Диссертация (1137718), страница 8
Текст из файла (страница 8)
В первую очередь, это касаетсяразвивающихся стран, не обладающих широкой диверсификацией экономикии, как правило, имеющих высокую концентрацию в определенных отраслях.Анализ бета различных секторов, как и отдельных компаний, довольно частовстречается в литературе [Faff et al., 1992; Baele, Londono, 2013], однакотакого рода работы анализируют бета компаний и секторов в рамках однойстраны, где в качестве рыночного портфеля используются страновыерыночные индексы (таким образом, в этих бета отсутствует страноваясоставляющая).
В одной из немногих работ МакКензи и соавторов (McKenzieet al., 2000] бета отраслей Австралии оценивались не только относительноавстралийского, но и мирового индексов, что позволило авторам измеритьсистематический риск отраслей относительно глобального рынка (в работеиспользовался MSCI World). Ли и Фафф (Lie, Faff, 2003] также рассчиталиглобальные секторальные бета, используя в качестве анализируемыхиндексов мировые индексы 34 секторов от MSCI, а в качестве рыночногоиндекса - MSCI World. Однако их анализ был сфокусирован на отраслевых54различиях бета без учета какой-либо страновой и географической спецификииндексов.
Более того, в указанных выше работах не определялисьдетерминанты бета, а в существующей литературе в целом никогда ранее непытались выделить в бетах не только глобальную и страновую, но исекторальную составляющую.В таблице 6 представлены основные результаты предыдущих работ поанализу детерминант страновых бета.В данной работе используются все локальные факторы, которыеоказалисьзначимымивпрошлыхисследованиях,заисключениембюджетного и торгового дефицита, уровня золотовалютных резервов ипоказателей отношения экспорта и импорта к ВВП, так как эти данные поРоссии представлены только на квартальной и годовой основе, в то время какв представленном ниже анализе используется месячный интервал. К нимтакже был добавлен и индекс промышленного производства, так как онтестировался в двух прошлых работах [Verma, Soydemir, 2006; Marshall et al.,2009), хотя и оказался незначим в обоих статьях.55Таблица 6.
Результаты предыдущих работ по анализу детерминант странового риска.№123СтатьяГоризонт и интервал данныхи метод анализаСтраныAbell, Krueger, 1989-01.01.1980-31.12.1986,месячный интервал-отдельная регрессия длякаждой страныСШАGangemi et al., 2000-01.01.1974-31.12.1994,месячный интервал-отдельная регрессия длякаждой страныАвстралияPatro et al., 2002-01.01.1980-31.12.1997, годовойинтервал-Регрессия для оценки бета закаждый год и панельная модель16 стран ОЭСРЗначимые факторы (в скобкахуказан знак коэффициента)-локальная процентная ставка (-)-бюджетный дефицит (+)-торговый дефицит (-)-локальная инфляция (-)-цена на нефть (-)-курс валюты (+)-импорт/ВВП (-)-экспорт/ВВП (+)-локальная инфляция (+)-дивидендная доходность (-)-мультипликатора P/B (-)564567Verma, Soydemir,2006-01.01.1989-01.01.2005,месячный интервал-Отдельная регрессия длякаждой страныМексика,Бразилия,Аргентина иЧили-процентная ставка стран G7 (-)-инфляция стран G7 (-)-предложение денег M1 (-)-курс валюты (+)Andrade, Teles, 2006-01.01.1991-31.12.2002,месячный интервал-Отдельная регрессия длякаждой страныБразилияTeles, Andrade, 2008-01.01.1991-31.03.2005,месячный интервал-отдельная регрессия длякаждой страныАргентина,Мексика,Россия,-локальная процентная ставка (-)Тайланд, Кореяи ИндонезияMarshall et al., 2009-01.01.1995-31.12.2008,месячный интервал-DCC-GARCH для оценки бетаи панельная модель-локальная процентная ставка (+)20-процентная ставка США (+)развивающихся-локальная инфляция (+)стран-курс валюты (+)-локальная процентная ставка (+)-уровень золотовалютных резервов (+)57Из глобальных факторов были включены все факторы, которыетестировались в прошлых работах, а именно: процентная ставка США,инфляция США и индекс доллара.
В отличие от работы Верма и Сойдемира[Verma, Soydemir, 2006] были использованы данные показатели только поэкономике США, подобно работе Маршалла и соавторов [Marshall et al.,2009], так как включение данных и по странам G7 привело бы к проблемемультиколлинеарности (в виду различия методологий в работе Верма иСойдемира [Verma, Soydemir, 2006] она не наблюдалась). Аналогичноисследованию Патро и соавторов [Patro et al., 2002] в анализ были включеныиндикатор дивидендной доходности и рыночный мультипликатор. Однакоиспользовался мультипликатор P/E, а не P/B, так какрассматриваютсяотраслевые индексы российского рынка, для которых куда более важноезначение имеет первый показатель (за исключением сектора финансов).
Ктому же, в анализ были включены и специальные секторальные факторы дляопределения отраслевой составляющей в систематическом риске, чтоникогда ранее не встречалось в литературе.2.2 Поставленные гипотезы и используемые данныеНаосноверезультатовпрошлыхработыбылипоставленысоответствующие гипотезы:H4: 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.58H6: Секторальные факторы значимо влияют на систематический рисксоответствующей отрасли российского фондового рынка.Первая гипотеза была протестирована в указанной выше литературе дляразличных стран, однако подобный анализ для российского рынка былпроведен только в двух исследованиях. В более раннем Телес и Андраде[Teles, Andrade, 2008], исследуя зависимость систематического риска от ценна нефть, номинальной процентной ставки, уровня резервов и бюджетногопрофицита, пришли к выводу, что ни один из этих факторов не значим дляроссийского рынка.
Во второй работе Маршалл с коллегами [Marshall et al.,2009] изучал влияние макроиндикаторов на бета 20 развивающих стран,включая Россию, с помощью панельной модели с фиксированнымиэффектами. Они выявили, что локальная процентная ставка, процентнаяставка США, локальная инфляция и курс валюты являются значимымифакторами странового риска исследуемых стран, в то время как предложениеденегM1ииндекспромышленногопроизводстваневлияютнасистематических риск.
Тем не менее, данные выводы были основаны нарезультатах панельной модели, отдельно детерминанты российского рынка вработе не анализировались.Вторая гипотеза также проверялась в ряде работ, но никогда нетестировалась для российского рынка. Так, Ферсон и Харви [Ferson, Harvey,1997] в своей работе сделали вывод, что для странового риска локальныефакторы имеют большую объяснительную силу, нежели глобальныефакторы. Верма и Сойдемир [Verma, Soydemir, 2006] тестировалианалогичным образом подверженность систематического риска четырехлатиноамериканских стран изменениям различных локальных и глобальныхфакторов.
Они не разделяли влияние локальных и глобальных факторов, но в59итоге заключили, что страновой риск Мексики, Чили и Бразилии зависят отобоих типов факторов, а страновой риск Аргентины – только от глобальных.Третья гипотеза никогда ранее в литературе не тестировалась. Отметимтолько работу МакКензи с соавторами [McKenzie et al., 2000], где бетаотраслей Австралии оценивались не только относительно австралийского, нои мирового индекса, что позволило авторам измерить систематический рискотраслей относительно глобального рынка (в работе использовался MSCIWorld). Однако авторы не изучали влияние секторальных факторов надинамику бета различных отраслей Австралии.Отметим,что,российского рынка,помимоновизны,касающейсявыбораименнопоставленных гипотез и секторального разделениясистематического риска, настоящее исследование является новаторским и вметодологическом плане.
Обычно в подобных работах для определениядетерминантов систематического риска не считают саму бета, а вставляютуравнение бета, в которой эти факторы присутствуют, в уравнениедоходности соответствующего актива от рыночного индекса (зачастую врамках рыночной модели или модели CAPM) и оценивают даннуюрегрессию. Это сделано для того, чтобы избежать проблему ненаблюдаемогохарактера бета, и данный метод был использован во многих работах [Abell,Krueger, 1989; Gangemi et al., 2000; Verma, Soydemir, 2006; Teles, Andrade,2006].
Однако автор этого исследования считает, что недостаток данногометода заключается в том, что анализируемые факторы по сути умножаютсяна доходность рыночного индекса, и уже оценивается зависимостьдоходности локального рынка от данных произведений. Таким образом, вопервых, затрудняется экономическая интерпретация полученных данных, аво-вторых, знак рыночной доходности в тот или иной момент времени можетсильно повлиять на результаты, особенно учитывая, что в подобных работах60зачастую используются месячные или квартальные интервалы данных (т.е.смена знака доходности рыночного индекса может довольно частонаблюдаться).Поэтому в этом исследовании используется более современный метод,схожий с представленным в работе Машалла и его соавторов [Marshall et al.,2009]. На первом этапе рассчитываются динамические бета из двумернойDCC-GARCH модели, а потом уже по полученному ряду бета анализируетсявлияние различных факторов.
Несмотря на широкий выбор инструментов дляподсчета динамических бета, для целей данной работы требуется именномногомерная GARCH модель, так как в ее случае бета напрямуюрассчитывается как отношение ковариации доходностей локальных иглобальных индексов к дисперсии глобального индекса. В других известныхметодах (фильтр Калмана, полупараметрические регрессии и другие)задаетсяопределенныйвидфункциидинамическихбета.Такжепреимущество использования GARCH моделей заключается в том, что на ихоснове полученные ряды бета зачастую являются стационарными, чтоупрощает их дальнейшее использование в регрессионных моделях.В качестве данных анализировался фондовый рынок России. Былииспользованы недельные значения ее общего и секторальных индексов MSCIи индекса MSCI World как мирового рыночного индекса.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
