Федеральное государственное образовательное учреждение
высшего профессионального образования
Санкт-Петербургский государственный университет
Высшая школа менеджмента
Механизмы принятия решений по управлению организацией:
задача о поиске равновесия при решении агентской проблемы с точки
зрения риск-менеджмента
Выпускная квалификационная работа
аспиранта, обучающегося по основной
образовательной программе аспирантуры
«Экономика и управление народным
хозяйством (логистика; маркетинг;
менеджмент)» по специальности научных
работников 08.00.05 «Экономика и
управление народным хозяйством (по
отраслям)»
Смирновой Екатерины Александровны
____________________________________
(подпись)
Научный руководитель:
к. ф.-м. н., доцент
Лукьянова Анна Евгеньевна
____________________________________
(подпись)
Санкт-Петербург
2010
Введение
Исследование затрагивает несколько предметных областей: риск-менеджмент, стратегический
менеджмент, ценностно-ориентированный менеджмент и теорию агентских отношений. Объектом
исследования стратегического менеджмента является компания, что отличает его от экономической
теории, которая изучает более широкий перечень объектов (компанию, потребителя, общества и
другие). Отличием теории стратегического управления от теории управления организацией является
то, что она пытается объяснить причины различий между компаниями, проводя глубокий внутренний
анализ организации с целью поиска конкурентных преимуществ компаний. Теория стратегического
управления стала складываться в 1960-е годы в США и странах Западной Европы как ответ на
усложнение внешней среды, в которой функционировали компании. В 1950-е годы лидирующие
страны мира восстанавливались после второй мировой войны, которая поставила новые вызовы перед
компаниями и, в том числе, способствовала завершению периода формирования факторов,
впоследствии ставших основными силами глобализации1. В таких условиях руководство крупнейших в
мире компаний пришло постепенно к пониманию, что стратегическое управление не является лишь
искусством, но и наукой, требующей более серьёзного, систематизированного, обоснованного подхода
и доказательной базы.
Стратегия компании – формулирование основных долгосрочных целей и задач компании, а
также осуществление различных действий, в том числе по распределению ресурсов для достижения
этих целей.
Предметом теории стратегического управления является создание конкурентных
преимуществ фирм, обеспечивающих им экономические ренты, что отличает теорию
стратегического управления от смежных областей, таких, как экономика, социология, психология,
политология, которые рассматривают организации и поведение организаций и индивидуумов. Если,
например, экономическая теория изучает сами ресурсы фирмы, то теория стратегического управления
– извлечение из ресурсов рент.
Целью данной работы является разработка механизмов принятия решений по управлению
рисками компании.
Обозначенной целью продиктована необходимость решения ряда задач:
- анализ и систематизация теоретических подходов к оценке систематического риска в
финансах;
- анализ теоретических концепций специфического риска в менеджменте;
- анализ проблем, с которыми сталкиваются компании в управлении рисками;
- анализ динамики доходностей облигаций компаний и агрегированных показателей
финансового рынка России в предкризисный и кризисный периоды времени (временные рамки: 20102015 гг.);
1
Начало использования в промышленных масштабах персональных компьютеров, ставших одним из символов
эпохи глобализации, произошло в 1980-е годы
- определение момента времени, в который ситуация изменилась от ординарной к кризисной на
российском рынке (период 2010-2015 гг.);
- построение индикатора кризисности внутренней ситуации в компании на основе модели Э.
Альтмана;
- построение индикаторов риска компании на основе объединения индикатора финансового
заражения и индикатора на основе модели Э. Альтмана;
- апробирование индикатора риска на данных развивающихся и развитых рынков в различные
периоды времени;
- анализ полученных результатов и выводы по складывающимся закономерностям уровней
специфического риска (сравнительное исследование компаний из разных стран и отраслей в
различные периоды времени по уровню специфического риска);
- прогноз индикатора кризисности экономики методом имитационного моделирования;
- анализ кейсов компаний различных стран и отраслей экономики на основе данных
финансовой отчётности, средств массовой информации, аналитических баз данных (Thomcon Reuters
Eikon и Thomson One) с целью выявления ценности, которую компания ставит целью поддерживать,
для того, чтобы потом использовать это значение при построении стратегии компании;
- прогноз значений индикатора финансового заражения компании методом имитационного
моделирования;
- оценка взаимозависимости значения индикатора специфического риска и изменения (Δ)
ценности компании в кризисный период с выделением коэффициента финансового заражения
компании;
- определение интервала допустимых значений индикатора специфического риска, при которых
ценность компании будет оставаться в заданном интервале;
- определение финансовых показателей компании (внутренних), благодаря достижению
которых компания будет иметь соответствующее значение индикатора специфического риска;
- определение интервала значений индикатора специфического риска, при которых ценность
компании будет возрастать (не понижаться; добавление тренда в регрессионную модель);
- определение финансовых показателей компании, при выполнении которых её ценность будет
не понижаться – база для построения стратегии с учётом специфического риска.
Управленческие решения в условиях макроэкономической неопределённости: возможно ли
найти индикаторы грозящей опасности?
Теория управления | (87) УЭкС, 5/2016 Автор (авторы):
Е.А. Смирнова
ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
Санкт-Петербургский государственный университет, Высшая Школа Менеджмента
Управленческие решения в условиях макроэкономической неопределённости: возможно ли
найти индикаторы грозящей опасности?
Managerial decisions in an environment of macroeconomic uncertainty: is it possible to find the
upcoming hazard indicators?
Е.А. Смирнова
E. Smirnova
аспирант,
Санкт-Петербургский государственный университет,
Высшая Школа Менеджмента,
Кафедра финансов и учёта
ekaterina_a.smirnova@yahoo.com
Чем скорее менеджеры будут способны определить основные факторы риска, тем выше будет
эффективность антикризисного плана с точки зрения принятия решений.
A. Valackiene [1]
Аннотация. В
современных условиях компания нуждается в системе индикаторов,
которые могут помочь ей понять и проанализировать процесс развития рисков: как
возникают риски, как увеличиваются угрозы для компании, насколько сильно риски
угрожают компании. Проанализированные в работе методы и подходы могут
представлять определённый интерес для изучения рисков. В статье проводится анализ
методов определения индикаторов финансового заражения. Такие индикаторы
предлагались и тестировались многократно в научной литературе, например, в работах
[2–5].
Abstract. In the contemporary circumstances the company needs the system of indicators
that will help to understand and to predict the process of the risks development: how the
risks emerge, how the threats for the company arise, how much the risks menace the
company. The methods and approaches considered reports the special value for the risks
analysis. In this research financial contagion indicators assessment methods are analysed.
Such indicators were proposed and tested in the related studies [2–5].
Ключевые слова: антикризисное управление, макроэкономические шоки, финансовое
заражение, векторная авторегрессионная модель, индикаторы кризиса.
Keywords: crisis management, macroeconomic chocks, financial contagion, vector
autoregressive model, crisis indicators.
В данном исследовании проводится анализ экономической природы шоков на рынке, а
также методов эмпирической проверки теоретических взаимосвязей между
финансовыми шоками, финансовым заражением и финансовыми кризисами. Данные
взаимозависимости анализируются с целью выявления индикаторов, использование
которых позволит компании предвидеть наступление кризиса (которые «включаются»
за некоторое время до наступления кризисного события). Рассматриваются индикаторы
финансового заражения, которые позволяют выявить значимые взаимосвязи между
доходностями основных финансовых индикаторов. В целях принятия управленческих
решений оценка рыночной ситуации позволяет инвестору ответить на вопрос, согласен
ли он нести такие риски или нет.
Макроэкономическая нестабильность, заметно усилившаяся во второй половине XX
века, усугублялась распадом Бреттон-Вудской валютной системы в 1976 г., рядом
энергетических кризисов (1973 г., 1979-1980 гг., 1990 г.), коррелировавших с
политической обстановкой в мире [6].
Финансовое заражение - это ситуация на финансовом рынке, во время которой
взаимозависимости между различными индикаторами финансового рынка становятся
сильнее после шока в динамике одного финансового индикатора [7].
Исследование финансовых шоков берёт начало в макроэкономических вопросах. Так, в
1980 году в статье в журнале “Econometrics” будущий лауреат Нобелевской премии по
экономике К. Симс (Ch. Sims) показал, как модели векторной авторегрессии могут быть
использованы для оценки взаимозависимостей между макроэкономическими
параметрами [8]. Впоследствии, продолжая исследования К. Симса, японский
исследователь М. Хатанака (M. Hatanaka) показал, что для того, чтобы использовать
модель векторной авторегрессии, в ней должно быть не меньше коэффициентов при
независимых переменных, чем коэффициентов при зависимых переменных [9]. Такое
условие (критерий Хатанаки) объясняется «происхождением» модели векторной
авторегрессии от системы структурных уравнений с упрощениями для более
компактной записи модели и стандартизации принципов её интерпретации [10].
Дальнейшее развитие области тестирования гипотез о макроэкономических
взаимосвязях с использованием моделей векторной авторегрессии развивается, как
минимум, по двум направлениям: математическому и экономическому. В
«математическом направлении», например, К. Баум (Ch. Baum) анализирует векторные
авторегрессионные модели, для которых возможно при наличии свойства стабильности
оценивать функцию воздействия-результата (impulse-response function) [11]. Условием того,
что векторная авторегрессионная модель будет обладать свойством стабильности,
является возможность представления её в виде разложения Холецкого (A.-L. Cholesky)
[12]. В случае, если векторная авторегрессионная модель обладает свойством
стабильности, она может быть записана в следующей форме:
где
– вектор, состоящий из K переменных, каждая из которых может быть
представлена в виде функции с p лагами этой переменной и возможно, но не
обязательно, набора независимых переменных
;
– свободный коэффициент;
– динамические мультипликативные функции, или функции передачи влияния;
– значение независимой переменной в момент времени t с лагом i;
– коэффициенты скользящего среднего;
– значение случайного процесса белого шума в момент времени t с лагом i.
При этом в правой части равенства (1) присутствуют функции воздействия-результата
(impulse-response functions, IFRs) на временном горизонте i [11]. Формула (1)
представляет собой модель векторной авторегресии-скользящего среднего , характерной
особенностью которой является то, что все предыдущие значения зависимой
переменной, являющиеся элементом авторегрессионных моделей в классической
форме, исключены.
Таким образом, для расчёта функции воздействия-результата необходимо выполнение
условия стабильности функции векторной авторегресии. Функции воздействиярезультата имеют недостаток: они показывают эффект, отложенный во времени на
один шаг, только для одного шока, оставляя другие шоки на прежнем уровне [11].
Другим направлением исследования макроэкономических взаимозависимостей при
помощи векторных авторегрессионных моделей является «экономическое». В этом
направлении прежде всего изучается природа шоков на рынке. Под
макроэкономическим шоком подразумевают значительное снижение ВВП [13].
Макроэкономические шоки классифицируются по показателю-результату, к изменению
которого они приводят, на шоки спроса и шоки предложения. Например, шоки
предложения определяются как неожиданные изменения издержек производства (за
счёт стоимости ресурсов) или производительности, которое оказывает неожиданное и
значительное влияние на совокупное предложение. В результате шока предложения
происходит непредвиденное изменение реального ВВП и уровня цен [12, с. 1343].
Однако, как показано в работе M.A. Dąbrowski и J. Wróblewska, не только традиционно
изучаемые экономистами шоки спроса и предложения позволяют объяснить колебания
реального обменного курса. Исследование, выполненное ими с использованием
теоретической модели R. Clarida и J. Gali [6] показало, что в качестве дополнительного
вида макроэкономических шоков, помимо рассматриваемых традиционно, выступают
монетарные[1]и финансовые шоки [15]. Для выявления шоков M.A. Dąbrowski и J.
Wróblewska используют матрицу общего влияния факторов, предложенную J. Blanchard
и D. Quah, совмещая её с ограничениями модели для обеспечения её валидности и
экономической интерпретации, предложенными A. Binning [16,17]. При оценке модели
без учёта финансовых шоков (только с шоками спроса, предложения и монетарными
шоками) наиболее сильное влияние на реальный обменный курс оказывали шоки
спроса [15]. Но, после добавления в модель переменных, характеризующих
финансовые шоки, оказалось, что реальный обменный курс в подавляющем
большинстве случаев менялся под воздействием финансовых шоков. На основе их
анализа приведённых работ можно сформулировать важный вывод: финансовое
заражение, которое начинает усиливаться после финансовых шоков, является
следствием финансовых шоков. Изучение влияния на макроэкономическую ситуацию
только финансовых шоков недостаточно, так как опасность может скрываться в самом
финансовом заражении. Подобно радиации финансовое заражение таит в себе
существенную опасность, которую можно сразу не заметить.
Непосредственно поиск индикаторов кризиса в экономике является актуальной темой,
по которой в настоящее время относительно немного литературы. Дело в том, что
анализ кризисных закономерностей в экономике относится к области математических
моделей и эконометрики. В этой области наиболее известны исследования
Н.Д. Кондратьева, посвящённые анализу цикличности макроэкономических
показателей [18]. С другой стороны, в исследованиях в области менеджмента реакция
компании на кризисную ситуацию широко изучается как антикризисное управление в
компании, например, в работах А.О. Кравцова, Д.В. Олейника, А.Н. Ряховской и
С.Е. Кована, A. Valackiene, Z. Li и H. Wang, Z. Jianying, B. Tingting и T. Zhanglu [1,19–
25]. То обстоятельство, что большая часть из указанных работ – публикации в
сборниках докладов международных конференций, свидетельствует о стремительном
развитии и востребованности данной области именно в последние годы, так как чаще
всего научные результаты представляются, в первую очередь, на конференциях, а
потом публикуются в периодических изданиях. Возрастание интереса в последние годы
к проблемам антикризисного управления может объясняться возрастанием
периодичности кризисов (кредитный кризис в США 2006-2008 гг., долговой кризис
Греции в 2009-2013 гг., кризис внешней торговли России 2014-2015 гг., финансовый
кризис в Китае в 2015 г. и «стальной кризис» в Индии в 2015 г.)
Интерес к антикризисному управлению возрастает в литературе по менеджменту,
начиная с периода 1990-х годов, когда стратегический менеджмент получил большой
импульс в развитии благодаря появлению ресурсной концепции, началом становления
которой считается выход в 1984 году статьи B. Wernerfelt [26].
В современных работах по антикризисному управлению рассматривается, например,
управление персоналом в кризисный период и делается упор на необходимость
слаженной работы всех участников коллектива (Valackiene, 2011) [1], управление
знаниями в период кризиса (Li, Wang, 2009)[23]. В области антикризисного управления
многие идеи приходят из опыта практиков, поэтому в научных работах анализируются,
например, принципы антикризисного управления, предложенные Д. Уэлчем [24,27].
Можно отметить существование некоторого «разрыва» между теоретическими
исследованиями макроэкономических циклов, с одной стороны, и огромным интересом
к принятию управленческих решений в условиях кризисных ситуаций, с другой. Так, в
статье Е.А. Фёдоровой и Д.О. Афанасьева [28] разрабатывается комплексный
прогностический кризисный индикатор для экономики России на базе динамической
регрессионной модели с марковскими переключениями и зависящими от времени
вероятностями переключения состояний исследуемого процесса, а также
статистического теста отношения правдоподобия. В своём исследовании авторы
показали, что в экономике России значимыми каналами возникновения и
распространения кризиса являются торговый, финансовый и банковский каналы [2].
Однако, присутствуют и п о л о ж и т е л ь н ы е п р и м е р ы т о г о , к а к р е з у л ь т а т ы
эконометрического анализа с использованием векторных авторегрессионных моделей
используются при принятии управленческих решений. Например, специалисты
Центрального банка Норвегии проводят исследования с использованием структурных
векторных авторегрессионных моделей, отличающихся от традиционных векторных
авторегрессионных моделей тем, что в них присутствуют ограничения на то, как
структурные шоки влияют на переменные в модели [17].
В завершение можно сделать вывод: присутствует разрыв между теоретическими
моделями в эконометрике и антикризисным управлением на практике как по
содержанию, так и по выводам, которые они предлагают. Так, например, понимание
кризисов как закономерного явления, состоящего в отрицательной динамике
большинства макроэкономических показателей в теории экономических циклов
(долгосрочная перспектива) и поиск мер реагирования компании для выживания в
экстремальных условиях (краткосрочная перспектива). Изучение финансового
заражения – один из способов заполнить недостаток применимых на практике
теоретических моделей.
Литература
1. Valackiene A. Theoretical Substation of the Model for Crisis Management in
Organization // Eng. Econ. 2011. Vol. 22, № 1.
2. Brunnermeier M.K., Pedersen L.H. Predatory Trading // J. Finance. 2005. Vol. 60,
№ 4. P. 1825–1863.
3. Allen F., Gale D. Financial Contagion // J. Polit. Econ. 2000. Vol. 108, № 1. P. 1–
33.
4. Kodres L.E., Pritsker M. A Rational Expectations Model of Financial Contagion // J.
Finance. 2002. Vol. 57, № 2. P. 769–799.
5. Aragon G.O., Strahan P.E. Hedge funds as liquidity providers: evidence from the
Lehman bankruptcy. 2011.
6. Clarida R., Gali J. Sources of Real Exchange Rate Fluctuations: How Important Are
Nominal Shocks? 1993.
7. Longstaff F.A. The subprime credit crisis and contagion in financial markets // J.
financ. econ. 2010. Vol. 97, № 3. P. 436–450.
8. Sims C.A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48, № 1. P. 1–
48.
9. Maekawa K., Tanaka K. The ET Interview: Professor Michio Hatanaka // Econom.
Theory. 1990. № 6. P. 385–402.
10. Hatanaka M. On the Global Identification of the Dynamic Simultaneous Equations
Model with Stationary Disturbances // Int. Econ. Rev. (Philadelphia). 1975. Vol. 16, № 3. P.
545.
11. Baum C.F. VAR, SVAR and VECM models [Electronic resource]. 2013. P. 1–
61. URL: http://fmwww.bc.edu/EC-C/S2013/823/EC823.S2013.nn10.slides.pdf.
12. Weisstein E.W. Cholesky Decomposition [Electronic resource] // MathWorld-A Wolfram Web Resource.
http://mathworld.wolfram.com/CholeskyDecomposition.html. URL:
http://mathworld.wolfram.com/CholeskyDecomposition.html.
13. Fukushima Y. Macroeconomic Shock and Labour Market Programmes // Procedia
Econ. Financ. 2012. Vol. 1. P. 138–147.
14. Самуэльсон П.Э., Нордхаус В.Д. Экономика. Москва: ООО “И.Д. Вильямс,”
2012. 1360 p.
15. Dąbrowski M.A., Wróblewska J. Financial shocks as a cause of real exchange rate
fluctuations in Poland – evidence from the Bayesian structural VAR models.
16. Blanchard O.J., Quah D. The Dynamic Effects of Aggregate Demand and Supply
Disturbances.
17. Binning A. Underidentified SVAR models: A framework for combining short and
long-run restrictions with sign-restrictions. 2013.
18. Кондратьев Н.Д., Яковец Ю.В., Aбалкин Л.И. Большие циклы коньюнктуры и
теория предвидения. Избранные труды. Москва: Экономика, 2002. 550 p.
19. Кравцов А.О. Управление изменениями как антикризисное управление.
Санкт-Петербург, 2015. 43-47 p.
20. Олейник Д.В. Антикризисные стратегии и управление рисками в
организациях. Санкт-Петербург, 2015. 165-167 p.
21. Ряховская А.Н., Кован С.Е. Трансформация антикризисного управления в
современных экономических условиях // Эффективное антикризисное управление.
2013. Vol. 5, № 80. P. 62–73.
22. Author R., Sargan J.D. The Maximum Likelihood Estimation of Economic
Relationships with Autoregressive // Source Econom. 1961. Vol. 29, № 3. P. 414–426.
23. Li Z., Wang H. Research on the Enterprise Crisis Management System Basic on
Knowledge Demand.
24. Jianying Z. Crisis Management based on the Five Hypotheses proposed by Jack
Welch // Proceedings of the 2012 International Conference on Public Management (ICPM2012). Paris, France: Atlantis Press, 2012.
25. Tingting B., Zhanglu T. On the Crisis Management of the Modern Enterprise.
26. Wernerfelt B. A Resource-based View of the Firm // Strateg. .Management J.
1984. Vol. 5. P. 171–180.
27. Welch D., Welch S. Winning. New York: HarperCollins Publishers Inc., 2005. 385
p.
28. Федорова Е.А., Афанасьев Д.О. Комплексный кризисный индикатор для
России // Журнал Новой экономической ассоциации. 2014. Vol. 23, № 2. P. 38–59.
29. Mountford A., Uhlig H. What are the Effects of Fiscal Policy Shocks ?
References
1. Valackiene A. Theoretical Substation of the Model for Crisis Management in
Organization // Eng. Econ. 2011. Vol. 22, № 1.
2. Brunnermeier M.K., Pedersen L.H. Predatory Trading // J. Finance. 2005. Vol. 60,
№ 4. P. 1825–1863.
3. Allen F., Gale D. Financial Contagion // J. Polit. Econ. 2000. Vol. 108, № 1. P. 1–
33.
4. Kodres L.E., Pritsker M. A Rational Expectations Model of Financial Contagion // J.
Finance. 2002. Vol. 57, № 2. P. 769–799.
5. Aragon G.O., Strahan P.E. Hedge funds as liquidity providers: evidence from the
Lehman bankruptcy. 2011.
6. Clarida R., Gali J. Sources of Real Exchange Rate Fluctuations: How Important Are
Nominal Shocks? 1993.
7. Longstaff F.A. The subprime credit crisis and contagion in financial markets // J.
financ. econ. 2010. Vol. 97, № 3. P. 436–450.
8. Sims C.A. Macroeconomics and Reality // Econometrica. 1980. Vol. 48, № 1. P. 1–
48.
9. Maekawa K., Tanaka K. The ET Interview: Professor Michio Hatanaka // Econom.
Theory. 1990. № 6. P. 385–402.
10. Hatanaka M. On the Global Identification of the Dynamic Simultaneous Equations
Model with Stationary Disturbances // Int. Econ. Rev. (Philadelphia). 1975. Vol. 16, № 3. P.
545.
11. Baum C.F. VAR, SVAR and VECM models [Electronic resource]. 2013. P. 1–
61. URL: http://fmwww.bc.edu/EC-C/S2013/823/EC823.S2013.nn10.slides.pdf.
12. Weisstein E.W. Cholesky Decomposition [Electronic resource] // MathWorld—
A Wolfram Web Resource.http://mathworld.wolfram.com/CholeskyDecomposition.html. URL:
http://mathworld.wolfram.com/CholeskyDecomposition.html.
13. Fukushima Y. Macroeconomic Shock and Labour Market Programmes // Procedia
Econ. Financ. 2012. Vol. 1. P. 138–147.
14. Samujel'son P.Je., Nordhaus V.D. Jekonomika. Moskva: OOO “I.D. Vil'jams,”
2012. 1360 p.
15. Dąbrowski M.A., Wróblewska J. Financial shocks as a cause of real exchange rate
fluctuations in Poland – evidence from the Bayesian structural VAR models.
16. Blanchard O.J., Quah D. The Dynamic Effects of Aggregate Demand and Supply
Disturbances.
17. Binning A. Underidentified SVAR models: A framework for combining short and
long-run restrictions with sign-restrictions. 2013.
18. Kondrat'ev N.D., Jakovec Ju.V., Abalkin L.I. Bol'shie cikly kon'junktury i teorija
predvidenija. Izbrannye trudy. Moskva: Jekonomika, 2002. 550 p.
19. Kravcov A.O. Upravlenie izmenenijami kak antikrizisnoe upravlenie. SanktPeterburg, 2015. 43-47 p.
20. Olejnik D.V. Antikrizisnye strategii i upravlenie riskami v organizacijah. SanktPeterburg, 2015. 165-167 p.
21. Rjahovskaja A.N., Kovan S.E. Transformacija antikrizisnogo upravlenija v
sovremennyh jekonomicheskih uslovijah // Jeffektivnoe antikrizisnoe upravlenie. 2013. Vol.
5, № 80. P. 62–73.
22. Author R., Sargan J.D. The Maximum Likelihood Estimation of Economic
Relationships with Autoregressive Residuals // Source Econom. 1961. Vol. 29, № 3. P. 414–
426.
23. Li Z., Wang H. Research on the Enterprise Crisis Management System Basic on
Knowledge Demand.
24. Jianying Z. Crisis Management based on the Five Hypotheses proposed by Jack
Welch // Proceedings of the 2012 International Conference on Public Management (ICPM2012). Paris, France: Atlantis Press, 2012.
25. Tingting B., Zhanglu T. On the Crisis Management of the Modern Enterprise.
26. Wernerfelt B. A Resource-based View of the Firm // Strateg. .Management J.
1984. Vol. 5. P. 171–180.
27. Welch D., Welch S. Winning. New York: HarperCollins Publishers Inc., 2005. 385
p.
28. Fedorova E.A., Afanas'ev D.O. Kompleksnyj krizisnyj indikator dlja Rossii //
Zhurnal Novoj jekonomicheskoj associacii. 2014. Vol. 23, № 2. P. 38–59.
29. Mountford A., Uhlig H. What are the Effects of Fiscal Policy Shocks ?
[1] Под монетарными шоками R. Clarida и J. Gali понимают шоки (неожиданные и
значительные изменения) денежного предложения, как и спроса на деньги [6]. Нужно
также отметить, что перечисленные шоки далеко не исчерпывают весь перечень
макроэкономических шоков, влияние которых на ситуацию в экономике анализируется.
Так, например, A. Mountford и H. Uhlig рассматривают влияние фискальных шоков,
возникающих как результат фискальной политики [29].
[2] В статье Е.А. Фёдоровой и Д.О. Афанасьева выделяются каналы на основе
следующих показателей: торговый канал в виде роста импорта, финансовый канал
через финансовую интеграцию фондовых рынков и банковский канал через реальные
процентные ставки по депозитам [28].
St. Petersburg State University
Graduate School of Management
WORKING PAPER
A.E. Loukianova, E.A. Smirnova
STRAREGIC RISK-MANAGEMENT
WITH THE USE OF THE MARKET RISK INDICATOR:
A COMPARATIVE LONGITUDINAL STUDY IN THE
DEVELOPED AND EMERGING MARKETS
Saint Petersburg
2016
10
A.E. Loukianova, E.A. Smirnova. Strategic risk-management with the use of the market risk indicator: a
comparative longitudinal study in the developed and emerging markets. Working paper. Graduate
School of Management, St. Petersburg State University: SPb, 2016.
Keywords and phrases: financial contagion, Brazil, Finland, Canada, risk-management
Abstract: the history of financial crises is considered and the attempt is made to analyse the parallels in
Finnish, Canadian and Brazilian markets crises in the working paper. The historical conditions of
crises on the markets is analysed on the base of the literature review and the examples from three
analysed markets are presented with the use of the network analysis. The conclusion made is that the
financial contagion indicator can be used for the market risk assessment for practical and theoretical
purposes.
Anna E. Loukianova, PhD in mathematics and physics, Associate Professor, Finance and Accounting
Department, Saint-Petersburg State University
e-mail: Anna.Loukianova@gsom.pu.ru
Ekaterina A. Smirnova, Doctoral Student, Graduate School of Management Saint-Petersburg State
University.
e-mail: ekaterina_a.smirnova@yahoo.com
12
Contents
Introduction..................................................................................................................................... 4
Theory and Hypothesis....................................................................................................................4
Data..................................................................................................................................................5
Models............................................................................................................................................. 8
Results............................................................................................................................................. 9
Discussion......................................................................................................................................13
Conclusion..................................................................................................................................... 14
References..................................................................................................................................... 15
Appendix 1 - The list of the markets major indices, the components of which were considered in
the research...................................................................................................................................17
Appendix 2 - Dependent variables in VAR model..........................................................................19
Appendix 3 – Sector value added (% of GDP) in the countries considered during 1990-2014.....23
Appendix 4 – The Research Design.............................................................................................. 24
Appendix 5 – The interconnection significance level between the macroeconomic indicators
return and the companies share prices return during the period of relatively higher financial
contagion level (1999-2002) for Finnish market........................................................................... 25
Appendix 6 – The interconnection significance level between the macroeconomic indicators
return and the companies share prices return during the period of relatively higher financial
contagion level (1997; 2008-2010) for Brazilian market............................................................... 29
Appendix 7 – The interconnection significance level between the macroeconomic indicators
return and the companies share prices return during the period of relatively higher financial
contagion level (1996) for Canadian market................................................................................. 33
13
Introduction
In the contemporary circumstances the company needs the system of indicators that will help to
understand and to predict the process of the risks development: how the risks emerge, how the threats for the
company arise, how much the risks menace the company. The crisis period data considered reports the
special value for the risks analysis. In this research developed and emerging markets are considered in order
to find the financial contagion indicators2.
For the sake of early probable crisis identification the special indicator is needed, that would be able
to assess the degree of the threat. Such indicators had been proposed and tested many times (Allen & Gale,
2000; Aragon & Strahan, 2011; M. K. Brunnermeier & Pedersen, 2005; Kodres & Pritsker, 2002). In this
work some financial contagion indicators are considered, which are the significant interconnections between
the corporate and government securities indexes return and the main financial indicators return. For the
individual investor decision making purposes market risk assessment has even more critical role, as the
investor needs to decide if he agree to bear such risk.
Financial contagion in the situation on the financial market during which the financial market
different indicators interconnections became stronger after the shock that had took place in one financial
indicator dynamic (Longstaff, 2010).
The research is conducted with the use of data from Brazilian, Canadian and Finnish markets during
the period of 1990-2015. The market risk indicator is compared with the information came from rating
agencies, macroeconomic analyses, expert views and mass media reports. The results allow making
conclusions concerning the crisis indicators on the base of the interconnections between the companies
chares indexes returns and the macroeconomic indicators returns. The results obtained can provide the
ground for the possible conclusions, that can be used in the purposes of the company’s risk-management
strategy building process.
Theory and Hypothesis
The history of emerging markets is full of crises. In (Kaminsky, Reinhart, & Vegh, 2003) the
interesting examples are considered.
The contagion itself is defined as “an episode in which there are significant immediate effects in a
number of countries following an event” (Kaminsky et al., 2003). The financial contagion can be defined as
“an episode in which there is a significant increase in cross-market linkages after a shock occurs in one
market” (Longstaff, 2010).
In the developing the financial contagion theory the significant part brought the works of
K. Liberadzki, M. Mink, J. de Haan, N. Yunus, F. Allen, D. Gale, M. Brunnermeier, D. Pedersen and others
(Allen & Gale, 2000; M. K. Brunnermeier & Pedersen, 2005; Jaworski, 2016; Mink & De Haan, 2012;
Yunus, 2013).
2
Research has been conducted with financial support from the SPSU grant (project No. 16.23.1841.2015).
14
F.A. Longstaff defines financial contagion as an episode in which there is a significant increase in
cross-market linkages after a shock occurs in one market. The standard definition in the literature of
contagion is “a change in the linkages between markets following a distressed event” (Longstaff, 2010).
The contagion in the related literature is generally characterizes by several approaches. For example,
in the behavioral approaches the attempt to describe mass behavior as a reaction of a large groups of people
to the information flow from one individual to another (the special term is “informational cascades”
(Bikhchandani, Hirshleifer, & Welch, 1992). Another way of the behavioral theory intersection with the
contagion theory is the so-called “follow-the-leader” strategy which claims that the signals that the first few
decision-makers accept, are possible to change market situation dramatically (the “excess volatility” term is
usually used when describing that phenomenа (Chari et al., 1999). The sense of such approach to the
contagion helps to understand the information-correlated channel of the financial contagion distribution.
The approach of the other group of authors is based on the macroeconomic regularities in the case
of prices devaluation (this is also called “voluntary contagion”, because the devaluation is the government
voluntary measure (Gerlach & Smets, 1995; Kaminsky et al., 2003; Lahiri & Vegh, 2000; Nurkse, 1944).
Last, but not least, the financial approach consists of the arbitrage theory and the liquidity effect
studying, that was presented in (Chari et al., 1999; Shleifer & Vishny, 1997). And the financial contagion is a
profound perspective to assess and analyze market risk, that is considered in this paper.
The literature review also indicated that in the countries considered in the research the following
economic crises took place. 1992 Exchange Rate Mechanism Crisis in Finland occurs when on September, 8
the Finnish markka was floated (Kaminsky et al., 2003). The situation was worse due to the Soviet Union
trade links losses in 1991, which were significant part for the international trade balance of Finland. The real
devaluation in 1993 and its depreciation during 2 month by 70%. Russian debt crisis in 1998 affected
Brazilian economy seriously. As for Canada, as the developed market, it is supposed to have less effects from
crises compared to the emerging markets. But, crisis 2007-2008 in US affected Canada as many other
developed and emerging markets. So, it may be interesting to examine whether the crises in developed
markets are less extensive than in emerging markets and whether developed markets become affected by
crises as often, as developed.
The hypotheses tested in this research are:
H1: the financial contagion indicator can help to identify possible factors of financial contagion.
H2: the financial contagion identified in the research and the crises are correlated positively.
The idea lies behind this hypothesis is that the financial contagion factors can help also to detect the
probable crisis forthcoming. The fact of the financial contagion presence on the market doesn’t mean the
crisis existence on that market, but it is the aim of this study to answer the question if the interconnection
between them can be identified.
Data
In the study an attempt to look at the following markets of the world were considered: Brazil, Finland
and Canada. The main idea of the study is to examine the trends in the stock markets.
15
The period of time was by default set as 1990-2015, but data for some was not available. The asset
returns were used as independent variables. The companies, those shares were considered in the research are
from main stock market indexes (Appendix 1). The dependent variables were divided into three groups
according to the three financial contagion distribution channels:
1.
the correlated-information channel, which basic characteristics are: it usually takes place during
the price information distribution; the price effects take place on the markets immediately after it
influence; it can be observed especially when the financial contagion is propagated from less liquid
market to more liquid one;
2.
the liquidity channel, which is typically characterized by the situation when the shock on the
financial market is followed by the liquidity decline on all markets; the liquidity reduction influence
on the investors strategies and asset prices; crisis on one market can lead to the volume of trades
growth on other markets;
3.
the risk-premium channel: financial market shock leads to investors risk acceptance, prices and
risk premium adjustments on all markets; shock in one asset return can become the other assets
following returns indicator.
The general list of the dependent variables for these three channels tests is presented in Table 1. It is
necessary to add that for each markets these dependent variables were selected on the base of it specific
features (main industries, historical economic background, the place in the international specialization of the
country).
Table 1
The dependent variables for the financial contagion distribution channels tests (VAR model)
The financial contagion
distribution channel
Correlated-information channel
Liquidity channel
Risk-premium channel
Dependent variables
treasury bond index return;
corporate bond index return;
major (determined by the market) industries index
1.
2.
3.
return;
4.
major (determined by the market) resources futures
prices return
1.
major (determined by the market) resources futures
open interest;
2.
major (determined by the market) resources futures
volume of trade
interbank loans interest rate for different periods of time
Mainly the following variables were used in assessing the role of the correlated-information channel
in financial contagion distribution (depend on the information available):
-
national government yield curve 3 (Finland, Canada);
national stock exchange main indexes 4 return (Finland, Brazil, Canada);
important commodities5 prices (Finland, Brazil, Canada);
3 With distinction, if available
4 Depend on the main industries for the particular country
5 Depend on the main industries for the particular country; in some cases (e.g. from OMX Nasdaq Nordic for
Finland) information wasn’t available for the domestic stock exchange’s commodities, so, metal prices were
obtained from London Stock Exchange
16
-
government bond auction average price (Canada).
The next time series were used for the purpose of assessing the liquidity channel role:
-
government bond transactions (Finland);
main indexes turnover (Finland, Canada);
stock market total amount (Brazil);
derivatives positions: swap, futures market and options market (Brazil);
operations with federal securities and derivatives (Brazil);
demand deposits (Brazil);
money supply type M16 (Brazil);
government bond auction alotted sums (Canada);
futures on the important commodities volume of trade (Canada);
futures on the important commodities open interest (Canada).
The series for the risk-premium channel are following:
-
national central bank interbank offered rate (Finland, Brazil, Canada);
Euro interbank offered rate (Finland);
Euro Over Night Index Average rate (Finland);
national financial government systemic institutions interest rates (Brazil);
settlement balances of a national payment system (Brazil);
interest rate used for the securities operations: purchase, resale, lending, bankers’ acceptances
(Brazil).
The detailed information concerning the dependent variables and their description is listed in the
Appendix 1. In order to reveal market risk through stock prices fluctuations, the stock prices need to be
adjusted to splits, consolidations, subscription privileges and dividends – so to say, everything, that can
influence stock price and doesn’t refer to market factors. As the data source had had that adjusted stock
prices already, any further data preparation weren’t need.
In order to make the list describe the selected markets the assets were selected from the major
indexes on the markets. For the purpose of the study the companies were selected those are included in the
main stock market lists for the particular market. The list of the main stock market indicators was obtained
from World Federation of Exchanges web page7. In the case when the number of items (depending on the
asset type in each dataset - stocks, bonds and others) were less than 250, the other indexes were considered
(entirely, the sector indexes). The sector share in the country GDP for the countries considered is shown in
the Appendix 2. The data was obtained from The World Bank World Development Indicators database8.
Figures from Appendix 2 visual analysis made it possible to notice, that as the World economy moves to
postindustrial phase, in the markets considered the major added value to the GDP comes from services sector.
The latter means that these markets are in industrial economic development stage.
So to summarize figures discussion, the major sector in all markets considered is the service sector. It
is followed by the industry sector on the second place (the exception in this case is Indian market, where in
6 Money supply type M1 includes the following money types:
-
notes and coins in circulation (outside Federal Reserve Banks and the vaults of depository institutions);
traveler’s checks of non-bank issuers;
demand deposits
7World Federation of Exchanges web page: http://www.world-exchanges.org/home/
8 World Bank World Development Indicators database web page: http://databank.worldbank.org/data/reports.aspx?
source=world-development-indicators#
17
1990-1998 the agriculture sector was on the second place). So, the sector indexes as the lists of the
companies, that can represent the particular market, were selected on the base of relations discussed .
If the period required was not covered by the time series (e.g. the time series length was not enough
and any data for the early 1990-s was absent), the available for the particular market and asset class prices
were used. Missing values in the dataset were filled using the previous observations, however, sometimes the
missing values were at the beginning of the dataset, so the parametric method that assumes an underlying
normal model for the partially observed imputed variable was used, that is based on the asymptotic
approximation of the posterior predictive distribution of the missing data. The method was used for the
vector autoregressive model that is based on the hypothesis that the random variable has normal distribution.
In order to confirm that time series do fit the models, three time series problems were considered in
the study during the ARIMA(p,d,q) model specification:
1. First-order serial correlation;
2. Non-stationarity;
3. Residuals heteroscedasticity.
The data analysis was held in three main steps:
1. Time series models building using the Box-Jenkins approach to time-series modelling
(ARMA(p,q) models);
2. Market risk models building using the results of the time series analysis;
3. CAPM model assessment with different market risk proxy variables.
The Box-Jenkins approach was performed through the following steps (Baum, 2005; Канторович,
2002):
1. Checking for variables stationarity and finding the integration degree of the time series;
2. ARIMA(p,d,q) model identification based on Sample Autocorrelation Function and
Partial Autocorrelation Function behavior and information criteria (Akaike 9 and Schwarz
criteria) also using integration degree known from first step.
3. ARIMA(p,d,q) model assessment based on p, d, and q parameters.
4. Model diagnostics based on residuals analysis.
This algorithm was automated using Stata program (Appendix 3).
The null hypothesis of no first-order serial correlation was tested using Breush-Godfrey test for
autocorrelation.
Models
In the research vector autoregressive model of the financial contagion is considered. In the research
the conclusions are made concerning the type of model with higher quality value and with better adequacy to
credit ratings market risk level. So, the aim was to determine the model that would be able to become an
alternative to market risk indicators based on credit ratings. Such an assessment can be performed not only
for country, but also for the particular industry (if companies belong to this industry are selected), for the
asset portfolio and for the company, at last.
The awareness concerning market risk level permits investor to know, if this risk degree is affordable
for him – this particularly is the practical sense of this study. On the other hand, market risk variable is used
in theoretical constructions, for example, CAPM, that’s why is it critical to determine the market risk value
9 Akaike information criterion (AIC) was developed by his author in 1973 (Akaike, 1992). The strong quality of
AIC is that it leads to the best approximating AR model and is asymptotically efficient (Hurvich, 2002).
18
correctly. The latter is the theoretical sense of the study. CAPM model has much critique concerning it’s pure
ability to reflect market situation. The problem may lie in wrong market risk assessment. As far as CAPM is
one of the key financial models and it is used in case of equity assessment, this topic is of great concern for a
long time yet.
Traditionally major market index return variance is used as the market risk variable. In the study the
financial contagion theory is proposed as the alternative method for market risk assessment. And one of the
main questions here is if the financial contagion approach to the market risk assessment is affordable and
whether it is better than traditional approach.
VAR models are used among others in the macroeconomic variables dynamics studies. For example,
C.A. Sims, a Nobel prize winner, proposed using VAR models for the describing macroeconomic processes
“without restrictions based on supposed a priori knowledge” (Sims, 1980). The predecessor of VAR is the
structural equation model, that has an extensive application in macroeconomic empirical research (Hurwicz,
1966; McFadden, 1973). During the 1960-1970-s the VAR concept formation took place. The proper lag
number selection and the most common regression problems (residuals heteroskedasticity, serial correlation
and the non-stationarity) were the point of attention in the area of study (Author & Sargan, 1961). The idea
of including simultaneously several lags in the equation belongs to M. Hatanaka (Hatanaka, 1975). Another
question concerns variables, that are strictly exogenous and the ways of proving that (Sims, 1980).
Autoregressive models provide a flexible, estimable, and interpretable model. In econometrics the
situation names “real life” is considered to be extremely complicated, and the “real model” is infinitedimensional (Hurvich, 2002).
In resent research VAR is also popular as the instrument of macroeconomic hypothesis testing.
Despite the fact that a regression model isn’t possible to disclosure the cause and the effect relation between
the exogenous and the endogenous variables, the particular field of research is aimed at the revelation of the
vector variables that influence macroeconomic dynamics. “A VAR can be considered to be the reduced form
of a dynamic structural equation (DSE) model, and the ordering of the recursive structure is that imposed in
the Cholesky decomposition, which is that in which the endogenous variables appear in the VAR estimation”,
as Ch.F. Baum pointed (Baum, 2013). The VAR model used in the study had the following configuration (1).
n
m
k=1
p=1
M t =α+ ∑ β k M t −k + ∑ γ p A t − p+ε t , (1)
where Mt - the major macroeconomic indicator index return;
At-p – assets return;
ε t – random error;
t – time moment.
The number of lags in the model for the dependent and the independent variables were defined using
Box-Jenkins approach to time-series modeling. The lags order proposed by ARIMA(p,d,q) were used as the
lags order for the dependent and independent variables accordingly. As C.A. Sims mentioned, “truncating lag
distributions is part of the process of estimation – lag length is itself estimated one way or another – and that
when our model is not identified without the pretense that we know lag length to begin with” (Sims, 1980).
19
Introducing too many lags leads to the model loosing degrees of freedom, while too few lags too few lags
can make the model misspecified, that in the same time leads to the residuals autocorrelation (Baum, 2013).
Alongside with lag selection by ARIMA(p,d,q) specification according to Box-Jenkins approach to
time series modeling, Hatanaka’s criterion is used for VAR’s lag number selection. It is that the exogenous
variable lag number shouldn’t be less than the endogenous variable lag number (Hatanaka, 1975; Sims,
1980).
At the same time, as ARIMA(p,d,q) proposes the order of time series smoothing to avoid the
residuals heteroskedasticity and implies that the time series are stationary (that means, the original time
series must be modifies so that the time series analyzed are stationary: the trend, if any, should be extracted
from the time series, and, in case of random walk process, take the differences of the required order). The
constant term of the VAR model, α, can be interpreted as the influence of other factors on the
macroeconomic parameter M, that are not considered in the model. This model was assessed for each pair of
the asset price and the macroeconomic indicator.
The vector autoregressive model shows the probability of the error and in this sense it is the risk
measure. As far as the model itself assess the financial contagion, the probability of the error is low then the
financial contagion is strong and there exists a significant interconnection between the variables. And them
the model error probability is high, the financial contagion is low.
As the periods of economic crises differs from market to market, the period of assessment was 1 year
in order to make historical risk dynamic comparable for different markets. According to the scheme,
presented in the Appendix 1, the financial contagion indicator, based on the VAR model, was derived from
the p-value of the model of financial contagion. As the p-value itself shows the probability of the situation
then the VAR model is not significant, the 1 – p-value can be interpreted as the probability, that the model is
significant, so the financial contagion does exist. But, as the results show, the most trivial situation is then the
financial contagion indicator (1 - p-value) is lower than 90% (traditionally, three confidence levels are used
during the hypothesis of non-significance of the model testing: 0,1; 0,5 and 0,01 error probability).
The next step after obtaining the financial contagion indicator value for each pair of the dependent
variable and the independent variable was to calculate the aggregated p-value for each dependent variable.
The weight of each dependent variable p-value was obtained on the base of the following equation (2)
T
W i=
∑ V i ,t
t =1
n
T
∑ ∑ V i ,t
, (2)
i=1 t =1
where T - the period (one year);
t - the defined time moment (one day) inside this period;
Vi,t – the turnover of the ith asset in the day t;
n – the number of assets.
Results
20
The research results are presented for the three channels of the financial contagion and in the
Appendix 4 with the network analysis using ORA-NetScenes software.
Finnish market, 1997-2014
Table 2
Results for Finnish market: the financial contagion indicator for the different dependent variables (market risk
factors), 1997-2014
The situation on Finnish market is depicted precisely for the three channels on the Figure 1.
21
Fig. 1. The financial contagion distribution channels’ factors for Finnish market, 1997-2014
As the Figure 1 shows, the financial contagion on Finnish market was absent during the period
considered, but there can be pointed the years of comparatively higher (1999-2003; 2006-2010) and lower
(2012-2014) financial contagion levels. The interconnections revealed are presented in the net maps
(Appendix 5). During the period 1999-2002 the main part of the financial contagion level existed was
brought by the following factors: crude oil Brent price in Europe, London fixed silver prices, Finnish
government 16-bond transactions and Bank of Finland interbank offered rate (helibor) for 1 year period.
Brazilian market, 1991-2015
Table 3
Results for Brazilian market: the financial contagion indicator for the different dependent variables (market
risk factors), 1991-2015
22
Fig. 2. The financial contagion distribution channels’ factors for Brazilian market, 1991-2015
During the period 1991-2015 crisis 1992-1993 on Brazilian market isn’t reflected by the financial
contagion indicator. In 1997 the liquidity channel was a little more active. This fact can be connected with
the Asian financial crisis 1997-1998. The risk-premium channel shows some fluctuations in 1998, when, as
(Kaminsky et al., 2003) pointed, Brazilian economy was affected by Russian debt crisis. Serious financial
contagion indicator value growth can be registered during 2007-2009 global financial crisis. And, at last, the
trend of Banco Central do Brasil base financial interest rate contribution to financial contagion is clearly seen
from 2010. It is also can be pointed, that from the second half of the 2014 the correlated-information channel
become expansion again, as during the previous periods. The net maps of the Brazilian market
macroeconomic variables and Brazilian companies stock prices interconnections are presented in Appendix
6.
24
Canadian market, 1990-1992, 1995-1998
Table 3
Results for Canadian market: the financial contagion indicator for the different dependent variables (market
risk factors), 1990-1992, 1995-1998
The jump of all three financial contagion indicators can be seen at the year 1996. In other periods the
financial contagion indicator level was at comparatively low levels. The net maps of the Canadian market
financial market interconnections is depicted in the Appendix 6.
Discussion
As M. Brunnermeier, A. Krishnamurthy and G. Gorton notice, “liquidity is central in the dynamics if
a financial crisis” (M. Brunnermeier, Krishnamurthy, & Gorton, 2012). In the research three markets were
considered in order to obtain the answer if the difference exist between developed and emerging markets in
terms of the crisis influence. The first market is Brazil, that experienced crises during the period, the second
is Canada, developed economy, those crises were connected mostly with the global volatility, than with the
local instability. And the third market is Finland, developed market, that, at the same time, came to the
postindustrial stage of economic development considerably not so far.
Macroeconomic variables, that have the role of the dependent, can be interpreted as the market risk
factors, as far as they form macroeconomic situation. The factor weight shows in what degree does this
particular macroeconomic index has the ability to reflect the situation on the financial market. The whole
conclusion that can be made on the base of the three markets research is that the financial contagion level can
be described as low (less than 50% in all years considered), so the hypothesis that the financial contagion did
existed on that markets in that period should be declined. But the interconnections revealed between
variables shows the macroeconomic indicators involvement in the market processes dynamics. As the
financial contagion concept is traditionally used in the macroeconomic and financial, in particular, shocks
interpretation (Blanchard & Quah, n.d.; Clarida & Gali, 1993; Dąbrowski & Wróblewska, n.d.), this high
interconnections density (Appendix 5-7) can be interpreted as the market risk potential. In particular, such
macroeconomic variables, that bring the greatest value to the financial contagion growth, can be seen as the
market risk potential factors. These are the following:
25
1.
2.
3.
4.
Metal prices (silver for Finnish market in 1999-2002; gold for Brazilian market in 2008-2010);
Oil prices (for Finnish market in 1999-2002);
Government bonds (for Finnish market in 1999-2002; Brazilian market in 2008-2010);
Money supply (type M1 for Brazilian market in 1997, 2009-2010; demand deposits for Brazilian
market in 2008-2010);
5. Central Bank interest rate (for Brazilian market in 1997, 2008-2010);
6. Derivatives positions (for Brazilian market in 1997, 2008-2010);
7. General market indexes (for Brazilian market in 2008-2010);
8. General market indexes volume of trade (for Canadian market in 1996);
9. National currency exchange rates (for Canadian market in 1996).
Such macroeconomic indicators as the metal prices and the government bonds are highly involved in
the financial contagion level growth in different periods in Finnish and Brazilian markets.
As the financial contagion level wasn’t high in the periods analyzed in the study, the financial
contagion indicator can’t be the crises indicator in the whole sense. But as it can be seen from these
estimations, the financial contagion level sometimes grows just before the crisis: the correlated-information
channel in Finnish market in 1999-2001, 2006, the risk-premium channel in Finnish market in 2005-2006.
Also the correlated-information channel in Brazilian market in 2007, the liquidity channel in Brazilian
market in 2011-2012 and, especially, the risk-premium channel in Brazilian market in 2010-2012 and all the
financial contagion channels in Canadian market in 1997.
During the strategy building process of a company in order to survive in crisis should include the
information of the active crisis distribution channels. As the researches stated (Jianying, 2012; Li & Wang,
n.d.; Tingting & Zhanglu, n.d.; Valackiene, 2011), the financial contagion indicators were used many times to
reveal the potential threats for the company. As three financial contagion distribution channels can be viewed
with the use of different dependent variables, the company’s strategy during the crisis periods can be
described as the following:
1. If the most active is the information-correlated channel, the company can face the problems with
the investors’ negative expectations. So, it should reevaluate its investment strategy.
2. If the liquidity channel brings the biggest part in the financial contagion growth, the operational
strategy should be reconsidered firstly. The problems the company may face with are the lack of
liquidity.
3. If the risk-premium channel is active, the financial contagion can threat the company through the
interest rate growth.
Conclusion
The hypothesis stated at the beginning of the research were accepted. The first hypothesis, told that
the financial contagion indicator can help to identify possible factors of financial contagion, was met by the
empirical evidence, that the factors of the financial contagion and, probably, market risk, can be revealed
throw the financial variables interconnections assessment. The second hypothesis, stated that the financial
contagion identified in the research and the crises are correlated positively, needs further investigation. The
results obtained show that the financial contagion indicator does correlated with the crises in the markets
considered. But, as these three markets can’t provide enough ground to make the conclusions for the
financial contagion indicator role as the crises indicator, further research for other markets is needed.
26
References
Akaike, H. (1992). Information Theory and an Extension of the Maximum Likelihood Principle. In S.
Kotz & N. L. Johnson (Eds.), Breakthroughs in Statistics Volume 1. Foundations and Basic Theory
(pp. 610–624). New York: Springer Series in Statistics, Perspectives in Statistics. Springer-Verlag.
Allen, F., & Gale, D. (2000). Financial Contagion. Journal of Political Economy, 108(1), 1–33.
http://doi.org/10.1086/262109
Aragon, G. O., & Strahan, P. E. (2011). Hedge funds as liquidity providers: evidence from the Lehman
bankruptcy.
Author, R., & Sargan, J. D. (1961). The Maximum Likelihood Estimation of Economic Relationships
with Autoregressive THE MAXIMUM LIKELIHOOD ESTIMATION OF ECONOMIC
RELATIONSHIPS WITH AUTOREGRESSIVE RESIDUALS. Source: Econometrica, 29(3), 414–
426. Retrieved from http://www.jstor.org/stable/1909642
Baum, C. F. (2005). Stata: The language of choice for time-series analysis? The Stata Journal, 5(1), 46–
63.
Baum, C. F. (2013). VAR, SVAR and VECM models. Retrieved from http://fmwww.bc.edu/ECC/S2013/823/EC823.S2013.nn10.slides.pdf
Bikhchandani, S., Hirshleifer, D., & Welch, I. (1992). A Theory of Fads, Fashion, Custom, and Cultural
Change as Informational Cascades. Journal of Political Economy, 100(5), 992–1026.
http://doi.org/10.1086/261849
Blanchard, O. J., & Quah, D. (n.d.). The Dynamic Effects of Aggregate Demand and Supply
Disturbances.
Brunnermeier, M. K., & Pedersen, L. H. (2005). Predatory Trading. The Journal of Finance, 60(4), 1825–
1863. http://doi.org/10.1111/j.1540-6261.2005.00781.x
Brunnermeier, M., Krishnamurthy, A., & Gorton, G. (2012). Liquidity Mismatch Measurement.
Chari, V. V, Bowman, D., Dornbusch, R., Edwards, S., Howard, D., Keohane, B., … Calvo, G. A. (1999).
We thank Rational Contagion and the Globalization of Securities Markets *.
Clarida, R., & Gali, J. (1993). Sources of Real Exchange Rate Fluctuations: How Important Are Nominal
Shocks? SOURCES OF REAL EXCHANGE RATE FLUCTUATIONS HOW IMPORTANT ARE
NOMINAL SHOCKS? SOURCES OF REAL EXCHANGE RATE FLUCTUATIONS: HOW
IMPORTANT ARE NOMINAL SHOCKS?
Dąbrowski, M. A., & Wróblewska, J. (n.d.). Financial shocks as a cause of real exchange rate fluctuations
in Poland – evidence from the Bayesian structural VAR models.
Gerlach, S., & Smets, F. (1995). Contagious speculative attacks. European Journal of Political Economy,
11(1), 45–63. http://doi.org/10.1016/0176-2680(94)00055-O
Hatanaka, M. (1975). On the Global Identification of the Dynamic Simultaneous Equations Model with
Stationary Disturbances. International Economic Review, 16(3), 545.
http://doi.org/10.2307/2525995
Hurvich, C. (2002). The AICc criterion for autoregressive model selection. Retrieved from
27
http://pages.stern.nyu.edu/~churvich/TimeSeries/Handouts/AICC.pdf
Hurwicz, L. (1966). On the Structural Form of Interdependent Systems (pp. 232–239).
http://doi.org/10.1016/S0049-237X(09)70590-7
Jaworski, P. (2016). Definition and Framework for Contagion and Divergence Effect Modeling. SSRN
Electronic Journal, (2010), 1–23. http://doi.org/10.2139/ssrn.2753603
Jianying, Z. (2012). Crisis Management based on the Five Hypotheses proposed by Jack Welch. In
Proceedings of the 2012 International Conference on Public Management (ICPM-2012). Paris,
France: Atlantis Press. http://doi.org/10.2991/icpm.2012.21
Kaminsky, G., Reinhart, C., & Vegh, C. (2003). The Unholy Trinity of Financial Contagion. Cambridge,
MA. Retrieved from http://www.nber.org/papers/w10061.pdf
Kodres, L. E., & Pritsker, M. (2002). A Rational Expectations Model of Financial Contagion. The Journal
of Finance, 57(2), 769–799. http://doi.org/10.1111/1540-6261.00441
Lahiri, A., & Vegh, C. (2000). Delaying the Inevitable: Optimal Interest Rate Policy and BOP Crises.
Cambridge, MA. Retrieved from http://www.nber.org/papers/w7734.pdf
Li, Z., & Wang, H. (n.d.). Research on the Enterprise Crisis Management System Basic on Knowledge
Demand.
Longstaff, F. A. (2010). The subprime credit crisis and contagion in financial markets. Journal of
Financial Economics, 97(3), 436–450. http://doi.org/10.1016/j.jfineco.2010.01.002
McFadden, D. (1973). Conditional logit analysis of qualitative choice behavior. Frontiers in
Econometrics. http://doi.org/10.1108/eb028592
Mink, M., & De Haan, J. (2012). Contagion during the Greek Sovereign Debt Crisis Contagion during the
Greek Sovereign Debt Crisis *.
Nurkse, R. (1944). International currency experience lessons of the interwar period. [Geneva]: League
of Nations.
Shleifer, A., & Vishny, R. W. (1997). The Limits of Arbitrage. The Journal of Finance, 52(1), 35–55.
Retrieved from http://links.jstor.org/sici?sici=00221082%28199703%2952%3A1%3C35%3ATLOA%3E2.0.CO%3B2-3
Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1–48. Retrieved from
http://links.jstor.org/sici?sici=0012-9682%28198001%2948%3A1%3C1%3AMAR%3E2.0.CO
%3B2-A
Tingting, B., & Zhanglu, T. (n.d.). On the Crisis Management of the Modern Enterprise.
Valackiene, A. (2011). Theoretical Substation of the Model for Crisis Management in Organization.
Engineering Economics, 22(1). http://doi.org/10.5755/j01.ee.22.1.221
Yunus, N. (2013). Contagion in international financial markets: A recursive cointegration approach. J. of
Multi. Fin. Manag, 23, 327–337. http://doi.org/10.1016/j.mulfin.2013.06.003
Канторович, Г. Г. (2002). Анализ временных рядов. Экономический Журнал ВШЭ, (1), 79–103.
28
Appendix 1 - The list of the markets major indices, the components of which were
considered in the research
The main stock market indices (Blue Chips) list was obtained from World Federation of Exchanges web
page, and the sector indexes were selected on the base of the World Bank World Development
Indicators statistics for the value added by different industries in the countries’ GDP (Appendix 3)
29
Appendix 1 - The list of the markets major indices, the components of which were considered in the
research – continued
30
Appendix 2 - Dependent variables in VAR model
Table 1
The list of the dependent variables for Brazilian market
The financial contagion
distribution channel
Correlated-information
channel
Liquidity channel
Dependent variables name
1. BM&F Gold-gramme price: 1990-2015
2. Anbima10 market indexes:
a. Index of the prefixed federal bonds
IFR-M: 2000-2015
b. Index of the federal bonds tied to the
SELIC rate IMA-S: 2004-2015
c. Index of the federal bonds tied to the
IGP-M index IMA-C: 2004-2015
d. Index of the federal bonds tied to the
IGP-M index with maturities below to
5 years IMA-C 5: 2004-2015
e. Index of the federal bonds tied to the
IGP-M index with maturities equal or
above 5 years IMA-C 5+: 2004-2015
f. Index of the federal bonds tied to the
IPCA index IMA-B: 2004-2015
g. Index of the federal bonds tied to the
IPCA index IMA-B with maturities
below to 5 years IMA-B 5: 2004-2015
h. Index of the federal bonds tied to the
IPCA index IMA-B with maturities
equal or above 5 years IMA-B 5+:
2004-2015
i. General Index IMA-General: 20042015
j. Index of prefixed federal bonds with
maturities below to 1 year IFR-M 1:
2000-2015
k. Index of prefixed federal bonds with
maturities equal or above 1 year IFRM 1+: 2000-2015
1. Rio de Janeiro stock market (BVRJ) – total amount:
1990-1999
2. Financial Investment Fund positions:
a. FIF 30 – Derivatives positions (futures
market): 1996-1998
b. FIF 30 – Derivatives positions (options
market): 1996-1998
c. FIF 30 – Derivatives positions (swap):
1996-1998
d. FIF 60 – Derivatives positions (futures
market): 1996-1998
e. FIF 60 – Derivatives positions (options
market): 1996-1998
f. FIF 60 – Derivatives positions (swap):
1996-1998
3. Operations with federal securities: 1991-2015
4. Derivatives operations-adjustments: 2002-2015
5. Demand deposits: 1991-2015
6. Money supply type M1: 1991-2015
Variable code
1. gold
2. IFRM
3. IMAS
4. IMAC
5. IMAC5l
6. IMAC5o
7. IMAB
8. IMAB5l
9. IMAB5o
10. IMA
11. IFRM1l
12. IFRM1o
1. BVRJ
2. FIF30f
3. FIF30o
4. FIF30s
5. FIF60f
6. FIF60o
7. FIF60s
8. federal
9. derivative
10. deposits
11. M1
10 Anbima is Brazilian Financial and Capital Markets Association (founded in 2009), which main activities
include: regulation, analysis, investor’s education, certification of investments professionals
http://www.anbima.com.br/
31
Risk-premium channel
1. Special Clearance and Escrow System interest rate
(selic)11: 1990-2015
2. Average One-Day Interbank Deposit rate (CDI)12:
1990-2015
3. Banco Central do Brasil interest rates:
a. reference rate13: 1991-2015
b. base financial rate: 1995-2015
1. selic
2. cetip
3. tr
4. tbf
Table 2
The list of the dependent variables for Canadian market
The financial contagion
distribution channel
Correlated-information
channel
Liquidity channels
Risk-premium channel
Dependent variables name
1. Average yield on Government Canada marketable
bonds: 2006-2015
a. 1-3 year
b. 3-5 year
c. 5-10 year
d. Over 10 years
e. Long-term
2. S&P/TSX Composite index: 1990-2015
3. S&P/TSX Industrials: 2001-2015
4. Canada Treasury Bill Auction average price: 19992015
5. Silver prices: 1990-2015
1. S&P/TSX Composite index volume of trade: 19902015
2. S&P/TSX Industrials volume of trade: 2001-2015
3. Canada Treasury Bill Auction alotted sums: 19992015
4. NYMEX silver futures: 1990-2015
a. Volume of trade
b. Previous day open interest
1. Bank of Canada interest rates: 2006-2015
a. Target for the overnight rate
b. Overnight money market financing
rate
c. Interest rate
d. Overnight repo rate (CORRA)
e. Operating band14
Variable code
1. bond3
2. bond5
3. bond10
4. bond10o
5. bondlong
6. TSX
7. TSXind
8. auctionave
9. silverp
1. TSXvol
2. TSXindvol
3. auctional
4. futvol
5. futoi
1. overnight
2. overmoney
3. interest
4. CORRA
5. bandl
6. bandh
7. or
11 Special Clearance and Escrow System is the Brazilian Central Bank’s system for performing open market
operations in execution of monetary policy. The selic rate is the Bank’s overnight rate
12 Average One-Day Interbank Deposit Rate is calculated by the Central of Custody and Financial Settlement of
Securities (CETIP). It indicates the average rate of all inter-bank overnight transactions in Brazil
13 Reference rate is an interest rate benchmark upon which a floating-rate security or interest rate swap is based
(e.g. LIBOR, the prime rate or the rate on benchmark US Treasuries)
14 Operating band – the Bank of Canada’s 50-basis point rate (i.e., ½ of the percentage point) for the overnight rate.
The top of the band, the Bank Rate, is the rate charged by the Bank on LVTS advances to financial institutions. The
bottom of the band is the rate paid by the Bank on any LVTS balances held overnight by those institutions. The
middle of the band is the Bank’s target for the overnight rate.
LVTS – Large Value Transfer System – Canadian Payment Association electronic system for the transfer of largevalue or time-critical payments.
An advance to LVTS is an advance to an LVTS participant in order to cover a deficit in its end-of-day cash position
(it is commonly named an overdraft loan and the interest rate on the one-business-day loan is set at the Bank Rate).
Source: the Bank of Canada http://www.bankofcanada.ca/
32
i. Low
ii. High
f. Overnight Repos (OR)
g. Overnight Reverse Repos (ORR)
h. LVTS settlement balances
i. target
ii. actual
i. Term purchase and resale agreements
j. Securities lending operations
k. Bankers’ Acceptances rates
i. 1 month
ii. 3 month
l. Prime corporate paper rate
i. 1 month
ii. 2 month
iii. 3 month
2. Canada Treasury Bill Auction average yield: 19992015
3. Effective Exchange Rate Index, Canadian Dollar:
1990-2015
4. Spot Exchange rate, Canadian Dollar into US $:
1990-2015
8. orr
9. LVTSt
10. LVTSa
11. agreements
12. lenging
13. acceptances1
14. acceptances3
15. corporate1
16. corporate2
17. corporate3
18. auctionyi
19. exchange
20. spotex
Table 3
The list of the dependent variables for Finnish market
The financial contagion
distribution channel
Correlated-information
channel
Liquidity channel
Risk-premium channel
Dependent variables name
1. Finnish government yield curve (YC-FIN): 20092015
a. 5 year YC-FIN
b. 10 year YC-FIN
2. OMX Helsinki General Stock Index return: 19962015
3. OMX Helsinki Industrials index: 2000-2015
4. OMX Helsinki Industrial Goods and Services Index:
2000-2015
5. Crude oil Brent price (Europe): 1990-2015
6. London fixed silver prices: 1990-2015
7. Steel billet prices on London Metal Exchange: 20122015
1. Finnish government bond transactions15: 2006-2015
a. 11-year bond
b. 16-year bond
c. Total government bond transactions
2. OMX Helsinki Basic Materials Index turnover:
2011-2015
3. OMX Stockholm Index turnover: 2006-2014
1. Bank of Finland interbank offered rate (helibor):
1990-1998
a. 1 month helibor
b. 6 month helibor
c. 1 year helibor
2. Euro interbank offered rate (Euribor16): 1999-2015
Variable code
1. YC-FIN5
2. YC-FIN10
3. gsir
4. industrialsi
5. indgsi
6. oil
7. silver
8. steel
1. bond11
2. bond16
3. tottr
4. bmi
5. Sti
1. Hel1
2. Hel6
3. Hel12
4. Eur1
5. Eur6
6. Eur12
15 Primary dealers’ benchmark bond transactions on the secondary market cover benchmark bonds trading done in
the MTS Finland system. Source: Central Bank of Finland http://www.suomenpankki.fi/
MTS is the international European service for fixed income securities transactions http://www.mtsmarkets.com/
16 The Euribor rate is calculated on the rate quoted by prime banks, operating in the euro area. The calculation is
made leaving the 15% lowest and highest offers out and by calculating the unweighted average. Source: Central
Bank of Finland
33
a. 1 month Euribor
b. 6 month Euribor
c. 1 year Euribor
3. Euro Over Night Index Average (Eonia): 1999-2015
34
7. Eon
Appendix 3 – Sector value added (% of GDP) in the countries considered during 1990-2014
Source: World Bank World Development Indicators database
http://databank.worldbank.org/data/reports.aspx?source=world-development-indicators#
35
Appendix 4 – The Research Design
Appendix 5 – The interconnection significance level between the macroeconomic indicators return and the companies share prices return
during the period of relatively higher financial contagion level (1999-2002) for Finnish market
Fig. 1. The interconnections between the dependent and independent variables for Finnish market in 1999
Fig. 2. The interconnections between the dependent and independent variables for Finnish market in 2000
Fig. 3. The interconnections between the dependent and independent variables for Finnish market in 2001
Fig. 4. The interconnections between the dependent and independent variables for Finnish market in 2002
Appendix 6 – The interconnection significance level between the macroeconomic indicators return and the companies share prices return
during the period of relatively higher financial contagion level (1997; 2008-2010) for Brazilian market
Fig. 1. The interconnections between the dependent and independent variables for Brazilian market in 1997
Fig. 2. The interconnections between the dependent and independent variables for Brazilian market in 2008
Fig. 3. The interconnections between the dependent and independent variables for Brazilian market in 2009
Fig. 4. The interconnections between the dependent and independent variables for Brazilian market in 2010
Appendix 7 – The interconnection significance level between the macroeconomic indicators return and the companies share prices return
during the period of relatively higher financial contagion level (1996) for Canadian market
Fig. 1. The interconnections between the dependent and independent variables for Canadian market in 1996
Санкт-Петербургский государственный университет
Высшая школа менеджмента
НАУЧНЫЕ ДОКЛАДЫ
А.Е. Лукьянова, Е. Смирнова
ЭФФЕКТ ФИНАНСОВОГО ЗАРАЖЕНИЯ
НА РОССИЙСКОМ РЫНКЕ:
ВЫЯВЛЕНИЕ ИНДИКАТОРОВ КРИЗИСА
№ 17(R) – 2015
Санкт – Петербург
2015
А.Е. Лукьянова, Е. Смирнова. Эффект финансового заражения на российском рынке:
выявление индикаторов кризиса. Научный доклад. № 17 (R)–2015. Высшая школа
менеджмента, Санкт-Петербургский государственный университет: СПб, 2015.
Ключевые слова: финансовое заражение, стратегический план, риск-менеджмент.
Аннотация: В докладе представлены индикаторы финансового заражения,
действующие на российском рынке, выявление которых позволит компании
определить, насколько текущая ситуация близка к кризисной, а также понять, в
какой именно области она может ждать проблем. Предложен алгоритм, который
может использоваться при построении стратегии компании в области рискменеджмента. Исследование проведено с использованием данных об индексах
облигаций российских нафтегазовых компаний.
Лукьянова Анна Евгеньевна, кандидат физико-математических наук, доцент, кафедра
финансов и учета, Санкт-Петербургский государственный университет
e-mail: Anna.Loukianova@gsom.pu.ru
Смирнова Екатерина, аспирант, кафедра финансов и учета, Высшая школа
менеджмента, Санкт-Петербургский государственный университет
e-mail: ekaterina_a.smirnova@yahoo.com
© Авторы научного доклада, 2015
© Высшая школа менеджмента СПбГУ, 2015
St. Petersburg State University
Graduate School of Management
WORKING PAPER
A.E. Loukianova, E. Smirnova
FINANCIAL CONTAGION EFFECT ON
RUSSIAN MARKET:
CRISIS INDICATORS REVELATION
№ 17(R) – 2015
Saint Petersburg
2015
A.E. Loukianova, E. Smirnova. Financial contagion effect of Russian market: crisic indicators
revelation. Working paper. № 17(R) – 2015. Graduate School of Management, St.
Petersburg State University: SPb, 2015.
Keywords and phrases: financial contagion, strategic plan, risk-management.
Abstract: in the paper the financial contagion indicators are presented, which are working on
Russian market. The revelation of the crisis indicators will enable the company to define
how much the current situation is closer to crisis. It will also help to understand, in which
particular area the problems may occur. The algorithm developed can be used in the
process of company’s risk-management strategy building. The research was conducted
with the use of Russian oil & gas companies’ bond indexes dynamic data.
Anna E. Loukianova, PhD in mathematics and physics, Associate Professor, Finance and
Accounting Department, Saint-Petersburg State University
e-mail: Anna.Loukianova@gsom.pu.ru
Ekaterina Smirnova, Doctoral Student, Graduate School of Management Saint-Petersburg State
University.
e-mail: ekaterina_a.smirnova@yahoo.com
СОДЕРЖАНИЕ
Ведение………………………………………………………………………………………..7
Теория и гипотезы................................................................................................................................ 7
Методология исследования................................................................................................................ 10
Результаты.......................................................................................................................................... 23
Обсуждение......................................................................................................................................... 28
Ликвидный и финансовый каналы распространения финансового заражения...............................29
Приложение теории финансового заражения в менеджменте......................................................... 30
Заключение......................................................................................................................................... 31
Литература.......................................................................................................................................... 32
Executive summary…………………………………………………………………………..33
Приложения........................................................................................................................................ 34
Введение
В данной работе апробирован на данных по российскому рынку индикатор кризисной
ситуации в экономике, который оказывается значимым в ситуации кризиса (финансового
заражения, теоретически) и незначимым в ординарной ситуации.
Целью данной работы является выявление индикатора кризисной ситуации в экономике
(теоретически называемой финансовым заражением), который позволяет компании
корректировать свою стратегию в период кризиса.
Задачи данной работы включают:
1.
анализ динамики доходностей облигаций компаний и агрегированных
показателей финансового рынка России в предкризисный и кризисный периоды времени;
2.
определение момента времени, в который ситуация изменилась от
ординарной к кризисной на российском рынке;
3.
построение алгоритма для выбора стратегии риск-менеджмента компании.
Специфический риск, которым компания может управлять, но который, тем не менее,
связан с внешними рыночными факторами, сильнее всего проявляется в период кризиса.
Кризисы, которыми так богата экономическая история, представляют удобную возможность для
анализа управленческих решений, которые направлены на повышение вероятности выживания
компании в условиях высокого специфического риска.
Управленческие решения в области риск-менеджмента касаются всех видов деятельности
компании, но, прежде всего, инвестиционной деятельности. В процессе построения стратегии
риск-менеджмента компания выполняет два шага. На первом шаге необходимо оценить
ситуацию (угрозу) с которой компании предстоит столкнуться (чем раньше компания «увидит»
возможную угрозу, тем больше у неё будет диапазон принятия управленческих решений в
случае наступления неблагоприятного события, так как она сможет лучше подготовиться
заранее). На втором шаге компания выбирает тип реакции на угрозу. При этом очень важно,
чтобы реакция соответствовала «своему» типу угрозы, на который она отвечает.
В данной работе предлагается алгоритм построения стратегии риск-менеджмента на
основе анализа кризиса в российской экономике 2014-2015 гг.
Теория и гипотезы
Для того, чтобы индентифицировать ситуацию в экономике как кризисную, компании
требуется индикатор, показывающий «степень опасности». Такие индикаторы многократно
предлагались и апробировались эмпирически в предыдущих исследованиях.
Финансовое заражение (определение F.A. Longstaff) – ситуация на финансовом рынке, в
которой происходит значительное усиление взаимосвязей между разными показателями
финансового рынка после шока, который происходит в динамике одного финансового
показателя (Longstaff, 2010).
Финансовое заражение не является синонимом пониятия «кризис». Финансовое заражение
выражается через кризис. Поэтому, присутствие финансового заражения на рынке ещё не
означает наличие кризиса в экономике, однако, оно может свидетельсвовать о возможном
приближении кризиса, таким образом, быть своеобразным его индикатором. То есть,
финансовое заражение может присутствовать в экономике само по себе (в слабой степени), а
может и сопутствовать кризису (как предварять его, так и завершать). Сигналом для компании о
том, что кризис возможен, будет финансовое заражение без наличия кризиса (три описанные
случая).
Финансовое заражение передаётся от одного рынка к другому при посредстве трёх
механизмов (рис. 1). Например, вывод, что шоки передаются с определённым лагом от менее
ликвидных рынков ABX (кредитные дефолтные свопы, в основе которых лежат облигации) к
51
рынкам высоколиквидных акций и казначейских облигаций,
информационного канала распространения финансового заражения.
свидетельствует
против
Можно ожидать, что ценовые эффекты одновременны на рынках высокодиквидных акций
и казначейских облигаций, если финансовое заражение распространилось через
информационный канал. Поэтому результаты более соответствуют или ликвидному каналу,
представленному в работах F. Allen, D. Gale, L. Kodres, M. Pritsker, M. Brunnermeier и L.
Pedersen, или финансовому каналу, представленному в работах D. Vayanos, V. Acharya, L.
Pedersen и F.A. Longstaff (Allen, Gale, 2000; Kodres, Pritsker, 2002; Brunnermeier, Pedersen, 2005;
Vayanos, 2004; Acharya, Pedersen, 2005; Longstaff, 2008).
F.A. Longstaff использует векторную авторегрессионную модель (VAR) для оценки
взаимосвязи доходностью индексов ABX и различными мерами деловой активности и
ликвидности. Согласно его выводам, шоки на рынке ABX могут служить индикатором деловой
активности для рынка акций, прерывания торгов на рынках фиксированной доходности и
доступности краткосрочного финансирования, обеспеченного активами, в течение кризиса. Эти
выводы подтверждают концепцию о том, что эффекты ликвидности на рынке оказывают
важнейшее влияние на передачу финансового заражения в течение ипотечного кризиса.
F.A. Longstaff рассматривает рынок ипотечных кредитных дефолтных облигаций для
описания эффекта финансового заражения в период кризиса 2008-2009 годов. В тот период
наиболее сильно в США несли убытки банки и финансовые компании. В данной работе
рассматривается кризис 2014-2015 гг. на примере облигаций российских компаний. Так как
наиболее сильно в период кризиса 2014-2015 гг. пострадали нефтегазовые российские компании
(из-за значительного снижения цен на нефть), то в данной работе рассматриваются именно они.
В период кризиса 2008-2009 гг. выпуски кредитных дефолтных облигаций, основанных на
денежных потоках от портфелей ипотечных займов были главным источником кредитных
убытков для многих финансовых компаний.
Гипотеза, которую выдвигает F.A. Longstaff, состоит в том, что финансовое заражение
распространялось преимущественно посредством ликвидного канала и финансового канала, чем
посредством информационного канала. Его исследование подтвердило эти гипотезы.
В данном случае мы предполагаем:
Гипотеза H1: в период кризиса 2014-2015 гг. в России финансовое заражение не
распространялось посредством информационного канала.
В 2014-2015 гг. в России уменьшилось количество банков, так как многие банки были
закрыты по причине финансовой несостоятельности. В то же время проценты по кредитам
возрастали. Поэтому,
Гипотеза H2: в период кризиса 2014-2015 гг. в России финансовое заражение
распространялось посредством ликвидного канала.
Санкции западных государств против России привели к тому, что российские компании
испытывают трудности с заключением контрактов с западными партнёрами, у которых они
получали не только финансирование, но и, главным образом, технологии. В то же время, по
причине ослабления курса рубля относительно бивалютной корзины, для российских компаний
возросла стоимость товаров и услуг, закупаемых за рубежом. Следовательно,
Гипотеза H3: в период кризиса 2014-2015 гг. в России финансовое заражение
распространялось посредством финансового канала.
Графически полная теоретическая модель представлена на рис. 2.
52
информационный
канал
H1
ликвидный
канал
H2
финансовое
заражение
H3
финансовый
канал
Рис. 2 – Теоретическая модель и гипотезы
И с т о ч н и к: (Longstaff, 2010)
53
Рис. 1: Каналы распространения финансового заражения между различными рынками
Рис. 1 - Каналы распространения финансового заражения между различными рынками
С о с т а в л е н о п о : (Longstaff, 2010).
Методология исследования
Данные
В исследовании использовались временные ряды индексов облигаций российских
нефтегазовых компаний, полученные в базе данных Thomson Reuters Datastream. Данные были
получены ежедневно в течение периода с 1.01.2010 до 8.06.2015. Это позволило получить
выборку достаточной величины (1417 наблюдений) и охватить кризисный период 2014-2015 гг.
Индексы измеряются в пунктах, для каждой компании пункты для индекса её облигаций имеют
разную стоимость. Для облигаций различных компаний их индекс выражен в величинах
различных порядков, поэтому сравнивать индексы по абсолютной величине не даёт смысла. Но
имеет смысл сопоставлять изменения (приросты) индексов. Кроме того, визуальных анализ
динамики индексов позволил выделить в рассматриваемом промежутке времени три периода,
которые отличаются между собой по уровню финансового заражения, что было полезно с точки
зрения цели исследования для сопоставления периодов.
Для данного исследования были отобраны компании, головные офисы которых
расположены в России, и которые являются самостоятельными компаниями, а не
подразделениями других компаний. Были отобраны компании с различными кредитными
рейтингами. Так как не каждая компания из отобранных имеет кредитный рейтинг, данный ей
рейтинговым агентством Moody’s и S&P, то для сопоставления компаний по кредитному
рейтингу использовались кредитные рейтинги, рассчитываемые с соответствии с моделью
SmartRatios, представленной в Thomson Reuters Eikon. Результаты отбора компаний для анализа
представлены в Таблице 1.
Таблица 1: Российские нефтегазовые компании, отобранные для анализа
Компания
Кредитный рейтинг в соответствии с моделью
Smartratios
Лукойл
AСургутнефтега BBB+
з
Татнефть
BBBБашнефть
B
Роснефть
BИ с т о ч н и к: Thomson Reuters Datastream
Переменные
При рассмотрении графиков с данными можно выделить три периода:
1.
восстановление после кризиса 2008-2009 гг.: с 2010 по 2012 гг. (520
наблюдений; рис. 3);
2.
переходный период: с 2012 по 2014 гг. (520 наблюдений; рис. 4);
3.
кризис: с 2014 по 2015 гг. (374 наблюдения; этот период всего 1,5 года
вместо 2 лет в предыдущих двух случаях, и, насколько можно судить, равновесие,
которое достигнуто в российской экономике на данный момент, достаточно хрупкое, и
кризис ещё не закончился; рис. 5).
55
Рис. 3 - Динамика индексов облигаций российских нефтегезовых компаний, выбранных для
анализа, в течение период 2010-2012 гг.: восстановление после кризиса 2008-2009 гг.
56
Рис. 4 – Динамика индексов облигаций российских нефтегазовых компаний, выбранных для анализа, в течение 2012-2013 гг.: переходный период
Рис. 5 – Динамика индексов облигаций российских нефтегазовых компаний, выбранных для анализа, в течение периода 2014-2015 гг.: кризис
Однако, может быть, наличие кризиса можно было установить раньше второй
половины 2014 года (когда об этом стали говорить средства массовой информации в
России), например, в 2013 году? Это исследовательский вопрос данной работы. Если
наличие кризиса можно было установить раньше, то, компании могли бы скорректировать
свою инвестиционную стратегию с учётом этой информации (подготовиться к тому, что
кризис может наступить).
Независимые переменные:
нефтегазовых компаний
доходность
индексов
облигаций
российских
Значения индексов различных компаний несопоставимы (и временные ряды,
построенные на их основе, нестационарны). Поэтому, для приведения переменных к
сопоставимым значениям, потребовалось получить на основе динамики индексов облигаций
динамику доходностей индексов (рис. 6).
На графиках динамики доходностей индексов облигаций можно отметить, что в
первом периоде в первой половине 2010 года (на этапе восстановления после кризиса 20092010 гг.) происходили колебания доходности индексов, в течение 2012-2013 гг. колебания
были относительно умеренными (переходный этап), а во второй половине 2014 года
колебания доходностей индексов облигаций были особенно сильны (этап кризиса).
Рис. 6 – Графики динамики доходностей индексов облигаций
59
На рис. 7 изображены графики выборочных автокорреляционных функций для
переменных – доходностей индексов облигаций.
Рис. 7 – Графики автокорреляционных функций для доходностей индексов облигаций
На основе визуального анализа графиков автокорреляционных функций временных рядов
можно выдвинуть гипотезу, что ряды доходностей индексов облигаций компаний не содержат
автокорреляцию.
Наличие автокорреляции: тесты Breusch-Godfrey, информационные критерии
Акаике, Шварца и Хеннана-Куинна
Результаты теста Breush-Godfrey для временных рядов доходностей индексов всех
облигаций представлены в Таблице 2.
Таблица 2: Результаты теста Breush-Godfrey для временных рядов доходностей индексов всех
облигаций
Период
Переменная
bashneft_return
rosneft_return
lukoil_return
surgutneftegas_retur
n
tatneft_return
2014-2015
chi2 Prob
chi2
0.37 0.8308
1
1.09 0.5775
8
0.64 0.7232
8
3.82 0.1481
0.65
6
0.7204
2012-2013
> chi2 Prob
chi2
0.01 0.9948
7.69
4
3.04
3
4.89
9
0.28
2
60
0.0213
0.2184
0.0863
0.8683
2010-2011
> chi2 Prob
chi2
0.37 0.8308
1
1.09 0.5775
8
0.64 0.7232
8
3.82 0.1481
0.65
6
0.7204
>
На основе результатов теста Breush-Godfrey можно сделать выводы:
1. Временные ряды доходностей индексов всех облигаций в периодах 2010-2011 гг. и 20142015 гг. можно считать очищенными от автокорреляции;
2. В периоде 2012-2013 гг. временной ряд доходностей индекса облигаций Роснефти
содержит серийную автокорреляцию.
3. На основе теста Breush-Godfrey было принято решение взять первые разности
временного ряда доходностей индекса облигаций Роснефти в периоде 2012-2013 гг. Были
получены следующие результаты теста Breush-Godfrey и оценки информационных критериев
для временного ряда rosneft_return и Drosneft_return17 (табл. 3).
Таблица 3: Характеристики временного ряда доходностей индекса облигаций Роснефти в
периоде 2012-2013 гг. и временного ряда, построенного на первых разностях временного ряда
доходностей индекса облигаций Роснефти
Характеристика
Breush-Godfrey Prob > chi2
информационный критерий Акаике (0 лагов)
информационный критерий Акаике (1 лаг)
информационный критерий Акаике (2 лага)
информационный критерий Шварца (0 лагов)
информационный критерий Шварца (1 лаг)
информационный критерий Шварца (2 лага)
информационный критерий Хеннана-Куинна (0 лагов)
информационный критерий Хеннана-Куинна (1 лаг)
информационный критерий Хеннана-Куинна (2 лага)
rosneft_return
0.0213
-11.5348
-92.4398
-92.4447
-11.5184
-92.3907
-92.3793
-11.5284
-92.4206
-92.4191
Drosneft_return
0.0213
-11.5348
-45.7975
-45.805
-11.5184
-45.7484
-45.7395
-11.5284
-45.7783
-45.7793
В данном случае величины информационных критериев Акаике, Шварца и ХеннанаКуинна для 1 лага совпадают. Вывод согласно тесту Breush-Godfrey одинаков как для
временного ряда доходностей индекса облигаций Роснефти, так и для временного ряда первых
разностей доходностей индекса облигаций Роснефти (H0 об отсутствии серийной корреляции во
временном ряде отвергнута на основании p-value). Однако, есть отличия в величинах
информационного критерия Хеннана-Куинна для 2 и 3 лагов. V. Ivanov и L. Kilian показали, что
для векторных авторегрессионных моделей, информационный критерий Шварца лучше
работает, по сравнению с информационными критериями Акаике и Хеннана-Куинна (Ivanov,
Kilian, 2005). Согласно критерию Шварца (как и критерию Акаике и критерию ХеннанаКуинна), временной ряд доходностей индекса облигаций Роснефти больше подходит для анализа
(векторная авторегрессионная модель, построенная на его основе имеет меньшее значение
критерия Шварца), чем временной ряд, построенный на первых разностях доходностей индекса
облигаций Роснефти в 2012-2013 гг.
Следовательно, на основе информационных критериев можно сделать вывод, что
дифференцирование временного ряда доходностей индекса облигаций Роснефти в 2012 2013 гг.
не требуется, так как оно не улучшит ситуацию с точки зрения автокорреляции во временном
ряду.
Стационарность: тесты Дикки-Фуллера и Филлипса–Перрона
Результаты теста Дикки-Фуллера и расширенного теста Дикки-Фуллера (для количества
лагов 1-6) позволили принять гипотезу о наличии стационарности во всех временных рядах. В то
17 Здесь и далее первая заглавная буква “D” в названии переменной означает, что временной ряд
построен на первых разностях соответствующего временного ряда. Например, interest – средняя
процентная ставка для межбанковских займов на 0,5 года Moscow Prime Rate, Dinterest – временной ряд,
построенный на первых разностях (путём дифференцирования первого порядка) временного ряда interest,
DDinterest – временной ряд, построенный на вторых разностях (путём дифференцирования второго
порядка) временного ряда interest.
61
же время, применение слишком большого количества лагов увеличивает стандартные ошибки
модели, так как увеличение числа оцениваемых параметров увеличивает число степеней
свободы.
Теория Филлипса-Перрона является более обоснованной по сравнению с теорией ДиккиФуллера, так как включает корректировки для исключения автокорреляции в остатках модели.
Однако, оба подхода достаточно схожи и имеют схожую интерпретацию. Результаты анализа
временных рядов на стационарность по методу Филлипса-Перрона с количеством лаговых
переменных 0-6 позволили принять гипотезу о наличии стационарности во всех временных
рядах.
Описательная статистика переменных представлена в Таблице 1 Приложения 2. В Таблице
1 Приложения 2 видно, что в основном во время рассматриваемого периода доходности индексов
облигаций были положительными. Стандартное отклонение (являющееся мерой единичного
риска) доходностей индексов облигаций было больше в 2014-2015 гг. Волатильность
доходностей индексов облигаций компаний не монотонно связана с их кредитными рейтингами:
доходности индекса облигаций Роснефти (кредитный рейтинг Роснефти «B-») были наименее
волатильными в период 2014-2015 гг., в то время как в течение периода 2012-2013 гг. наименее
волатильны были индексы облигаций Татнефти (кредитный рейтинг Татнефти «BBB-»).
В Таблице 1 Приложения 2 также видно, что корреляция между доходностями индексов
была выше в 2010-2011 гг. и 2014-2015 гг. (период восстановления после кризиса и период
кризиса), чем в 2012-2013 гг. (переходный период).
Зависимые переменные: (1) доходности индексов государственных
и (2)
корпоративных облигаций, (3) индекса акций компаний нефтегазовой отрасли ММВБ, (4)
доходность фьючерсов на сырую нефть Brent на российском фондовом рынке; (5) объём
торгов фьючерсами на нефть на Московской фондовой бирже; (6) сумма открытых
позиций по фьючерсам на нефть на конец дня на ММВБ; (7) средняя процентная ставка
для межбанковских займов на 0,5 года Moscow Prime Rate
Для зависимых переменных требуется провести те же процедуры тестирования на личие
автокорреляции и стационарности, что и для независимых переменных (кроме того, так как
модель является векторной авторегрессионной, то зависимая переменная в предыдущие моменты
времени выступает в качестве лаговой переменной). Все рассматриваемые переменные
(зависимые и независимые) представлены в Таблице 4.
62
Таблица 4: Обозначения переменных, используемых в работе (только оригинальных временных
рядов, без дифференцирования)
Обозначение
независимые
bashneft_return
rosneft_return
lukoil_return
surgutneftegas_return
tatneft_return
зависимые
treasury_return
corporate_return
industry_return
futures_return
open
volumes
interest
Название
доходность индекса облигаций компании Башнефть
доходность индекса облигаций компании Роснефть
доходность индекса облигаций компании Лукойл
доходность индекса облигаций компании Сургутнефтегаз
доходность индекса облигаций компании Татнефть
доходность индекса государственных облигаций
доходность индекса корпоративных облигаций
доходность отраслевого индекса акций нефтегазовых компаний на
ММВБ
доходность фьючерсов на нефть марки Brent
сумма открытых позиций по фьючерсам на нефть на конец дня на ММВБ
объём торгов фьючерсами на нефть на ММВБ
средняя процентная ставка для межбанковских займов на 0,5 года
Moscow Prime Rate
На рис. 8 представлены графики автокорреляционных функций для доходностей индекса (1)
государственных и (2) корпоративных облигаций и (3) индекса акций компаний нефтегазовой
отрасли ММВБ, (4) фьючерса на нефть марки Brent, (5) объёма торгов на Московской фондовой
бирже фьючерсами на нефть марки Brent и роста объёма торгов фьючерсами на нефть.
63
Рисунок 8 – Автокорреляционная функция доходностей индекса государственных и
корпоративных облигаций, индекса акций компаний нефтегазовой отрасли ММВБ, фьючерса на
нефть марки Brent, объёма и роста объёма торгов фьючерсами на сырую нефть марки Brent
Обозначения:
1 – автокорреляционная функция временного ряда доходностей индекса государственных
облигаций (treasury_return);
2 - автокорреляционная функция временного ряда доходностей индекса корпоративных
облигаций (corporate_return);
3 - автокорреляционная функция временного ряда доходностей индекса акций компаний
нефтегазовой отрасли (industry_return);
4 - автокорреляционная функция временного ряда доходностей фьючерса на нефть марки
Brent на Московской фондовой бирже (futures_return);
5 - автокорреляционная функция временного ряда объёма торгов фьючерсами на нефть
марки Brent на Московской фондовой бирже (volumes);
6 - автокорреляционная функция временного ряда роста объёма торгов фьючерсами на
нефть марки Brent на Московской фондовой бирже (Dvolumes).
На рис. 9 представлены графики автокорреляционных функций для временных рядов (6)
суммы открытых позиций по фьючерсам на нефть на конец дня на ММВБ; роста суммы
открытых позиций по фьючерсам на нефть на конец дня на ММВБ; (7) средней процентной
ставки для межбанковских займов на 0,5 года Moscow Prime Rate; роста средней процентной
ставки для межбанковских займов на 0,5 года Moscow Prime Rate (временной ряд, построенный на
первых разностях временного ряда interest); временного ряда, построенного на вторых разностях
временного ряда interest. Визуальный анализ графиков автокорреляционных функций (рис. 8, 9)
позволяет выдвинуть гипотезы (Таблица 5).
64
Рис. 9 – Автокорреляционная функция временных рядов переменных
1 – open;
2 – Dopen;
3 - interest;
4 – Dinterest;
5 – DDinterest.
65
Таблица 5: Гипотезы о «наличии/отсутствии/под вопросом» автокорреляции, которые можно
выдвинуть на основе анализа графиков функции автокорреляции
Переменная
treasury_return
corporate_return
industry_return
futures_return
volumes_increase
volumes
open
Dopen
interest
Dinterest
DDinterest
Гипотеза о «наличии/отсутствии/под вопросом» автокорреляции
2010-2011
2012-2013
2014-2015
отсутствие
под вопросом
отсутствие
наличие
наличие
наличие
отсутствие
отсутствие
отсвутствие
отсутствие
отсутствие
под вопросом
отсутствие
отсутствие
отсутствие
наличие
наличие
наличие
отсутствие
наличие
наличие
отсутствие
отсутствие
отсутствие
наличие
наличие
наличие
наличие
отсутствие
под вопросом
под вопросом
отсутствие
отсутствие
Результаты теста Breush-Godfrey для временных рядов зависимых переменных
представлены в Таблице 6.
Таблица 6: Результаты теста Breush-Godfrey для временных рядов (1) доходностей индексов
государственных и (2) корпоративных облигаций, (3) индексов акций компаний нефтегазовой
отрасли, (4) доходности фьючерсов на нефть на Московской фондовой бирже и (5) объёмов
торгов фьючерсами на нефть на московской фондовой бирже, (6) открытых позиций на
фьючерсы на нефть марки Brent на Московской фондовой бирже, (7) средней процентной
ставки для межбанковских займов на 0,5 года Moscow Prime Rate, а также первых и вторых
разностей, построенных на некоторых из этих временных рядах
Период
Переменная
2014-2015
chi2
Prob > chi2
2012-2013
chi2
Prob > chi2
treasury_return
Dtreasury_return
DDtreasury_return
corporate_return
Dcorporate_return
1.316
0.5179
дифференцирование
не требуется
10.741
0.0047
97.063
0.0000
industry_return
futures_return
volumes
Dvolumes
open
Dopen
interest
Dinterest
DDinterest
0.372
3.574
323.349
28.636
5.178
3.327
63.080
59.170
1.244
8.046
0.018
7.694
0.021
130.404 0.000
5.350
0.0689
дифференцирование
не требуется
2.336
0.3110
2.959
0.2278
151.639 0.0000
69.804
0.0000
0.381
0.8266
0.435
0.8047
40.598
0.0000
2.734
0.2548
110.195 0.0000
0.8303
0.1674
0.0000
0.0000
0.0751
0.1895
0.0000
0.0000
0.5368
2010-2011
chi2
Prob
>
chi2
5.872
0.053
дифференцирование
не требуется
8.393
0.0150
85.888
0.0000
0.713
1.378
214.454
56.961
2.646
83.119
2.596
0.349
86.818
0.7001
0.5022
0.0000
0.0000
0.2663
0.0000
0.2731
0.8399
0.0000
На основе теста Breush-Godfrey можно сделать вывод, что серийная корреляция
присутствует во временном ряде treasury_return на промежутке 2012-2013 гг. и отсутствует на
во временном ряде treasury_return на промежутках 2010-2011 гг. и 2014-2015 гг. (это
поддерживает гипотезы, выдвинутые на основе визуального анализа автокорреляционной
функции временного ряда). Следовательно, необходимо дифференцирование временного ряда
treasury_return 2012-2013 гг.
Как видно из Таблицы 6, после дифференцирования первого порядка временного ряда
treasury_return, для полученного в результате взятия первых разностей временного ряда
Dtreasury_return, p-value, согласно тесту Breush-Godfrey, возросло, однако, по-прежнему
меньше 0,05 (это значит, что нет оснований для принятия гипотезы H0 об отсутствии серийной
корреляции во временном ряду Dtreasury_return). После дифференцирования второго порядка
p-value, согласно тесту Breush-Godfrey, снизилось до 0.00. На основании данных результатов
можно выдвинуть гипотезу о том, что для последующего анализа более всего подходит
66
временной ряд Dtreasury_return. Необходимо провести тестирование этой гипотезы при
помощи информационных критериев.
Результаты теста Breush-Godfrey для corporate_return позволяют принять гипотезу о
наличии серийной корреляции во временном ряду corporate_return в периодах 2010-2011 гг. и
2014-2015 гг. и отклонить гипотезу о наличии серийной корреляции в этом временном ряду в
периоде 2012-2013 гг. Однако, временные ряды Dcorporate_return в 2014-2015 гг. и 2010-2011
гг. также несвободны от автокорреляции и, более того, их p-value, согласно тесту BreushGodfrey, ниже, чем p-value для временных рядов corporate_return в 2014-2015 гг. и 2010-2011
гг. Следовательно, предпочтительнее использовать для построения модели временные ряды
corporate_return в 2010-2011 и 2014-2015 гг., чем Dcorporate_return согласно тесту BreushGodfrey.
Для industry_return и furutes_return во всех периодах времени результаты теста BreushGodfrey позволяют приять гипотезу о отсутствии автокорреляции во временном ряду. Также
подтверждается гипотеза о наличии серийной корреляции во временных рядах volumes и
Dvolumes.
Тест Breush-Godfrey показывает, что может быть принята гипотеза об отсутствии
серийной корреляции для open и временного ряда Dopen в 2014-2015 и 2012-2013 годах, а также
для временного ряда open – в 2010-2011 гг. В то же время, для временного ряда Dopen не может
быть принята гипотеза об отсутствии серийной корреляции в периоде 2010-2011 гг.
Тест Breush-Godfrey также показывает, что для переменной interest предпочтительнее
является использование первых разностей временного ряда.
Информационные критерии Акаике, Шварца и Хеннана-Куинна
Результаты оценки информационных критериев Акаике, Шварца и Хеннана-Куинна для
временных рядов представлены в Таблице 1 Приложения 3.
На основе анализа информационных критериев можно сделать вывод, что
предпочтительнее использовать для анализа временной ряд treasury_return (так как
сопоставление значений информационных критериев, рассчитанных для линейных моделей,
построенных по временному ряду treasury_return, а также по временным рядам
Dtreasury_return и DDtreasury_return позволяют принять гипотезу о меньшей автокорреляции
во временном ряду treasury_return, чем во временных рядах Dtreasury_return и
DDtreasury_return).
Для corporate_return в 2010-2011 гг., согласно информационный критериям для модели
линейной регрессии по временному ряду с 0 количеством лагов, лучше использовать для
дальнейшего анализа временной ряд corporate_return, а согласно информационным критериям
для модели линейной регрессии с 1 и 2 лагами, лучше использовать Dcorporate_return. Однако,
подводя общий итог анализа временного ряда corporate_return с учётом результатов теста
Breush-Godfrey, можно сделать вывод, что предпочтительнее использовать для дальнейшего
анализа временной ряд corporate_return.
Для временного ряда corporate_return в 2014-2015 гг. все информационные критерии (и
это совпадает с результатами теста Breush-Godfrey) показывают, что для дальнейшего анализа
предпочтительнее использовать временной ряд corporate_return. Для временного ряда open в
сравнении с временным рядом Dopen информационные критерии показывают, что временной
ряд open предпочтительнее использовать для моделирования в периоде 2010-2011 гг. В 20122013 гг. результаты теста Breush-Godfrey не дают однозначного ответа на вопрос, какой именно
временной ряд использовать (open или Dopen). В 2014-2015 гг. вывод однозначный: временной
ряд Dopen.
Информационные критерии для временных рядов interest,
показывают, что предпочтительнее использовать Dinterest.
67
Dinterest и DDinterest
Тест Дикки-Фуллера
Результаты теста Дикки-Фуллера для некоторых из зависимых переменных представлены
в Таблице 2 Приложения 3.
Тест Дикки-Фуллера показывает, что, с точки зрения наличия автокорреляции, временной
ряд Dvolumes более подходит для построения модели, чем временной ряд volumes.
Результаты теста Дикки-Фуллера и Филлипса-Перрона позволяют принять гипотезу о
наличии стационарности во временных рядах treasury_return во всех периодах и временных
рядах Dtreasury_return и DDtreasury_return в 2012-2013 гг., а также временных рядах
futures_return во всех периодах. Следовательно, обобщив выводы по тестам на стационарность
и наличие автокорреляции во временных рядах, можно в заключение сказать, что временной ряд
treasury_return предпочтительнее
для
моделирования,
чем Dtreasury_return
и
DDtreasury_return, а временные ряды futures_return могут быть использованы для
дальнейшего моделирования.
Для временного ряда corporate_return и industry_return тесты Дикки-Фуллера и
Филлипса-Перрона показывают стационарность как самих временных рядов, так и временных
рядов, построенных на первых разностях. Следовательно, обобщив все результаты тестов на
наличие автокорреляции и стационарность можно сделать вывод, что предпочтительнее
использовать для анализа во всех трёх периодах времени временные ряды corporate_return, а не
Dcorporate_return, а также что временные ряды industry_return подходят для дальнейшего
анализа.
Для временного ряда volumes в периоде 2014-2015 гг. тест Дикки-Фуллера показывает
следующие результаты (Таблица 2 Приложения 3), а тест Филлипса-Перрона показывает
похожие результаты с результатами теста Дикки-Фуллера.
Гипотеза о наличии стационарности может быть принята только в ограниченном
количестве случаев, в то время как для временного ряда, задаваемого переменной Dvolumes, она
может быть принята во всех случаях.
Результаты теста Дикки-Фуллера для временного ряда open неоднозначны (Таблица 2
Приложения 3). А после дифференцирования временного ряда open и проверки по тесту ДиккиФуллера временного ряда Dopen, гипотезу о присутствии стационарности во временном ряду
Dope можно принять. В 2010-2011 гг. временной ряд суммы open, согласно гипотезе, которую
можно принять на основе теста Дикки-Фуллера.
Тест Филлипса-Перрона
То же самое было сделано для рассмотрения проверки на стационарность по методу
Филлипса-Перрона. Тест Филлипса-Перрона показывает похожие результаты: в некоторых
случаях для переменной volumes можно отвергнуть гипотезу о наличии стационарности. В
противоположность, для переменной Dvolumes гипотеза о наличии стационарности может быть
принята для всех случаев. Таким образом, тесты Дикки-Фуллера и Филлипса-Перрона на
наличие стационарности во временном ряду показывают, что временной ряд Dvolumes больше
подходит для моделирования, чем временной ряд volumes. Рассмотрев эти результаты совместно
с результатами теста Breush-Godfrey можно сделать вывод, что временной ряд, который
задаётся переменной Dvolumes (рост объёмов торгов фьючерсами на нефть на Московской
бирже) лучше подходит для моделирования.
Для временных рядов, задаваемых переменной open, согласно тесту Филлипса-Перрона,
можно получить неоднозначные результаты. Однако, для переменной Dopen все модели,
согласно тесту Филлипса-Перрона, позволяют принять гипотезу о наличии стационарности во
временном ряду.
68
Таблица 7: Список переменных
Обозначение
независимые
bashneft_
return
rosneft_return
Название выбранной переменной
Переменные, которые были
отвергнуты в пользу выбранной
(если есть)
доходность индекса облигаций компании
Башнефть
доходность индекса облигаций компании
Роснефть
доходность индекса облигаций компании
Лукойл
доходность индекса облигаций компании
Сургутнефтегаз
доходность индекса облигаций компании
Татнефть
нет
доходность индекса государственных
облигаций
доходность индекса корпоративных
облигаций
доходность отраслевого индекса акций
нефтегазовых компаний на ММВБ
Dtreasury_return,
DDtreasury_return
доходность фьючерсов на нефть
марки Brent
рост объёмов торгов фьючерсами на
нефть марки Brent
нет
Dopen
сумма открытых позиций по фьючерсам
на нефть на конец дня на ММВБ
open
Dinterest
прирост процентной ставки
межбанковских кредитов на 6 месяцев
Moscow Prime Rate
interest, DDinterest
lukoil_return
surgutneftegas_retu
rn
tatneft_return
зависимые
treasury_
return
corporate_
return
industry_
return
futures_return
Dvolumes
нет
нет
нет
нет
Dcorporate_return
нет
volumes
Выводы по выбору переменных для моделирования
Не в каждом случае результаты всех тестов на отсутствие автокорреляции и наличие
стационарности (проводились тесты Breush-Godfrey, Дикки-Фуллера, Филлипса-Перрона,
рассчитывались информационные критерии) говорят в пользу выбора переменных для анализа
однозначно (результаты некоторых тестов могут отличаться с точностью до наоборот). Но,
задачей является выбор переменной, которая более подходит для моделирования. С другой
стороны, невозможно использовать разные временные ряды для построения моделей с одной и
той же независимой переменной (речь идёт о случаях, когда, согласно тестам, временной ряд
подходит для моделирования в одном периоде, например, 2010-2011 гг., а в остальных периодах
для моделирования больше подходит дифференцированный временной ряд. На основе этих
соображений были отобраны переменные, на основе которых будут строиться дальнейшие
модели (табл. 7)
Результаты
Как отмечает F.A. Longstaff, при изучении природы финансового заражения полезно
учесть два основных элемента. Первый – определить окно события (в данном случае период
кризиса 2014-2015 гг.). Второй – определить вектор финансового заражения, который может
быть использован для тестирования изменений взаимосвязей между рынками, связанными с
кризисным событием [Longstaff, 2010].
Кризис в российской экономике 2014-2015 годов был вызван (причины):
- чрезмерно высокой долей добывающей отрасли в ВВП,
69
- большой зависимостью экономики России от импорта (и готовой продукции, и
технологий).
Справедливо то, что обе эти причины многократно обсуждались в российской научной
литературе, риски рассматривались, и причины эти не являются новыми. Однако, поводом,
спровоцировавшим кризисное событие, стали санкции США, Евросоюза, Австралии, Новой
Зеландии и Канады против России, введённые в марте 2014 года.
Санкции содаржади в себе в том числе запрет компаниям этих стран поддерживать
деловые отношения с лицами и организациями, которые были включены в соответствующие
списки. То есть, санкции привели к затруднению отношений российских компаний со своими
зарубежными партнёрами. Это сказалось на ценах закупаемых товаров и услуг зарубежом. Так
как нефтегазовые российские компании при заключении проектов по разработке месторождений
в России и зарубежом используют закупаемые у своих партнёров из западных стран технологии,
что привело к тому, что их расходы на разработку новых месторождений возросли.
Во время текущего кризиса достаточно сильно упали цены на нефть и курс рубля
относительно доллара и евро. Хотя наличие одновременности не означает причинноследственную связь, но, так как в экономике России нефегазовая отрасль играет большую роль
(не только сама по себе, но как источник сырья для строительной, жилищно-коммунальной,
транспортной и других отраслей, и особенно экспорта).
Падение цен на нефть в 2014 году вызвано рядом причин (поличитическими,
экономическими, природными):
- цена на нефть до 2014 года была во многом спекулятивно завышена (вследствие
роста цен на фьючерсы на нефть), в 2014 году деньги начали выводиться из нефтяных
фьючерсов (снижения нефтяных спекуляций);
- с 1975 года запрещён экспорт нефти из США (импорт нефти в США снизился);
- укрепление доллара (большинство нефтяных контрактов оформляются в
долларах);
- политические события (войны в Ираке, Иране, Ливии, Сирии), которые привели к
нестабильности [Кузнецов, Савельев, Бахтизина, 2012].
Таким образом, санкции не являются причиной кризиса в России 2014-2015 гг., однако,
они послужили поводом, который усугубил действие вышеназванных причин, что и выразилось
в наступлении кризиса.
Поэтому первыми на себе «ощутили» кризис нефтегазовые компании, которые получают
доходы от продажи углеводородного сырья. Но, с другой стороны, доходы нефтегазовых
компаний в рублях возросли за счёт падения курса рубля (и роста курса доллара). Этим может
объясняться рост индексов облигаций нефтегазовых компаний с начала 2015 года (во всё ещё
продолжающийся период кризиса). В то время, как экономике погружается в кризис,
нефтегазовые компании оказались в несколько лучшем положении относительно остальных за
счёт получения высоких (относительно всей экономики) доходов. Однако, индексы облигаций
нефтегазовых компаний достаточно сильно снизились во второй половине 2014 года (но быстро
возросли потом).
В литературе по эмпирическом исследованию финансового заражения достаточно широко
используется индикатор финансового заражения как возрастание взаимосвязей между
различными рынками. Этот подход объясняется наиболее широко используемым в литературе
определением финансового заражения как возникновением и возрастанием взаимосвязей между
рынками вследствие кризисного события. Вектроная авторегрессионная модель, которую
использовал F.A. Longstaff, позволила оценить взаимосвязь между раныками отдельно во время
70
трёх периодов в рассматриваемом промежутке времени. Такой подход позволяет определить,
отличались ли взаимосвязи между рынками во время кризиса и других двух периодов (Longstaff,
2010).
В качестве меры доходности на пострадавшем от кризиса секторе нефтегазовых компаний
использовались доходности индексов облигаций нефтегазовых компаний. Точнее,
использовались ежедневные (за исключением праздничных и выходных дней) доходности.
Также, рассматривались облигации компаний, имеющих разный кредитный рейтинг.
Для учёта тенденция на рынке государственных облигаций использовались ежедневные
доходности (за тот же период, что и доходности индексов облигаций нефтегазовых компаний)
индекса обсударственных облигаций Московской Биржи. Как и все индексы доходности,
рассчитываемые на Московской Бирже, индекс доходности государственных облигаций
рассчитывается ежедневно в момент зарктия торгов на основе средневзвешенных цен выпусков
облигаций, включённых в базу расчёта для индикаторов доходности. Формула расчёта индекса
государственных облигаций Московской Биржи:
PI t =PI t −1 ∙
∑ Pi , t ∙ N i , t−1
i
∑i P i ,t −1 ∙ N i ,t −1
где Pi,t – средневзвешенная цена облигации i-ого выпуска в день t, выраженная в рублях;
Ni,t-1 – размещённый объём i-ого выпуска облигаций, определённый в день t-1, выраженный
в количестве ценных бумаг (единиц)18.
Для ответа на вопрос, присутствует ли взаимосвязь между кризисными событиями в
российской экономике и усилением зависимости между доходностью индексов облигаций
российских компаний, была оценена следующая теоретическая модель:
4
Y t =α + ∑ βk Y t−k + γ k B t−k +ε t
k=1
где Yt - доходность индекса государственных облигаций Московской Биржи. Четыре лага
в авторегрессионной модели были выбраны на основе того, что информационный критерий
Акаике показывает более точные оценки для периодов в 4 недели, по сравнению с
информационными критериями Шварца и Хеннана-Куинна [Ivanov, Kilian, 2005; Longstaff,
2010]. Bt-k – доходность индекса облигаций компании (для каждого индекса, то есть для каждой
компании, такое уравнение оценивалось отдельно); εt – случайная ошибка.
VAR (векторная авторегрессионная модель) оценивалась отдельно для доходности индекса
каждой облигации и для каждого этапа (2010-2011 гг., 2012-2013 гг., 2014-2015 гг.).
В Таблице 1 Приложения 2 представлены результаты оценивания VAR. Для каждого из
рассматриваемых периодов представлена t- статистика Newey-West для коэффициентов γ k в
формуле (2) и R2 для моделей VAR. Таблица 1 Приложения 2 также показывает p-value для Fтеста о том, что коэффициенты γ k одновременно нулевые. F-тест можно рассматривать как
тест гипотезы о том, что доходности индексов облигаций нефтегазовых компаний являются
причиной по Гренджеру для последующих изменений в доходностях на других финансовых
рынках. Эти тесты также позволяют определить, существует ли значимая разница во
взаимосвязи между доходностями индексов облигаций нефтегазовых компаний и другими
финансовыми рынками во время кризиса.
18 Сайт Московской Межбанковской Валютной Биржи
http://www.micex.com/marketdata/indices/state/profit/calculations_method
71
Обращаясь сначала к результатам моделей VAR для государственных облигаций, Таблица
1 Приложения 2 показывает, что присутствует финансовое заражение во время кризиса. В
частности, только одна из индивидуальных t-статистик для лаговых переменных – доходностей
индексов нефтегазовых компаний является значимой для моделей 2010-2011 и 2012-2013 гг.
Соответственно, только две из пяти F-статистик значимы в период 2010-2011 гг.
(восстановление после кризиса 2008-2009 гг.) на 5%-ом уровне значимости, и одна F-статистика
значима на 10%-ом уровне. Это можно объяснить тем, что рынок корпоративных облигаций
менее ликвиден, чем рынок государственных облигаций (согласно теории). Поэтому, при прочих
равных условиях, можно утверждать, что будет достаточно слабая взаимосвязь между
динамикой доходности индекса государственных облигаций и динамикой доходности индексов
нефтегазовых компаний.
Напротив, в 2012-2013 гг. все F-статистики для моделей VAR являются значимыми на 5%ом уровне значимости, что говорит о том, что доходности индексов нефтегазовых компаний
являются причиной по Гренджеру для доходностей индексов государственных облигаций.
Однако, наличие причинности по Гренджеру не означает, что между временными рядами
существует причинно-следственная связь. Однако, если одна переменная, задающая временной
ряд, не является причиной по Гренджеру для переменной, задающей другой временной ряд, то
можно отвергнуть гипотезу о том, что между ними может существовать причинно-следственная
связь (то есть, между ними точно не существует причинно-следственной связи).
В дополнение, в 2012-2013 гг. только одна из индивидуальных t-статистик в моделях VAR
для государственных облигаций была значима (у доходностей индекса облигаций Лукойла,
имеющего самый высокий кредитный рейтинг из рассмотренных компаний). Это может
свидетельствовать о том, что доходность индексов облигаций Лукойла может быть причиной по
Гренджеру для доходностей индекса государственных облигаций. При этом лаг переменной,
регрессионный коэффициент при которой обладает значимостью на 10%-ом уровне, является 1
лаг. Этот коэффициент обладает положительным знаком, что означает, что отрицательная
динамика доходности индекса облигаций Лукойла совпадает с отрицательной динамикой
доходности индекса государственных облигаций, что подразумевает возрастание стоимости
государственных облигаций. Коэффициенты R2 для моделей в 2012-2013 гг. также выше
коэффициентов R2 для моделей в 2011-2011 гг.
Наконец, таблица 8 показывает, что в 2014-2015 гг. модели в целом значимы и
одновременно несколько индивидуальных t- статистик Newey-West показывают высокую
значимость коэффициентов регрессии. Подводя итог, несмотря на то, что в 2012-2013 гг. о
кризисе не говорилось в средствах массовой информации в России, санкции были приняты в
марте 2014 года, но модели в целом являются значимыми (хотя и коэффициенты регрессий
относительно малы, и индивидуальные значения t-статистик являются незначимыми для всех, за
исключением одного, коэффициентов). Это говорит о том, что кризиса, конечно, ещё не было
видно фактически, однако, модели показывают присутствие финансового заражения. Может ли
это отвечать на исследовательский вопрос утвердительно и свидетельствовать о том, что в 2013
году, оценив динамику рыночных индексов, можно было «предсказать» наступление кризиса в
2014 году? Предсказать невозможно, так как данное исследование не способно ответить на такой
вопрос (это является ограничением исследования и вызвано спецификой применяемого метода),
однако, используя такой индикатор, руководство компании могло бы более осторожно
принимать инвестиционные решения (так как в целом стратегия компании в области рискменеджмента более всего пересекается с её инвестиционной стратегией).
Сосредоточившись далее на корпоративном рынке облигаций, Таблица 1 Приложения 2
показывает, что присутствует причинность по Гренджеру и коэффициенты с высокой
значимостью в уравнениях VAR в периоде 2010-2011 гг. Также в течение периода 2012-2013 гг.
доходности индексов облигаций нефтегазовых компаний являлись причиной по Гренджеру для
72
доходностей индекса корпоративных облигаций ММВБ, однако, во втором периоде наблюдается
гораздо меньше значимых индивидуальных t- статистик Newey-West, чем в 2010-2011 гг.
Большая часть значимых коэффициентов в моделях VAR положительны по знаку, что значит,
что снижение доходности индексов облигаций компаний совпадало преимущественно с
понижением доходности индекса корпоративных облигаций. В течение периода 2014-2015 гг.
модели взаимосвязи доходности индекса корпоративных облигаций и доходностей индексов
нефтегазовых компаний по-прежнему значимы (однако, как и в случае с VAR для
государственных облигаций, наименьшие значения p-value для F-статистики и, соответственно,
наибольший уровень значимости, имеют модели для периода 2012-2013 гг.). То есть, индикатор
финансового заражения в экономике показывает наличие определённой степени эффекта
финансового заражения в период, который не считался кризисным (2012-2013 гг.) в российской
экономике.
Переходя к результатам для модели VAR для доходностей индекса акций нефтегазовых
компаний ММВБ, Таблица 1 Приложения 2 показывает, что только одна модель из пяти была
значима в периоде 2010-2011 гг. (с кредитным рейтингом компании BBB-). В периоде 2012-2013
гг. также была значима единственная модель (с кредитным рейтингом компании А- и уровнем
значимости 5%). Значимые на 10%-ом уровне коэффициенты имеют положительные знаки,
говоря о том, что отрицательный шок в доходности индексов облигаций нефтегазовых компаний
совпадает обычно с отрицательным шоком в доходности индекса акций нефтегазовых компаний
ММВБ). Достаточно странно, что в моделях с индексом нефтегазовых компаний ММВБ
наблюдается гораздо более низкая значимость, так как практически все из рассмотренных в
исследовании компаний входят в базу расчёта индекса акций нефтегазовых компаний ММВБ19
(за исключением Башнефти). Пока результаты расчёта моделей показывают, что кризис
распространился (если верить гипотезе о том, что кризис пришёл на российский рынок через
падение курса нефти) от рынка облигаций нефтегазовых компаний на рынок государственных и
корпоративных облигаций, но не на рынок акций нефтегазовых компаний. Рынок акций в теории
считается более большим по объёму и более ликвидным рынком, чем рынок облигаций.
Получается, что кризис распространился с рынка корпоративных облигаций нефтегазовых
компаний на рынок государственных и корпоративных облигаций в целом, но не на рынок акций
нефтегазовых компаний. С одной стороны, следует задать вопрос, почему в качестве
независимых переменных использовались не курсы акций, а курсы облигаций нефтегазовых
компаний? Курс акций компании показывает рыночную стоимость её активов (собственный
капитал), а курс облигаций компании показывает рыночную стоимость её заимствований
(заёмный капитал). Акции более подвержены спекуляциям, чем облигации (в которые
инвестируют преимущественно более консервативные инвесторы, чем инвесторы,
вкладывающие в акции). Поэтому облигации представляются более «достоверным» индикатором
кризисности экономики, чем акции (они менее волатильны). Это одна из причин выбора именно
облигаций компаний в качестве независимых переменных. Вторая причина заключается в том,
что используемая в исследовании методология позаимоствована у F.A. Longstaff, который
использовал доходность индексов облигаций.
Результаты оценки VAR для доходности индекса акций нефтегазовых компаний также
показывают, что отсутствует или очень слаба взаимосвязь между доходностями индексов
облигаций нефтегазовых компаний и доходностью индекса акций нефтегазовых компаний. R2
для всех моделей VAR с доходностью индекса акций нефтегазовых компаний относительно
малы. Однако, если в 2010-2011 гг. и 2012-2013 гг. хотя бы одна из пяти моделей была значима
для доходностей индекса акций нефтегазовых компаний, то в 2014-2015 гг. уже все модели
являются незначимыми, согласно p-value для F-критерия (при этом два из коэффициентов
регрессии в модели значимы на 10%-ом уровне, и один из коэффициентов регрессии значим на
5%-ом уровне значимости).
19 Описание базы расчёта индекса акций нефтегазовых компаний Московской Биржи
http://www.micex.com/articles/file/3281/MICEX_OG_eng.pdf
73
Наконец, Таблица 1 Приложения 2 показывает, что результаты оценки моделей для
доходности фьючерсов на нефть свидетельствуют о значимости модели в период кризиса 20142015 гг., модель в 2012-2013 годах была значима только для отдельных облигаций нефтегазовых
компаний, а в 2010-2011 годах модель была незначима для всех облигаций нефтегазовых
компаний. Отрицательные знаки для всех значимых коэффициентов регрессии в периоде 20122013 гг. свидетельствуют о том, что доходность фьючерсов на нефть возрастает в случае
отрицательной динамики доходности индексов облигаций нефтегазовых компаний. Это можно
объяснить тем, что цены фьючерсов на нефть на российском рынке отражают «опасения»
инвесторов; негативные финансовые новости часто совпадают с ростом волатильности на
рынках, которая сказывается на доходности фьючерсов на нефть.
На основе анализа всех моделей можно сделать вывод, что для оценки индикатора кризиса
(который является значимостью модели в целом и индивидуальной значимостью коэффициентов
регрессии в модели) подходят в качестве зависимых переменных доходность индекса
государственных облигаций и доходность фьючерсов на нефть Brent. При этом модели с
зависимыми переменными – доходностью индекса корпоративных облигаций и доходностью
индекса акций нефтегазовых компаний – не показывают способности быть использованными для
определения степени финансового заражения экономики. Модель с зависимой переменной –
доходностью индекса корпоративных облигаций – показывает наибольшую значимость в
периоде восстановления после кризиса 2008-2009 годов (в данном исследовании: 2010-2011 гг.
период), что может указывать на то, что взаимосвязь между доходностями индексов
корпоративных облигаций и облигаций нефтегазовых компаний (по отдельности) оценивает
степень финансового заражения на послекризисном периоде. Такая модель также имеет смысл с
точки зрения анализа степени финансового заражения в экономике, однако, в качестве
индикатора кризиса, позволяющего увидеть наступление опасности заранее (с целью принятия
управленческих решений по корректировке инвестиционной стратегии компании) она
неприемлема.
Обсуждение
Результаты исследования показывают, что в течение рассматриваемого периода
присутствовали сопутствующие эффекты (spillover effects). Взаимосвязи между рынками стали
значительно сильнее и значительнее во время кризисного периода, что соответствует
традиционному определению финансового заражения. Это равносильно тому, что доходности
индексов нефтегазовах компаний способны быть причиной по Гренджеру для доходностей
индекса государственных облигаций.
Эти результаты дополняют теорию механизма заражения на финансовых рынках. В
теории финансового заражения выделяются как минимум три возможных канала, посредством
которых заражение на финансовых ранках может распространяться: информационный (the
correlated-information channel), ликвидный (the liquidity channel) и финансовый (the risk-premium
channel) каналы.
Доказательство того, что динамика индексов облигаций нефтегазовых компаний
взаимосвязана с несколькими лагами с показателями больших по объёму и имеющих большую
ликвидность рынков во время кризиса (являлась причиной по Гренджеру для этих показателей)
возражает против информационного канала распространения кризиса на российском рынке в
периоде 2010-2015 гг. Возможно, причиной этого является то, что для подтверждения действия
информационного канала распространения финансового заражения необходимо, чтобы
соответствующая информация с рынка облигаций нефтегазовых компаний очень быстро
переместилась на рынки акций и государственных облигаций. Следовательно, можно бы было
ожидать, что существовала бы практически одновременная взаимосвязь между динамикой
индексов облигаций нефтегазовых компаний и другими финансовыми рынками, если бы
финансовое заражение распространялось посредством информационного канала.
Отклоняя гипотезу о распространении финансового заражения на российском рынке
путём информационного канала в 2010-2015 годах, необходимо рассмотреть гипотезы о
74
распространении финансового заражения посредством ликвидного и финансового каналов. Для
этого требуется рассмотреть более глубоко взаимосвязи между доходностью индексов
облигаций нефтегазовых компаний и торговыми, ликвидными и финансовыми механизмами на
других рынках, которые возникали в рассматриваемый период.
Ликвидный канал распространения финансового заражения
Для изучения эффектов кризиса на рыночную ликвидность использовалась модель VAR,
представленная выше. Вместо использования доходности активов или индексов в качестве
зависимых переменных, в данной секции используются ряд мер, которые отражают изменения в
торговых процессах и ликвидность финансовых рынков.
Вначале для того, чтобы ответить на вопрос, взаимосвязан ли кризис на российском рынке
с изменениями в торговых стратегиях на рынках капитала, использовался прирост объёма
торгов фьючерсами на нефть марки Brent на российском фондовом рынке.
Далее, как одна из мер деловой активности и ликвидности на рынках использовалась
сумма открытых позиций на фьючерс на нефть марки Brent на Московской фондовой бирже,
который традиционно является индикатором ликвидности фондового рынка. Сумма открытых
позиций на конец дня показывает количество контрактов, по которым не был произведён расчёт.
Так как для покупки ценной бумаги требуются денежные средства, то возрастание количества
незакрытых контрактов может быть вызвано нехваткой требуемых денежных средств. Это
подразумевает, что количество открытых контрактов на конец дня может представлять собой
меру ликвидности данного контракта на рынке фьючерсов на нефть.
Объёмы торгов фьючерсами на нефть на российском финансовом рынке
В Таблице 2 Приложения 2 показаны результаты оценки моделей VAR для переменных,
отражающих ликвидность и доступность финансовых ресурсов. Рассматривая сначала
зависимую переменную, отражающую изменение объёмов торгов фьючерсами на нефть на
Московской фондовой бирже, Таблица 2 Приложения 2 показывает, что в 2010-2011 гг.
существует сильная взаимосвязь между доходностью индексов облигаций нефтегазовых
компаний и изменением объёмов торгов фьючерсами на нефть на российском финансовом
рынке. Однако, индивидуальные t-статистики практически ни у одной переменной (за
исключением переменной с 1 лагом для Роснефти) не показывают значимости. Однако, в 20122013 гг. при по-прежнему значимых моделях в общем добавляется значимость индивидуальных
коэффициентов регрессии (в том числе лаговых), причём, как с положительными, так и с
отрицательными знаками. В 2014-2015 гг. модели в целом значимы и присутствует значимость
индивидуальных коэффициентов регрессии (стоит отметить, что несколько меньшая, чем в
периоде 2012-2013 гг.) Усиление значимости коэффициентов регрессий модели (при общей
высокой значимости модели) в предкризисный период 2012-2013 гг., а также повышение
объясняющей силы модели (выражающейся в R2) позволяет предположить, что модель с
переменной Dvolumes может использоваться в качестве индикатора финансового заражения
(которое является сопутствующим эффектом кризиса в экономике).
Сумма открытых позиций по торгам фьючерсами на нефть на Московской фондовой
бирже
Модели с зависимой переменной Dopen показывают смешанные результаты. В первом
периоде наблюдений присутствуют значимые коэффициенты регрессии в моделях, во втором
периоде их становится меньше, в третьем периоде – снова больше. Наибольшую объясняющую
силу модель имела в первом периоде, во втором – наименьшую, в третьем – снова возрастание
объясняющей силы. Модель может использоваться в качестве индикатора финансового
заражения, однако, (и это согласно с тем, что большая часть значимых переменных – лаговые), в
данном случае индикатор работает с лагом, то есть, если смотреть с точки зрения принятия
управленческих решений в области риск-менеджмента, уже будет поздно принимать решение,
так как кризис уже наступил, компания уже потеряла время и уже понесла убытки, и модель в
данном случае только констатирует этот факт.
75
Изменение процентной ставки по межбанковским кредитам Moscow Prime Rate
Как и в предыдущих двух случаях, все модели обладают самой высокой общей
значимостью во все периоды. Некоторые индивидуальные коэффициенты корреляции имеют
значимость в первом периоде времени. Объясняющая сила модели понижается во втором
периоде, а в третьем периоде она является наиболее высокой при значимых отдельных
коэффициентах (во втором периоде также наблюдается индивидуальная значимость отдельных
коэффициентов. В данном случае модель также может служить индикатором финансового
заражения, однако, в данном случае она не может быть полезна при принятии управленческих
решений, так как при наступлении кризиса компании может быть полезна информация, которую
она получает заранее от индикатора финансового заражения.
Вывод по тестированию ликвидного и финансового эффекта:
Эти результаты не противоречат тем, которые получил F.A. Longstaff, а также
[Brunnermeier, Pedersen, 2005]. В работе M. Brunnermeier и L. Pedersen сильные изменения в
финансовом обеспечении на одном рынке могут переходить в широкие ликвидные оценочные
шоки на других рынках, тем самым провоцируя значительное финансовое заражение на
финансовых рынках. В данном случае действие финансового и ликвидного механизмов
выражается в высокой значимости моделей.
В заключение, эти результаты действительно предоставляют доказательство того, что
кризис в российской экономике привёл к значительным изменениям в динамике деловой
активности, ликвидности, и заимствований на финансовом рынке. Эти результаты
подтверждают результаты, полученные ранее M. Brunnermeier и L. Pedersen о финансовом
заражении, которое распространяется через ликвидный механизм. Также полученные здесь
результаты не противоречат результатам, полученным F. Allen и D. Gale о механизме
корректировки структуры инвестиционного портфеля. Похожие результаты были получены L.
Kodres и M. Pritsker о том, что финансовое заражение во время кризиса 2006-2008 годов в США
распространялось через ликвидный канал, который в свою очередь, ассоциировался со
значительными корректировками инвестиционного портфеля рыночными участниками. Также
эти результаты соответствуют результатам, полученным G. Aragon и P. Strahan, которые
изучали влияние банкротства банка Lehman Breothers на хедж-фонды.
Приложение теории финансового заражения в менеджменте
Применение теории финансового заражения на практике позволяет компании определить
состояние бизнес-среды, в которой она функционирует, и которое задаётся внешними
(систематическими, рыночными) факторами, действие которых выражается в специфическом
риске, который эта компания несёт. При этом специфический риск компании оптередяется
специфичностью её активов, как известно из неоинституциональной экономической теории.
Выделение каналов респространения финансового заражения позволяет определить
стратегическую область, на которую компания в первую очередь должна обратить внимание
(алгоритм, который компания может использовать при построении стратегии рискменеджмента):
1.
Если действует информационный канал, то влияние кризиса скажется
прежде всего на инвестиционной деятельности компании (характерно то, что, в России
на текущий момент не отмечается резкого снижения инвестиций, напротив, Россия не
перестаёт быть интересной для зарубежных инвесторов – и исследование показывает,
что информационный канал не активен);
2.
Если финансовое заражение распространяется посредством ликвидного
канала, то страдает прежде всего операционная деятельность. Компании не хватает
денежных средств, чтобы заплатить своим поставщикам, сотрудникам, проценты банкам
– это затрудняет её операционные процессы;
76
3.
В случае, когда основным каналом финансового заражения является
финансовый канал, компании следует обратить особое внимание на отношения с
кредиторами, так как это означает рост процентных ставок по кредитам и займам.
Важно учесть, что в случае, когда действуют два или все три канала – компании придётся
труднее, так как она должна не просто принять необходимые меры в разных областях
деятельности, но ещё и согласовать их между собой.
Заключение
Кризис в на российском рынке 2014-2015 гг. даёт возможность для изучения эффектов
финансового заражения на финансовых рынках. Были использованы данные базы Thomson
Reuters Datastream для динамики индексов облигаций российских нефтегазовых компаний для
изучения эффекта финансового заражения, развивавшегося с развитием кризиса. Начиная с
определения эффекта финансового заражения как сопутствующего кризису усиления
значимости взаимосвязи между различными рынками после значительного шокового события,
далее использовались модели VAR (векторной авторегрессии) для тестирования изменений во
взаимоотношениях между рынком облигаций нефтегазовых компаний и другими финансовыми
рынками до и во время кризиса.
Результаты позволяют принять гипотезу о наличии статистически значимого усиления
взаимосвязей между рынками. До начала кризиса индексы облигаций российских нефтегазовых
компаний реже являлись причиной по Гренджеру для агрегированных показателей финансового
рынка (динамика доходностей индексов облигаций содержит меньше полезной информации для
суждений о возможности начала кризиса). Однако, непосредственно перед началом финансового
кризиса (в периоде 2012-2013 гг.) увеличилось количество индивидуально значимых
коэффициентов регрессии в моделях VAR. Таким образом, можно с уверенностью принять
гипотезу о том, что статистическая значимость модели взаимосвязи между доходностю индексов
облигаций нефтегазовых компаний и основными показателями финансовых ранков может
служить индикатором финансового заражения, и, в определённых случаях может
использоваться для предупреждения компании о том, что необходимо корректировать
стратегию. Разделение эффекта финансового заражения между тремя каналами
распространения позволяет понять, какую именно стратегию компании необходимо
корректировать.
Значимость индивидуальных коэффициентов в моделях регрессии вплоть до 4 лага, с
достаточно высокой степенью объяснения моделью данных. Эти результаты позволяют
решительно принять гипотезу о том, что эффект финансового заражения сопутствует кризису.
Так как данное исследование фокусируется только на российском кризисе 2014-2015 гг., следует
отметить, что результаты ограничены этим конкретным эпизодом на рынке.
Ключевым аспектом исследования является то, что полученные результаты отличаются
от других результатов, полученных при тестировании других моделей эффетка финансового
заражения (GARCH, статистические модели, биномиальные модели, модели непрерывной
волатильности , copula models), которые предлагаются в обширной литературе по данной теме.
Например, тот факт, что длина лага часто больше 1 недели, свидетельствует против точки
зрения, что финансовое заражение распространяется посредством информационного канала.
Причина такого вывода состоит в том, что в случае распространения финансового заражения
через информационный канал, взаимозависимоть между такими высоколиквидными
инструментами финансового рынка, как государственные облигации, фьючерсы на нефть,
корпоративные облигации, возникла бы гораздо быстрее, чем можно наблюдать.
Более того, доказательство того, что изменения в доходности индексов облигаций
нефтегазовых компаний во время кризиса становятся взаимосвязаны с динамикой на рынках
активов и инструментов с фиксированной доходностью, подтверждает гипотезу о том, что
финансовое заражение распространяется через ликвидный и финансовый каналы, что согласно с
выводами, полученными F. Allen и D. Gale, M. Brunnermeier и L. Pedersen и другими
исследователями.
77
Полученные результаты могут использоваться в качестве поддержки принятия
управленческих решений. Компания может не только идентифицировать финансовое заражение,
которое сопутствует кризису, но и понять, с какой именно стороны ей нужно ждать проблем.
Поэтому компания может подготовиться к сложной ситуации заранее.
Литература
Канторович, Г.Г. (2002). Анализ временных рядов. Экономический журнал ВШЭ, 2, 251273.
Кузнецов, А.М., Савельев, В.И., Бахтизина, Н.В. (2012). Мировой рынок природного газа:
современные тенденции и перспективы развития. Вестник МГИМО-Университета, 1, 273-277.
Acharya, V., Pedersen, L. (2005). Asset pricing with liquidity risk. Journal of Financial
Economics, 77, 375-410.
Allen, F., Gale, D. (2000). Financial contagion. Journal of Political Economy, 108, 1-33.
Aragon, G., Strahan, P. (2009). Hedge funds as liquidity providers: evidence from the Lehman
bankruptcy. Unpublished working paper, University of Arizona.
Bonne, G., et al. (2007). StarMine Analyst Revisions Model (ARM), StarMine Whitepaper.
Brunnermeier, M., Pedersen, L. (2005). Predatory trading. Journal of Finance, 60, 1825-1863.
Judge G. G., Griffits W. E., Hill R. C., Lutkepohl H., Lee Tsoung-Chao. The Theory and
Practice of Econometrics. Second edition. NY: John Willey and Sons, 1985.
Ivanov, V., Kilian, L. (2005). A Practitioner’s Guide to Lag Order Selection For VAR Impulse
Response Analysis. Studies in Nonlinear Dynamics & Econometrics, 9(1), 1-34.
Kodres, L., Pritsker, M. (2002). A rational expectations model of financial contagion. Journal of
Finance, 57, 769-800.
Longstaff, F.A. (2008). Flight-from-leverage in distressed asset markets. Unpublished working
paper, UCLA.
Longstaff, F.A. (2010). The subprime credit crisis and contagion in financial markets, Journal of
Financial Economics, 97, 436-450.
Shibata, R. (1976). Selection of the Order on an Autoregressive Model by Akaike’s Information
Criterion. Biometrika, 63, 147–164.
Vayanos, D. (2004). Flight to quality, flight to liquidity, and the pricing of risk. Unpublished
working paper, London School of Economics.
78
Executive summary
The aim of the paper is to find the industry indicators of the coming economic crisis.
In the paper the financial contagion indicators are presented, which are working on Russian market. The
revelation of the crisis indicators will enable the company to define how much the current situation is
closer to crisis. It will also help to understand, in which particular area the problems may occur.
On the base of the financial contagion effect model, proposed dy F.A. Longstaff [Longstaff, 2010], the
financial contagion was divided into three different channels of spreading: the risk-premium channel, the
liquidity channel and the correlation-information channel. The hypotheses were that the financial
contagion on Russian market was distributed throw this channels (3 hypotheses, each goes to one
particular channel), and two of them were accepted on the base of vector autoregression model (VAR)
testing.
So, the first result of the study is that it was proved, that during the 2014-2015 years crisis on Russian
market two financial contagion distribution channels were active: the risk-premium and the liquidity
channels. The information-correlation channel was passive (this is consistent with the situation of foreign
investors’ high interest in Russia as in the country of investing into).
The second result of the study is the algorithm developed, that can de used in the process of company’s
risk-management strategy building. The idea is that each of the financial contagion distribution channel is
associated with one particular strategic dimension of the company’s policy: the risk-premium channel is
connected with the financial strategy, the information-correlated channel is connected with the investment
strategy, and the liquidity channel is connected with the operation strategy.
The research was conducted with the use of Russian oil & gas companies’ bond indexes dynamic data.
This research is one of the first such attempts to find the indicators of the coming economic crisis for
Russian market, in particular.
The research is based on the econometric methods of the time series analysis. The results obtained can be
used for the economic dynamics forecasting in the further academic research.
ПРИЛОЖЕНИЯ
Приложение 1
Модель Smartratios, представленная в Thomson Reuters Eikon
Согласно описанию Thomson Reuters Eikon, модель Smartratios имеет следующие преимущества:
Устойчивые прогнозы, основанные на бухгалтерских показателях;
Объединяет информацию как из фактических, так и из прогнозных оценок
аналитиков;
Использует оценки, специфические для отрасли;
Объединяет бухгалтерские оценки с учётом весов, что позволяет придать наиболее
значимой оценке для данного сектора наибольший вес;
Исключает выбросы и пропущенные значения без разрывов массивов данных и
осторожно.
Модель Smartratios объединяет некоторые бухгалтерские оценки и специфические для отрасли
показатели метрики (системы измерений) в модели логистической регрессии. В модели все
переменные разделены на 5 групп:
1.
Доходность;
79
2.
Финансовый рычаг (леверидж);
3.
Покрытие;
4.
Ликвидность;
5.
Рост и устойчивость (Таблица 1).
Таблица 1. Строение модели Smartratios
Группа
доходность
Переменная
Описание
Доход на реальный капитал
(ROTC; Return on tangible
capital)
Доход на вложенный капитал
после налогов используется как для
объявляемых фактических, так и для
аналитических оценок дохода, и
вычисляется по формуле:
Доход до вычета
чрезвычайных расходов−¿ специальные
ROTC =¿
Все активы+все обязательства−¿ деловая
нематериальные актив
Чистая маржа прибыли (%)
Чистый доход как процент от
чистой выручки (используются как
объявленные фактические, так и
аналитические оценки для дохода и
выручки), рассчитывается по формуле:
Доход до вычета
чрезвычайных расходов —
специальные расходы(доходы)
Маржа прибыли=¿
Выручка
Доля непризнанных доходов (убытков),
к а к ч а с т ь о б о б щ ё н н о г о д о хо д а
(comprehensive income)20, по отношению
к реальному капиталу.
Это отношение вместе с доходом на
реальный капитал в модели кредита
Smartratios даёт более полную картину
дохода на инвестиции компании.
Минимальный делитель - $ 10 млн
применяется для сокращения больших
значений.
Непризнанные доходы (убытки) как
часть обобщённого дохода
(comprehensive income), как процент от
Непризнанные убытки
Реальный капитал
Непризнанные убытки
()
Выручка
20 Обобщённый доход (comprehensive income) – не только сбственно доход, но и добавочный капитал
(capital gain), другие источники роста стоимости (со временем), такие как наследство.
Добавочный капитал (capital gain, capital profit; может быть отрицательным) – доход от списания актива,
который вычисляется как исключение стоимости актива из платы полученной от его списания
80
чистой выручки.
Это отношение вме сте с маржой
прибыли в модели кредита Smartratios
даёт более полную картину
прибыльности компании.
Изменение в
объёме активов ,
списанных по методу ЛИФО
()
Выручка
финансовый
рычаг
(леверидж)
Собственный капитал
Активы
Чистый долг
Собственный капитал
Неоплаченные
пенсионные
обязательства
Собственный капитал
Нематериальный активы
Все активы
Изменение резерве для списания активов по
методу ЛИФО как процент от чистой
выручки.
Если изменение положительное, оно
устанавливается равных нулю. Стоимость
для данного отношения может быть только
нулевой или отрицательной.
Отношение оценивает степень, до которой
маржа прибыли искусственно возрастает
при списании методом ЛИФО, где компания
продаёт больше, чем было куплено в
текущем периоде. Чем более это отношение
отклоняется от нуля в отрицательную
сторону, тем более мержа прибыли
компании оказывается завышенной.
Общая величина капитала как процент от
общей величины активов, при этом оценка
капитала может быть как объявленной
фактически (сто стороны компании), так и
оценкой аналитиков.
Чем ниже отношение, тем выше
финансовый рычаг компании.
Эффективный долг21, который вынуждена
нести компания, если все доступные
наличные средства были использованы для
того, чтобы оплатить имеющийся долг (то
есть, сумма долга, которая осталась после
того, как компания заплатила на выплату
долга все имеющиеся наличные средства).
Отношение использует как фактические, так
и аналитические оценки для чистого долга и
капитала.
Неоплаченные пенсионные обязательства в
процентах от капитала.
Неоплаченные пенсионные обязательства
являются эффективной частью долга
компании, который она вынуждена нести и
оплачивать в будущем.
Этот коэффициент, также как и чистый
долг/капитал в соответствии с кредитной
моделью Smartratios, даёт более полную
картину рычага компании.
Деловая репутация и нематериальные
активы как процент от общих активов.
21 Эффективный долг (effective debt) – это неоплаченный долг (который может включать проценты). В
дополнение к тем статьям, которые обычно входят в сумму долга, эта величина также будет включать и
капитализировать все платежи, которые компания совершает регулярно, например, платежи по закладной
или лизинговые платежи.
81
покрытие
Показывает, насколько легко компания
может оплатить расходы на выплату
процентов по неоплаченному долгу,
используя доходы до выплаты процентов
и налогов (EBIT).
Могут использоваться как заявленные
компанией величины, так и оценки
аналитиков.
Как правило, отрицательное величина
коэффициента не имеет значения, когда
EBIT отрицательная.
В таком случае для целей расчёта
модели коэффициент расчитывается
путём умножения EBIT на расходы на
выплату процентов для обеспечения
правильного порядка среди компаний.
Чем выше отношение, тем больше
способность компании платить её
расходы на выплату процентов.
Оценивает насколько легко компания
м ож е т в ы п л ач и в ат ь р а с ход ы п о
процентам на неоплаченный долг,
и с п ол ь зуя EBITDA (earnings before
interest, taxes and depreciation &
amortization – д о х о д ы д о в ы ч е т а
процентов, налогов, снижения
стоимости и амортизации).
Для показателя EBITDA используются и
фактические, и аналитические оценки.
Как правило, отрицательные величины
коэффициента не имеют значения, когда
EBITDA отрицательная. В этом случае
для целей расчёта модели коэффициент
рассчитывается путём умножения
EBITDA н а р а с ход ы п о в ы п л ат е
процентов для созранения правильного
порядка среди компаний.
Чем выше этот коэффициент, тем
б о л ь ш е с п о с о б н о с т ь ко м п а н и и
о п л ач и ват ь р а сход ы н а в ы п л ату
процентов.
Оценивает насколько быстро
компания может оплачивать все
свои долги, в предположении, что
она использует весь свободный
денежный поток от операций (FCF).
Для оценки денежного потока
от операций используются как
заявленные компанией величины,
так и оценки аналитиков.
Как правило, отрицательная
EBIT
Расходы на выплату
процентов
EBITDA
Расходы на выплату
процентов
Свободный
денежный поток
Долг
82
величина коэффициента не имеет
з н ач е н и я п ри от ри ц ат е ль н ом
свободном денежном потоке.
В этом случае в целях расчёта
модели коэффициент вычисляется
умножением свободного денежного
потока на общую величину долга
для обе спечения правильного
порядка среди компаний.
Чем выше коэффициент, тем
быстрее компания может оплалить
свой долг, используя свободный
денежный поток.
Денежный поток
FCF (¿отопераций−Capex)
=
Долг
Общая сумма долга
ликвидность
Отношение денег и денежных эквивалентов
к общему долгу.
Коэффициент измеряет, наколько быстро
компания может оплатить свой долг,
используя все наличиные деньги.
Чем в ы ше ко эффи ц и ен т, тем б ол ее
ликвидной является компания.
Коэффициент использует минимальный
делитель, равный $ 1 млн, для избежания
очень больших значений.
Наличные деньги
Общая
сумма долга
Краткосрочные
обязательства
Все
обязательства
Краткосрочные обязательства как процент
от Вс ех обя зате л ьс тв , от ра ж а ющ и й
структуру долга компании.
Коэффициент ликвидности
Измеряет то, в какой степени активы могут
быть быстро конвертированы в денежные
средства в ближайшем времени или текущие
обязательства.
Коэффициент рассчитывается как:
(Текущие активы−¿ Оборотные активы)
Текущие обязательства
Более высокие коэффициенты отражают
более высокую ликвидность.
И з м е н е н и е ко э ф ф и ц и е н т а
ликвидности
П р о с т о е и з м е н е н и е ко э ф ф и ц и е н т а
л и к в и д н о с т и в т еч е н и е п о с л е д н ы х
доступных последовательных периодов.
Отношение доказанных запасов и
вероятных запасов (не доказанных)
ре сурсов нефти и газа к общему
производству (для нефтегазовых компаний)
Запасы нефти и газа
Производство
(для нефтегазовой отрасли)
83
рост
и
устойчивост
ь
Устойчивый рост ROE (Return
on Equity, доход на вложенный Изменение показателя ROE между
капитал)
следующим налоговым годом и 5 годами
назад, нормализованное делением на
стандартное отклонение ежегодного
показателя за следующий налоговый
год, текущий на логовый год и
предыдущие 5 лет. Чем выше этот
коэффициент, тем более стабильный
рост имеет показатель ROE компании.
Стандартное отклонение роста
прибыли на акцию (Earning per Стандартное отклоенение роста EPS от
share, EPS)
г од а к г од у м е ж д у с л е д у ю щ и м
налоговым годов, текущим налоговым
годов и предыдущими 5 годами. Чем
ниже этот коэффициент, тем более
стабилен рост EPS компании.
Стандартное отклонение роста
выручки
Стандартное отклонение роста выручки от
года к году между следующим налоговым
годом, текущим налоговым годом и
предыдущими 5 годами. Чем ниже этот
коэффициент, тем более стабилен рост
выручки компании.
84
Приложение 2
Описательная статистика независимых переменных – доходностей индексов облигаций компаний
Таблица 1: Описательная статистика переменных – доходностей индексов облигаций компаний
Период
20102011
20122013
20142015
Компания
(кредитный
рейтинг)
Лукойл (A-)
Сургутнефтегаp(BB
B+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Лукойл (A-)
Сургутнефтегаз
(BBB+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Лукойл (A-)
Сургутнефтегаз
(BBB+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Среднее
значение
0.0001
0.0001
Стандартное
отклонение
0.0164
0.0191
Минимальное
значение
-0.0977
-0.0799
Максимальное
значение
0.0553
0.0859
0.0005
0.0013
-0.0001
0.0009
0.0004
0.0199
0.0214
0.0208
0.0163
0.0135
-0.0883
-0.1400
-0.0759
-0.0782
-0.0445
0.0724
0.1453
0.1054
0.0676
0.0587
0.0004
0.0003
0.0007
0.0008
0.0005
0.0113
0.0165
0.0186
0.0180
0.0193
-0.0530
-0.0485
-0.0515
-0.0743
-0.0494
0.0534
0.0687
0.0815
0.0968
0.0676
0.0012
0.0004
0.00001
0.0233
0.0312
0.0166
-0.0728
-0.2056
-0.0535
0.0710
0.1538
0.0733
Продолжение Таблицы 1
Корреляция
20102011
20122013
20142015
Лукойл (A-)
Сургутнефтегаp(BB
B+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Лукойл (A-)
Сургутнефтегаp(BB
B+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Лукойл (A-)
Сургутнефтегаp(BB
B+)
Татнефть (BBB-)
Башнефть (B)
Роснефть (B-)
Лукойл
1.00
0.61
Сургутнефтегаз
0.62
0.18
0.68
1.00
0.63
0.65
0.20
0.65
0.61
0.31
0.53
1.00
0.57
0.60
0.32
0.50
0.62
0.23
0.68
0.58
0.27
0.60
Татнефть
Башнефть
Роснефть
1.00
0.21
0.64
1.00
0.22
1.00
1.00
0.31
0.49
1.00
0.23
1.00
1.00
0.21
0.61
1.00
0.32
1.00
1.00
1.00
1.00
Приложение 3
Тесты для проверки временных рядов на наличие автокорреляции и стационарности, а также информационные критерии
Таблица 1 – Результаты оценки информационных критериев Акаике, Шварца и Хеннана-Куинна для некоторых временных рядов зависимых
переменных
2010-2011
Результаты оценки информационных критериев Акаике, Шварца и Хеннана-Куинна для временных рядов (в выделенных ячейках находятся
наименьшие значения критериев, которые указывают на то, что ошибки линейной модели, построенной по временному ряду, лучше
удовлетворяют условию некоррелированности) доходностей индексов государственных, корпоративных облигаций, первых и вторых разностей
этих временных рядов, объёмов торгов и роста объёмов торгов фьючерсами на нефть на Московской бирже, а также суммы открытых позиций
по фьючерсам на нефть марки Brent на Московской фондовой бирже
Инф. критерий
Колич. лагов
corporate_
return
Dcorporate_return
(1 разности)
volumes
Dvolumes
open
Dopen
interest
Dinterest
DDinterest
0
-22.88
Акаике
1
*
-21.94
47.57
47.18
51.6
52.57
-.007
-5.87
-5.25
2
*
0
-22.87
-94.14
-94.17
46.57
-24.99
-20.48
-19.53
*
-80.5
-77.49
9.53
-25.09
-20.47
-20.15
*
-80.45
-77.74
Шварца
1
Хеннана-Куинна
1
2
*
*
2
*
*
0
-22.88
-21.92
-94.09
-94.1
-21.93
-94.12
-94.14
47.59
47.2
51.62
52.59
.01
-5.86
-5.24
46.61
-24.94
-20.43
-19.49
*
-80.45
-77.44
9.62
-25.02
-20.4
-20.09
*
-80.39
-77.68
47.58
47.19
51.61
52.58
-.0002
-5.87
-5.25
46.58
-24.97
-20.46
-19.52
*
-80.48
-77.47
9.57
-25.06
-20.44
-20.13
*
-80.43
-77.72
Продолжение Таблицы 1
2012-2013
Инф. критерий
Колич. лагов
treasury_
return
Dtreasury_
return (1 разности)
DDtreasury_return
(2 разности)
volumes
Dvolumes
open
Dopen
interest
Dinterest
DDinterest
0
-18.32
Акаике
1
2
-90.43 -90.38
0
-18.3
Шварца
1
2
-90.38 -90.32
Хеннана-Куинна
0
1
2
-18.31 -90.41 -90.36
-17.65
*
-97.79
-17.64
*
-97.72
-17.65
*
-97.76
-15.93
-88.57
-87.65
-15.91
-88.53
-87.59
-15.92
-88.56
-87.62
47.09
46.95
44.69
*
-4.59
-8.17
-6.8
46.12
-25.33
-25.61
0
-72.19
-80.35
-77.93
-23.7
-25.4
-25.47
0
-71.78
-80.34
-78.14
47.1
46.97
44.7
42.86
-4.57
-8.16
-6.79
46.17
-25.28
-25.59
*
-72.14
-80.3
-77.88
-23.62
-25.34
-25.45
-40.61
-71.72
-80.27
-78.08
47.09
46.96
44.71
42.85
-4.58
-8.17
-6.8
46.14
-25.31
-25.56
*
-72.17
-80.33
-77.91
-23.67
-25.38
-25.41
-40.65
-71.76
-80.31
-78.12
-17.32
-89.36
-89.35
-17.33
-89.39
-89.40
-16.05
-88.41
-87.37
-16.07
-88.45
-87.42
50.66
48.7
45.75
43.2
7.48
2.88
3.11
48.52
*
-24.3
-28.73
-63.9
*
-69.25
-15.28
*
-24.29
-28.7
-59.76
*
-68.91
50.65
48.7
45.74
43.19
7.46
2.87
3.1
48.48
*
-24.34
-28.77
-63.94
*
-69.28
-15.35
*
-24.34
-28.75
-59.81
*
-68.96
2014-2015
corporate_
-17.34 -89.42 -89.44
return
Dcorporate_return
-16.08 -88.47 -87.46
(1 разности)
volumes
50.64
48.46
-15.39
Dvolumes
48.69
*
*
open
45.73
-24.36 -24.38
Dopen
43.18
-28.79 -28.78
interest
7.45
-63.97 -59.85
Dinterest
2.86
*
*
DDinterest
3.09
-69.31 -68.99
* - очень большое значение информационного критерия
Таблица 2 - Результаты теста Дикки-Фуллера на стационарность для временных рядов зависимых переменных
В ячейках для каждой зависимой переменной и каждого типа модели Дикки-Фуллера располагается количество лагов, с которыми рассматривалась
модель. Обозначения уровня значимости, при котором H0 отвергнута: *** p<0.01, ** p<0.05, * p<0.1. В случае, если возле номера лагов в модели не
стоит ни одной звёздочки, то H0 должна быть принята для данной переменной, данного типа теста Дикки-Фуллера, в модели с данным количеством
лагов
допускающий наличие
константы и
авторегрессионного процесса
первого порядка AR(1)
не допускающий
c дрейфом (дрифтом),
наличие
допускающий наличие
но без тренда (не зависит от
константы и не
константы, без тренда
переменной, обозначающей
зависящий от
(не зависит от времени)
время)
времени
может быть
может быть
нет
нет
нет
нет
допуск
ко
детерм
Тип теста ДиккиФуллера
константа
может б
тренд
может б
(зависимость
от
времени)
Команда
для dfuller volumes, regress dfuller volumes, drift regress dfuller
volumes, dfuller
расчёта теста в lags(0)
lags(0)
noconstant
regress regress la
Stata (на примере
lags(0)
переменной
volumes) и модели
без
временной ряд описывается процессом случайного блуждания
H0
временной ряд обладает временной
ряд
обладает временной
ряд временно
H1
стационарностью типа стационарностью
типа стационарен
стациона
авторегрессионного
авторегрессионного процесса
авторегр
процесса
первого первого порядка AR(1) с
процесса
порядка AR(1)
дрифтом (дрейфом)
дрифтом
Переменн
ая
Код
столбца
1
Продолжение таблицы 2
2
3
4
В столбце 6 – выводы по тесту Дикки-Фуллера для данной переменной по всем типам теста для
моделей с количеством лагов 0-6 для данного временного периода (гипотеза о стационарности,
которую можно принять на основе результатов теста: «наличие/отсутствие/ под вопросом»
treasury_return
Код столбца
1
treasury_return,
2010-2011
treasury_return,
2012-2013
Dtreasury_retu
rn
treasury_return,
2014-2015
Dtreasury_return,
2010-2011
2
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
3
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
90
4
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
5
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
6
наличие
наличие
наличие
наличие
return Dtreasury_
Dtreasury_return,
2012-2013
Dtreasury_return,
2014-2015
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
91
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
наличие
наличие
Продолжение таблицы 2
DDtreasury_return
Код столбца
1
DDtreasury_retur
n, 2010-2011
2
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
3
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
4
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
5
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
corporate_return, 0***
2012-2013
1***
2***
3***
4***
5***
6***
corporate_return, 0***
2014-2015
1***
2***
3***
4***
5***
6***
Dcorporate_return 0***
, 2010-2011
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
DDtreasury_retur
n, 2012-2013
DDtreasury_retur
n, 2014-2015
Dcorporate_return
corporate_return
corporate_return,
2010-2011
6
наличие
наличие
наличие
наличие
наличие
наличие
наличие
Продолжение Таблицы 2
Код столбца
1
2
3
92
4
5
6
Dcorporate_return
industry_return
futures_return
Dcorporate_return 0***
, 2012-2013
1***
2***
3***
4***
5***
6***
Dcorporate_return 0***
, 2014-2015
1***
2***
3***
4***
5***
6***
industry_return,
0***
2010-2011
1***
2***
3***
4***
5***
6***
industry_return,
0***
2012-2013
1***
2***
3***
4***
5***
6***
industry_return,
0***
2014-2015
1***
2***
3***
4***
5***
6***
futures_return,
0***
2010-2011
1***
2***
3***
4***
5***
6***
futures_return,
0***
2012-2013
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
3
0***
1***
2***
3***
4***
5***
4
0***
1***
2***
3***
4***
5***
5
0***
1***
2***
3***
4***
5***
наличие
наличие
наличие
наличие
наличие
наличие
наличие
Продолжение Таблицы 2
futures_return
Код столбца
1
futures_return,
2014-2015
2
0***
1***
2***
3***
4***
5***
93
6
наличие
6***
0***
1***
2***
3***
4***
5***
6***
open, 2012-2013
0***
1***
2***
3***
4***
5***
6***
open, 2014-2015
0*
1
2
3
4
5
6
Dopen,
2010- 0***
2011
1***
2***
3***
4***
5***
6***
Dopen,
2012- 0***
2013
1***
2***
3***
4***
5***
6***
Dopen,
2014- 0***
2015
1***
2***
3***
4***
5***
6***
Продолжение Таблицы 2
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2**
3**
4**
5**
6**
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
6***
0***
1***
2***
3***
4***
5***
6***
0*
1
2
3*
4
5
6
0
1
2
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0
1
2
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
Код столбца
3
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
4
0***
1***
2***
3**
4**
5**
6*
0***
1***
2**
3**
4*
5
6
5
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
volumes
Dopen
open
open, 2010-2011
1
volumes,
2011
volumes,
2013
2
2010- 0***
1***
2***
3***
4***
5***
6***
2012- 0***
1***
2***
3***
4***
5***
6***
94
наличие
под вопросом
под вопросом
наличие
наличие
наличие
6
наличие
наличие
2014- 0***
1*
2
3
4
5
6
Dvolumes, 2010- 0***
2011
1***
2***
3***
4***
5***
6***
Dvolumes, 2012- 0***
2013
1***
2***
3***
4***
5***
6***
Dvolumes, 2014- 0***
2015
1***
2***
3***
4***
5***
6***
interest,
2010- 0
2011
1
2
3
4
5
6
Продолжение Таблицы 2
0***
1***
2***
3**
4*
5*
6*
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0
1
2
3
4
5*
6
0***
1*
2*
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0
1
2
3
4
5
6
0***
1***
2**
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0
1
2
3
4
5
6
под вопросом
Код столбца
3
0**
1*
2*
3*
4**
5**
6**
0*
1**
2***
3**
4**
5**
6**
0***
1***
2***
3***
4***
5***
6***
0***
4
0
1
2
3
4
5
6
0
1
2
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
0***
1***
2***
3***
4***
5***
6***
0***
6
под вопросом
interest
Dvolumes
volumes,
2015
1
Dinterest
interest
interest,
2013
interest,
2015
Dinterest,
2011
Dinterest,
2
2012- 0
1
2
3
4
5
6
2014- 0
1
2
3
4
5
6
2010- 0***
1***
2***
3***
4***
5***
6***
2012- 0***
95
наличие
наличие
наличие
отсутствие
под вопросом
наличие
наличие
1***
2***
3***
4***
5***
6***
Dinterest, 2014- 0***
2015
1***
2***
3***
4***
5***
6***
DDinterest, 2010- 0***
2011
1***
2***
3***
4***
5***
6***
DDinterest, 2012- 0***
2013
1***
2***
3***
4***
5***
6***
Продолжение Таблицы 2
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
0***
1***
2***
3***
4***
5***
6***
Код столбца
3
0***
1***
2***
3***
4***
5***
6***
4
0***
1***
2***
3***
4***
5***
6***
5
0***
1***
2***
3***
4***
5***
6***
DDinterest
DDinterest
2013
1
2
DDinterest, 2014- 0***
2015
1***
2***
3***
4***
5***
6***
96
наличие
наличие
наличие
6
наличие
Приложение 4
Результаты оценки моделей векторной авторегрессии (VAR)
Таблица 1: Результаты оценки векторной авторегрессионной модели
Эта таблица показывает t-статистику Newey-West для коэффициентов моделей векторной авторегрессии, при этом VAR оценивалась отдельно для
каждого периода. p-value характеризует F-тест для гипотезы о том, что γ 1=γ 2 =γ 3=γ 4 =0 . В этой связи, Y обозначает переменную финансового
рынка, которая выступает зависимой переменной, в то время как B обозначает доходности индексов облигаций, лаговые значения которых
(совместно с лаговыми значениями Y) выступают объясняющими переменными. Две звёздочки ** показывают 5%-ую значимость, одна звёздочка *
показывает 10%-ую значимость. Рассматриваемый период с 1 января 2010 года по 8 июня 2015 года.
4
Y t =α + ∑ βk Y t−k + γ k B t−k +ε t
k=1
Компания
Лукойл
Сургутнефтега
з
Татнефть
Башнефть
Роснефть
returncorporate_ returntreasury_
Y
B
(кредитны
й рейтинг)
АBBB+
BBBB
B-
γ1
γ2
γ3
γ4
0.01
0.01
-0.004
0.01
0.02**
0.001
-0.003
0.007
-0.003
-0.002
0.005
-0.002
0.005
-0.01
0.007
АBBB+
BBBB
B-
0.01***
0.005**
0.005***
0.003
0.007***
-0.0005
-0.002
-0.001
0.003*
-0.0002
0.005***
0.003
0.005***
0.001
0.005***
Кредитный
рейтинг
ABBB+
BBBB
B-
2010-2011
2012-2013
R2
p
-0.002
-0.004
0.003
-0.01
-0.005
0.02
0.03
0.02
0.03
0.03
0.005*
0.0006
0.003
0.003*
0.002
0.07
0.04
0.06
0.04
0.07
R2
p
-0.003
-0.003
0.001
-0.003
0.01
0.11
0.1
0.1
0.1
0.10
0.00**
0.00**
0.00**
0.00**
0.00**
-0.0003
-0.0002
-0.001
0.0003
-0.002*
0.06
0.06
0.06
0.04
0.05
0.0003**
0.0003**
0.0002**
0.004**
0.001**
γ1
γ2
γ3
γ4
0.17
0.09*
0.16
0.04**
0.02**
0.02*
0.01
0.003
0.003
-0.01
-0.002
0.002
-0.001
-0.006
-0.0004
0.003
0.004
-0.001
-0.004
0.002
0.00**
0.01**
0.0001**
0.005**
0.00**
0.002
-0.0001
-0.0004
0.0004
0.0004
0.002
0.002*
0.002**
0.0001
0.0004
0.003
0.002*
0.001
0.0008
0.002*
Продолжение Таблицы 1
returnfutures_ returnindustry_
Y
B
(кредитны
й рейтинг)
АBBB+
BBBB
B-
2010-2011
γ1
γ2
γ3
0.07
-0.03
-0.16**
0.02
0.14*
-0.08
-0.02
0.12**
-0.04
-0.05
0.02
-0.04
0.08
-0.007
0.08
АBBB+
BBBB
B-
0.12**
0.03
0.002
-0.01
0.07*
-0.05
-0.06
0.01
-0.05
-0.01
-0.01
-0.01
-0.003
-0.03
-0.03
2012-2013
R
p
-0.08
-0.06
0.1
0.01
0.08
0.01
0.01
0.04
0.01
0.02
-0.001
-0.01
0.04
0.04
0.01
γ4
2
returnindustry_ returncorporate_ returntreasury_
γ2
γ3
γ4
p
0.08
-0.001
0.01
0.04
-0.004
0.03
0.01
0.01
0.01
0.01
0.04**
0.7
0.55
0.59
0.69
-0.04
-0.04
-0.03
0.05
0.02
0.02
0.03
0.03
0.03
0.04
0.27
0.07*
0.08*
0.12
0.02**
γ2
γ3
γ4
0.68
0.89
0.02**
0.87
0.31
0.14*
0.02
0.02
0.04
-0.06
-0.11
-0.04
-0.04
0.004
-0.005
0.14*
0.05
0.05
0.01
0.0013
0.02
0.01
0.01
0.01
0.01
0.23
0.67
0.82
0.54
0.49
-0.0003
-0.01
-0.01
-0.01
-0.12***
-0.03
-0.01
-0.01
0.01
-0.01
-0.05
-0.07**
-0.06**
-0.05
-0.03
R2
p
2014-2015
γ1
R2
γ1
А-
0.06**
-0.03
-0.005
-0.01
0.04
0.06*
BBB+
0.08***
0.03
-0.0001
-0.01
0.06
0.004**
BBB-
0.07***
0.02
-0.01
0.01
0.06
0.003*
B
0.03
-0.07*
-0.0004
0.03*
0.11
0.00**
B-
0.13***
-0.01
0.02
0.01
0.09
0.00**
А-
-0.004
-0.02
-0.002
-0.01
0.06
0.006**
BBB+
0.001
-0.002
0.01
0.01
0.05
0.01**
BBB-
0.01
0.01
0.01
0.01
0.05
0.01**
B
0.004
-0.01
0.001
0.003
0.06
0.003**
B-
0.01
-0.02
0.02
-0.003
0.06
0.002**
А-
0.01
-0.07
-0.18*
-0.02
0.02
0.51
BBB+
0.06
-0.06
0.05
0.04
0.01
0.86
BBB-
0.03
-0.04
0.06
-0.04
0.01
0.79
B
0.01
0.04
0.003
0.06*
0.02
0.4
B-
-0.01
0.07
-0.03
0.18**
0.02
0.59
Продолжение Таблицы 1
returnfutures_
Y
B
(кредитны
й рейтинг)
А-
2014-2015
R2
p
0.005
0.09
0.0001**
-0.05
0.01
0.09
0.00**
-0.02
-0.003
0.09
0.00**
-0.03
-0.01
0.05*
0.09
0.00**
0.004
-0.05
-0.05
0.09
0.00**
γ1
γ2
γ3
0.07
-0.02
-0.01
BBB+
0.08
0.05
BBB-
0.07*
-0.03
B
0.02
B-
0.1*
γ4
*** p<0.01, ** p<0.05, * p<0.1
Таблица 2: Результаты оценки векторной авторегрессионной модели
Эта таблица показывает t-статистику Newey-West для коэффициентов моделей векторной авторегрессии, при этом VAR оценивалась отдельно для
каждого периода. p-value характеризует F-тест для гипотезы о том, что γ 1=γ 2 =γ 3=γ 4 =0 . В этой связи, Y обозначает переменную финансового
рынка, которая выступает зависимой переменной, в то время как B обозначает доходности индексов облигаций, лаговые значения которых
(совместно с лаговыми значениями Y) выступают объясняющими переменными. Две звёздочки ** показывают 5%-ую значимость, одна звёздочка *
показывает 10%-ую значимость. Рассматриваемый период с 1 января 2010 года по 8 июня 2015 года.
Y
B
2010-2011
2012-2013
γ3
γ4
R2
p
γ1
γ2
γ3
γ4
R2
p
Dvolumes
γ2
АBBB+
BBBB
B-
-124,04
11,6
-35,74
-12,57
-112,54**
-3,52
29,07
41,8
59,87
6,04
-50,37
63,66
-49,42
-31,54
-41,46
-38,14
28,41
-36,48
55,84
-12,39
0.27
0.23
0.26
0.26
0.27
0.00**
0.00**
0.00**
0.00**
0.00**
-168,5
-56,27
-107,8*
78,43
2,12
-88,17
-79,38
-126,12**
-44,22
87,16
-83,17
-61,36
5,59
-11,07
-5,49
255,39***
105,47*
54,34
-127,68**
-19,44
0.32
0.31
0.31
0.31
0.3
0.00**
0.00**
0.00**
0.00**
0.00**
Dopen
γ1
АBBB+
BBBB
B-
-359,51*
-557,79
-537,02
14,66
-375,72*
134,72
439,92*
-103,94
-158,26
136,02
-242,12
-86,6
287,26
77,68
-93,9
307,77
194,99
419,54
130,91*
311,55
0.25
0.26
0.26
0.25
0.25
0.00**
0.00**
0.00**
0.00**
0.00**
16,12
-35,5
13,38
-18,97
-22,33
-46,91
-2,62
4,04
-40,53
917.4
12,35
21,97
-9,67
-26,98
-74,63*
-9,46
-8,71
-11,07
-76,78***
-34,73
0.01
0.01
0.01
0.03
0.02
0.00**
0.00**
0.00**
0.00**
0.00**
Продолжение Таблицы 2
Dinterest
Y
B
АBBB+
BBBB
B-
2010-2011
γ1
γ2
γ3
-0.33*
-0.08
-0.49*
-0.24
-0.34**
-0.59
-0.41*
-0.33
-0.27
-0.35*
-0.06
-0.07
-0.15
0.02
0.004
2010-2011
γ4
0.14
-0.01
-0.05
0.10
0.02
R2
p
0.16
0.14
0.16
0.14
0.15
0.00**
0.00**
0.00**
0.00**
0.00**
R2
p
2014-2015
Dinterest
Dopen
Dvolumes
γ1
γ2
γ3
γ4
А-
-7,31
24,26
-133,72
-228,41*
0.24
0.00**
BBB+
-156,07
95,96
-140,02
68,31
0.24
0.00**
BBB-
-90,52
56,29
-72,49
-251,55**
0.25
0.00**
B
-121,94*
136,33*
-650.6
42,52
0.25
0.00**
B-
-60,21
-34,01
-172,77
-214,7
0.25
0.00**
А-
83,32**
-3,35
-9,57
6,5
0.03
0.00**
BBB+
26,1
17,4
24,56
39,16
0.02
0.00**
BBB-
75,02**
43,86
28,5
39,34
0.05
0.00**
B
-695.5
30,89*
33,51*
-12,58
0.03
0.00**
B-
64,66
65,25
28,57
65,06*
0.04
0.00**
А-
-2.83**
0.71
0.48
0.14
0.32
0.00**
BBB+
-5.2**
-3.4**
-0.23
-0.12
0.36
0.00**
BBB-
-2.47**
-1.94
-0.44
-0.82
0.33
0.00**
B
-0.96
2.46
-0.53
2.28*
0.35
0.00**
B-
-5.3**
0.1
-1.08
0.86
0.34
0.00**
*** p<0.01, ** p<0.05, * p<0.1
γ1
γ2
γ3
0.02
-0.04
-0.07
-0.17**
0.12
-0.15
-0.02
-0.1
-0.19*
0.11
0.18
0.02
0.15**
-0.03
0.12
γ4
0.05
0.02
0.05
0.06
-0.05
R2
p
0.09
0.09
0.1
0.1
0.09
0.00**
0.00**
0.00**
0.00**
0.00**
Отзывы:
Авторизуйтесь, чтобы оставить отзыв