Автореферат (1137717), страница 3
Текст из файла (страница 3)
Худшие результаты демонстрируют многомерные GARCH модели иМНК.Для прогнозного периода GARCH модели, включая те, что учитываютасимметрию в условной волатильности и корреляции, показали лучшиерезультаты для большинства акций российского рынка. В целом GARCHмодели оказались наиболее оптимальными для 22 бумаг, скользящий МНК –для 6, полупараметрические регрессии – для 3 и модель с Марковскимипереключениями – для 3.
Аналогичным образом, как и для анализируемогопериода, рассчитывался средний ранг по вневыборочной MSE для каждоймодели. Результаты расчетов представлены на Рис. 2.12DCC-GJR-GARCH (расп. Стьюдента)ADCC-GJR-GARCH (расп. Стьюдента)DCC-GARCH (расп. Стьюдента)DCC-GARCH (нормальное распр.)DCC-GJR-GARCH (нормальное распр.)ADCC-GJR-GARCH (нормальное распр.)Полупараметрическая регрессия (Епанечникова)Полупараметрическая регрессия (Гауссовская)Скользящая OLSМодель с Марковскими переключениямиПолупараметрическая регрессия (Равномерная)Фильтр Калмана4.094.745.095.385.535.886.886.887.188.218.539.622345678910Средний рангРисунок 2. Сравнение среднего ранга по вневыборочному MSE дляроссийского рынка акцийКонкуренция между моделями намного выше в рамках прогнозногопериода. Тем не менее, можно отметить превосходство GARCH моделей,причем две наиболее точные модели – это те, которые учитывают асимметриюв условной волатильности и условной корреляции.
После GARCH моделей снебольшим отставанием идут полупараметрические регрессии, скользящийМНК и модель с Марковскими переключениями. Фильтр Калмана замыкаетсписок моделей, показав худший результат по всей выборке в целом.Наосновевыявленнойлучшеймоделидлякаждойакциинаанализируемом временном периоде исследовалась стационарность рядов бета.В Табл.
1 показаны результаты нескольких тестов: Дикки-Фулера, ФилипсаПеррона и KPSS (Kwiatkowski-Phillips-Schmidt-Shin) для динамических бетарассматриваемых активов. Для проверки был принят 5%-ый уровеньзначимости.13Таблица 1. Результаты тестированиябета российских акций настационарностьКоличествонестационарных бетаТест ДиккиФулераТест ФилипсаПерронаТест Дикки-ФулераТест Филипса-ПерронаТест KPSS22 / 3419 / 3421 / 3422 / 3421 / 34ВсетритестаподтверждаютстационарностьСогласно тестуТест KPSS30 / 34Все три теста3 / 34подтверждают18 / 34нестационарностьДикки-Фулера 22 из 34 динамических бетанестационарные, согласно тесту Филипса-Перрона – 22 из 34 и согласно тестуKPSS – 30 из 34.
Отметим, что все три теста одновременно подтверждаютнестационарный характер бета для 18 активов, а стационарность бета можнопризнать только для трех активов (ММВБ энергетика, М.видео, Аэрофлот).Таким образом, можно утверждать, что динамические бета большего числакомпаний нестационарны.Вторая глава исследования имеет целью определить детерминантысистематического риска общего и секторальных индексов российскогофондового рынка относительно мирового рынкаи определить вкладглобальной, страновой и секторальной составляющей в эти бета.
Длянахождения динамических бета в работе использовалась многомерная DCCGARCH модель подобно работе Маршалла и соавторов [Marshall et al., 2009].Несмотря на широкий выбор инструментов для подсчета динамических бета,обоснованоприменениемногомернойGARCHмодели.Использованынедельные значения общего и секторальных индексов MSCI Russia и индексаMSCI World как мирового рыночного индекса. Временной период включает всебя данные с октября 2008 года по декабрь 2016 года. Тестируются следующиегипотезы:14H4: Динамика систематического риска российского фондового рынкастатистическизначимозависитотлокальных,глобальныхисекторальных факторов в целом.H5: Локальные факторы имеют большее влияние на систематическийриск странового и отраслевых индексов российского фондового рынка,нежели глобальные факторы.H6: Секторальные факторы значимо влияют на систематический рисксоответствующей отрасли российского фондового рынка.Дляизучениясистематическийиспользованныхвлияниярисквмакроэкономическиханализировалисьработемесячныемакроэкономическихфакторовданные.показателейнаНабор(Табл.2)формировался на основе ранее проведенных исследований по зарубежнымрынкам.Таблица2.Локальные,глобальныеисекторальныепоказатели,используемые в исследовании детерминант мер систематического рискаСокращениеСтрановые факторыПотребительская инфляция, г/г %CPIПоказательКурс валютыCurncy3-месячная ставка межбанковского рынкаIntR(Mosprime), %Темп роста предложения денег M1, г/г %M1Изменение промышленного производства,IPг/г %Глобальные факторыПотребительская инфляция США, %CPI_US3-месячнаядоходностьказначейскихIntR_USвекселей США, %Индекс доллараDXYСекторальные факторыОбщиеМультипликаторP/E(секторальноеPE.ratioзначение)15ИсточникЦБBloomberg: RUBCurncyЦБДанные МВФРосстатФРСBloomberg: USGG3MIndexBloomberg: DXY IndexBloombergДивидендная доходность, %ЭнергетикаDiv.yieldЦена нефти Brent, долл за бар.OILСпред Gasoline - Brent, долл за бар.CRACKBloombergBloomberg: CO1ComdtyBloomberg: FSQCM1IndexМатериалыЦена на золото, долл за унциюGOLDИндекс цветных металов LME (LondonMetals Exchange)LMEXЦена железной руды Fe 62%, долл за тоннуOREИндекс цен на удобрения (от компанииGreen Plains)ЭлектроэнергетикаЦена на природный газ NBP, долл за тыскуб.
футЦена на энергетический уголь, долл затоннуДинамические ряды бета, полученныеGARCH модели,FERTBloomberg: GOLDSComdtyBloomberg: LMEXIndexBloomberg:MBIO62DA IndexBloomberg:GCFPNPKI IndexBloomberg: FN1ComdtyBloomberg: XA1COALComdtyс помощью многомерной DCCNBPиспользовались в качестве объясняемых переменных врегрессиях на ряд факторов (глобальных, локальных и секторальных) помесячным данным. В Табл. 3 показаны результаты этих расчетов для каждогоиз рассматриваемых секторов и общего индекса в отдельности.Всерегрессии,кромемоделидляэлектроэнергетическогоипотребительского секторов, значимы на 5% уровне. Скорректированный R2варьируется от 18% до 25%, что согласуется с результатами предыдущих работ(в работе [Verma, Soydemir, 2006] локальные и глобальные факторы объясняютне более 45% динамики систематического риска 4 латиноамериканских стран).16Таблица 3. Регрессии бета для каждого сектораСвободныйкоэффициентCPICurncyIntRM1IPCPI_USIntR_USDXYPE.ratioDiv.yieldOILCRACKGOLDLMEXOREFERTNBPCOALR2Adj.
R2F-стат.Значимость FСтрановойиндексЭнергетикаМатериалыФинансыЭлектроэнер Телеком-гетикамуникацииТовары массовогопотребления1.35***1.18***1.44***1.68***1.78***1.13***1.48***0.02***0.01-0.01-0.01***-0.01***-0.39-0.06**0.000.01-0.0121.26%17.68%2.20.020.03***0.01-0.02-0.01***-0.01***-0.56-0.07*0.010.02-0.080.000.0027.02%22.83%2.50.010.000.00-0.01**-0.01**0.00-0.04*-0.05***0.01**0.00-0.04*0.000.000.000.0029.05%24.97%2.30.010.010.010.01-0.01***-0.01-0.27-0.05**0.01*0.00-0.17***28.31%25.05%3.20.000.000.02-0.02-0.02***0.01***-0.53-0.06**0.02**0.00-0.010.000.008.82%3.58%0.60.800.02***0.04***-0.030***0.01***-1.05*-0.05***0.02***0.020.0124.67%21.25%2.70.010.000.01-0.04-0.01***0***-0.08-0.04***0.010.000.0216.59%12.80%1.60.11Отмеченные «***» параметры значимы при 1% уровне значимости, отмеченные «**» - при 5%, отмеченные «*» - при 10%.17По российскому рынку из локальных факторов показатель темпа ростаденежной массы M1 оказался значимым фактором для бета всех секторов, аиндикатор, отражающий динамику промышленного производства, - для всех,кроме финансового сектора и сектора материалов.
Инфляции значима толькодля модели общего рынка и секторов энергетики и телекоммуникаций,процентная ставка – только для сектора материалов, а локальная валюта только для сектора телекоммуникаций.Среди глобальных факторов долларовая процентная ставка значима вовсех построенных регрессиях,индекс доллара – для секторов материалов,финансов и телекоммуникаций, а долларовая инфляция – только для секторовматериалов и телекоммуникаций. Из общих секторальных факторов значимымпоказателем оказалась только дивидендная доходность и только для секторовматериалов и финансов.Для тестирования силы влияния различных типов факторов те жерегрессии были построены еще в двух вариантах: без учета глобальных и безучета локальных переменных. Исходя из результатов, скорректированный R2 несильно снизился без глобальных факторов.
Среди изменений по локальнымфакторам отметим, что локальная процентная ставка перестала быть значимымфактором для сектора материалов. Что касается результатов регрессий безвключения локальных переменных, то без них оказались значимы только двемодели (в первоначальном варианте 5 из 7 регрессий было значимо), а именнодля финансового сектора и сектора материалов. При этом интересно отметить,что для сектора материалов скорректированный R2 вырос по сравнению срегрессией без глобальных факторов. Такую исключительность этого сектораможно объяснить тем, что сырьевые компании более интегрированы вглобальную экономику за счет специфики своих рынков. Для всех остальныхотраслей можно сделать вывод о гораздо более сильном влиянии локальныхфакторов на систематический риск, что согласуется с вывода Ферсона и Харви18[Ferson, Harvey, 1997].
Отметим, что секторальные факторы были незначимы вбольшинстве случаев для всех типов регрессии.Третьячастьисследованияпосвященамоделированиюмодифицированной многопериодной портфельной задачи инвестора с учетомдекомпозиции рисков. В стандартной задаче оптимизации портфеля [Markowitz,1952] был введен коэффициент неприятия систематического риска, черезкоторый инвестор мог бы регулировать дисперсию доходности портфеля(назовем его 1 ). В более поздней работе Якобса с соавторами [Jacobs et al.,1998] классический подход Марковица был модифицирован таким образом, чтоу инвестора появляется возможность контролировать бета портфеля и уровеньего остаточного (или специфического) риска.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
