марки Brent торгуется на многих биржах мира и рассчитывается в
долларах США. Обозначение в работе - “Brent”. (3.4, 3.6, 3.20)
Индекс промышленных металлов UBS Bloomberg, рассчитываемый по ценам на
фьючерсные контракты основных промышленных металлов, торгуемых на Лондонской
товарной бирже. Является одним из наиболее популярных и известных индексов,
отслеживающих композитную стоимость основных промышленных металлов. В состав
индекса входят: медь (36,9% от стоимости индекса), алюминий (27%),
высококачественная медь (13%), никель (9,1%), цинк (8,8%) и свинец (5,2%). Так
как второй по величине экспортной статьей РФ, после нефти и газа, является
экспорт промышленных металлов, изучение взаимосвязи динамики фондового рынка с
динамикой цен на промышленные металлы является очень важным моментом в нашем
исследовании. Цены в индексе выражены в долларах США. Обозначение в работе -
“Metal”. (3.4)
Ставка MosPrime сроком на 1 месяц представляет из себя индикативную
ставку предоставления рублевых кредитов (депозитов) на московском денежном
рынке. Данный показатель формируется Национальной валютной ассоциацией на
основе ставок предоставления рублёвых кредитов (депозитов), объявляемых
банками-ведущими участниками российского денежного рынка первоклассным
финансовым организациям. Расчетным партнером НВА является компания Thomson
Reuters. Список банков-участников MosPrime Rate формируется Национальной
валютной ассоциацией. Индикативная ставка MosPrime Rate публикуется каждый
рабочий день в 12:30 по московскому времени [3.14]. Данные с 2005 года.
Является справочной рублевой процентной ставкой, отражающей текущий уровень
ставок на денежном рынке. Непосредственно взаимосвязана с ключевой процентной
ставкой, устанавливаемой ЦБ РФ. Уровень процентных ставок в стране отражает
степень доступности кредитных ресурсов, что важно для фондового рынка, где многие
сделки проходят с использованием заемных средств. Кроме того, уровень
процентных ставок в стране непосредственно влияет н финансовое состояние
компаний, в том числе и тех, что входят в состав основных фондовых индексов.
Индекс государственных облигаций РФ. Индексы государственных облигаций
представляют собой взвешенные по объемам выпусков индексы облигаций федеральных
займов РФ (за исключением еврооблигаций), допущенных к обращению на Фондовой
бирже ММВБ. (3.9) Расчеты в рублях с 2003 года.
Курс доллара к рублю представляет собой отношение курса американского
доллара к российскому рублю.
девальвация валюта биржевой рынок
Глава 2. Практические аспекты анализа временных рядов
2.1 Статистический анализ
первоначального набора данных
В практической части нашего исследования, будет проведен статистических,
корреляционных и регрессионных взаимосвязей между множеством временных рядов,
которые мы анализируем. Напомним, что в данной работе будет проанализирована
взаимосвязь динамики российского фондового рынка, который будет представлен
множеством фондовых индексов, с динамикой различных экзогенных факторов,
которые также представлены временными рядами.
Перед тем, как перейти к оценке взаимосвязей, необходимо сначала
проанализировать первоначальную выборку и представить основные статистики.
В нашем исследовании, также, как и в прошлом году, анализироваться будут
не сами значения временных рядов, а их натуральные логарифмы по формуле Xi = LN (Vi/Vi-t), где Xi
представляет из себя новое значение переменной для временного ряда, Vi представляет из себя старое значение
временного ряда для того же периода, а Vi-t представляет из
себя старое значение временного ряда для предыдущего периода. Натуральный
логарифм отражает темп прироста временного ряда от наблюдения к наблюдению.
После вычисления логарифмов для каждой из переменных, будут получены уже новые
временные ряды, с новыми значениями. (1.2, 1.3, 1.6, 1.7) Максимальное число
наблюдений, таким образом, составило 1012, хотя для отдельных переменных это
значение может быть значительно меньше, из-за того, что отдельные фондовые
индексы начали рассчитываться не с 1995 года, а много позже.
Целевая выборка очень разнородна: здесь есть переменные, относящиеся к
различным государствам, различным отраслям и секторам экономики и финансовых
рынков, с различными временными диапазонами, поэтому анализировать все факторы
вместе и одновременно было бы не совсем корректно. Для удобства все факторы
были разделены на несколько основных групп, в каждой их которых переменные
связаны по определенному признаку.
Ранее уже были выделены две основные группы факторов - 21 эндогенная
переменная и 16 экзогенных переменных, однако внутри каждой из этих групп можно
также провести деление по различным признакам.
Все эндогенные переменные можно разделить на две основные группы -
основные фондовые индексы, представленные переменными MICEX, MSCIRU
и RTS, а также отраслевые индексы,
представленные девятью индикаторами, чья стоимость выражена в рублях и столько
же индикаторов представляют группу, чья стоимость выражена в долларах США.
Таблица 2 Основные статистики группы эндогенных факторов «основные
фондовые индексы».
|
Statistics
|
MSCIRU
|
RTS
|
MICEX
|
|
Mean
|
0.004314
|
0.004496
|
0.005058
|
|
Median
|
0.004552
|
0.004998
|
0.006028
|
|
Maximum
|
0.541788
|
0.407586
|
0.452158
|
|
Minimum
|
-0.380669
|
-0.342847
|
-0.350932
|
|
Std. Dev.
|
0.072912
|
0.064730
|
0.062973
|
|
Skewness
|
0.571721
|
0.110720
|
0.836669
|
|
Kurtosis
|
11.01794
|
7.926043
|
13.60215
|
|
Jarque-Bera
|
2768.647
|
992.8598
|
4205.004
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
4.369590
|
4.405699
|
4.430626
|
|
Sum Sq. Dev.
|
5.379966
|
4.102019
|
3.469939
|
|
Observations
|
1013
|
980
|
876
|
В данной группе наибольшее число наблюдений имеет переменная MSCIRU, чей расчет ведется с 1995 года.
Индексы «химических компаний» и «транспортного сектора» начали
рассчитываться значительно позже всех прочих отраслевых индикаторов - с 2007 и
2008 годов соответственно, против 2005 года у прочих индикаторов. Стоит также
отметить, что все отраслевые индексы имеют значительно меньший диапазон
доступных данных, чем прочие эндогенные и экзогенные факторы.
Таблица 3 Основные статистики группы эндогенных факторов «рублевые
отраслевые индексы 1».
|
Statistics
|
MICEX_ CSG
|
MICEX_ FNL
|
MICEX_ MM
|
MICEX_ MNF
|
MICEX_ OG
|
MICEX_ PWR
|
|
Mean
|
0.004258
|
0.004444
|
0.004312
|
0.002286
|
0.004097
|
0.001258
|
|
Median
|
0.005089
|
0.003510
|
0.004000
|
0.000000
|
0.004864
|
0.001768
|
|
Maximum
|
0.215192
|
0.383604
|
0.459815
|
0.339264
|
0.511892
|
0.283786
|
|
Minimum
|
-0.192807
|
-0.338748
|
-0.439545
|
-0.292751
|
-0.356620
|
-0.282421
|
|
Std. Dev.
|
0.035995
|
0.050651
|
0.058854
|
0.056103
|
0.050911
|
0.049586
|
|
Skewness
|
-0.039782
|
0.040764
|
0.820292
|
0.345673
|
1.199182
|
-0.289946
|
|
Kurtosis
|
9.487009
|
15.11213
|
22.61696
|
9.572311
|
27.47580
|
9.034828
|
|
Jarque-Bera
|
903.1301
|
3148.158
|
8315.460
|
937.1548
|
12978.36
|
788.7102
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
2.192796
|
2.288431
|
2.220551
|
1.177358
|
2.109827
|
0.647742
|
|
Sum Sq. Dev.
|
0.665951
|
1.318661
|
1.780387
|
1.617813
|
1.332229
|
1.263824
|
|
Observations
|
515
|
515
|
515
|
515
|
515
|
515
|
Таблица 4 Основные статистики группы эндогенных факторов «рублевые
отраслевые индексы 2».
|
Statistics
|
MICEX_TLC
|
MICEX_CHM
|
MICEX_TRN
|
|
Mean
|
0.002200
|
0.003788
|
-0.002634
|
|
Median
|
0.001432
|
0.003065
|
-0.001155
|
|
Maximum
|
0.218236
|
0.205401
|
0.230962
|
|
Minimum
|
-0.318248
|
-0.286832
|
-0.191200
|
|
Std. Dev.
|
0.043811
|
0.051127
|
0.046168
|
|
Skewness
|
-0.582085
|
-0.472957
|
0.042976
|
|
Kurtosis
|
10.14065
|
8.346708
|
6.731234
|
|
Jarque-Bera
|
1123.220
|
515.9358
|
215.3268
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
1.133046
|
1.590829
|
-0.977102
|
|
Sum Sq. Dev.
|
0.986560
|
1.095247
|
0.788648
|
|
Observations
|
515
|
420
|
371
|
Таблица 5 Основные статистики группы эндогенных факторов «долларовые
отраслевые индексы 1».
CSG_USD
|
FNL_USD
|
MM_USD
|
MNF_USD
|
OG_USD
|
PWR_USD
|
|
Mean
|
0.003372
|
0.003635
|
0.003361
|
0.001527
|
0.003252
|
0.000501
|
|
Median
|
0.005290
|
0.003576
|
0.003202
|
9.63E-05
|
0.004140
|
0.000919
|
|
Maximum
|
0.216062
|
0.396866
|
0.466826
|
0.379450
|
0.519152
|
0.264934
|
|
Minimum
|
-0.228839
|
-0.368266
|
-0.464563
|
-0.324322
|
-0.385340
|
-0.314453
|
|
Std. Dev.
|
0.043573
|
0.057650
|
0.062065
|
0.063236
|
0.056985
|
0.057491
|
|
Skewness
|
-0.236852
|
0.020498
|
0.128089
|
0.266833
|
0.626884
|
-0.253903
|
|
Kurtosis
|
7.686389
|
11.77041
|
17.21791
|
8.511172
|
20.12573
|
7.092068
|
|
Jarque-Bera
|
476.0883
|
1650.614
|
4339.188
|
657.8656
|
6327.261
|
364.8536
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
1.736684
|
1.872248
|
1.730773
|
0.786611
|
1.674526
|
0.257790
|
|
Sum Sq. Dev.
|
0.975864
|
1.708282
|
1.979944
|
2.055403
|
1.669113
|
1.698905
|
|
Observations
|
515
|
515
|
515
|
515
|
515
|
515
|
Таблица 6 Основные статистики группы эндогенных факторов «долларовые
отраслевые индексы 2».
|
Statistics
|
TLC_USD
|
CHM_USD
|
TRN_USD
|
|
Mean
|
0.001359
|
0.002502
|
-0.004200
|
|
Median
|
0.003934
|
0.002694
|
-0.000421
|
|
Maximum
|
0.224087
|
0.259006
|
0.213796
|
|
Minimum
|
-0.348681
|
-0.318668
|
-0.208685
|
|
Std. Dev.
|
0.050840
|
0.056807
|
0.054389
|
|
Skewness
|
-0.667530
|
-0.436080
|
-0.213604
|
|
Kurtosis
|
8.546801
|
7.974184
|
5.506367
|
|
Jarque-Bera
|
698.4556
|
446.3054
|
99.92859
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
0.699945
|
1.050942
|
-1.558282
|
|
Sum Sq. Dev.
|
1.328540
|
1.352127
|
1.094512
|
|
Observations
|
515
|
420
|
371
|
Экзогенные переменные в нашей работе гораздо более разнородны и здесь можно
выделить множество различных групп, но мы попробуем объединить их все в
несколько основных. Первая группа состоит из четырех факторов, которые
представляют собой фондовый рынок США, который представлен индексами SPX и MSCIUS, а также их выраженными в рублях копиями SPXRUB и MSCIUSRUB, которые нам пригодятся для
сравнения анализа динамики индексов, выраженных в рублях и индексов, выраженных
в долларах США. Переход из долларовых индексов к рублевым мы осуществили путем
простого умножения данных долларовых индексов на курс доллара США к рублю.
Таблица 7 Основные статистики группы экзогенных факторов «фондовые
индексы США».
|
Statistics
|
MSCIUS
|
MSCIUSRUB
|
SPX
|
SPXRUB
|
|
Mean
|
0.001833
|
0.004781
|
0.001838
|
0.004776
|
|
Median
|
0.002693
|
0.003669
|
0.002848
|
0.003714
|
|
Maximum
|
0.122159
|
0.628229
|
0.120258
|
0.626188
|
|
Minimum
|
-0.144983
|
-0.215589
|
-0.258687
|
-0.224049
|
|
Std. Dev.
|
0.024745
|
0.037678
|
0.025472
|
0.037935
|
|
Skewness
|
-0.301369
|
5.510171
|
-1.107456
|
5.198188
|
|
Kurtosis
|
6.501338
|
86.33305
|
15.37827
|
84.17030
|
|
Jarque-Bera
|
532.7815
|
298237.5
|
6674.291
|
282656.6
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
1.857221
|
4.843347
|
1.862246
|
4.837807
|
|
Sum Sq. Dev.
|
0.619659
|
1.436678
|
0.656589
|
1.456315
|
|
Observations
|
1013
|
1013
|
1013
|
1013
|
Вторая большая группа экзогенных переменных представлена основными
фондовыми индексами других государств, которые имеются в нашей выборке. Среди
них индексы FTSE, DAX, HANGS,
SHCOMP и NKY. Цены для каждого из индексов были выражены в
долларах США.
Таблица 8 Основные статистики группы экзогенных факторов «фондовые
индексы мира».
|
Statistics
|
DAX
|
FTSE
|
HANGS
|
NKY
|
SHCOMP
|
|
Mean
|
0.002277
|
0.001138
|
0.001889
|
0.000539
|
0.002646
|
|
Median
|
0.004720
|
0.002574
|
0.002840
|
0.002079
|
0.002133
|
|
Maximum
|
0.161162
|
0.134106
|
0.151835
|
0.121309
|
0.463323
|
|
Minimum
|
-0.250547
|
-0.227261
|
-0.207965
|
-0.304102
|
-0.202515
|
|
Std. Dev.
|
0.032976
|
0.024834
|
0.034818
|
0.031673
|
0.039212
|
|
Skewness
|
-0.504372
|
-0.698628
|
-0.229717
|
-0.875823
|
1.649557
|
|
Kurtosis
|
8.327892
|
12.36882
|
6.549625
|
11.94879
|
23.15038
|
|
Jarque-Bera
|
1241.094
|
3787.235
|
540.7274
|
3509.586
|
17597.59
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
2.306316
|
1.152857
|
1.914057
|
0.545631
|
2.680297
|
|
Sum Sq. Dev.
|
1.100440
|
0.624147
|
1.226822
|
1.015208
|
1.556023
|
|
Observations
|
1013
|
1013
|
1013
|
1013
|
1013
|
Еще одна заметная группа - цены на товарные фьючерсы, которая является
очень важной для анализа данных в случае РФ. Данная группа представлена
фьючерсом на нефть марки BRENT
и индексом METAL, отражающим стоимость основных
промышленных металлов. Также здесь отмечены их рублевые аналоги, то есть ряды
данных, переведенные из долларов США в российские рубли, также, как это было
сделано в случае американских индексов.
Таблица 9 Основные статистики группы экзогенных факторов «товарные
фьючерсы».
|
Statistics
|
BRENT
|
BRENTRUB
|
METAL
|
METALRUB
|
|
Mean
|
0.002500
|
0.005512
|
0.001396
|
0.004312
|
|
Median
|
0.003917
|
0.004556
|
0.001075
|
0.003389
|
|
Maximum
|
0.222570
|
0.752299
|
0.141410
|
0.710380
|
|
Minimum
|
-0.284431
|
-0.264122
|
-0.150344
|
-0.248517
|
|
Std. Dev.
|
0.047573
|
0.057568
|
0.029711
|
0.044435
|
|
Skewness
|
-0.452045
|
2.671236
|
-0.404696
|
5.765496
|
|
Kurtosis
|
6.444433
|
37.74794
|
6.449080
|
89.26174
|
|
Jarque-Bera
|
535.2647
|
52167.87
|
458.1214
|
276452.9
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
2.532185
|
5.583341
|
1.222498
|
3.777084
|
|
Sum Sq. Dev.
|
2.290361
|
3.353865
|
1.727645
|
|
Observations
|
1013
|
1013
|
876
|
876
|
Последняя группа экзогенных переменных включает в себя мало связанные
между собой и другими факторами переменные, и именно поэтому они были
объединены в одну общую группу. Здесь - USDRUB, RUSBOND,
MOSPRIME.
Таблица 10 Основные статистики группы экзогенных факторов «прочие
переменные».
|
Statistics
|
USDRUB
|
RUSBOND
|
MOSPRIME
|
|
Mean
|
0.003080
|
0.000312
|
0.028668
|
|
Median
|
0.000387
|
8.53E-05
|
0.000000
|
|
Maximum
|
0.711840
|
0.105398
|
15.06000
|
|
Minimum
|
-0.242496
|
-0.072267
|
-5.410000
|
|
Std. Dev.
|
0.033613
|
0.011276
|
0.955798
|
|
Skewness
|
11.34868
|
1.003913
|
7.903118
|
|
Kurtosis
|
225.5792
|
24.16256
|
131.3759
|
|
Jarque-Bera
|
2112810.
|
11485.41
|
350637.1
|
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
|
Sum
|
3.120293
|
0.190059
|
14.42000
|
|
Sum Sq. Dev.
|
1.143370
|
0.077436
|
458.6024
|
|
Observations
|
1013
|
610
|
503
|
Стоит отметить, что все переменные, которые были включены в исследование,
отвечают критериям нормальности распределения, хотя не было проведено
дополнительных фильтраций выборки на выбросы и отклонения, поскольку для более
подробного и значимого анализа финансовых временных рядов именно резкие и
неожиданные изменения значений данных, которые иногда называются «тяжелыми
хвостами», а иногда «черными лебедями», являются очень важными.
2.2 Корреляционный анализ данных
На следующем этапе исследования, перейдем к анализу корреляционных
взаимосвязей среди объясняющих и объясняемых переменных в данной модели.
Рассмотрим таблицы с значениями коэффициентов корреляции и их p-value, которые мы также для удобства разбили на несколько
основных групп.
В первой группе были рассмотрены корреляции переменной MICEX, представляющей фондовый рынок РФ в
рублях с объясняющими переменными, которые также выражены в российских рублях.
Таблица 11 Корреляционные взаимосвязи между рублевыми переменными.
|
MICEX
|
BRENT
RUB
|
METAL
RUB
|
MSCIUSRUB
|
SPXRUB
|
USDRUB
|
MOS PRIME
|
|
BRENTRUB
|
0.290721
|
|
|
|
|
|
|
|
0.0000
|
|
|
|
|
|
|
|
METALRUB
|
0.310783
|
0.615898
|
|
|
|
|
|
|
0.0000
|
0.0000
|
|
|
|
|
|
|
MSCIUSRUB
|
0.352956
|
0.529611
|
0.718750
|
|
|
|
|
|
0.0000
|
0.0000
|
0.0000
|
|
|
|
|
|
SPXRUB
|
0.362443
|
0.540498
|
0.692086
|
0.973603
|
|
|
|
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
|
|
|
|
USDRUB
|
0.118824
|
0.570311
|
0.743954
|
0.769235
|
0.754434
|
|
|
|
0.0004
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
|
|
|
MOSPRIME
|
-0.211236
|
0.035080
|
-0.044874
|
0.078683
|
0.091724
|
0.241743
|
|
|
0.0000
|
0.4265
|
0.3090
|
0.0741
|
0.0373
|
0.0000
|
|
|
RUSBONDS
|
-0.078550
|
-0.012073
|
-0.104148
|
-0.211629
|
-0.245988
|
-0.294662
|
-0.193105
|
|
0.0746
|
0.7844
|
0.0180
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
Обозначения цветовой шкалы: «зеленый», коэффициент корреляции по модулю
от 0 до 20%, слабая связь; «желтый», коэффициент корреляции по модулю от 20 до
50%, средняя связь; «оранжевый» коэффициент корреляции по модулю от 50 до 70%,
заметная связь; «красный», коэффициент корреляции по модулю от 70 до 90%,
сильная связь; «темно красный», коэффициент корреляции по модулю от 90 до 100%,
очень сильная связь.
Главная объясняемая переменная имеет наиболее сильные положительные
корреляционные взаимосвязи с тремя факторами - цены на промышленные металлы, а
также индикаторы фондового рынка США. Чуть менее сильная взаимосвязь
наблюдается с переменными Brent,
и процентная ставка MosPrime, правда с
последним факторов наблюдается отрицательная зависимость, что, однако, не
противоречит фундаментальной логике такого наблюдения: высокие процентные
ставки обычно свидетельствуют о кризисном периоде в экономике, так как
повышение ставок является одним из инструментов ДКП, которая, в частности,
направлена на стабилизацию валютного курса. Кроме того, высокие процентные
ставки ухудшают положение компаний, для которых заемные средства становятся
менее доступными и более дорогими, а также они негативно влияют непосредственно
на активность инвесторов на фондовом рынке, заставляя многих из них покинуть
его, так как многие трейдеры и инвесторы в торговле пользуются заемными
средствами.
С динамикой курса доллар-рубль наблюдается очень слабая, но все-таки положительная
зависимость, что соотносится с одной из наших гипотез о том, что девальвация
национальной валюты позитивно сказывается на динамике фондового рынка, чья
стоимость выражена в национальной валюте, хотя делать окончательные выводы еще
рано.
Наименее сильная и практически не значимая зависимость наблюдается с
фактором RUSBONDS, отражающим динамику цен на
государственные облигации РФ. В остальном же наши первоначальные гипотезы
подтверждаются - российский фондовый рынок в рублевом выражении имеет заметную
взаимосвязь с такими факторами, как динамика цен на товарные фьючерсы, западные
фондовые рынки и процентные ставки.
Сильнейшая мултиколлинеарность наблюдается между факторами SPXRUB и
MSCIUSRUB, что также логично, так как эти два индикатора являются практически
полными аналогами ив большей степени состоят практически из одних и тех же
компонентов. Основные тесты о равенстве двух выборок (t-критерий Стьюдента,
Анова F-тест, Велш F-тест) дают 99,75%-ую вероятность выполнения гипотезы о
равенстве средних этих двух переменных, а тесты на равенство дисперсий дают
вероятность их равенства от 82,91% до 97,21%. Учитывая их практически полную
идентичность, в дальнейшем мы откажемся от одного из этих двух факторов. (2)
Также сильная взаимозависимость наблюдается между группой факторов USDRUB, METALRUB, BRENTRUB, SPXRUB, MSCIRUB,
что можно объяснить сильным влиянием фактора динамики валютного курса
доллар-рубль, который непосредственно влияет на каждую из этих переменных, так
как он участвует в ценообразовании этих переменных. Это может несколько
усложнить для нас этап регрессионной оценки взаимосвязей, так как нам либо
придется убрать из рассмотрения большую часть факторов, чтобы избавиться от
потенциального пагубного влияния мультиколлинеарности, либо же мы включим все
основные переменные, но тогда нам придется мириться с возможным увеличением
статистической неопределенности и дисперсии ошибок.
Во второй группе будет проанализирована степень тесноты взаимосвязи между
долларовыми индексами фондового рынка РФ и выраженными в долларах США
объясняющими переменными, хотя строго говоря, цены фондовых индексов Германии,
Китая, Японии, Гонконга и Великобритании выражены не в долларах США, а в
национальных валютах этих стран. Это несколько усложняет процесс анализа
взаимосвязи, но все же это не критичное обстоятельство. Дело в том, что доллар
США, как известно, является основной мировой резервной валютой, и большая часть
мировых финансовых трансакций проводится в долларах США. Это приводит к тому,
что динамика практически всех мировых валют в большей или меньшей степени
зависит от динамика доллара США, поэтому динамика, например, валютной пары GBP/RUB (британский фунт к рублю) или EUR/RUB (евро к рублю) крайне сильно зависит от динамики
курса доллара и на 70-80% обеспечивается именно движением самого доллара, а не
фунта или евро.
Рис.1. Динамика основных мировых валют к рублю.
На графике хорошо видно, что абсолютно разные валюты, такие как евро,
доллар или фунт, на данном промежутке времени движутся к рублю практически
идентично, но с разной бетой. Корреляционная зависимость между данными
временными рядами достигает 78-86% и в основном она обеспечена именно динамикой
курса доллара. Таким образом, когда мы будем анализировать зависимость российских
фондовых индексов, выраженных в долларах США, с динамикой, например, немецкого
индекса DAX, чья стоимость выражена в евро, мы
можем допустить, что разница в динамике курсов евро и доллара не окажет
сильного влияния на данную зависимость, так как в большей степени рубль зависит
именно от доллара США.
Для удобства корреляционный анализ данной группы переменных был разделен
на две части, так как здесь гораздо больше анализируемых факторов. Стоит также
отметить, что в качестве основной объясняемой переменной из двух (RTS и MSCIRU) нам необходимо было выбрать одну, так как обе
переменные, также, как и SPX с MSCIUS, являются очень близкими аналогами и
практически идентичны друг другу.
Таблица 12 Корреляционные взаимосвязи между долларовыми переменными
|
MSCIRU
|
BRENT
|
DAX
|
FTSE
|
HANGS
|
METAL
|
MSCIUS
|
NKY
|
SHCOMP
|
SPX
|
USDRUB
|
MOSPRIME
|
|
BRENT
|
0,278
|
|
|
|
|
|
|
|
|
|
|
|
|
0,000
|
|
|
|
|
|
|
|
|
|
|
|
|
DAX
|
0,516
|
0,170
|
|
|
|
|
|
|
|
|
|
|
|
0,000
|
0,000
|
|
|
|
|
|
|
|
|
|
|
|
FTSE
|
0,528
|
0,239
|
0,831
|
|
|
|
|
|
|
|
|
|
|
0,000
|
0,000
|
0,000
|
|
|
|
|
|
|
|
|
|
|
HANGS
|
0,477
|
0,213
|
0,585
|
0,628
|
|
|
|
|
|
|
|
|
|
0,000
|
0,000
|
0,000
|
0,000
|
|
|
|
|
|
|
|
|
|
METAL
|
0,335
|
0,348
|
0,324
|
0,327
|
0,357
|
|
|
|
|
|
|
|
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
|
|
|
|
|
|
|
|
MSCIUS
|
0,467
|
0,179
|
0,748
|
0,777
|
0,545
|
0,356
|
|
|
|
|
|
|
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
|
|
|
|
|
|
|
NKY
|
0,380
|
0,196
|
0,548
|
0,556
|
0,545
|
0,275
|
0,485
|
|
|
|
|
|
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
|
|
|
|
|
|
SHCOMP
|
0,096
|
0,058
|
0,106
|
0,081
|
0,239
|
0,182
|
0,065
|
0,151
|
|
|
|
|
|
0,004
|
0,087
|
0,002
|
0,017
|
0,000
|
0,000
|
0,056
|
0,000
|
|
|
|
|
|
SPX
|
0,469
|
0,207
|
0,792
|
0,829
|
0,569
|
0,313
|
0,942
|
0,547
|
0,078
|
|
|
|
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,000
|
0,020
|
|
|
|
|
USDRUB
|
-0,292
|
-0,053
|
-0,161
|
-0,145
|
-0,103
|
-0,101
|
-0,173
|
-0,116
|
-0,073
|
-0,181
|
|
|
|
0,000
|
0,114
|
0,000
|
0,000
|
0,002
|
0,003
|
0,000
|
0,001
|
0,031
|
0,000
|
|
|
|
MOSPRIME
|
-0,213
|
-0,066
|
-0,143
|
-0,091
|
-0,189
|
-0,171
|
-0,095
|
-0,123
|
-0,068
|
-0,073
|
0,242
|
|
|
0,000
|
0,136
|
0,001
|
0,039
|
0,000
|
0,000
|
0,030
|
0,005
|
0,122
|
0,097
|
0,000
|
|
|
RUSBOND
|
0,014
|
0,112
|
-0,020
|
-0,017
|
0,004
|
0,057
|
-0,008
|
-0,031
|
0,017
|
-0,049
|
-0,295
|
-0,193
|
|
0,747
|
0,011
|
0,645
|
0,701
|
0,920
|
0,197
|
0,862
|
0,475
|
0,707
|
0,266
|
0,000
|
0,000
|
Корреляция между двумя переменными составляет порядка 96,5%, тест на
равенство средних указывает на равенство двух выборок с вероятностью 95,3%,
хотя отдельные тесты на равенство дисперсий указывают на то, что гипотеза о
равенстве отклонений двух выборок может быть не верна. Из двух переменных мы
решили выбрать MSCIRU, так как
этот фактор имеет более сильную взаимосвязь с объясняющими переменными в 8 из
12 случаев по сравнению с переменной RTS, у которой лишь 4 из 12 «лучших» зависимостей. Представление
взаимосвязей с переменной RTS
было опущено, и сразу же был сделан переход к представлению корреляционной
зависимости объясняющих переменных и фактора MSCIRU.
Во второй группе факторов наиболее сильная взаимосвязь объясняемой
переменной наблюдается с переменными, отражающими динамику мировых фондовых
рынков - DAX, HANGS, MSCIUS,
SPX, что подтверждает нашу гипотезу о
том, что российский фондовый рынок сильно взаимосвязан с динамикой мировых
фондовых рынков. Наиболее сильная взаимосвязь здесь наблюдается с переменными
фондовых индексов Германии и Великобритании, что также можно достаточно просто
объяснить: географически эти страны ближе к нам и с ними мы имеем более тесные
экономико-финансовые отношения, чем, например, с США или Гонконгом, так что
сильная зависимость от этих факторов вполне объяснима. Не стоит также забывать
о том, что на биржах Лондона и Франкфурта торгуется большая часть иностранных
депозитарных расписок российских эмитентов, что также говорит в пользу сильной
взаимосвязи. Тем не менее, нельзя сказать, что связь с рынками США и Гонконга у
фондового рынка РФ на порядок ниже, чем связь с Великобританией и Германией.
Связь с рынком Японии хоть и ниже, чем с остальными площадками, все же является
достаточно сильной и заметной.
Далее по значимости стоит отметить взаимосвязь с такими факторами как
цена на нефть, цены на промышленные металлы, а также динамика курса
доллар-рубль и динамика процентных ставок в стране. Эти наблюдения подтверждают
и наши гипотезы, и результаты прошлогоднего исследования, хотя немного
удивительным может оказаться относительно невысокая, в сравнении с другими
факторами, зависимость российского рынка от цен на нефть. Корреляция с
факторами USDRUB и MOSPRIME является отрицательной, что также соотносится
с фундаментальной логикой. Мы уже отмечали ранее, что растущий курс доллара к
рублю оказывает негативное влияние на стоимость российских акций, выраженных в
долларах США, что подтверждается статистическими взаимосвязями.
Заметной остается, и отрицательная взаимосвязь российского рынка с
процентными ставками. Объяснить это не так сложно: в случае использования
индекса MSCI, на стоимость российских акций будет
самым непосредственным образом влиять изменение курса валют, а изменение курса
валют, в свою очередь, сильно связано именно с процентными ставками (мы видим,
что корреляция между факторами USDRUB
и MOSPRIME достаточно высока). Эта взаимосвязь
объясняется следующей логикой: падение курса национальной валюты усиливает
инфляцию в стране, так как импортные товары для внутреннего пользования
становятся более дорогими. Для борьбы с инфляцией ЦБ использует инструменты
ужесточения монетарной политики, в частности, он может повысить процентные
ставки. Высокие процентные ставки повысят спрос на активы, выраженные в
национальной валюте (например, на депозиты в рублях), что приведет к притоку
денег в рублевые активы и, в конечном счете, к росту курса национальной валюты.
Бывают и обратные случаи: слишком сильный курс национальной валюты приводит к
замедлению темпов роста цен и создает угрозу дефляции, что может негативно
сказаться на инвестиционной активности в стране и, в конечном итоге, негативно
скажется на экономическом росте. Для борьбы с дефляцией и слишком высоким
курсом национальной валюты, ЦБ наоборот начнет цикл монетарного ослабления
путем снижения процентных ставок. Именно этот процесс сейчас наблюдается в
Европе, где ЕЦБ использует различные методы монетарного ослабления, в том числе
и путем снижения процентных ставок, для стимулирования роста цен в регионе. В
конечном счете, изменение характера монетарной политики, вызванное
определенными изменениями валютного курса, должно оказать обратный эффект на
динамику курсов валют, так что взаимосвязь этих двух факторов (валюты и
процентных ставок) оказывается очень сильной, что мы можем подтвердить
статистически.
Слабая и практически незаметная связь наблюдается у российского рынка с
фондовым индексом Китая, что является несколько удивительным наблюдением.
Взаимосвязь экономик Китая и РФ очень велика - «Поднебесная» является
крупнейшим торговым партнером РФ в страновом разрезе: на долю Китая приходилось
88,8 млрд. долларов или 12,2% от совокупного внешнеторгового оборота РФ в 2013
году. Велика зависимость экономики РФ от цен на товарные фьючерсы, а они, в свою
очередь, напрямую зависят от состояния экономика Китая, которая является
крупнейшим мировым потребителем и источником спроса на сырье, металлы и
полезные ископаемые. Падение и стагнация цен на промышленные металлы и снижение
темпов роста обрабатывающих отраслей РФ после 2010 года напрямую зависит от
постепенного замедления темпов роста экономики Китая. Несмотря на эти факторы,
взаимосвязь фондовых рынков РФ и Китая на практике не наблюдается.
Также, как и в первой группе факторов, практически нулевой оказалась
взаимосвязь фондового и долгового рынка РФ.
В рядах объясняющих переменных стоит отметить сильную зависимость
факторов MSCIUS и SPX, что наблюдалось еще в первой группе факторов, а
также можно заметить сильную мультиколлинеарность, которая наблюдается между
индексами мировых фондовых рынков, особенно между переменными индексов США,
Германии и Великобритании. Динамика мировых фондовых рынков сильно
взаимосвязана и это можно легко объяснить тесными экономическими связями между
развитыми странами, особенно теми, что находятся географически близко друг к
другу (Германия и Великобритания), или имеют тесные исторические взаимосвязи,
которые выражаются сильной культурной, социальной и политической близостью (США
и Великобритания). Но также сильную зависимость можно объяснить доминированием
США и доллара на мировой финансово-экономической арене из-за чего все прочие
страны оказываются сильно зависимы от США и от процессов, которые происходят в
экономике этого государства.
Таким образом, из-за сильной мультиколлинеарности нам придется из
множества переменных мировых фондовых индексов выбрать один основной, который в
большей степени бы отражал взаимосвязь российского рынка с мировыми фондовыми
рынками. Окончательный выбор мы сделаем на этапе регрессионного анализа данных,
но уже сейчас можно сказать, что скорее всего наш выбор падет либо на фондовый
индекс США, как доминирующей мировой экономики, либо на фондовый индекс
Великобритании, которая имеет очень тесную связь с США и, судя по
корреляционному анализу, имеет наиболее сильную связь с рынком РФ.
На последнем этапе корреляционного анализа обратимся к оценке
взаимосвязей отдельных отраслевых индексов фондового рынка РФ с объясняющими
переменными. Мы отдельно провели анализ для индексов, выраженных в рублях, и
индексов, выраженных в долларах США.
Начнем с группы отраслевых индексов, выраженных в российских рублях.
Анализ корреляции был проведен с основными факторами, которые участвовали в
анализе для переменной MICEX,
при этом была исключена переменная MSCIUSRUB, которая является прямым аналогом переменной SPXRUB.
Таблица 13 Корреляционные взаимосвязи между рублевыми переменными по
отраслям.
|
CHM
|
CSG
|
FNL
|
MM
|
MNF
|
OG
|
PWR
|
TLC
|
TRN
|
|
BRENTRUB
|
0,33118
|
0,23271
|
0,23040
|
0,18669
|
0,40414
|
0,23728
|
0,32301
|
0,27518
|
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
|
METALRUB
|
0,31387
|
0,25568
|
0,17792
|
0,47048
|
0,18900
|
0,36026
|
0,21849
|
0,29508
|
0,21632
|
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
|
MOSPRIME
|
-0,17556
|
-0,23893
|
-0,14496
|
-0,15980
|
-0,23689
|
-0,19374
|
-0,18367
|
-0,24790
|
-0,15985
|
|
0,00030
|
0,00000
|
0,00100
|
0,00030
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00200
|
|
RUSBOND
|
-0,12372
|
0,07332
|
-0,04614
|
-0,11057
|
0,02021
|
-0,10673
|
0,02024
|
0,05287
|
0,26321
|
|
0,01120
|
0,09620
|
0,29550
|
0,01200
|
0,64700
|
0,01540
|
0,64680
|
0,23110
|
0,00000
|
|
SPXRUB
|
0,34012
|
0,22529
|
0,24832
|
0,50122
|
0,23690
|
0,42120
|
0,24531
|
0,36712
|
0,14036
|
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00680
|
|
USDRUB
|
-0,10287
|
-0,20139
|
-0,22510
|
-0,05895
|
-0,24848
|
-0,18233
|
-0,28106
|
-0,21625
|
-0,20561
|
|
0,03510
|
0,00000
|
0,00000
|
0,18120
|
0,00000
|
0,00000
|
0,00000
|
0,00000
|
0,00010
|
Напомним условные обозначения: CHM - химическая отрасль, CSG -
потребительский сектор, FNL -
финансовые компании, MM -
металлургия, MNF - машиностроение, OG - нефть и газ, PWR - электроэнергия, TLC - телекоммуникации, TRN - транспортный сектор.
Разберем каждую из отраслей по отдельности и по порядку, в котором они
представлены в таблице. Химическая отрасль имеет наиболее сильную зависимость
от факторов цены на нефть, цены на промышленные металлы и от динамики фондового
рынка США. Последняя зависимость, так или иначе, проявляется во всех отраслях,
что связано с тем, что весь российский фондовый рынок сильно зависим от
динамики фондового рынка США. Связь с ценами на нефть и металлы понять сложнее,
но объяснить все же можно: дело в том, что практически все цены товарных
фьючерсов в мире тесно связаны друг с другом, не важно будет ли это цена на
нефть, или цена на никель, так как спрос на эти категории товаров в основном
формируется в быстрорастущей Азии, или, если конкретно, в Китае. Химическая
отрасль, представленная на нашем фондовом рынке в основном
компаниями-производителями удобрений, зависит, что логично, от цен на эти самые
удобрения. К сожалению, в нашей работе нет переменной, которая отражала бы
динамику цен на эту группу сырья, так как в мире сложно найти ликвидный и
хорошо торгуемый фьючерс на удобрения, но зато есть переменные цен на нефть и
цен на промышленные металлы, которые имеют определенную взаимосвязь с ценами на
удобрения, почему мы и можем наблюдать взаимосвязь этих факторов. Мы также
предполагали, что динамика цен на акции химических компаний будет положительно
зависеть от динамики курса доллар рубль, однако статистически эта гипотеза не
подтверждается: зависимость оказалось слабой и отрицательной. Взаимосвязь с
факторами MOSPRIME и RUSBOND также оказалась достаточно слабой.
Акции компаний потребительского сектора имеют заметную взаимосвязь
практически со всеми переменными, кроме индекса ОФЗ. Динамика этой отрасли
положительно зависит от цен на нефть, металлы и от фондового рынка США, а также
отрицательно зависит от динамики курса доллар-рубль и от уровня процентных
ставок в стране. Последние два вывода объяснить легко: компании этой отрасли
часто сильно зависимы от импорта в РФ, поэтому рост доллара США к рублю
увеличивает их издержки на приобретение импортных товаров, а рост процентных
ставок в целом является негативным фактором для всей экономики. Объяснить
взаимосвязь с ценами на нефть, металлы и фондовый рынок США труднее и выяснять
это в данном случае малоперспективно, поскольку ответов здесь может быть очень
много, ведь потребительский сектор представлен наиболее разнородным списком
компаний, которые фактически можно отнести к разным отраслям экономики, и для
каждой отдельной компании можно найти свое объяснение.
Сектор финансовых компаний, куда входят в основном банки, имеет сильную
зависимость от цен на нефть и динамики фондового рынка США, и если второе еще
можно объяснить, то вот первый вывод кажется более странным. Одним из возможных
объяснений может быть то, что в нашей стране для банков крупнейшими заемщиками
являются именно нефтегазовые компании, поэтому благосостояние каждого банка
становится сильно связанным с благосостоянием кредитуемой им нефтяной
компанией, а ее благосостояние уже зависит от цен на нефть. Логично высокой
оказалась отрицательная связь с курсом доллара, а вот зависимость от процентных
ставок наоборот оказалась на удивление слабой, что странно, ведь вся
деятельность банков напрямую зависит от уровня процентных ставок в стране.
Металлургические компании сильно зависят от цен на промышленные металлы и
это объяснимо и логично, а взаимосвязь с этим фактором оказалась у металлургов
наиболее сильной среди всех отраслей. Сильная связь также наблюдается с ценами
на нефть, видимо, из-за мультиколлинеарности цен на нефть и цен на металлы.
Кроме того, стоит отметить, что наиболее сильной оказалась взаимосвязь между
металлургическими компаниями и динамикой фондового рынка США, и вообще связь с
данным фактором у металлургов оказалась наиболее сильной среди всех отраслей.
Это также является немного удивительным выводом, хотя мы можем сделать
предположение, почему так получилось: дело в том, что крупнейшие металлургические
компании страны, вроде Русала, Мечела, Северстали, НорНикеля имеют заводы и
производства, которые расположены на территории США и среди всех отраслей
экономики РФ, только металлурги могут похвастаться солидным представительством
дочерних компаний на территории США. И хотя доля выручки, приходящаяся на
американские заводы, не является «львиной» в общем объеме выручки этих
компаний, и хотя в последние годы в отрасли наметился тренд на постепенную
продажу зарубежных активов металлургических компаний, этот фактор все же
обеспечить более глубокую связь между акциями металлургов и фондовым рынком
США.
Также несколько неожиданным можно назвать слабую зависимость
металлургических компаний от курса доллара, хотя мы ранее делали предположение
о том, что укрепление доллара может позитивно сказаться на акциях этих
компаний, поскольку они в большей степени ориентированы на экспорт. Взаимосвязь
с процентными ставками и индексом ОФЗ оказалась невысокой.
Компании машиностроительного сектора демонстрируют заметную положительную
взаимосвязь с динамикой фондового рынка США и заметную отрицательную
взаимосвязь с процентными ставками и с динамикой курса доллара США, что
логично, так как производство этих компаний в основном ориентировано на
внутренний рынок. Связь с ценами на нефть, металлы, и с индексом ОФЗ оказалась
низкой.
Нефтегазовые компании имеют наиболее сильную связь с ценами на нефть, что
полностью совпадает с фундаментальными предпосылками, а также с динамикой
фондового рынка США и ценами на промышленные металлы (проявление эффекта
мультиколлинеарности с ценами на нефть). Связь с остальными факторами оказалась
незначительной, хотя мы предполагали, что заметной может оказаться зависимость
между нефтегазовой отраслью и динамикой курса доллар-рубль.
В секторе энергетических компаний каких-то особых отличий от прочих
секторов выделить трудно: наиболее сильная связь с ценами на нефть, металлы,
фондовым рынком США и динамикой курса доллар-рубль, а слабая с процентными
ставками и индексом ОФЗ. Стоит лишь отметить, что среди всех отраслей у
энергетиков оказалась наиболее сильная зависимость от динамики курсов валют,
что выглядит логично, поскольку компании данного сектора полностью
ориентированы на внутренний рынок.
В секторе телекоммуникационных компаний также все стандартно, хотя
немного странной и труднообъяснимой кажется сильная зависимость от цен на нефть
и цен на промышленные металлы. В остальном все стандартно: сильная связь с
фондовым рынком США, курсом доллар-рубль, а также заметная зависимость от
динамики процентных ставок в стране.
В секторе транспортных компаний стоит отметить более слабую, чем у прочих
отраслей, зависимость от фондового рынка США, а также заметно более сильную,
чем у остальных отраслей, зависимость от долгового рынка, представленного индексом
ОФЗ. Объяснить эти феномены тяжело.
Теперь перейдем к анализу взаимосвязей между долларовыми отраслевыми
индексами и долларовыми объясняющими переменными. Сразу же стоит отметить, что
мы сократили число переменных, в частности, из множества переменных индексов
мировых фондовых рынков мы оставили только переменную SPX американского фондового рынка, которая и будет
участвовать в дальнейшем исследовании. Также мы убрали переменную RUSBOND из дальнейшего рассмотрения,
поскольку очевидно, что связи между российским фондовым рынком и российскими
государственными облигациями не наблюдается.
Таблица 14 Корреляционные взаимосвязи между долларовыми переменными по
отраслям.
|
CHM_USD
|
CSG_USD
|
FNL_USD
|
MM_USD
|
MNF_USD
|
OG_USD
|
PWR_USD
|
TLC_USD
|
TRN_USD
|
|
BRENT
|
0.192709
|
0.108174
|
0.176510
|
0.261685
|
0.160503
|
0.315493
|
0.206767
|
0.232970
|
0.167101
|
|
0.0001
|
0.0140
|
0.0001
|
0.0000
|
0.0003
|
0.0000
|
0.0000
|
0.0000
|
0.0013
|
|
METAL
|
0.249859
|
0.211566
|
0.198932
|
0.393169
|
0.236759
|
0.352607
|
0.274796
|
0.290419
|
0.206619
|
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0001
|
|
MOSPRIME
|
-0.074439
|
-0.115515
|
-0.049229
|
-0.086783
|
-0.167338
|
-0.110367
|
-0.097281
|
-0.151725
|
-0.044244
|
|
0.1282
|
0.0087
|
0.2648
|
0.0490
|
0.0001
|
0.0123
|
0.0274
|
0.0006
|
0.3961
|
|
SPX
|
0.300379
|
0.218663
|
0.315393
|
0.452711
|
0.335632
|
0.459226
|
0.357715
|
0.409930
|
0.154449
|
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0029
|
|
USDRUB
|
-0.471176
|
-0.634670
|
-0.564289
|
-0.373855
|
-0.577792
|
-0.513742
|
-0.588370
|
-0.578692
|
-0.565550
|
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0000
|
0.0223
|
0.0000
|
0.0000
|
В целом, можно отметить, что каких-то сильных изменений во взаимосвязях
между отдельными отраслевыми фондовыми индексами и объясняющими переменными не
произошло, хотя необходимо заметить, что в среднем степень взаимосвязи между
долларовыми переменными оказалась несколько ниже, чем между рублевыми
факторами.
Например, средний коэффициент корреляции между переменной BRENT и всеми отраслевыми индексами в
долларах оказался равен 20,2%, тогда как рублевым факторам соответствовал
коэффициент 29%. Также сильно снизилась взаимосвязь между отраслевыми индексами
и процентной ставкой: -10% для долларовых переменных против -19,4% для
рублевых. Это можно объяснить тем, что переменная MOSPRIME представляет собой динамику
процентных ставок в рублевом сегменте и какого-то долларового аналога она не
имеет, поэтому связь между долларовыми отраслевыми индексами и рублевой
процентной ставкой оказалась не очень высокой. Зависимости с остальными
факторами в среднем изменились не сильно, хотя стоит отметить, что
отрицательная взаимосвязь между объясняемыми переменными и фактором динамики
курса доллар-рубль стала значительно сильнее, чем у моделей с рублевыми
переменными. Эта закономерность вполне логична, так как мы и ранее отмечали,
что у долларовых индексов фондового рынка РФ зависимость с динамикой курса
доллар-рубль должна быть ярко выражена отрицательной, а у рублевых индексов она
может быть слабее, или даже может быть положительной на определенных временных
отрезках.
2.3 Регрессионный анализ
Сейчас мы перейдем к представлению результатов регрессионного анализа. На
данном этапе было построено множество различных регрессионных уравнений, но
представлять все из них не имеет смысла, поэтому мы остановимся лишь на
основных уравнениях, которые описывают оцениваемые нами взаимосвязи наиболее
лучшим образом.
Начнем мы вновь с моделей, где объясняемой переменной выступал фондовый
рынок РФ в рублевом выражении (MICEX),
а все объясняющие переменные также были выражены в российских рублях. Здесь
изначально было лишь 7 объясняющих переменных - BRENTRUB, METALRUB, MSCIRUB, SPXRUB,
MOSPRIME, RUSBONDS. В процессе построения моделей мы
откинули лишь одну переменную - MSCIUSRUB, сделав выбор в пользу SPXRUB,
так как с ней модели получались чуть качественней.
Из-за разнородности данных по временным диапазонам, мы решили построить
несколько моделей, которые учитывали бы разные временные рамки. Первая модель
включает в себя максимальное количество факторов, но из-за того, что переменная
MOSPRIME имеет данные лишь с 2005 года, сама
модель также включает диапазон дат лишь с 2005 по 2015 года.
Таблица 15 Модель 1 группы рублевых переменных.
|
Variable
|
Coefficient
|
Prob.
|
|
BRENTRUB
|
0.159661
|
0.0002
|
|
METALRUB
|
0.344550
|
0.0000
|
|
MOSPRIME
|
-0.005121
|
0.0021
|
|
RUSBOND
|
-0.348039
|
0.0159
|
|
SPXRUB
|
0.764045
|
0.0000
|
|
USDRUB
|
-1.261152
|
0.0000
|
|
C
|
0.001797
|
0.2576
|
|
R-squared
|
0.477600
|
|
|
Adjusted R-squared
|
0.471281
|
|
|
Prob(F-statistic)
|
0.000000
|
|
Мы видим, что модель в целом значима, а ее описательная сила находится на
достаточно высоком уровне, так как с помощью данной модели можно описать 47,8%
дисперсии объясняемой модели. Тем не менее, мы видим, что константа в данном
уравнении незначима, а это значит, что в модели есть какие-то сильные не
учтенные факторы, которые могли бы лучше описать данную взаимосвязь.
Несмотря на то, что на этапе корреляционного анализа мы выявили, что
переменная RUSBOND имеет слабую взаимосвязь с
переменной MICEX, мы все же решили включить ее в
модель на первоначальном этапе и выяснили, что ее исключение из модели
достаточно сильно влияет на общую описательную силу регрессии, из-за чего было
принято решение оставить данный фактор в модели, даже, несмотря на то, что
вероятность отклонения гипотезы о значимости коэффициента регрессии при данной
переменной не равен нулю (1,59%). Все остальные параметры регрессии значимы.
Посмотрев на коэффициенты регрессии, мы можем увидеть, что наиболее
сильное влияние на изменение объясняемой переменной MICEX оказывают переменные SPXRUB, при росте которого на 1% MICEX отреагирует ростом на 0,76%, а также USDRUB, при росте которого на 1% MICEX упадет на 1,26%. Здесь вновь
появляется несоответствие статистических результатов и наших гипотез, которые
мы выдвинули ранее: мы ожидали, что для рублевых индексов фондового рынка РФ,
рост курса доллара будет оказывать положительное влияние и корреляционный
анализ эту гипотезу отчасти подтвердил, однако в построенной регрессии,
очевидно, что эта закономерность не соблюдается.
Также достаточно сильное влияние на объясняемую переменную оказывают
факторы METALRUB и RUSBOND, причем с последней переменной наблюдается
отрицательная зависимость, то есть при росте индекса ОФЗ на 1%, индекс ММВБ
падает на 0,35%. Это довольно любопытная закономерность, учитывая что оба
индикатора, по сути, представляют из себя различные индексы фондовой секции
Московской Биржи и оба выражены в рублях и, наверное, было бы логично, если бы
эти два фактора имели положительную взаимосвязь. Тем не менее, объяснить такую
закономерность можно: в мире финансов акции и облигации, а если быть точнее, то
государственные облигации, часто противопоставляются друг другу, то есть,
говоря про вложения в акции, говорят про вложения в рисковые активы, а
государственные облигации традиционно считаются низкорисковым, или даже почти
безрисковым «защитным» вложением. В моменты высокой неопределенности и
волатильности на мировых финансовых рынках, можно часто наблюдать переток
средств инвесторов из рисковых в безрисковые активы, то есть они продают акции
и покупают более надежные облигации, из-за чего соответственно падают индексы
акций и растут индексы облигаций. Разумеется, в периоды серьезных кризисов
распродажам обычно подвергаются все классы активов и падают и индексы акций, и
индексы облигаций, однако в более спокойное время такая закономерность может наблюдаться.
Возможно, именно эту закономерность и отражает данная регрессионная
зависимость.
Достаточно слабая взаимосвязь наблюдается у переменной BRENTRUB и объясняемой переменной MICEX, так как при изменении цены на нефть
на 1%, российский рынок реагирует ростом лишь на 0,15%.
Наиболее слабая взаимосвязь наблюдается с переменной MOSPRIME, однако здесь стоит напомнить о том,
что для данной переменной мы брали не процентное изменение, а абсолютное, то
есть закономерность здесь такая: при изменении процентных ставок на 1 базисный
пункт, индекс ММВБ падает на 0,005%. Один базисный пункт равен 0,01 от 1
процентного пункта, то есть, по сути, изменение на один б.п. является совсем
незначимым изменением. Если же взять, например, не один б.п. а 100, то тогда,
при изменении процентной ставки на 1%, фондовый рынок будет реагировать
падением на 0,52%, что уже более заметно и существенно.
Из второй модели мы исключили переменные MOSPRIME и RUSBOND, поскольку они имеют наименьший диапазон дат, из-за
чего мы могли захватить лишь относительно небольшой период времени - с 2005 по
2015 годы. Без учета этих переменных мы можем построить модель на более длинном
отрезке - с 1997 по 2015 год.
Таблица 16 Модель 2 группы рублевых переменных
|
Variable
|
Coefficient
|
Prob.
|
|
BRENTRUB
|
0.178742
|
0.0000
|
|
METALRUB
|
0.393014
|
0.0000
|
|
SPXRUB
|
0.795523
|
0.0000
|
|
USDRUB
|
-0.990763
|
0.0000
|
|
C
|
0.002123
|
0.2532
|
|
R-squared
|
0.251443
|
|
|
Adjusted R-squared
|
0.248005
|
|
|
Prob(F-statistic)
|
0.000000
|
|
Мы можем видеть, что без исключенных переменных, общая описательная сила
модели сильно снизилась, хотя в целом уравнение продолжает оставаться значимым.
Каких-то принципиальных изменений в параметрах регрессии не произошло: все
коэффициенты продолжают оставаться значимыми, при этом они не сильно изменились
по сравнению с первой моделью, по-прежнему самое сильное влияние оказывает
динамика курса доллар-рубль, затем идет фондовый рынок США, потом цены на
металлы и в конце цены на нефть. Интереснее будет посмотреть на изменение
коэффициентов регрессии во времени, но это будет в одной из следующих частей
исследования.
Теперь перейдем к рассмотрению моделей с долларовыми индексами и
долларовыми переменными. Здесь мы также опустили из рассмотрения часть моделей,
которые мы построили на первоначальных этапах и оставили лишь итоговые, которые
мы и будем анализировать. Напомним, что из-за угрозы отрицательного влияния
мультиколлинеарности, нам необходимо было из множества переменных мировых
фондовых индексов оставить лишь одну. Окончательный выбор, как мы уже ранее
отмечали, мы делали между переменными SPX и FTSE, отбросив переменные HANGS, NKY, DAX.
Переменные SPX и FTSE оказывают примерно одинаковое влияние на объясняющую
переменную MSCIRU и большой разницы в коэффициентах
регрессии между ними нет, но из них мы решили оставить фактор SPX, поскольку в сегменте рублевых
моделей мы пользовались этим индикатором. Также мы исключили из рассмотрения
переменную SHCOMP, у которой оказалась низкая
взаимосвязь с объясняющей переменной.
Первая модель, также, как и в группе рублевых переменных, включает все
оставшиеся факторы и учитывает временной диапазон с 2005 по 2015 года.
Таблица 17 Модель 1 группы долларовых переменных
|
Variable
|
Coefficient
|
Prob.
|
|
BRENT
|
0.180665
|
0.0001
|
|
SPX
|
0.969743
|
0.0000
|
|
METAL
|
0.272075
|
0.0000
|
|
MOSPRIME
|
-0.005418
|
0.0030
|
|
RUSBOND
|
-0.498262
|
0.0008
|
|
USDRUB
|
-0.846163
|
0.0000
|
|
C
|
0.001423
|
0.3924
|
|
R-squared
|
0.605591
|
|
|
Adjusted R-squared
|
0.600811
|
|
|
Prob(F-statistic)
|
0.000000
|
|
Описательная сила данной модели оказалась на порядок выше, чем
описательная сила аналогичной модели с аналогичными переменными, но выраженными
в российских рублях, а не в долларах США - R^2 60,6% против 47,8%. Модель в целом оказалась значимой,
коэффициенты регрессии тоже, кроме константы, которая также оказалась
незначимой.
Таблица 18 Сравнение коэффициентов модели 1 в рублях и модели 1 в
долларах.
|
Variable
|
Коэффициент в долл.
|
Prob.
|
Коэффициент в руб.
|
Prob.
|
|
BRENT
|
0.180665
|
0.0001
|
0.159661
|
0.0002
|
|
SPX
|
0.969743
|
0.0000
|
0.764045
|
0.0000
|
|
METAL
|
0.272075
|
0.0000
|
0.344550
|
|
MOSPRIME
|
-0.005418
|
0.0030
|
-0.005121
|
0.0021
|
|
RUSBOND
|
-0.498262
|
0.0008
|
-0.348039
|
0.0159
|
|
USDRUB
|
-0.846163
|
0.0000
|
-1.261152
|
0.0000
|
|
C
|
0.001423
|
0.3924
|
0.001797
|
0.2576
|
По отдельным коэффициентам нет какой-то сильной разницы между рублевыми и
долларовыми переменными, хотя определенные отличия все же есть: в долларовом
сегменте наблюдается более сильная взаимосвязь объясняемой переменной и
переменных BRENT, SPX, MOSPRIME и RUSBOND, при этом среди рублевых переменных
коэффициенты оказались выше у переменных METAL и USDRUB.
Направление взаимосвязей в обоих случаях оказалось одинаковым.
Вторая модель для долларовых переменных также является аналогом второй
модели для рублевых переменных и из нее мы исключили факторы MOSPRIME и RUSBOND, для того, чтобы увеличить анализируемый диапазон,
который теперь включает период с 1997 по 2015 года.
Таблица 18 Модель 2 группы долларовых переменных
|
Variable
|
Coefficient
|
Prob.
|
|
BRENT
|
0.172614
|
0.0000
|
|
METAL
|
0.316481
|
0.0000
|
|
SPX
|
1.159684
|
0.0000
|
|
USDRUB
|
-0.413686
|
0.0000
|
|
C
|
0.002109
|
0.2721
|
|
R-squared
|
0.363775
|
|
|
Adjusted R-squared
|
0.360853
|
|
|
Prob(F-statistic)
|
0.000000
|
|
Также, как и в случае с рублевыми переменными, общая описательная сила
модели заметно снизилась, после исключения переменных процентных ставок и
индекса ОФЗ, хотя в данном случае она оказалась выше, чем у модели рублевых
переменных - R^2 36,4% против 25,1%.
В целом соотношение коэффициентов регрессии осталось прежним: взаимосвязь
с переменной SPX оказалась сильнее у долларовых
переменных, коэффициенты при Brent
оказались примерно равны, а при USDRUB
и METAL оказались выше у рублевых
переменных.
Таблица 19 Сравнение коэффициентов модели 2 в рублях и модели 2 в
долларах.
|
Variable
|
Коэффициент долл.
|
Prob.
|
Коэффициент руб.
|
Prob.
|
|
BRENT
|
0.172614
|
0.0000
|
0.178742
|
0.0000
|
|
METAL
|
0.316481
|
0.0000
|
0.393014
|
0.0000
|
|
SPX
|
1.159684
|
0.0000
|
0.795523
|
0.0000
|
|
USDRUB
|
-0.413686
|
0.0000
|
-0.990763
|
0.0000
|
|
C
|
0.002109
|
0.2721
|
0.002123
|
0.2532
|
В долларовом сегменте мы также построили третью модель, из которой мы
исключили переменную METAL
с тем, чтобы увеличить диапазон дат анализируемых переменных до максимально
возможного периода - с 1995 по 2015 года.
Таблица 20 Модель 3 группы долларовых переменных
|
Variable
|
Coefficient
|
Prob.
|
|
BRENT
|
0.199920
|
0.0000
|
|
SPX
|
1.235196
|
0.0000
|
|
USDRUB
|
-0.441848
|
0.0000
|
|
C
|
0.003769
|
0.0537
|
|
R-squared
|
0.286725
|
|
|
Adjusted R-squared
|
0.284604
|
|
|
Prob(F-statistic)
|
0.000000
|
|
В целом, каких-либо существенных отличий от предыдущих моделей здесь
выделить трудно, если не считать того, что общая описательная сила модели,
после исключения переменной METAL
еще немного снизилась.
2.4
Оценивание моделей методом «rolling window»
В данном разделе обратимся к оценке влияния значимых параметров на
российский фондовый рынок в динамике: то есть мы будем отслеживать, как
изменялись показатели регрессии (коэффициент детерминации, коэффициенты при
переменных) во времени. Для этого мы будем пользоваться инструментом «rolling window», суть которого заключается в многократном построении
регрессионных уравнений с определенно заданным шагом движения и размером
«окна». Ширина окна будет равняться 52 наблюдениям, то есть ровно одному году,
также, как это использовали в своих работах Анатольев и Пересецкий.
Начнем мы с основных моделей в рублевом и долларовом сегменте. И первая
модель, которую мы рассмотрим, будет модель 1 с рублевыми переменными, которая
включает в себя факторы SPXRUB,
BRENTRUB, METALRUB, USDRUB, MOSPRIME, RUSBOND.
Рис.2. Динамика индекс ММВБ и R^2 модели 1.
На графике выше представлена динамика индекса ММВБ и коэффициента
детерминации модели 1, где объясняемой переменной является индекс ММВБ. Сразу
же отметим, что вместо ряда данных R^2 здесь представлен сглаженный с помощью 20-периодной скользящей средней
ряд данных. Мы сгладили данный ряд, для того чтобы избавиться от множества
резких и случайных колебаний данного параметра и от лишнего статистического
«шума», ведь нам важно не точное значение параметра в каждой точке, а характер
динамики этого показателя во времени.
Уже по данному графику мы можем сделать, по крайней мере, один важный
вывод: описательная сила модели значительно падает в кризисные периоды.
Снижение описательной силы говорит о том, что параметры, включенные в модель,
хуже объясняют динамику целевой переменной, то есть в определенные периоды
времени, взаимосвязь между объясняемой и объясняющими переменными падает. На
графике хорошо видно, что коэффициент детерминации значительно упал в период
кризисного 2008 года и достиг своего минимума примерно в одно время с
достижением минимумов рынком. Таким образом, в данный период времени
фундаментальная связь между фондовым рынком РФ и другими факторами оборвалась.
В периоды кризисов на фондовом рынке зачастую происходят процессы, которые
трудно объяснить с фундаментальной точки зрения и цены в такие моменты падают
не из-за того, что фундаментальная картина действительно резко ухудшилась, а
из-за того, что инвесторы начинают паниковать и стараются играть на опережение,
ожидая, что все станет еще хуже, хотя это могут быть лишь догадки и предположения,
а не устойчивые ожидания. Масла в огонь добавляют СМИ и различные «эксперты»,
которые вносят в динамику цен на рынках еще большую смуту.
Мы видим также, что заметное снижение описательной силы модели произошло
в период с середины 2010 года по осень 2011 года. Этот период в мировой
финансовой среде также отметился сильной волатильностью и возникновением нового
мини-кризиса, который, тем не менее, не идет в сравнение с тем, что был в 2008
году. Тогда все началось с постепенного замедления темпов роста экономики Китая
и далее распространилось во всем мире, а самый разгар данного кризиса пришелся
на лето 2011 года, когда в Европе разгорелся долговой кризис, из-за которого на
грани дефолта оказались южные страны, вроде Испании, Португалии, Италии. Хуже всего
ситуация была в Греции и как мы видим сейчас, решить греческие проблемы не
удается до сих пор. Ко всему этому также добавилось неожиданное снижение
кредитного рейтинга США, когда агентство S&P
впервые в истории лишило США наивысшего кредитного рейтинга на фоне
непрекращающегося роста государственного долга и на фоне перманентных проблем с
принятием проекта государственного бюджета в парламенте. Тогда в июле-августе
мировые фондовые рынки потеряли около 20% и с тех пор до текущего момента такой
сильной волатильности на мировых финансовых рынках более не наблюдалось. Индекс
ММВБ с июля по сентябрь тогда потерял около 35%, а цена на золото, как один из
видов «защитных» активов, тогда взлетела до своего исторического максимума -
1909 долларов за унцию.
Еще один локальный минимум для коэффициента детерминации был достигнут
относительно недавно - в марте 2014 года, когда произошел обвал на фондовом
рынке РФ из-за опасений начала полномасштабного военного конфликта с Украиной.
Тогда на первый план также вышли вовсе не фундаментальные факторы, а паника
из-за высокой неопределенности происходящего и будущего.
Наш анализ будет неполным, если мы не обратимся к анализу отдельных
коэффициентов регрессии при переменных. Начнем мы с коэффициента при переменной
BRENTRUB, чтобы проследить, как изменялась
взаимосвязь между ценами на нефть и фондовым рынком РФ.
На протяжении всего рассматриваемого периода наблюдается любопытная
закономерность - постепенно взаимосвязь между ценами на нефть и фондовым рынком
РФ снижается и в последние полгода она даже становится резко отрицательной, то
есть при росте цен на нефть фондовый рынок начинает снижаться. Это наблюдение
отклоняет нашу гипотезу о том, что цены на нефть положительно влияют на
динамику фондового рынка, при этом также не подтвердились оценки, сделанные в
предыдущих частях исследования.
Рис.3. Динамика BRENTRUB и коэффициента при переменной в регрессии.
Далее рассмотрим, как изменялась взаимосвязь между фондовым рынком РФ и
ценами на промышленные металлы, выраженными в рублях.
Рис.4. Динамика METALRUB и коэффициента при переменной в регрессии.
На протяжении практически всего рассматриваемого временного промежутка
сохраняется положительная зависимость между двумя переменными, хотя в отдельные
периоды он заметно снижается и здесь это объяснить не так просто. Например,
после падения цен во время кризиса 2008-2009 годов, степень взаимосвязи
начинает резко расти, но затем, на протяжении практически всего ростового
тренда 2009-2011 годов она снижается и достигает «дна» примерно на пике цен.
Еще один обвал коэффициента при переменной в регрессии случился весной прошлого
года, когда цена на промышленные металлы в рублях устремилась вверх из-за
резкого роста курса доллара, хотя все же большую часть этого резкого ростового
тренда взаимосвязь росла, то есть рынок с каждой неделей все более чутко
реагировал на рост цен на промышленные металлы и это как раз-таки может быть
одним из подтверждений того, что при резкой девальвации рубля фондовый рынок в
рублевом выражении начинает реагировать резко положительно.
Далее рассмотрим изменение коэффициента при переменной MOSPRIME.
Рис.5. Динамика MOSPRIME и коэффициента при переменной в регрессии.
В данном случае хорошо видно, что большую часть анализируемого периода
зависимость была строго отрицательной, однако в течение всего 2013 года
наблюдается резкий рост коэффициента регрессии и зависимость даже становится
положительной, хотя особых предпосылок для этого нет. Объяснить этот феномен
тяжело, хотя можно сделать предположение: дело в том, что в этот период времени
наблюдается наиболее низкая волатильность процентных ставок и индикатор MOSPRIME практически все это время не
изменялся, оставаясь вблизи уровня 6,5%. Тем временем на фондовом рынке
какие-то движения происходили, в том числе и ростовые, и хотя они никак не были
обоснованы динамикой процентных ставок, статистически взаимосвязь проявилась.
Далее проанализируем динамику изменения коэффициента регрессии при
переменной RUSBOND.
Рис.6. Динамика RUSBOND
и коэффициента при переменной в регрессии.
Когда мы построили регрессионное уравнение 1, мы получили относительно
высокий по модулю коэффициент при переменной RUSBOND и этот фактор оказывал достаточно сильное влияние на
динамику объясняемой переменной, однако после построения временного ряда для
данного коэффициента, ситуация становится несколько неоднозначной. На графике
хорошо видно, что данная взаимосвязь в течение рассматриваемого периода несколько
раз меняет знак и становится то положительной, то вновь отрицательной, при этом
разброс значений для коэффициента достаточно высок - от +2% до -3%. Скорее
всего это связано с тем, что мы выяснили еще на этапе регрессионного анализа -
взаимосвязь между переменной MICEX
и переменной RUSBOND является слабой и незначительной,
хотя в совокупности с другими факторами модели она добавляет описательной силы
нашему уравнению регрессии.
Далее мы рассмотрим динамику коэффициента регрессии при переменной SPXRUB.
Рис.7. Динамика SPXRUB
и коэффициента при переменной в регрессии.
Зависимость между переменными остаётся положительной на протяжении всего
рассматриваемого периода времени, однако, как мы можем видеть, она постепенно
снижается в течение этого диапазона дат. Вполне возможно, это связано с тем,
что в эти годы, особенно после кризиса 2008-2009 годов, происходит постепенная
раскорреляция в динамике этих двух факторов, которая только усиливается
постепенным ростом курса доллара к рублю, который наблюдался на протяжении
всего посткризисного периода: американский рынок на протяжении данного отрезка
уверенно рос, а вот российский фактически не менялся на протяжении нескольких
лет.
Последний фактор, который мы рассмотрим в рамках данной модели, будет
динамика курса доллара к рублю.
Рис.8. Динамика SPXRUB
и коэффициента при переменной в регрессии.
Зависимость остается отрицательной практически на всем рассматриваемом
отрезке, что говорит о том, что при росте курса доллара российский фондовый
рынок в рублях снижается, однако, на графике также видно, что в последние
несколько лет, когда стал формироваться посткризисный ростовой тренд в этой
валютной паре, характер взаимосвязи постепенно стал меняться и на пике
девальвации в конце прошлого года-начале этого года, взаимосвязь между двумя
переменными даже стала положительной, то есть ослабление национальной валюты
стало оказывать положительное влияние на динамику российского фондового рынка,
о чем мы говорили ранее. Тем не менее, этот феномен наблюдался лишь в течение
относительно небольшого отрезка времени и лишь, когда девальвация стала совсем
выходить из-под контроля. Стоит также отметить, что в период кризиса 2008-2009
годов, когда также наблюдалось сильное ослабление рубля, положительной
взаимосвязи между курсом доллара и динамикой фондового рынка не наблюдалось, то
есть той девальвации было недостаточно, чтобы привести к образованию данного
феномена.
Теперь перейдем к анализу динамических коэффициентов второй модели с
рублевыми переменными. В ней осталось лишь четыре основных объясняющих фактора
- цены на нефть, металлы, динамика фондового рынка США и динамика курса
доллар-рубль.
Для начала изучим изменение коэффициента детерминации.
Рис.9. Динамика индекс ММВБ и R^2 модели 2.
Здесь мы видим, что на протяжении первых лет (1998-2005), которые не были
учтены в прошлой модели, описательная сила данной модели была достаточно
низкой, то есть факторы, включенные в данную модель, слабо описывали динамику
российского фондового рынка. Это может быть связано с тем, что на данном
промежутке времени российский рынок находился на стадии своего зарождения, а
российская экономика была лишь на пути к интеграции в мировую экономику, из-за
чего экзогенные факторы оказывали слабое влияние на динамику отечественного
фондового рынка. Ситуация поменялась в 2005-2007 годах, когда на мировых
финансовых рынках началась стадия наиболее активного раздувания пузырей,
которые вместе лопнули в 2008-2009 годах. На этом отрезке российский рынок уже
не оставался в стороне от общемировой динамики.
Тем не менее, в 2013-2014 голах, как мы видим, произошло достаточно
сильное снижение значимости модели. В 2013-2014 годах развивающиеся страны явно
стали тормозить в темпах роста своих экономик (особенно это касается Китая,
России и Бразилии), тогда как развитые государства, в особенности США и
Великобритания, стали демонстрировать по-настоящему впечатляющие темпы роста.
При этом, свое влияние оказал фактор растущих ожиданий постепенного ужесточения
монетарной политики и в США, и в Великобритании. В совокупности эти факторы
стали причиной большего оттока инвестиций из развивающихся рынков, в пользу
развитых, на фоне чего и произошло сильное расхождение в динамике этих фондовых
рынков. К общим проблемам развивающихся стран, в России также добавились
внутренние политические факторы, связанные в основном с «украинским» кризисом.
Объяснить низкую описательную силу модели в период 2000-2005 годов можно тем,
что американский, как и все остальные мировые фондовые рынки, в этот период
сначала падал, а затем тяжело восстанавливался из-за лопнувшего в 2000-2001
годах пузыря «доткомов». Российский же рынок в это время уже начал достаточно
уверенно расти после всех потрясений конца 90-х годов. На графике взаимосвязи
между российский и американским рынками мы видим, что она была низкой в данный
период, в особенности в 2002-2004 годах и только после этого она начала расти.
Более объемная по числу наблюдений модель также показывает то, что на
протяжении всего рассматриваемого периода взаимосвязь между российским рынком и
американским фондовым рынком была положительной и временами достаточно сильной.
Рис.10. Динамика SPXRUB
и коэффициента при переменной в регрессии.
Взаимосвязь между ценами на нефть и динамикой фондового рынка была
положительной большую часть рассматриваемого диапазона, хотя в отдельные
периоды времени она все же была заметно сильнее, чем в другие.
Тоже самое можно сказать и про динамику взаимосвязи целевой переменной и
переменной METALRUB: кроме нескольких недолгих периодов,
взаимосвязь оставалась положительной.
Взаимосвязь с динамикой курса доллар-рубль в свою очередь большую часть
рассматриваемого периода оставалась отрицательной, кроме нескольких недолгих
отрезков.
Построенные динамические коэффициенты по долларовым моделям в целом
продемонстрировали схожие результаты, которые мало отличаются от показателей
рублевых моделей, если не считать того, что у долларовых моделей описательная
сила моделей и степень взаимосвязи по отдельным переменным оказались выше, чем
у рублевых уравнений, однако это мы отмечали еще на этапе анализа построенных
уравнений и показателей регрессий в статике. Графики со сравнением динамики
коэффициентов регрессии по рублевым и долларовым моделям можно найти в
приложении к данной работе.
Подведем промежуточные итоги анализа регрессионных уравнений по группам
переменных в рублях и долларах США:
· Наиболее сильная и крепкая взаимосвязь наблюдается у целевой
переменной и фактора «американский фондовый рынок», что говорит о сильной
зависимости российского рынка от динамики мировых фондовых рынков. Тем не
менее, на протяжении рассматриваемого временного периода эта зависимость
постепенно снижалась и в последние 1-1,5 года она находится на очень низком
уровне;
· Вторым сильнейшим фактором, определяющим динамику российского
фондового рынка, является динамика курса доллар-рубль. Укрепление доллара
негативно сказывается, как на рублевых индексах фондового рынка, так и на
долларовых индикаторах, что не соотносится с нашей гипотезой о том, что
рублевые цены акций могут положительно реагировать на ослабление национальной
валюты. Тем не менее, на отдельных временных отрезках наблюдается положительная
взаимосвязь между переменными;
· Также значимое негативное влияние оказывает фактор
«процентные ставки»: при росте процентных ставок рынок реагирует снижением,
тогда, как при снижение ставок, котировки фондового рынка начинают расти;
· Сырьевые факторы - цены на нефть и цены на промышленные
металлы, хоть и являются также значимыми факторами, тем не менее оказывают на
фондовый рынок меньшее влияние, чем перечисленные выше переменные. Этот вывод
несколько не соотносится с общепринятым мнением о том, что российская экономика
является зависимой от сырьевых отраслей экономики, хотя фондовый рынок и не
является индикатором, прямо описывающим ситуацию во всей экономике страны;
· Фактор цен на государственные облигации в среднем на
рассматриваемом промежутке времени оказывает сильное влияние на динамику
российского фондового рынка, однако, этот фактор является одним из н
непостоянных, поэтому говорить о том, что эта взаимосвязь является значимым не
приходится.
Глава 3. Анализ отраслевых взаимосвязей
В данном разделе мы проанализируем модели, построенные с отраслевыми
переменными российского фондового рынка. Для удобства мы сразу же будем
сравнивать и рублевые и долларовые модели, а также сразу же будем рассматривать
изменение коэффициентов регрессии в динамике.
В модель мы изначально включали переменные, которые демонстрировали
сильную взаимосвязь с объясняемой переменной на этапе корреляционного анализа,
а затем поэтапно избавлялись от незначимых переменных уже на этапе
регрессионного анализа. Стоит сразу же отметить, что в каждое из окончательных
уравнений, которые мы построили, мы включили переменные, описывающие динамику
фондового рынка США и динамику валютной пары доллар-рубль, так как еще на
предыдущих этапах исследования мы выяснили, что эти факторы являются наиболее
сильными и значимыми.
Начнем мы с моделей, описывающих взаимосвязь нефтегазового сектора с
объясняющими переменными.
Табл. 21. Модели нефтегазового сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
BRENT
|
0.309013
|
0.0000
|
0.309160
|
0.0000
|
|
SPX
|
0.876886
|
0.0000
|
0.867540
|
0.0000
|
|
USDRUB
|
-1.036666
|
0.0000
|
-0.856813
|
0.0000
|
|
C
|
0.002255
|
0.2067
|
0.002583
|
0.1484
|
|
R-squared
|
0.379359
|
0.506771
|
|
Adjusted R-squared
|
0.375715
|
0.503869
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
Как мы можем видеть из данной таблицы, коэффициенты регрессии в данной
модели для долларовых переменных и для рублевых переменных различаются не
сильно, однако общая описательная сила модели для долларовых переменных
значительно выше. Близость значений коэффициентов регрессии в модели
объясняется тем, что в обоих случаях мы имеем фактически одни и те же
переменные, отличающиеся друг от друга лишь на величину динамики валютной пары
доллар-рубль. В разделе, где мы оценивали и анализировали взаимосвязь
переменных с основными фондовыми индексами, коэффициенты также были близки,
однако не до такой степени, поскольку в качестве объясняемых переменных там
выступали не абсолютные аналоги, различающиеся на динамику курса доллар-рубль,
как, например, индекс ММВБ и индекс РТС, а лишь близкие аналоги - индекс ММВБ и
индекс MSCI Russia, которые, хоть и близки по составу, но все же не
абсолютно идентичны.
В модель, помимо двух основных факторов, о которых мы писали выше, также
вошел фактор цен на нефть, что вполне укладывается в фундаментальную логику
этой взаимосвязи, ведь цены акций нефтегазовых компаний должны зависеть от
динамики цен на нефть.
Изучение коэффициентов регрессии в динамике в целом приводит нас к тем же
выводам, что мы сделали еще на этапе исследования взаимосвязей объясняющих
факторов и фондового рынка в целом: описательная сила моделей достаточно сильно
снизилась в последние два года, также, как и снизилась теснота взаимосвязи
целевой переменной с факторами фондового рынка США и цен на нефть.
Табл. 22. Модели металлургического сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
METAL
|
0.619644
|
0.0000
|
0.609954
|
0.0000
|
|
SPX
|
1.024988
|
0.0000
|
1.008708
|
0.0000
|
|
USDRUB
|
-1.084771
|
0.0000
|
-0.462607
|
0.0000
|
|
C
|
0.001241
|
0.5263
|
0.001473
|
0.4504
|
|
R-squared
|
0.438481
|
0.501502
|
|
Adjusted R-squared
|
0.435191
|
0.498575
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
Для металлургического сектора в качестве дополнительной рассматриваемой
переменной мы выбрали фактор цен на промышленные металлы, что также полностью
совпадает с нашими ожиданиями и предпосылками. Коэффициенты регрессии также в
целом совпадают между долларовыми и рублевыми моделями, хотя зависимость с
переменной USDRUB по модулю заметно ниже у долларовых
переменных. Это может быть отражением предпосылки о том, что металлургические компании,
в основном представленные компаниями-экспортерами, в определенные моменты
времени могут выигрывать от ослабление курса национальной валюты, то есть при
росте курса доллар-рубль они будут показывать лучшую динамику, чем компании,
ориентированные на внутренний сектор. Описательная сила выше у моделей с
долларовыми переменными, также, как и в случае моделей нефтегазового сектора.
В этих моделях также наблюдается значительное снижение описательной силы
в последние несколько лет, что также может являться отражением снижения общей
зависимости российского рынка от различных объективных экзогенных факторов.
Табл. 23. Модели финансового сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
BRENT
|
0.116762
|
0.0324
|
0.110418
|
0.0378
|
|
METAL
|
0.159497
|
0.0210
|
0.160386
|
0.0189
|
|
SPX
|
0.579859
|
0.0000
|
0.567309
|
0.0000
|
|
USDRUB
|
-1.033983
|
0.0000
|
-1.179929
|
0.0000
|
|
C
|
0.003053
|
0.1361
|
0.003917
|
0.0524
|
|
R-squared
|
0.210476
|
0.385398
|
|
Adjusted R-squared
|
0.204121
|
0.380578
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
В модель для финансового сектор, помимо двух основных факторов, мы также
включили переменные METAL и BRENT, которые также продемонстрировали
сильную взаимосвязь с объясняемой переменной на этапе регрессионного анализа.
Эта зависимость неочевидна и трудна объяснима, хотя в разделе корреляционного
анализа для данной группы факторов мы высказали предположение о том, откуда эта
взаимосвязь могла появиться.
Описательная сила моделей выше для долларовых переменных, также, как и в
предыдущих рассмотренных случаях. Коэффициенты регрессии у двух типов моделей
практически равны, также, как и в предыдущих случаях.
Табл. 24. Модели потребительского сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
SPX
|
0.458566
|
0.0000
|
0.448135
|
0.0000
|
|
USDRUB
|
-0.652274
|
0.0000
|
-1.187146
|
0.0000
|
|
C
|
0.003933
|
0.0077
|
0.004363
|
0.0032
|
|
R-squared
|
0.149664
|
0.421477
|
|
Adjusted R-squared
|
0.146349
|
0.419217
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
У потребительского сектора не выявлено других сильных взаимосвязей, кроме
как положительной зависимости от динамики фондового рынка США и строго
отрицательной зависимости от динамики валютной пары доллар-рубль. Описательная
сила модели значительно выше у долларовой модели, также, как и взаимосвязь с
переменной USDRUB по модулю.
Табл. 25. Модели энергетического сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
METAL
|
0.292095
|
0.0000
|
0.287323
|
0.0000
|
|
SPX
|
0.613235
|
0.0000
|
0.604792
|
0.0000
|
|
USDRUB
|
-1.240687
|
0.0000
|
-1.328399
|
0.0000
|
|
C
|
0.000434
|
0.8189
|
0.000917
|
0.6299
|
|
|
|
|
|
|
R-squared
|
0.262698
|
0.448960
|
|
Adjusted R-squared
|
0.445719
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
Для моделей энергетического сектора мы также выявили сильную взаимосвязь
с фактором цен на промышленные металлы, что можно объяснить следующим образом:
одним из основных потребителей электроэнергии в экономики остается промышленный
сектор экономики, а состояние этой отрасли напрямую зависит от цен на
промышленные металлы, или, если точнее, от спроса со стороны Китая, чьим
индикатором являются цены на промышленные металлы. Если промышленность
чувствует себя хорошо, то она потребляет соответствующий объем электроэнергии,
а в периоды кризисов и рецессий обрабатывающие производства стараются сократить
собственные издержки, что и приводит к сокращению потребления электроэнергии.
Табл. 25. Модели химического сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
METAL
|
0.375001
|
0.0000
|
0.370468
|
0.0000
|
|
SPX
|
0.598710
|
0.0000
|
0.583089
|
0.0000
|
|
USDRUB
|
0.168681
|
0.1372
|
-0.835784
|
0.0000
|
|
C
|
0.002564
|
0.2471
|
0.003132
|
0.1581
|
|
R-squared
|
0.229932
|
0.377757
|
|
Adjusted R-squared
|
0.224379
|
0.373259
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
В секторе химических компаний стоит отметить наблюдающуюся положительную
взаимосвязь между объясняемой переменной и фактором валютной пары доллар-рубль.
Среди всех экспорт ориентированных отраслей фондового рынка, химический сектор
является единственным, демонстрирующим данную взаимосвязь, подтверждая нашу
гипотезу о том, что компании, ориентированные на внешние рынки, положительно
реагируют на ослабление курса национальной валюты.
Табл. 26. Модели машиностроительного сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
METAL
|
0.232989
|
0.0008
|
0.228935
|
0.0010
|
|
MOSPRIME
|
-0.010104
|
0.0000
|
-0.009856
|
0.0000
|
|
SPX
|
0.683429
|
0.0000
|
0.679178
|
0.0000
|
|
USDRUB
|
-1.129795
|
0.0000
|
-1.206076
|
0.0000
|
|
C
|
0.001669
|
0.4418
|
0.002137
|
0.3278
|
|
R-squared
|
0.243197
|
0.400180
|
|
Adjusted R-squared
|
0.237273
|
0.395476
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
Машиностроительный сектор оказался одним из единственных, у которого
наблюдается сильная взаимосвязь с фактором уровня процентных ставок: рост
процентных ставок на 1 п.п. в стране приводит к снижению капитализации компаний
из данной отрасли на 1%. Вполне возможно это связано с тем, что компании
данного сектора уже традиционно являются одними из наиболее закредитованных
компаний страны и рост уровня процентных ставок в стране приводит к удорожанию
обслуживания долгов данных компаний и соответственно к ухудшению финансового
состояния, что уже отражается на капитализации акций.
Также у данного сектора обнаружена положительная зависимость от цен на
промышленные металлы, что также может быть отражением того, что данный сектор
является представителем промышленности, которая, как мы уже выше отмечали не
раз отмечали, зависит от динамики цен на промышленные металлы.
Сильная взаимосвязь с уровнем процентных ставок также обнаружилась у
сектора телекоммуникационных компаний, хотя в данном случае объяснить данную
зависимость сложнее. Также была обнаружена мало объяснимая связь с фактором цен
на нефть.
Табл. 27. Модели телекоммуникационного сектора.
|
RUB
|
USD
|
|
Variable
|
Coefficient
|
Prob.
|
Coefficient
|
Prob.
|
|
BRENTRUB
|
0.197426
|
0.0000
|
0.200730
|
0.0000
|
|
MOSPRIME
|
-0.009804
|
0.0000
|
-0.009443
|
0.0000
|
|
SPXRUB
|
0.717270
|
0.0000
|
0.710358
|
0.0000
|
|
USDRUB
|
-0.823339
|
0.0000
|
-0.907127
|
0.0000
|
|
C
|
0.001091
|
0.4846
|
0.001448
|
0.3525
|
|
R-squared
|
0.360621
|
0.529566
|
|
Adjusted R-squared
|
0.355606
|
0.525869
|
|
Prob(F-statistic)
|
0.000000
|
0.000000
|
Если в целом взглянуть на секторальный анализ, можно прийти к следующим
выводам:
· Модели с долларовыми переменными дают более качественный результат с
более высокой описательной силой;
· Несмотря на то, что модели с рублевыми переменными не
демонстрируют положительной взаимосвязи с курсом доллар-рубль, как мы
предполагали, они, тем не менее, в среднем реагируют на девальвацию
национальной валюты менее негативно, чем долларовые переменные;
· Из всех отраслей в рублевом выражении, только химический
сектор демонстрирует положительную зависимость от динамики валютной пары
доллар-рубль, отчасти подтверждая нашу гипотезу о том, что девальвация является
позитивным фактором для экспорт ориентированных компаний;
· Наиболее негативно на укрепление доллара и в рублях, и в
долларах реагируют финансовый, энергетический и машиностроительные сектора, что
соотносится с нашими предпосылками о том, что компании, ориентированные на
внутренний рынок, будут более негативно реагировать на девальвацию;
· На динамику цен на нефть сильнее всего реагируют нефтегазовые
компании, что совпадает с нашими гипотезами;
· На динамику цен на промышленные металлы сильнее всего
реагируют металлургические компании, хотя такие сектора, как энергетика,
химическая отрасль и машиностроительный сектор, также имеют достаточно сильную
взаимосвязь с данным фактором;
· От динамики фондового рынка США сильнее всего зависят
металлургический, нефтегазовый и телекоммуникационный сектора, а слабее всего
транспортный сектор. Скорее всего это зависит от того, насколько популярны
акции каждого конкретного сектора у западных инвесторов и насколько они
доступны для приобретения на иностранных площадках.
Заключение
Анализируя и сравнивая модели, оцененные с помощью долларовых и с помощью
рублевых переменных, мы можем с уверенностью утверждать о том, что долларовые
переменные больше подходят для проведения качественного исследования и анализа,
поскольку описательная сила таких моделей значительно выше, чем у моделей,
построенных с помощью рублевых переменных. Этот вывод мы можем сделать после
проведения всех этапов нашего исследования и, хотя на стадии корреляционного
анализа можно было утверждать об обратном, на стадии регрессионного анализа мы
получили именно такие результаты.
Одной из наших основных гипотез, которые были выдвинуты до начала оценки
и анализа данных, являлось то, что девальвация рубля может негативно
сказываться на котировках акций, выраженных в долларах, и положительно
сказываться на котировках акций, выраженных в рублях. Эта гипотеза
подтвердилась лишь частично, хотя в целом можно утверждать о том, что она не
подтвердилась. Практически во всех моделях с рублевыми переменными наблюдается
строго отрицательная зависимость котировок акций от динамики валютной пары
доллар-рубль и лишь в модели №1 наблюдается небольшая положительная зависимость
в период с декабря 2014 года по апрель 2015, после декабрьской девальвации.
Это может быть подтверждением нашей гипотезы о том, что девальвация
начинает положительно влиять на динамику фондового рынка только в наиболее
экстренных ситуациях, когда обесценение национальной валюты происходит очень
быстро и резко, однако это не подтверждается периодами 1998 и 2008 годов, когда
также можно было наблюдать сильное обесценение рубля: остальные модели не
сигнализируют о положительной взаимосвязи переменных в данные отрезки времени.
С большой уверенностью можно утверждать о том, что значимой разницы между
влиянием динамики курса доллара на динамику долларовых индексов и рублевых
индекс, нет.
Мы подтвердили гипотезы о значимости большинства из рассматриваемых
фактором модели, хотя переменные, связанные с динамикой мировых фондовых рынков
и динамикой курсов валют, оказались более сильно взаимосвязанными с динамикой
отечественного фондового рынка, хотя в гипотезах выдвигалось предположение о
том, что наиболее значимыми окажутся факторы цен сырьевых фьючерсов (нефть и
промышленные металлы). Единственным слабым фактором, взаимосвязь которого с
фондовым рынком подтверждается лишь отчасти, можно назвать переменную RUSBONDS, отражающую динамику цен
государственных облигаций РФ.
Список источников
Статьи:
1.1. Anatolyev Stanislav (2006) «A ten-year retrospective on the determinants of Russian stock returns», New Economic School,
Moscow.
.2. Anatolyev, S., Shakin D., (2006). «Trade
intensity in the Russian stock market: dynamics», distribution and
determinants. Applied Financial Economics, forthcoming.
.3. Goriaev, A., Sonin K., (2005). «Prosecutors
and financial markets: a case study of the YUKOS affair». Unpublished
manuscript, New Economic School, presented at the conference «Alternative
Perspectives on Finance 7."
.4. Granville, B., Mallick S., (2006). “Does
inflation or currency depreciation drive monetary policy in Russia?” Research
in International Business and Finance 20, 163{179}.
.5. Hayo, B., Kutan A.M., (2005). “The impact of
news, oil prices, and global market developments on Russian financial markets”.
Economics of Transition 13, 373{393}.
.6. Jalolov M., and T. Miyakoshi (2005). “Who
drives the Russian financial markets?” The Developing Economies, 43(3),
374-395.
.7. Peresetsky A. A. (2011) “What determines the
behavior of the Russian stock market”. National Research University Higher
School of Economics, CEMI RAS.
.8. Peresetsky A., Ivanter A. (2000). “Interaction
of the Russian financial markets. Economics of Planning”, 33, 103-140.
.9. Vdovichenko, A.G., Voronina V.G., (2006).
“Monetary policy rules and their application in Russia”. Research in
International Business and Finance 20, 145{162}.
Книги:
. Вербик М. (2008) «Путеводитель по современной
эконометрике». Научная книга.
3. Электронные ресурсы:
3.1. Единый портал бюджетной системы РФ
.2. Официальный сайт «Гонконгской фондовой биржи»
.3. Официальный сайт «Лондонской товарной биржи»
.4. Официальный сайт «Лондонской фондовой биржи»
.5. Официальный сайт Международного Валютного Фонда
.6. Официальный сайт Министерства Энергетики РФ
.7. Официальный сайт Министерства Экономического Развития
РФ
.8. Официальный сайт Министерства Финансов РФ
.9. Официальный сайт «Московской Биржи»
.10. Официальный сайт «Токийской фондовой биржи»
.11. Официальный сайт Федеральной службы государственной
статистики
.12. Официальный сайт «Франкфуртской фондовой биржи»
.13. Официальный сайт «Шанхайской фондовой биржи»
.14. Официальный сайт Центрального Банка РФ
.15. Официальный сайт ЦРУ. Книга фактов ЦРУ
.16. Сайт аналитического агентства FTSE
.17. Сайт аналитического агентства Morgan Stanley Capital International. Раздел с основными и дополнительными
фондовыми индексами.
.18. Сайт аналитического агентства S&P Dow Jones Indices
.19. Сайт аналитического информационного агентства Investing.com
.20. Сайт аналитического информационного агентства Bloomberg Business
.21. Сайт информационно-аналитического ресурса Investfunds подразделения компании Cbonds
.22. Сайт информационно-аналитического агентства Cbonds.Ru
.23. Сайт информационно-аналитического агентства Trading Economics
.24. Сайт информационного-аналитического агентства Markit
.25. Сайт информационно-аналитического агентства Forbes
.26. Сайт семейства Exchange-Trade Funds
“iShares” компании BlackRock
3.27. Торгово-аналитический терминал Bloomberg.
Приложение 1
Коэффициент детерминации в динамике для модели в рублях №2
Коэффициент детерминации в динамике для модели в долларах №1
Коэффициент детерминации в динамике для модели в долларах №2
Коэффициент детерминации в динамике для модели в долларах №3