Автореферат (1137717), страница 2
Текст из файла (страница 2)
Разработать новый метод для выявления арбитража на рынке акций спомощьюпостроениябета-нейтральногопортфелянаосновединамических оценок показателей бета и альфа.6. Модифицировать традиционный портфельный подход по Марковицучерез построение портфеля с декомпозицией риска, что позволитинвестору контролировать как систематическую, так и специфическуюкомпоненту риска.Теоретической и методологической базой работы являются научныетруды зарубежных и отечественных авторов [Mergner, Bulla, 2008; Teplova,Shutova, 2011].
В частности, предложенные в работе методы исследованиясистематического риска базируются на трудах, посвященных оценке ипрогнозированию его межвременного поведения [Fabozzi, Francis, 1978; Huang,2000; He, Kryzanowski, 2008; Esteban, Orbe-Manadaluniz, 2010], а анализ егодетерминант – на основе ряда зарубежных статей по данной тематике [Erb et al.,1996; Gangemi et al., 2000; Teles, Andrade, 2008; Marshall et al., 2009].Прикладная часть исследования отталкивается от трудов Якобса с соавторами,Жу и Ярроу [Jacobs et al., 1998; Zhu, 2010; Jarrow, 2010].Методы исследования. Для тестирования поставленных в исследованиигипотезиспользовалисьразличныеметодыстатистическогоиэконометрического анализа.
Весь анализ был проведен с помощью языкапрограммирования R.Информационная база данных. Котировки всех рыночных активовбыли получены с помощью базы данных Bloomberg, Межконтинентальнойбиржи (ICE), Лондонской биржи металлов (LME) и организации Green Markets,специализирующейсянарынкеудобрений.Длясбораданныхпомакроэкономическим показателям, которые анализировались в работе, были7использованы данные Центрального Банка России, Росстата, МеждународногоВалютного Фонда и Федеральной Резервной Системы.Научная новизна исследования состоит в полученных эмпирическихрезультатах по определению стационарности и детерминант межвременногосистематического риска российского фондового рынка и развитии методовоптимизации инвестиционного портфеля. Основные результаты, отражающиенаучную новизну работы, сводятся к следующему:1. Показано,чтомерасистематическогорискабольшейчастианализируемых акций российского фондового рынка нестационарна.Это означает, что применение постоянных значений (метод МНК)может сильно исказить оценку этих активов и их соотношение «рискдоходность».2.
Определены значимые оригинальные факторы систематического рискароссийского рынка акций. В эти факторы входят темп роста денежноймассы M1, динамика промышленного производства и индекс доллара.3. Выявлено, что секторальные факторы не имеют значимого влияния набета российских отраслевых индексов.4. Предложена новая методика для тестирования наличия арбитража нарынкеакцийпосредствоммоделированиябета-нейтральногопортфеля.5.
Разработана оптимизационная задача для формирования портфеля сдекомпозицией риска, что позволяет инвестору контролировать каксистематический, так и специфический риск. Продемонстрировано,что для рассматриваемой выборки она превосходит традиционныйподход по Марковицу, исходя из ряда показателей эффективности.Теоретическаязначимостьработызаключаетсявуглубленномизучении факторов, обуславливающих систематических риск российскихактивов, и развитии динамических методов оценки показателей альфа и бета,теории эффективного рынка и портфельной теории. Работа дополняет8существующие методы тестирования арбитража, предлагая новый подход дляпроверки его наличия, и вносит вклад в портфельную теорию, модифицируя вноваторскомключеоптимизационнуюзадачуинвестораиоткрываявозможности для регулирования как систематического, так и специфическогориска в инвестиционных стратегиях.Практическая значимость исследования состоит из несколькихаспектов. Во-первых, в использовании более современных и эффективныхметодов оценки бета в рамках конструкции CAPM и других моделей оценкиактивов.
Во-вторых, работа привносит вклад в изучение взаимосвязейсистематического риска в глобальной экономике, в частности, в случаероссийского фондового рынка и его секторов. Основные выводы могут бытьполезны потенциальным инвесторам, международным банкам и различнымфондам для эффективного построения инвестиционных портфелей, ихдиверсификации и минимизации рисков, связанных с инвестированием вроссийские активы и сектора экономики.
Понимание факторов, определяющихсистематический риск, может помочь регуляторам в проведении грамотнойфискальной и монетарной политики в целях снижения уровня страновогориска. И, в-третьих, представленная в работе методология может быть полезнойвработериск-менеджеров,трейдеровипортфельныхуправляющих.Показанная в исследовании оптимизационная задача инвестора позволяетконтролировать систематический и специфический риск портфеля в отличие отстандартного подхода Марковица.
Задача построения бета-нейтральногопортфеля и портфелей с декомпозицией риска может быть интересна хеджфондам, которые специализируются на арбитражных стратегиях.Апробациярезультатовисследования.Основныеположениядиссертационного исследования представлены в виде докладов на 3 российскихконференциях: 12-ой межвузовской научной конференции «Современноесостояние, инструменты и тенденции развития фондового рынка» присодействии ММВБ (Москва, 2015); 13-ой межвузовской научной конференции9«Современное состояние, инструменты и тенденции развития фондовогорынка»присодействииММВБ(Москва,2016);ТретийРоссийскийэкономический конгресс (Москва, 2016). Основные результаты исследованиярассматривались на научных семинарах проектно-учебной лаборатории анализафинансовых рынков (ЛАФР), научно-учебной лаборатории корпоративныхфинансов НИУ ВШЭ и НИС магистерской программы «Финансовые рынки ифинансовые институты».Публикации.
По результатам исследования автором опубликовано 5научных работ общим объемом 6,1 п.л. Личный вклад автора составил 5,5 п.л.,из них 4 статьи с общим вкладом автора 4,4 п.л. опубликованы в журналах,рекомендованных ВАК Министерства образования и науки РФ.Структура работы отражает решение поставленных задач. Диссертациясостоит из введения, трех глав, заключения, списка использованной литературыи приложений. Основной текст диссертационного исследования изложен на 170страницах, содержит 18 рисунков, 34 таблицы и 1 приложение. Списокиспользованных источников включает 104 наименования.2.
ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ.Вся работа разделена на три главы. Первая часть работы посвященаанализу динамических бета российских компаний и отраслевых индексов,тестированию их стационарности. Для этих целей используется фильтрКалмана,многомерныемоделиклассаGARCH,модельсгладкими(переменными) коэффициентами, модель с Марковскими переключениями ипростая регрессия (МНК). Выборка включает данные по 29 акциям российскихкомпаний, 5 российским отраслевым индексам и индексу ММВБ в качестверыночного портфеля. Временной горизонт - с 1 января 2009 года по 31 декабря2016 года и разделен на два периода: анализируемый – с 1 января 2009 года по31 декабря 2013 года (257 наблюдений) и прогнозный – с 1 января 2014 года по31 декабря 2016 года (154 наблюдения).
На основе этих данных всепредложенныемоделисравниваются исходя10източностисделанноговнутривыборочного (in-sample) и вневыборочного (out-sample) прогнозов, иопределяется наилучшая модель в отдельности для периодов, анализируемого ипрогнозного. Тестируются три гипотезы:H1:ФильтрКалманаявляетсялучшимметодомсредиранеепредложенных для оценивания динамических бета на российском рынке.H2:ФильтрКалманаявляетсялучшимметодомсредиранеепредложенных для прогнозирования динамических бета на российскомрынке.H3: Бета коэффициенты российских акций нестационарны.Согласно результатам для анализируемого периода, фильтр Калманаявляется лучшей моделью (Рис.1 показывает общий набор моделей) для 13 из34 активов, полупараметрическая регрессия – для 12 из 34, а модель сМарковскими переключениями - для остальных 9 из 34.
Ни модели классаGARCH, ни стандартный МНК метод не могут быть признаны оптимальнымимоделями ни для одного актива российского рынка.Для сравнения моделей по всей выборке рассчитывался показательсреднего ранга по внутривыборочным MSE. Для этого по каждому активумоделям был дан ранг от 1 до 12 в зависимости от показателя MSE. Такимобразом, наиболее точная модель (т.е.
с наименьшим значением MSE) получаларанг 1, а наиболее неточная - 12. После того как такая процедура былапроделана для всех активов в отдельности, был рассчитан средний ранг длякаждоймоделиповсейвыборке.внутривыборочному MSE показаны на Рис.1.11СредниерангимоделейпоПолупараметрическая регрессия (Равномерная)Фильтр КалманаМодель с Марковскими переключениямиПолупараметрическая регрессия (Епанечникова)Полупараметрическая регрессия (Гауссовская)OLSADCC-GJR-GARCH (расп. Стьюдента)DCC-GJR-GARCH (расп. Стьюдента)ADCC-GJR-GARCH (нормальное распр.)DCC-GJR-GARCH (нормальное распр.)DCC-GARCH (расп.
Стьюдента)DCC-GARCH (нормальное распр.)2.353.503.683.824.187.568.328.388.538.569.509.622345678910Средний рангРисунок 1. Сравнение среднего ранга по внутривыборочному MSEдля российского рынка акцийБолее точной моделью по критерию MSE по всей выборке являетсяполупараметрическая регрессия с равномерным видом ядерной функции.Отметим, что эта модель не является лидером по абсолютному количествуакций российского рынка, для которых она является наилучшей. Далее идетфильтр Калмана (ему принадлежит наибольшее количество единичных рангов),а за ним - полупараметрическая регрессия с Епанечниковым и Гауссовскимядром.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
