Диссертация (1138372), страница 18
Текст из файла (страница 18)
можно сказать,126что для 3-й квартили существует статистически значимая связьмежду размером альфы и наличием навыка.График плотности распределения доходности для 3-й1.00.00.5вероятность1.5квартили приведен на Рис. 3.23.0.00.51.0альфаРис. 3.23. График плотности распределения доходности для 3-йквартили.В четвертую квартиль попало 12 фондов, средняя альфасоставила 75,9% (статистически отлична от нуля, результаты tтеста: t = 11.944, df = 23, p-value = 2.427e-11).
Все 12 фондовобладают навыком. Т.е. можно сказать, что для 4-й квартилисуществует статистически значимая связь между размером альфыи наличием навыка.График плотности распределения доходности для 4-йквартили приведен на Рис. 3.24.1271.51.00.00.5вероятность-0.50.00.51.01.52.02.5альфаРис. 3.24. График плотности распределения доходности для 4-йквартили.3.3.3 Межстрановые сравненияСравним полученные результаты с выводами, полученными всмежных работах. Так, например, в работе [Kosovski et al., 2006]рассматривалась выборка, состоящая из американских фондов с 1975по 2002 гг.
В этой работе Косовски использовал метод бутстрапмоделирования, в качестве меры эффективности – альфу Йенсена иальфу Кархарта. В вышеуказанном исследовании не были выявленыуправляющиесоспособностьюформированиядолгосрочнойположительной доходности.Схожий анализ способности был проведен и в Англии. В 2008 г.Катберсон с соавторами предложил работу «UK Mutual FundPerformance: Genuine Stock-Picking Ability or Luck» [Cuthberson,Nitzsche, 2008], где авторы основывались на выборке ПИФов128Великобритании с апреля 1975 по декабрь 2002 гг.. Исследованиеуказывает на существование подлинных способностей управленияПИФамисрединебольшогоколичествауправляющихВеликобритании.
Таким образом, результаты, полученные в даннойработе,соотносятсясрезультатамиужесуществующихисследований с использованием аналогичных мер эффективности.Среди российских управляющих активами ПИФ-ов существуютнебольшая доля (около 13%) тех, кто демонстрирует наличие навыков.Интересен, однако, тот факт, что в Россий наблюдается большийпроцент фондов с навыками. Логично будет предположить, чтороссийский рынок является развивающимся, следовательно, менееэффективными (в терминах гипотезы эффективных рынков), т.е. нанем проще получать сверхдоходность относительно бенчмарка.3.4 ВыбороптимальнойчастотыиспользуемыхданныхКак было указано выше, одной из проблем, решению которыхпосвящена данная работа, является выбор частоты используемыхданных. Проведем симуляции, алгоритм которых описан выше, длячастоты наблюдений от 1 до 180. При этом 1 соответствует дневнымданным, 2 – данным за каждый второй день, и т.д.
Соответственно,180 соответствует полугодовым данным. Для каждой из описанныхчастот данных мы находим долю управляющих, обладающихнавыками.Возникает вопрос о том, как сравнивать полученные значения.Мы предполагаем, что эталоном должны служить дневные данные.Причина заключается в том, что такие данные несут большеинформации.Во-первых,выборкадневных данных будетпоопределению больше любой другой выборки (с другой частотой). Во-129вторых, дневные данные несут больше информации о динамике рискаи доходности портфеля, сформированного управляющим ПИФ-ом.Рис. 3.25. Соотношение частоты данных (горизонтальная ось) ипроцента управляющих, демонстрирующих «навыки» (вертикальнаяось).В Приложении 5 приведены результаты описанных симуляций.Удобно представить их в виде графика (см. Рис.
3.25). Пунктирнойвертикальной линией отмечена частота, при которой процентуправляющих с навыками в 2 раза превышает исходное значение (3%)– это частота 65, т.е. приблизительно, наблюдения каждые 2 месяца.Сложно выбрать оптимальную частоту, однако, можно предположить,чтопревышениеэталонногопоказателяв2разаявляетсянеприемлемым. Кроме того, после этой точки график начинает растибыстрее.
Докажем это – на графике приведена линия, представляющая130собой полиномиальное приближение исходного ряда (степень – 31).Анализируя вторую производную, мы приходим к выводу, что точкаперегиба– 68.Таким образом,можно сделатьвывод,чтосуществующие законодательные нормы раскрытия информации (1 разв квартал, т.е. в 90 дней) недостаточны в контексте оценки навыковуправляющего.Однаконеобходимапроверкаустойчивостиполученныхрезультатов к особенностям выборки – очевидно, что результатзависит от объема выборки, от числа фондов, попавших в выборку, иот периода наблюдения. Для проверки робастости точки перегиба кпараметрам выборки мы проведем следующие симуляции: случайнымобразом мы будем исключать по 1 фонду и (одновременно) сокращатьпериод наблюдения для каждого из оставшихся фондов на, где n– количество наблюдений для каждого из фондов.
По оставшейсявыборке мы описанным выше образом будем находить точкуперегиба, таким образом, в результате мы можем построитьраспределение таких точек (Рис. 3.10).1Степень полинома выбрана на основе L1-регуляризации (в английскойлитературе LASSO regression).131Density.03.02.01002040var46080100kernel = epanechnikov, bandwidth = 3.5882Рис. 3.26. Распределение точек перегиба, полученное врезультате бутстрап-моделирования.Проанализируем полученные значения.
Как мы помним,изначально перегиб происходил на 68 днях. Медианное значениеполученного распределения составляет 59 дней. Таким образом,несмотря на то, что медиана отличается от исходного значения (на 10дней), можно отметить, что, во-первых, полученное медианногозначение также меньше 90 дней, принятых законодательно. Вовторых, распределение одномодальное – есть одна четко выраженнаявершина.Крометого,распределениехарактеризуетсямалымразбросом. Таким образом, можно сделать вывод, что полученноезначение точки перегиба, т.е. интервала, при котором становитсялегко перепутать «удачу» и «навык» управляющего являетсяустойчивым к особенностям выборки, т.е.
к фондам, в нее входящим,и к выбранному временному периоду наблюдений.132Проинтерпретируемполученныерезультаты.Исходнаяточечная оценка перегиба – 68 дней, медиана распределения – 59,таким образом, для корректной оценки фонды необходимо наблюдатьне реже, чем 1 раз в 2 месяца.
Это согласуется с выводами авторовработы [Sehgal, Jhanwar, 2008], которые, анализируя структурупортфелей индийских фондов, пришли к выводу о том, что для нихнаиболеехарактеренпикинг,нежеличемтайминг,ичторебалансировка портфеля происходит довольно часто – 1 раз в 1,5-2месяца. Можно предположить, что для российского рынка, как дляразвивающегося, имеет место похожая ситуация – авторы работы[Муравьев, Горяев, 2006] также отмечают высокую долю пикингстратегий. [Bollen, Busse, 2001] отмечают, что недостаточно частыезамеры могут завысить показатели тайминга, в нашем случае женаблюдается же аналогичная ситуация для пикинга – при отсутствиичастой (раз в 2 месяца) информации о ребалансировке портфелянаблюдается тенденция к завышению альфы Йенсена и, такимобразом, становиться сложнее отличить управляющих, получающихдоходность за счет наличия способностей, а не за счет удачногостечения обстоятельств.133ЗАКЛЮЧЕНИЕИнститут доверительного управления на сегодняшний моментстал неотъемлемой частью финансовой индустрии.
Существованиеуправляющих активами ПИФ-ов позволяет организовать механизм,благодаря которому происходит перераспределение финансовыхресурсов от агентов, временно располагающих избытком финансовыхсредств, но не обладающих технологиями, необходимыми для ихправильногоиспользования,кагентам,которыеподобнымитехнологиями обладают, но не имеют достаточного количестваресурсов. Необходимым условием эффективного функционированиятакого механизма является наличие информации о способностяхуправляющих, такая информация, однако, доступна лишь самимуправляющим – на рынке существует асимметрия информации. Длясуществования же рынка доверительного управления необходимооценивать способности управляющих активами ПИФ-ов на основеоткрытой (согласно законодательным нормам) информации.Анализ теоретических аспектов к оценке управляющихактивами ПИФ-ов позволил определить следующее:в зависимости от того, какие цели ставит перед собой инвестор врамкахпроцессапринятияинвестиционногорешения,дляопределения качества навыков управляющих им могут использоватьсяоднофакторные или атрибуционные показатели;однофакторные модели являются достаточно чувствительнымик манипуляциям с исходными данными, вследствие чего онизавоевали достаточно высокую степень популярности в средеуправляющих.разделениеАтрибуционныйслучайногоиподходнеслучайногопозволяетпроизводитьрезультатов,атакжедекомпозировать его на составляющие в зависимости от требований в134каждой конкретной ситуации.
Таким образом, для корректной оценкинавыков желательно использование атрибуционного подхода.На практике наиболее часто используется показатель альфыЙенсена – он рассчитывается многими зарубежными и некоторымироссийскими рейтинговыми агентствами.Анализ эмпирических исследований во второй главе работы показал,что, несмотря на большое число исследований способов оценкинавыков управляющих активами ПИФ-ов, их измерение и саморешение вопроса о наличии либо отсутствии способностей куправлению активами является нерешенной задачей, при этомспецифичной для конкретного рынка ввиду страновых особенностей.Существуетпроблеманеобходимостиотделенияпрофессиональных способностей управляющего, от его интуиции иудачи.
Существующие меры эффективности напрямую не позволяютв полной мере оценить имеющиеся у управляющего навыки иотделить их от «удачи», т.е. случайного получения доходности.Наиболее часто используемый метод отделения «удачи» и«навыка» основан на использовании бутстрап-подхода к инференции.Применение такого подхода к оценке значимости альфы Йенсенапозволяет выявить фонды, чья доходность может объяснятьсяудачным для управляющего стечением обстоятельств. Положительнойсторонойданногометодаявляетсяустойчивостькгетероскедастичности временного ряда, а так же авто и кросскорреляции доходностей фондов. Бутстрап является одной изнаиболеепоходящейненормальностисовместногометодологиейраспределенийраспределениядляальфырешенияотдельныхдоходностейфондов,проблемыфондовиособеннохарактерной для российского рынка.135В работах [Kosowski et al, 2006] и [Cuthbertson, 2005] основныеэмпирические выводы совпадают. Основываясь на их работах можносделать вывод, что в странах США и Великобритании есть несколькоуправляющих с наличием высокого уровня доходностей, которыйнельзя полностью списать на «удачу», или показывающих постоянныеплохие результаты, которые нельзя полностью объяснить «неудачей».Т.е.
существует большое количество фондов, демонстрирующихположительную альфу Йенсена, однако, она может быть объяснена«удачей» и не являться результатом наличия у управляющего«навыка».Для оценки способностей управляющих к обыгрыванию рынканеобходимо сопоставить показатели доходности паевого фонда споказателями доходности эталонного показателя.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
