Таблица 2. Описательная статистика кредитных событий за период Январь 2009-Март 2016

Тип события	Кол-во наблюдений
Даунгрейд (без предшествующего watchlist-события)	145
Негативный watchlist-прогноз	116
Даунгрейд после негативного watchlist-прогноза	114
Апгрейд (без предшествующего watchlist-события)	296
Позитивный watchlist-прогноз	62
Апгрейд после позитивного watchlist-прогноза	80



2.2 Методология

Как уже было обозначено ранее, данная работа придерживается методологии подхода изучения событий event-study. Ее использование обусловлено обширной литературной базой как в методологическом, так и в эмпирическом ключе. Кроме того, данный подход не случайно является наиболее популярным в статьях по изучению влияния изменений кредитных рейтингов на доходности акций. Он наиболее удачно подходит для изучения «событий» и измерения их воздействия на рынок. Именно поэтому данный подход является настолько популярным. Ниже представлен обзор методологии, использованной в данной работе в рамках event-study подхода. Обзор методологии подходо event-study базируется на соответствующий раздел книги Campbell, Lo, и MacKinlay «The Econometrics of Financial Markets».

Event-study подход имеет весьма широкое применение. Сфера его использования включает в себя такие события, как сделки M&A, выпуск акций или облигаций, выпуск финансовой отчетности и многие другие. В общем виде любое event-study исследование состоит из следующих этапов:

· Определение типа «события»

· Критерии выбора данных

· Оценка «нормальных» значений исследуемых показателей в соответствии с выбранной моделью

· Оценка «анормальных значений» (abnormal) показателей в соответствии с эмпирическими данными

· Тестирование выдвинутых гипотез

· Анализ полученных результатов

Анализ литературы в области event-study позволяет сделать вывод, что авторы статей преимущественно придерживались обозначенной выше структуры в том или ином виде. Следует отметить, что данные этапы, как и event-study подход в целом не предполагают строгого следования какой-либо единой методологии и не полностью формализуют процесс изучения «событий». Скорее, они служат неким общим планом анализа, позволяющим исследователю свободно выбирать инструменты и показатели для работы.

Выше были рассмотрены критерии отбора данных и определение самих изучаемых событий, а именно изменений рейтингов и связанных с ними колебаний цен акций. Ключевым моментом изучения «событий» является оценка «нормальных» показателей. Для этих целей могут использоваться различные модели, различающиеся по типам, а так же количествам и видам используемых факторов.

В рамках данной работы используются две популярные в подобных исследованиях экономических модели: рыночная модель CAPM и трехфакторная модель Fama-French.

Определение event-window

Для изучения рейтинговых событий необходимо определить event-window - временной промежуток, в котором будет определяться влияние события на доходность акций. На основе анализа существующей литературы по рассматриваемой теме, мы выбрали event-window в границах [-10; +10]. Такая длинна событийного окна позволяет рассмотреть pre- и post-announcement эффекты на цены и не охватывает слишком большой промежуток времени, на котором событие, предположительно, не будет иметь эффекта.

Расчет «нормальных» показателей

Для каждого наблюдения рассчитываются коэффициенты моделей по дневным показателям факторов на протяжении estimation-window, размер которого был выбран в размере 120 дней до event-window, т.е. (-130; 10). Данные для расчета рыночного фактора , факторы стоимости и размера Fama-French были взяты из библиотеки Френча [5]. Данные для расчета доходностей акций были импортированы из базы данных Блумберг. Дневные доходности акций рассчитывались по формуле:



где - доходность акции за i-й день, - цена акции за i-й день.

Детально модели были рассмотрены ранее. Ниже еще раз представлены общие виды моделей:

CAPM:

(1)

Fama-French:

, (3)

где для модели Fama-French:

SMB (Small [market capitalization] Minus Big) - фактор премии за размер,

HML (High [book-to-market ratio] Minus Low) - фактор премии за недооцененность.

Показатели факторов для модели Fama-French взяты по данным библиотеки Френча [5]

Коэффициенты модели для estimation-window получаем, строя time-series регрессии методом МНК по дневным данным.

Расчет «abnormal» показателей

Используя оценочные значения коэффициентов и дневные данные по факторам моделей за каждый день из event-window, мы рассчитали прогнозируемые значения доходности акций.

Затем, мы рассчитали показатель AR (abnormal return) за день как разность между реальной доходностью акции за день и ожидаемой доходностью в соответствии с моделями:

, (7)

Где - abnormal-доходность i-го актива за день t;

- реальная доходность i-го актива за день t;

- доходность i-го актива за день t согласно модели.

Для расчета коэффициентов моделей и оценки доходностей использовался язык программирования R (см. скрипт в Приложении).

Наконец, мы также рассчитали показатели CAR (cumulative abnormal return) для всех наблюдений за все дни в event-window:

Построение графиков, тестирование интервалов.

Получив данные по показателям AR и CAR для двух моделей и различных видов событий, мы построили графики для временного интервала event-window.

Поскольку количество наблюдений для каждого вида события превышало 30, мы использовали обычную t-статистику для того, чтобы проверить гипотезу H0 о равенстве нулю показателей CAR для различных временных интервалов из event-window. Нулевая гипотеза постулирует, что кредитные события не приводят к появлению анормальных доходностей, вся информация уже отражена в ценах, и рынки эффективны. Интервалы были отобраны на основе визуального анализа построенных графиков путем выявления потенциальных критических важных моментов из event-window.

Кросс - секционный анализ.

Мы также провели анализ по кросс-секции. Для этого были отобраны протестированные ранее значимые интервалы. Для каждого интервала показатель CAR выступал в качестве зависимой переменной, а корпоративные показатели размера компании (выраженный в виде натурального логарифма рыночной капитализации), отношения рыночной капитализации компании к ее балансовой стоимости и левериджа (выраженного как отношение чистого долга к EBITDA) выступали в роли регрессоров. Данные были получены из базы Bloomberg. Результаты по посчитанным регрессиям были скомпилированы в таблицы, представленные ниже. Следует отметить, что при соотнесении доходностей и корпоративных показателей данные выборки сокращались. Точное количество наблюдений указано в таблицах.



3. Результаты

3.1 Апгрейды

На графиках ниже представлены средние по всем фирмам выборки показатели AR и CAR для «чистых» апгрейдов за каждый день event-window.

Рис. 2. AR для «чистых» апгрейдов

Для CAR:

Рис. 3. CAR для «чистых» апгрейдов



Как видно по графику CAR, в период [-6; -4] отмечается наибольший рост кумулятивных abnormal-доходностей, который затем сменяется падением показателей. Вероятно, информация, содержащаяся в апгрейде, была учтена в цене акций, и падение их цен связано с корректировкой данной переоценки со стороны инвесторов. Мы протестировали значимость показателя CAR для различных интервалов из event-window. Гипотезой H0 было равенство нулю показателя CAR. Ниже представлена таблица с результатами. Здесь и далее жирным шрифтом в таблицах выделены пи-вэлью, при которых отвергается гипотеза H0 на 10% уровне значимости.

Таблица 3. Значения CAR для различных интервалов и соответствующие пи-вэлью для «чистых» апгрейдов.

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-6; -4]
CAPM	CAR	-0,017	0,022	-0,035	-0,015	-0,043	-0,031	0,053
	P-value	0,731	0,373	0,236	0,372	0,262	0,415	0,161
FF	CAR	-0,022	0,016	-0,036	-0,019	-0,033	-0,040	0,047
	P-value	0,661	0,481	0,212	0,252	0,367	0,308	0,195

Как видно из таблицы, ни на одном из интервалов нельзя отвергнуть гипотезу H0. Причиной этому могут служить весьма низкие значения показателя AR для апгрейдов.

4.2 Позитивные watchlist-прогнозы

Рассмотрим аналогичные графики для позитивных watchlist-прогнозов. Для AR:



Рис. 4. AR для положительных watchlist-прогнозов

Для CAR:

Рис. 5. CAR для положительных watchlist-прогнозов

В данном случае наблюдается значительный рост CAR, который затем сменяется падением показателей после нулевого дня.



Таблица 4. Значения CAR для различных интервалов и соответствующие пи-вэлью для положительных watchlist-прогнозов

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-6; -4]
CAPM	CAR	-0,139	0,364	0,051	0,068	-0,310	0,347	0,371
	P-value	0,544	0,441	0,906	0,936	0,301	0,341	0,099
FF	CAR	-0,094	0,250	0,115	-0,148	-0,281	0,432	0,282
	P-value	0,683	0,578	0,789	0,862	0,322	0,226	0,161

Для позитивных watchlist-прогнозов на 10% уровне значимости отвергалась гипотеза H0 для интервала [-6; -4] в модели CAPM. На нем отмечается рост доходностей акций, однако значимость данного интервала подтвердилась только в рамках одной модели и нельзя уверенно сделать вывод о значимости каких-либо эффектов от положительных watchlist-прогнозов для цен акций компаний, что, впрочем, не противоречит существующей литературе.

4.3 Апгрейды, которым предшествовал позитивный watchlist-прогноз

Ниже представлены графики для повышений рейтинга, которые произошли после того, как компания была занесена в watchlist с позитивным прогнозом.

Рис 6. AR для апгрейдов после позитивных watchlist-прогнозов

Наибольшее значение AR приходится на день -1.

Рис. 7. CAR для апгрейдов после позитивных watchlist-прогнозов

Как видно, для повышений рейтинга, которым предшествовал положительный прогноз, характерна значительно большая величина CAR и более уверенный рост доходности акций. Рассмотрим значимость интервалов.

Таблица 5. Значения CAR для различных интервалов и соответствующие пи-вэлью для апгрейдов после позитивных watchlist-прогнозов

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-6; -4]
CAPM	CAR	0,603	0,673	0,466	1,092	0,035	0,575	0,306
	P-value	0,038	0,082	0,244	0,143	0,916	0,056	0,180
FF	CAR	0,631	0,880	0,472	1,313	0,000	0,631	0,385
	P-value	0,022	0,025	0,226	0,069	1,000	0,036	0,086

Результаты в данном случае отличаются от других апгрейд-событий. Так, значительна большая часть интервалов оказалась значимой для обеих моделей. Таким образом, можно сделать вывод, что повышения рейтингов после позитивных watchlist-прогнозов связаны со значительной положительной рыночной реакцией, выраженной в росте цен акций компаний. При этом, наиболее значимым является интервал [-1; +1], что является индикатором того, что рынок видит «новостное» содержание в данном событии, т.е. интерпретирует информацию, передаваемую в апгрейдах после позитивных watchlist-прогнозов как недоступную публично ранее. Подобного вывода не было в рассмотренных статьях, что может указывать на необходимость отдельной идентификации данного класса событий.

4.4 Даунгрейды

Рассмотрим аналогичные графики для даунгрейдов. Для AR:

Рис. 8. AR для «чистых» даунгрейдов



Для CAR:

Рис. 9. CAR для «чистых» даунгрейдов

Ниже представлена таблица с тестированием значимости интервалов:

Таблица 6. Значения CAR для различных интервалов и соответствующие пи-вэлью для «чистых» даунгрейдов

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-5; -2]
CAPM	CAR	0,184	0,694	1,228	2,717	0,832	0,396	1,604
	P-value	0,571	0,150	0,007	0,000	0,017	0,263	0,003
FF	CAR	0,179	0,315	0,820	2,014	0,572	0,250	1,103
	P-value	0,591	0,479	0,062	0,005	0,099	0,478	0,023

Несколько тестируемых интервалов оказались значимыми. Любопытно, что согласно полученным данным, понижение рейтинга компаний связано с ростом доходности их акций в рамках event-window, что идет вразрез с ранее полученными выводами. Более того, доля компаний, показывающих положительные доходности в течение event window, превышает 80%, что также указывает на устойчивость и значимость результата. Возможно, такие результаты связаны с тем, что рынок реагирует в противоположном направлении относительно рейтингового события в спекулятивных целях. Как было отмечено ранее, выборка состояла из крупных фирм, входящих в индекс S&P 500, подавляющее большинство которых имеет рейтинг инвестиционного уровня. Таким образом, понижение рейтинга может интерпретироваться инвесторами и спекулянтами как событие, не представляющее серьезной угрозы для компании или как реакция рейтинговых агентств на ухудшение общей ситуации на рынке. В свою очередь, рыночные контрагенты могут иметь инициативу извлечения дополнительной прибыли на покупке акций компаний, получивших даунгрейд, предполагая, что цена на них упадет, что в конечном счете имеет противоположный эффект. В дальнейшем исследовании планируется более детально изучить факторы, которые привели к понижению рейтинга, возможно, они уже учтены в ценах акций и в течение event-window наблюдается коррекция путем реверсии к среднему.

3.5 Негативные watchlist-прогнозы

Рассмотрим аналогичный набор графиков для watchlist-ивентов. График анормальных доходностей:

Рис. 10. AR для watchlist-даунгрейдов



Для кумулятивных abnormal доходностей:

Рис. 11. CAR для watchlist-даунгрейдов

Также таблица с тестом значимости интервалов:

Таблица 7. Значения CAR для различных интервалов и соответствующие пи-вэлью для watchlist-даунгрейдов

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-5; -2]	[-2; 0]	[-2; +2]
CAPM	CAR	-0,756	-0,274	-0,704	0,111	-0,414	-0,748	-0,049	-0,913	-1,025
	P-value	0,109	0,552	0,309	0,897	0,347	0,239	0,924	0,102	0,086
FF	CAR	-0,733	-0,089	-0,808	0,204	-0,579	-0,676	-0,087	-0,815	-0,979
	P-value	0,120	0,840	0,251	0,811	0,191	0,292	0,863	0,142	0,102

При рассмотрении графиков видно, что период [-2; +2] связан с резким падением цен акций, однако его значимость подтверждается только для модели CAPM. Следует отметить, что реакция инвесторов на негативный watchlist отрицательна, что выражается в негативных доходностях акций в течение event window. Данный вывод не выбивается из сонмы эмпирических исследований и подтверждает наше предположение о том, что занесение в watchlist носит более неожиданный эффект для инвесторов, нежели снижение или повышение непосредственно самого кредитного рейтинга, которое ожидаемо и уже отражено в рыночных ценах.

3.6 Даунгрейды после негативных watchlist-прогнозов

Последним рассматриваемым типом событий являются даунгрейды с предшествующим им негативным прогнозом. График AR:

Рис. 12. AR для даунгрейдов после негативных watchlist-прогнозов

Для CAR:

Рис. 13. CAR для даунгрейдов после негативных watchlist-прогнозов



Таблица значимости интервалов:

Таблица 8. Значения CAR для различных интервалов и соответствующие пи-вэлью для даунгрейдов после негативных watchlist-прогнозов

	Event-window	[-1; +1]	[-10; -3]	[-3; +3]	[-10; +10]	[0; +3]	[-3; 0]	[-5; -2]
CAPM	CAR	-0,028	-0,118	-0,394	-0,117	-0,004	-0,393	-0,527
	P-value	0,929	0,766	0,299	0,836	0,989	0,184	0,042
FF	CAR	-0,099	-0,163	-0,340	-0,509	-0,048	-0,294	-0,410
	P-value	0,746	0,683	0,385	0,467	0,866	0,323	0,081

В данном случае интервал [-5; -2] оказался значимым для обеих моделей и был связан с отрицательной доходностью. Таким образом, инвесторы реагируют до непосредственного события. При этом модуль CAR для значимого интервала для этого типа событий меньше, чем для негативных watchlist-прогнозов. Иными словами, инвесторы реагируют на негативные новости, однако часть «новостной» составляющей такие даунгрейды уже учтена в реакции на занесение компании в негативный watchlist ранее.

Следует отметить, что для всех видов событий доходности, полученные двумя разными моделями, достаточно слабо отличались. Таким образом, хотя модель Fama & French предположительно обладает более высокой объясняющей силой, CAPM очень близка к ней по итоговым результатам и более проста в использовании.

3.7 Кросс - секционный анализ

Ниже представлены результаты кроссекционного анализа. Еще раз отметим, что в качестве независимых переменных выступали показатели CAR для компаний в рамках статистически значимых интервалов (см. выше), а объясняющими переменными - показатели размера, леверидж и рыночная капитализация / балансовая стоимость Market cap/BV для этих фирм. Жирным шрифтом отмечены коэффициенты, значимые на уровне значимости 10%.

Таблица 9. Кросс-секционный анализ для даунгрейдов

Переменная	[-3; +3]	[-10; +10]	[0; +3]	[-5; -2]
Константа	7,990	8,206	8,812	12,379
	0,107	0,352	0,044	0,052
Размер	-0,655	-0,585	-0,845	-1,023
	0,187	0,507	0,054	0,108
Market cap./BV	0,276	0,254	0,401	0,142
	0,093	0,384	0,006	0,495
Leverage	-0,122	-0,079	-0,167	-0,024
	0,033	0,435	0,001	0,745
Наблюдений	80	80	80	80
R-квадрат	0,108	0,023	0,233	0,038
F-статистика	3,078	0,592	7,677	0,997

Как видно, значимые коэффициенты отличаются в зависимости от рассматриваемого интервала. Наибольшее их число приходится на интервал [0; +3], который также имеет наибольшую величину R-квадрата. Влияние кредитного события на анормальную доходность усиливается в зависимости от размера компании, левериджа и фактора переоцененности / недооцененности компании. Любопытно отметить, что при объясняющих переменных таких как размер компании и леверидж стоит отрицательный знак, что указывает на тот факт, что небольшие компание с более низким уровнем долговой нагрузки склонны иметь более высокое значение анормальной доходности, что согласуется с ранее полученными выводами. Рассмотрим следующую регрессию:



Таблица 10. Кросс-секционный анализ для даунгрейдов после негативных watchlist-прогнозов

Переменная	[0; +3]
Константа	0,381
	0,867
Размер	0,015
	0,945
Market cap./BV	-0,177
	0,036
Leverage	0,032
	0,498
Наблюдений	77
R-квадрат	0,062
F-статистика	1,622

Для показателя CAR в случае даунгрейдов после негативных прогнозов единственным значимым коэффициентом оказалось отношение Market cap./BV, причем с отрицательным знаком в противовес «чистым» даунгрейдам. Такое поведение коэффициентов, представляется, однако, возможным, т.к., как было рассмотрено ранее, графики доходностей для «чистых» и «предсказанных» даунгрейдов также ведут себя по-разному. Таким образом, результаты еще раз подеркивают, что рассматриваемые события, имея схожую природу, могут значительно отличаться друг от друга в качественном плане. Рассмотрим регрессию для позитивных watchlist-прогнозов.

Таблица 11. Кросс-секционный анализ для позитивных watchlist-прогнозов

Переменная	[-6; -4]
Константа	-0,102
	0,970
Размер	0,010
	0,970
Market cap./BV	0,085
	0,496
Leverage	0,112
	0,318
Наблюдений	57
R-квадрат	0,021
F-статистика	0,383

Для watchlist-прогнозов не было выявлено значимых коэффициентов, регрессия в целом имеет низкое значение F-статистики и R-квадрат. Наконец, перейдем к рассмотрению апгрейдов, произошедших после положительных watchlist-прогнозов. Таблица представлена ниже.

Таблица 12. Кросс-секционный анализ для апгрейдов после позитивных watchlist-прогнозов

Переменная	[-1; +1]	[-10; -3]	[-10; +10]	[-3; 0]	[-6; -4]
Константа	1,144	-3,458	-6,697	-0,313	-3,989
	0,684	0,430	0,369	0,933	0,150
Размер	-0,030	0,462	0,844	0,092	0,455
	0,919	0,324	0,290	0,818	0,125
Market cap./BV	-0,120	-0,327	-0,422	-0,024	-0,101
	0,255	0,048	0,131	0,861	0,327
Leverage	0,007	0,170	0,185	0,045	0,042
	0,892	0,037	0,177	0,514	0,410
Наблюдений	73	73	73	73	73
R-квадрат	0,025	0,139	0,078	0,009	0,055
F-статистика	0,580	3,713	1,935	0,198	1,337

Для апгрейдов, которым предшествовал позитивный прогноз одна регрессия оказалось значимой и имеющей значимые коэффициенты. Так, на интервале [-10; -3] Доходность компаний отрицательно зависит от коэффициента их переоцененности и положительно от уровня их левериджа. Знаки коэффициентов в данном случае противоположны наблюдаемым, например, в случае даунгрейда. Таким образом, для различных рейтинговых ивентов аналогичные факторы оказывают разнонаправленное влияние на доходности акций.

Результаты, полученные в данной главе, указывают на то, что рейтинговые события могут значительно различаться между собой в плане наблюдаемых эффектов. Это еще раз подчеркивает необходимость индивидуального рассмотрения каждого, и, возможно, диверсификации методов их изучения. Полученные результаты частично подтверждаются существующей литературой. Расходящиеся выводы, с одной стороны, могут указывать на проблемы выборки, с другой - на новую информацию, выведенную в ходе исследования, и требуют дальнейшего более детального рассмотрения, тем самым задавая возможный вектор для следующих статей в данной области.



Заключение

По итогам проведенного анализа были получены результаты для шести видов рейтинговых событий, при этом эффекты их влияния на цены акций в некоторых случаях оказались нетривиальными. Кроссекционный анализ позволяет сделать выводы о степени и векторе влияния корпоративных показателей на доходности акций в ивент-окне с достаточной долей уверенности только для одного интервала в ситуации с даунгрейдами Однако, детальное изучение всех отдельных типов рейтинговых событий оказалось более информативным. Так, понижения и повышения рейтингов были связаны с положительной и отрицательной кумулятивной abnormal-доходностью в рамках event-окна. Тем не менее, данные результаты могу служить индикатором того, что «чистые» рейтинговые события малоинформативны и уже отражены в ценах, при них происходит корректировка доходности в обратном по отношению к вектору ивента направлении. С другой стороны, watchlist-прогнозы являются более информативными для рынка и связаны с ожидаемым знаком показателя CAR, однако значимость временного интервала была подтверждена только для позитивных watchlist-прогнозов. Однако наиболее любопытный вывод связан с анализом апгрейдов и даунгрейдов, которым предшествовало занесение компании в положительный или отрицательных watchlist. Так, интервалы для этих типов событий оказались значимыми и связанными с относительно высокими показателями накопленной abnormal-доходности. В существующий на сегодняшний день литературе не было обнаружено подобного вывода, и это может служить сигналом того, что такой сравнительно новый инструмент как watchlist-прогнозы на сегодняшний день является более информативным и влиятельным для рынка акций.



Список литературы

1. Adam Creighton, Luke Gower, Anthony Richards The impact of rating changes in Australian financial markets // Pacific-Basin Finance Journal 15 (2007), P. 1-17

2. Alexander Hopland. The Credit Rating Puzzle: A study on the relationship between equity returns and corporate credit ratings in the US stock market // Master Thesis in Financial Economics, Norwegian School of Economics (2014), P. 1-70

3. Christina E. Bannier, Christian W. Hirsch The economic function of credit rating agencies - What does the watchlist tell us? // Journal of Banking and Finance 34 (2010), P. 3037-3049

4. Doron Avramov, Tarun Chordia, Gergana Jostova, Alexander Philipov. Credit Ratings and The Cross-Section of Stock Returns.

5. Edward Jones, Quentin Mulet-Marquis. The Stock Market Reaction to Changes to Credit Ratings of US-Listed Banks // Centre for Finance and Investment Discussion Paper Series (2013), P. 1-43

6. Eugene F. Fama, Kenneth R. French. Common risk factors in the returns on stocks and bonds // Journal of Financial Economics 33 (1993) P. 3-56

7. Jeremy C. Goh, Louis H. Ederington. Cross-Sectional Variation in the Stock Market Reaction to Bond Rating Changes // The Quarterly Review of Econimics and Finance, Vol. 39, No. 1 (1999), P. 101-112

8. Kam C. Chan, Stephan C. Norrbin, Pikki Lai. Are stock and bond prices collinear in the long run? // International Review of Economics and Finance, 6 (2) (1997), P. 193-201

9. Koresh Galil, Gil Soffer. Good news, bad news and rating announcements: An empirical investigation // Journal of Banking and Finance 35 (2001), P. 3101-3119

10. Lars Norden, Martin Weber. Informational efficiency of credit default swap and stock markets: The impact of credit rating announcements // Journal of Banking & Finance 28, (2004), P. 2813-2843

11. M.A.J Timmermans. Credit rating changes and the effect on stock prices // Master Thesis Finance, Tilburg University, P. 1-49

12. Michiko Miyamoto. Event Study of Credit Rating Announcement in the Tokyo Stock Market // Journal of Economics, Business and Management, Vol. 4, No. 2, (2016), P. 138-143

13. Miroslav Mateev. The Effect of Sovereign Credit Rating Announcements on Emerging Bond and Stock Markets: New Evidences // Oxford Journal: An International Journal of Business & Economics, 7 (1) (2012), P. 28-41

14. Philippe Jorion, Zhu Liu, Charles Shi. Informational effects of regulation FD: evidence from rating agencies // Journal of Financial Economics 76 (2005), P. 309-330

15. Philippe Raimburg Rating Agencies and Financial Regulation: Thirty Years of Academic Research // Bankers, Markets & Investors №123 (2013), P. 54-61

16. Reint Gropp и Anthony Richards Rating Agency Actions and the Pricing of Debt and Equity of European Banks: What Can We Infer About Private Sector Monitoring of Bank Soundness? // European Central Bank Work Paper No.76, (2001), P. 1-36

17. Robert Brooks, Robert W. Faff, David Hillier, Koseph Hillier. The national market impact of sovereignrating changes // Journal of Banking & Finance 28 (2004), P. 233-250

18. S.V.D. Nageswara Rao, Sreejith U. Impact of Credit Ratings (Upgrade and Downgrade) on Stock Prices in India // Proceedings of 23rd International Business Research Conference (2013)

19. Sang Lyong Joo, Stephen Pruitt Corporate bond ratings changes and economic instability: Evidence from the Korean financial crisis // Economics Letters 90 (2006), P. 12-20

20. Yan He, Junbo Wang, K.C. John Wei Do bond rating changes affect the information asymmetry of stock trading? // Journal of Empirical Finance 18 (2011), P. 103-116

Размещено на Allbest.ru

...