Диссертация (1137870), страница 5
Текст из файла (страница 5)
Так, зачастую использование данных с высокимуровнем детализации (по отдельным банкам) оставляет лишь оченьнебольшое количество наблюдений для оценки функций спросаотдельных банков. Тогда, предположительно, агрегирование на уровнебанковской системы дает возможность получить более точные оценки.Анализпервоготипааргументоввзащитугипотезыэффективности рынка МБК проводится в главе 2, в которой даетсядетальный обзор влияния предположений денежных властей о природетрансмиссионного механизма на рынке МБК и их способности недопускать систематических ошибок оценки спроса банковской системына инструменты рефинансирования.В настоящей главе предлагается контрпример, позволяющий еслине опровергнуть, то поставить под сомнение логику «эмпирическойнеобходимости».Следуетподчеркнуть,чтоздесьиниженепредпринимается попытка продемонстрировать несоответствие гипотезыоб эффективности рынка МБК действительности, что тривиально.27Модели функционирования сложных систем неизбежно являютсяупрощенным, редуцированным их описанием, которое может бытьполезным.Одновременновозможнопродемонстрировать,чтоиспользование более детальной информации о рынке МБК и болеереалистичных моделей взаимодействия кредитных организаций можетбыть практичным и позволит избежать систематических ошибок приоценке важных параметров операций центральных банков на денежномрынке.Ниже предлагается модель, позволяющая продемонстрироватьпотенциал использования дезагрегированной статистики спроса нааукционе РЕПО с Банком России.1.4 Оценка спроса на ликвидность групп банков со сходнымповедением на аукционе РЕПОПо своей природе и в силу сложившейся системы ставок спрос наРЕПО с регулятором носил до середины 2011 г.
эпизодический характердля отдельного банка5. Динамику спроса на РЕПО организаций,допущенных к участию в аукционе, отражает рис. 2.Из-за того что спрос на РЕПО является эпизодическим 6, данныхдля надежной оценки функций спроса отдельных банков зачастуюнедостаточно. Представляется, что, агрегируя кредитные организации всегментыипредставляянесколькоорганизацийкакодинрепрезентативный банк, есть возможность рассчитывать на лучшие5В данной работе рассматривается спрос на аукционе РЕПО сроком в один день. Расчетная базаданного исследования включает вторую половину 2010 г.
и период до декабря 2011 г. С тех пор,банковский сектор находился в состоянии структурного дефицита ликвидности, а основныминструментом рефинансирования стало РЕПО на срок 1 неделя вместо однодневного РЕПО. Данныеизменения не влияют принципиальным образом на выводы, сделанные в настоящей работе.6Кажется, лучше отражает его природу термин “sparse”.28результаты оценок при условии удачно подобранного алгоритмаклассификации. Ниже рассматриваются два подхода:полное агрегирование (один репрезентативный банк);сегментирование (несколько групп банков, близких повыбранному критерию).Рисунок 2.
Спрос на аукционе РЕПО с Банком России, июнь2010 г. – ноябрь 2011 г.Пояснение: По вертикальной оси каждая строчка отведена дляодного из 126 банков, допущенных к РЕПО с Банком России, погоризонтали каждый столбец отражает один из дней в указанномпериоде, насыщенность цвета указывает на объем спроса банка нааукционе РЕПО.Источник: Банк России.В первом случае рассматривается весь банковский сектор как одинрепрезентативный банк, предъявляющий спрос на аукционе; во второмслучае предпринимается попытка выделить однородные группы банков.Использована агломеративная кластеризация, в качестве меры близости– расстояние Уорда.
Данная комбинация была выбрана путем переборамер близости и подходов к кластеризации временных рядов как наиболееполно отражающая априорные знания о структуре спроса на аукционе.Подробный обзор доступных подходов приводится в [69].29В качестве входных данных использовался вектор значений спросабанка на отрезке наблюдений, отнесенном к обучающей выборке таким,что каждый банк (или его поведение на аукционе) характеризовалсявекторомВ, где 250 относится к числу первых наблюдений.результатекластеризацииудалосьвыделить2банка,являющиеся «выбросами» в силу своего размера или особенностейповедения на аукционе РЕОП, и 2 группы банков. Эти группы былипроверены на логичность и однородность и были условно обозначены«Постоянные гости» и «Случайные посетители», что соответствуетхарактеру поведения данных групп на аукционе. Дерево классификацииприводится на рис.
3.Для обучения модели используется выборка из 126 банков,допущенных к участию в аукционе РЕПО с Банком России ииспользовавших данное право хотя бы единожды в период с 1 августа2010 г. по 15 ноября 2011 г; тренировочный период - с 28 июля 2010 г. по27 июля 2011 г., тестовый период – с 28 июля 2011 г. по 7 декабря 2011 г.(91 торговый день).Рисунок 3. Дерево классификации групп кредитныхорганизацийИсточник: расчеты автора.30На обучающей выборке оцениваются коэффициенты модели,тестовый набор наблюдений используется для пошагового тестированиямодели на новых данных.
После каждого шага и оценки ошибкинаблюдение тестового периода входит в обучающую выборку дляследующего шага. Подробнее алгоритм приводится ниже.Алгоритм прогноза использует оценки двух моделей, которыераскладывают вопрос об объеме спроса на два более простых вопроса:Какова вероятность того, что данный банк/группа банковпридет на аукцион сегодня?Какой спрос предъявил бы банк, если бы пришел на аукционсегодня?Действительно,пускайвероятностьучаствовать на аукционе сегодня в условияхв условияхтого,равначтобанкбудет, спрос банка, при условии, что он участвует в аукционе, оценивается.
При этом спрос банка в случаях, когда он не принимал участия ваукционе всегда равен 0, тогда математическое ожидание спроса состороны банка равно:При этом моделиине обязательно используют один итот же набор данных об окружающем мире, но это верно в данномслучае. Параметры логистической регрессии оцениваются на данных закаждый день, в то же время линейная модель, оценивающая объемспроса, обучается только на тех наблюдениях, когда спрос банковскойсистемы/сегмента был положительным.
Подробно алгоритм приводитсяв табл. 1.31Таблица 1. Пошаговый алгоритм оценки спроса на аукционеРЕПОШаг ФормулаПояснениеИнициализироватьобучающую выборку из nнаблюдений.Всегоmнаблюдений.– данные для линейной1регрессии, содержит толькопары, у которых,– данные для логистическойрегрессии.Оценитькоэффициентымоделей:Целевые переменныедлямоделей различны:–длялинейнойрегрессии,– для логистическойрегрессии.Оценитьмоделинаследующем наблюдении ирассчитать ошибку прогноза.Добавить к тренировочнойвыборке еще одно наблюдениепока.234При оценке обеих моделей используется регуляризация, то естьотдается предпочтение более простым моделям, где мера такой«простоты».
Регуляризация позволяет бороться с проблемамиколлинеарности и ограничивает масштаб значений коэффициентов. Заподробностями следует обратиться к пособиям [70] и [71].Обучение модели происходило на тренировочном отрезке длиннойв 250 дней. Затем на каждом из шагов делался прогноз на день вперед и32расширение обучающей выборки на один день.
Таким образом, имеетсявозможность оценить качество моделей на тестовой выборке из 91торгового дня и распределение ошибки прогноза.Используемые для прогнозирования данные отбирались на основедвух критериев:должны действительно использоваться в принятии решенияо лимите РЕПО;должны быть доступны на момент принятия решения, тоесть на 9.00-10.00 рабочего дня.Итоговый набор приводится в табл. 2.Таблица 2. Данные для оценки спроса на аукционе РЕПОПеременнаяОжидаемый знак/эффект7Объем РЕПО overnightЦелевая переменная.ПризнакиУвеличениеспросакредитныхнедельного/месячногоорганизацийрефинансирующихРЕПОпредыдущие РЕПО.Признаки налоговых дней Увеличение спроса в связи с оттокомсредств в бюджет.Остаткина Уменьшение спроса на РЕПО с ростомкорреспондентских счетах количества остатков на счетах банков.в Банке РоссииСтавкимежбанковского В среднем с повышением ставки растетдепозитного рынка при и спрос.открытииМинимальные ставки по Чем больше расхождение междуРЕПО с Банком России.минимальными и ставками рынка, темменьше спрос на РЕПО8.Изменениестоимости Приукреплениирубляспросвалютной корзиныстановится ниже.7В настоящее время в качестве целевой переменной используется объем выданного РЕПО, что можетбыть оправдано тем, что он обычно был меньше лимита на всем рассматриваемом отрезке времени.Однако разумно в последующем использовать спрос организаций.8Обычно минимальная ставка по РЕПО всегда выше рыночного уровня для займов сходнойсрочности.
Тогда чем выше ставка на рынке и чем ближе она к минимальной по РЕПО, тем большееколичество организаций с положительным спредом к рынку принимают решение о рациональностиобращения к ЦБ.33Впроцессеисследованиярассматриваласьвозможностьиспользования макроэкономических переменных, таких как уровеньбезработицы или темп роста выпуска, которые бы могли учитывать«режим», в котором находится экономика. Результаты не смоглипоказатьналичиевыигрышавточностипрогнозированияотиспользования таких данных.Типичноеповедениелогистическоймоделиприоценкевероятности наличия спроса на тестовой выборке приведены на рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
