Ширина окна варьируется в зависимости от типа событий и секторных особенностей исследуемых компаний. Некоторые типы новостей могут оказывать влияние на компании в течение продолжительного времени, более нескольких месяцев, например, продолжительные эффекты от введения новых законов. Несмотря на то, что между исследователями нет определённого консенсуса относительно ширины окна для событийного анализа, метод чаще всего применяется для определения краткосрочного влияния событий. Как способ измерения долгосрочных эффектов метод может давать недостоверные результаты, поскольку при выборе широкого событийного окна велика вероятность столкнуться с проблемой кластеризации данных. Она заключается в том, что на длительном интервале увеличивается возможность вмешательства других событий, произошедших за это время с компанией, результатом такого наслоения прочих новостей является искажение оценки влияния рассматриваемого события. Чем длиннее окно, тем больше шумовых данных может попасть в анализ. По этой причине традиционно в литературе выбираются окна не более 41 торгового дня, т.е. 20 дней до и 20 дней после анализируемого события.

Событийные группы объявления дивидендов и изменения кредитных рейтингов можно отнести к новостям, имеющим краткосрочное влияние, поэтому для них можно рассмотреть более узкое событийное окно. Для исследования влияния группы новостей в регулировании допустимо рассмотрение более широких окон, поскольку эффект может оказаться долгосрочным, однако, учитывая специфику сектора, ширину окна следует выбирать с осторожностью. Так, в банковской сфере ежедневно выходит значительное количество новостей, в том числе и уточняющих, когда ранее появившаяся новость дублируется через какое-то время с добавлением подробностей, что может приводить к нежелательной кластеризации данных.

Для данного исследования было выбрано максимальное событийное окно в 11 торговых дней, т.е. 5 дней до и 5 дней после рассматриваемого события. В связи с высоким шумовым фоном в банковском секторе в данной работе анализируются более короткие окна в 7, 5 и 3 дня с целью уменьшить возможность вмешательства других событий. Кроме того, мы рассматриваем традиционный интервал для оценки нормальных доходностей в 255 торговых дней. На Рисунке 1 можно увидеть временную шкалу событийного анализа для максимального событийного окна в 11 дней. Промежуток (T1-T2) включает в себя период оценки доходностей в 255 торговых дней (берётся также запас в 5 дней до начала оценки, считая обратно от первого дня событийного окна, чтобы уменьшить возможность пересечения со слухами о событии, поэтому за Т1 принят день -265), на интервале (Т2-Т3) расположено выбранное событийное окно, в середине которого в нашем случае находится дата исследуемого события (ф = 0). Принципиально важным в выборе оценочного периода является отсутствие пересечения с событийным окном, чтобы в модель оценки нормальной доходности не попало влияние самого события.

Рисунок 1. Временная шкала событийного анализа для событийного окна 11 торговых дней и периода оценки 255 торговых дней. Источник: на основе MacKinlay (1997, p.20).

Расчёт фактической доходности

Фактическую доходность акций необходимо определить как для каждого дня событийного окна, чтобы в дальнейшем использовать при расчёте сверхдоходности, так и для всего периода оценки, чтобы с использованием полученных данных найти нормальную доходность в событийном окне. Расчёт фактической доходности производился по дневным ценам закрытия для каждой компании выборки. Мы используем лог-доходность, т.е. натуральный логарифм отношения цены закрытия акции i в день t ( ) к цене закрытия акции i в день t-1 () при расчёте фактической доходности акций банков в день t ():

,

Расчёт нормальной доходности

Нормальная доходность акций рассчитывается для каждого дня событийного окна. Она представляет собой доходность акций компании в отсутствии рассматриваемого информационного события. В статье MаcKinlаy (1997) представлено несколько основополагающих моделей для оценки нормальной доходности внутри событийного окна, из которых мы выбирали наиболее подходящую для целей нашего исследования. Предлагается разделение моделей на две группы: статистические и экономические. Модели первого типа основываются только на статистических предположениях о поведении доходностей акций, при этом не зависят от каких-либо экономических параметров, в то время как основой моделей второго типа являются предположения о поведении инвесторов, а не статистические предположения. Однако отмечается, что на практике экономические модели также нуждаются в некоторых базовых статистических предложениях. К основным предположениям статистических моделей относится нормальное независимое распределение доходностей акций. Наиболее распространёнными статистическими моделями являются модель постоянной средней доходности и рыночная модель, тогда как к экономическим моделям относятся Capital Asset Pricing Model (CAPM) и Arbitrage Pricing Theory (APT).

Наиболее простой в использовании является модель постоянной средней доходности. Результаты, полученные с использованием этой модели, зачастую незначительно отличаются от результатов применения более сложных моделей, что подтверждено в работах Brown и Warner (1980, 1985). Модель базируется на предпосылке о том, что в каждый день событийного окна нормальная доходность акций равна среднему значению доходности на оценочном периоде, т.е. фиксирована на одном значении. Однако в таком случае не учитывается изменение доходностей, связанных с движениями рынка. Для банковского сектора России в условиях постоянного появления новой информации и на фоне высокой экономической неопределённости стоит сделать выбор в пользу моделей, учитывающих фактор рынка.

Отмеченный недостаток модели постоянной средней доходности корректируется в рыночной модели оценки нормальной доходности. Рыночная модель позволяет уменьшить дисперсию сверхдоходности за счёт исключения той её части, которая объясняется движением рынка. Данная модель связывает доходность компании с доходностью рыночного портфеля, в качестве которого на практике выбирается какой-либо рыночный или секторный индекс. Для построения модели оценивается регрессия рыночной доходности на доходность акций, после получения коэффициента которой можно находить значение доходности компании на каждый день событийного окна, зная значения рыночного индекса.

Экономические модели CAPM и APT предполагают наложение некоторых ограничений на статистические модели оценки нормальной доходности. Модель CAPM похожа на рыночную: она также связывает линейным уравнением доходность выбранной акции и рыночную доходность, однако в уравнение входят избыточные доходности (доходности за вычетом безрисковой ставки). Модель APT, в свою очередь, предполагает, что ожидаемая доходность является линейной комбинацией нескольких факторов риска. Обе модели получили значительно меньшее распространение в исследованиях методом событийного анализа, чем модель постоянной средней доходности и рыночная модель. В случае CAPM основой причиной отказа от модели служат налагаемые ею ограничения, которые подвергаются критике и потенциально приводят к недостоверности оценки. Исследования, применяющие модель APT, показывают, что наибольший вклад в объяснение доходности акций вносит именно рыночная составляющая риска, которую и учитывает сравнительно более простая рыночная модель. Помимо этого, результаты применения обеих моделей не показывают на практике значительных улучшений в сравнении с рыночной моделью (MаcKinlаy, 1997). В результате, для нашего исследования мы остановили выбор на рыночной модели оценки нормальной доходности акций, которую ниже опишем более подробно.

Базовой предпосылкой рыночной модели является линейная зависимость между доходностью выбранной акции и рыночного портфеля, в качестве которого рассматривается подходящий рыночный индекс. Данная зависимость может быть описана следующим уравнением с условиями:

,

,

В уравнении доходность акции i в день t ( зависит линейно от доходности рыночного портфеля в день t (. Для расчёта рыночной доходности ( берётся натуральный логарифм отношения значения рыночного индекса в день t () к значению индекса в день t-1 (:

,

Для оценки нормальной доходности рыночной моделью в данной работе использован индекс ММВБ-финансы (MICEX FNL), представляющий собой взвешенный по рыночной капитализации индекс российских компаний финансового сектора. https://www.moex.com/ru/index/MICEXFNL/info/

Расчёт сверхдоходности

После нахождения фактических и нормальных доходностей мы переходим к вычислению сверхдоходностей для каждого дня событийного окна по следующей формуле:

,

Сверхдоходность по акции i в день ф рассчитывается как разница между фактической доходностью ( акции в этот день (т.е. в условиях присутствия события) и оценённой с помощью рыночной модели нормальной доходностью () в день ф (т.е. предполагаемой доходностью в день ф без влияния события). Все дни находятся в событийном окне от T2 до T3 (Рисунок 1), т.е. ф = T2, T2+1, …, T3-1, T3. Полученная сверхдоходность отражает оказанное информационное влияние события в каждый день событийного окна.

Вычисление AAR, CAR и CAAR, тестирование результатов

В каждый отдельный день событийного окна рассчитывается средняя сверхдоходность (AAR), которая отражает не накопленное влияние группы событий на доходности акций компаний, а индивидуальное для каждого дня. Формула представляет собой для каждого дня событийного окна ф простое среднее сверхдоходностей по событиям, где n - это число событий:

,

На данном этапе рассчитываются кумулятивные сверхдоходности (CAR) для каждого события в каждый день событийного окна, как сумма сверхдохоности текущего дня событийного окна и сверхдоходностей всех предшествующих дней окна:

,

В представленной формуле кумулятивная сверхдоходность акции i дня ф () получена путём суммирования всех сверхдоходностей акции i, начиная с первого дня событийного окна и заканчивая днём , для которого производится расчёт (как последний день событийного окна). Полученная величина показывает накопленный эффект события к каждому дню событийного окна.

Далее необходимо получить среднюю кумулятивную сверхдоходность (CAAR) как усреднённые по всем событиям CAR:

,

Для каждого дня из событийного окна средняя кумулятивная сверхдоходность ( вычисляется как сумма кумулятивных сверхдоходностей по всем событиям в день ф, разделённая на количество событий n.

Отдельно стоит упомянуть расчёт AAR для группы новостей регулирования, в которой каждое событие оказывает влияние на каждый банк. Сначала рассчитывается AR каждого события для всех компаний, а затем усредняется по количеству банков для каждого события. После измерения сверхдоходности в среднем по всем компаниям выборки для каждого события, мы продолжаем цепочку расчётов по обычной формуле AAR, где число наблюдений будет равно числу событий в каждый день событийного окна.

После проведённых расчётов можно проверить группу событий на информационную значимость. При проверке нас интересует знак полученного CAAR на событийном окне, а также его статистическая значимость. Нулевая гипотеза определяется как отсутствие влияния группы событий на событийном окне, или в виде математической записи:

,

,

Мы не предполагаем наличие какого-либо конкретного направления влияния заведомо, поскольку анализ российского банковского сектора осуществлён в достаточно ограниченном числе исследований с применением событийного анализа по выбранным группам, что не даёт возможности поставить нулевую гипотезу как одностороннюю (со строгим знаком «<» или «>»). Однако после изучения эмпирической литературы по другим рынкам мы можем ожидать отрицательного влияния группы понижения кредитных рейтингов и группы новостей регулирования. Влияние повышения дивидендов и повышения кредитных рейтингов неоднозначно в рассмотренных исследованиях. При получении значимого влияния CAAR после проверки гипотез мы сможем по знаку этой величины определить верность наших предположений.

Для проверки значимости будет использован двусторонний критерий Стьюдента (t - статистика). В случае событийного анализа его вычисление будет производиться по следующей формуле:

,

Выборочная дисперсия кумулятивных сверхдоходностей рассчитывается как:

,

Напоминаем принятые обозначения: - средняя кумулятивная сверхдоходность на событийном окне , - кумулятивная сверхдоходность события i на событийном окне, n - количество событий в выборке.

В некоторые группы попало небольшое число событий. Критерий Стьюдента устойчив к малому числу наблюдений, однако может давать искажённые результаты при ненормальности распределения CAR, что вероятно при малом числе наблюдений. При необходимости мы проверяем такие группы событий дополнительно на значимость при помощи непараметрического теста GRANK (nonparametric generalized rank), который устойчив к малому числу наблюдений, автокорреляции и превосходит другие тесты по мощности в таких ситуациях (Kolari & Pynnonen, 2011).

Для его применения вычисляется стандартизированная сверхдоходность для окна оценки:

,

Далее для каждого дня в событийном окне рассчитывается стандартизированная кумулятивная сверхдоходность:

,

В этих двух формулах и вычисляются аналогично Campbell et al. (1998). Кроме того, мы стандартизируем полученные SCAR в рамках одного дня на событийную дисперсию:

,

В данном случае стандартное отклонение вычисляется как корень выборочной дисперсии:

,

Генерализированные стандартизированные сверхдоходности выглядят следующим образом:

,

Полученные GSAR ранжируются от большего к меньшему, и очищаются от среднего (demeaned standardized abnormal ranks):

,

где T - количество дней периода оценки.

Далее рассчитывается тестовая статистика GRANK-T или :

,

Где

,

,

В представленных формулах W обозначает множество дней, в которое входят все дни периода оценки и один кумулятивный день событийного окна, значимость которого мы проверяем. Т - общее количество наблюдений в периоде оценки (255 дней в данном исследовании), - количество событий, по которым доступны наблюдения в момент t, а n - общее число событий. Итоговое значение статистики сравнивается с критическим значением из таблицы распределения Стьюдента.

По аналогии с CAAR мы также протестируем значимость средней сверхдоходности AAR, так как это позволит понять, какое среднее влияние оказывает группа событий в каждый день событийного окна отдельно.

Необходимо проверить нулевую гипотезу о незначимости группы событий в каждый день событийного окна. Ниже представлена математическая постановка нулевой гипотезы:

,

Для проверки значимости воспользуемся формулами:

,

,

2.2 Отбор данных

В этой части мы обобщим ранее частично описанные используемые нами в исследовании данные, а также более подробно расскажем об источниках и способах отбора данных (итоговое число наблюдений в каждой группе представлено в Приложении 1).

1. По 14 исследуемым банкам мы собрали данные о дневных ценах закрытия с января 2012 года по апрель 2018 года через базу Thomson Reuters Eikon.

2. По каждой группе и подгруппе событий (количество полученных наблюдений описано в части отбора событий методологии событийного анализа) даты новостей были отобраны через базу Bloomberg.

3. Дневные значения индекса ММВБ банков и финансов был загружен с сайта Московской Биржи.

Дальнейшая обработка данных была осуществлена при помощи инструментов языка программирования R, с использованием пакета «eventstudies». Данный пакет позволяет бороться с тремя типами пропусков данных при применении метода событийного анализа: пропуски в ряду рыночной доходности, в доходностях отобранных компаний и пропуски дат событий. Благодаря специальному алгоритму, события, выпадающие на дни с пропущенными доходностями, убираются из выборки, что значительно облегчает поиск релевантных дат. Таким образом, внутри каждой группы сначала были собраны все доступные события через терминал Bloomberg, на следующем шаге были удалены пересекающиеся даты в рамках событийного окна, а затем три группы данных совмещены в одну таблицу, из которой программа автоматически убирала наблюдения с пропусками.



3. Эмпирические результаты

Для каждой группы событий была протестирована нулевая гипотеза о незначимости влияния группы на доходность выбранных банков по средней кумулятивной сверхдоходности. Для каждого событийного окна получаем:

,

,

,

,

,

,

,

,

Также протестирована гипотеза о равенстве нулю средней сверхдоходности в каждый день 11-дневного событийного окна ([-5; +5]):

,

,

Представим результаты отдельно по каждой группе событий (обобщённые результаты проверки гипотез представлены в Приложении 1).

3.1 Объявления о выплате дивидендов

Как уже было отмечено ранее, существуют исследования как по объявлениям о выплате дивидендов вне зависимости от их размера, так и работы, изучающие реакцию доходностей на объявления о понижении или повышении размера дивидендных выплат. Мы протестировали обе категории.

При рассмотрении объявлений о выплате дивидендов мы получили значения тестовых статистик и значений CAAR в каждом событийном окне (Таблица 7).

Таблица 7. CAAR для исследуемых событийных окон по группе событий объявления дивидендов.

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	-0,90%	-1,05	0,30
CAAR [-3;+3]	-0,80%	-1,47	0,15
CAAR [-2;+2]	-0,55%	-1,21	0,23
CAAR [-1;+1]	-0,29%	-0,83	0,41

Источник: расчёты автора.

Для каждого событийного окна были получены отрицательные CAAR по объявлениям дивидендов любой величины. Для всех окон p-value больше 10%, что свидетельствует о незначимости результата, мы не можем отвергнуть нулевую гипотезу. При рассмотрении несимметричных окон внутри выбранных значимых CAAR также обнаружено не было. Аналогично не обнаружено резких значимых скачков средней сверхдоходности (AAR) на событийном окне (Таблица 8). Такой результат может объясняться тем, что смешение разнонаправленных новостей о снижении или повышении дивидендов с примерно одинаковыми абсолютными величинами изменений может привести к наложению их влияния друг на друга и приближении среднего к нулю, по этой причине не удаётся отвергнуть гипотезу о равенстве средней накопленной сверхдоходности нулю. Несмотря на такую вероятность, исследования о влиянии объявлений дивидендов любой направленности могут показывать значимые результаты, как, например, в рассмотренной работе Grinblatt et al. (1984).

Таблица 8. AAR для исследуемых событийных окон по группе событий объявления дивидендов.

День событийного окна	Значение AAR	t-статистика	p-value
-5	-0,14%	-0,53	0,60
-4	0,24%	1,26	0,21
-3	-0,11%	-0,58	0,57
-2	0,10%	0,43	0,67
-1	-0,16%	-0,75	0,46
0	-0,04%	-0,17	0,87
1	-0,09%	-0,34	0,73
2	-0,36%	-1,59	0,12
3	-0,14%	-0,53	0,60
4	0,21%	0,55	0,58
5	-0,41%	-1,42	0,16

Источник: расчёты автора.

Отдельно была протестирована группа событий повышения дивидендов российскими банками (Таблица 9).

На выбранных событийных окнах мы получили положительные средние кумулятивные доходности, что согласуется с предположенным знаком влияния группы событий, однако результат в заданных границах оказался незначимым.

Таблица 9. CAAR для исследуемых событийных окон по группе событий повышения дивидендов.

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	0,71%	0,49	0,63
CAAR [-3;+3]	0,27%	0,40	0,70
CAAR [-2;+2]	0,54%	0,75	0,46
CAAR [-1;+1]	0,73%	1,34	0,20

Источник: расчёты автора.

Интересный результат наблюдался на промежуточном окне [-2;1], на нём CAAR значим на 10% уровне (Таблица 10, значимость на уровне 10% обозначена как sig).

Таблица 10. CAAR для событийного окна [-2;+1] по группе событий повышения дивидендов.

День событийного окна	Значение CAAR	t-статистика	p-value
-2	0,53%	1,52	0,15
-1	0,33%	0,59	0,56
0	0,88%	1,77 sig	0,09
1	1,26%	1,91 sig	0,07

Источник: расчёты автора.

Одновременно мы наблюдаем только один значимый день (на уровне 5%) на событийном окне при оценке AAR, это второй день после объявления о выплате дивидендов, в который произошло резкое снижение сверхдоходности в среднем по сектору на 0,72% после предшествующего повышения (Таблица 11). В день [0] и [-1] мы можем наблюдать увеличение средних кумулятивных сверхдоходностей (Рисунок 2), что соотносится с теорией, в которой описывается краткосрочный положительный эффект от объявления о повышении дивидендных выплат. Однако, как можно заметить из Таблицы 11, данное влияние оказывается незначимым в оба дня.

Таблица 11. AAR по группе событий повышения дивидендов.

День событийного окна	Значение AAR	t-статистика	p-value
-5	-0,25%	-0,79	0,44
-4	0,50%	1,94	0,07
-3	-0,20%	-0,62	0,55
-2	0,53%	1,52	0,15
-1	-0,20%	-0,56	0,58
0	0,55%	1,63	0,12
1	0,37%	0,71	0,48
2	-0,72%	-2,10 *	0,05
3	-0,07%	-0,21	0,84
4	0,33%	0,47	0,64
5	-0,15%	-0,27	0,79

* - значимость на уровне 5%

Источник: расчёты автора.

Рисунок 2. Изменение CAAR на событийном окне [-5;+5] для группы событий повышения дивидендов.

Значимый результат был обнаружен на окне [-2;+1], однако поскольку в данную выборку попало мало значений (20 наблюдений), необходимо проверить значимость CAAR на событийном окне [-2;+1] дополнительно с помощью непараметрического теста GRANK. В результате проведения теста мы получили такие значения статистики и p-value:

,

,

Таким образом, статистика GRANK-T подтвердила значимость событий повышения дивидендов на уровне 5% на событийном окне [-2;+1]. Полученный CAAR на данном событийном окне положителен и равен 1,26%., т.е., в среднем, объявление об увеличении дивидендов приводит к кумулятивному увеличению доходности российских банков к первому дню после объявления. Направление влияния согласуется с результатами работы Kumar (2015), а окно, на котором был установлен данный эффект - с нашими предположениями о краткосрочности влияния данной группы. При выборе более длинного событийного окна мы получаем незначимый результат, что говорит о том, что слухи о событии не распространяются заранее, а влияние группы непродолжительно. В то же время при выборе самого узкого окна в 3 дня мы не учитываем эффект слухов, поэтому также получаем незначимый результат.

Тем не менее мы отмечаем необходимость продолжать исследования данной группы событий с целью накопления большего числа наблюдений, чтобы подтвердить полученный результат на долгосрочном интервале.

3.2 Изменения кредитных рейтингов

Для определения влияния изменения кредитных рейтингов на динамику акций банковского сектора были проанализированы две группы: события повышения кредитных рейтингов и события их понижения.

Рассмотрим сначала результаты группы понижения кредитных рейтингов. Для событийных окон [-5;+5] и [-1;+1] были получены отрицательные значения CAAR, значимые на уровне 10% и 5% соответственно (Таблица 12). Таким образом для этих окон мы можем отвергнуть нулевую гипотезу о незначимости влияния новостей о снижении кредитного рейтинга. На 11-дневном окне значение CAAR равняется -2.43%, что позволяет установить прямую связь между снижениями кредитных рейтингов и снижением доходностей акций банковских организаций России.



Таблица 12. CAAR для исследуемых событийных окон по группе событий понижения кредитных рейтингов.

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	-2,43%	-1,69 sig	0,09
CAAR [-3;+3]	-1,80%	-1,39	0,17
CAAR [-2;+2]	-1,42%	-1,05	0,30
CAAR [-1;+1]	-1,72%	-1,88 *	0,05

sig - значимость на уровне 10% * - значимость на уровне 5%

Источник: расчёты автора.

Значимые результаты можно также наблюдать для многих внутренних окон 11-дневного событийного окна: так, значимые результаты получены для окон [-5;-2], [-5;-1]; [-5;0] и [-5;+1], на котором негативное воздействие оказалось значимым на 1% уровне и по абсолютной величине составило максимальные 3,2% (Таблица 13).

При рассмотрении графика CAAR можно отметить резкое и продолжительное падение кумулятивной средней сверхдоходности за 3 дня до даты события и продолжение падения вплоть до 1 дня после событий с небольшим повышением в день 0 (Рисунок 3). На основании полученных результатов и их графической иллюстрации мы можем предположить, что для данной группы новостей характерно появление слухов, поскольку основная доля эффекта пришлась на дни до события, тогда как это отрицательное влияние сохраняется лишь в течение 1 дня после. Однако рассматривать окно более 11 дней в банковском секторе мы считаем нецелесообразным, поскольку, как уже отмечалось ранее, риск кластеризации данных высок в этой сфере.

Таблица 13. СAAR для событийного окна [-5;+5] по группе событий понижения кредитных рейтингов.

День событийного окна	Значение СAAR	t-статистика	p-value
-5	-0,36%	-0,88	0,38
-4	-0,20%	-0,33	0,74
-3	-0,54%	-0,74	0,46
-2	-1,49%	-1,70 sig	0,09
-1	-2,85%	-2,70 **	0,01
0	-2,77%	-2,40 *	0,02
1	-3,20%	-2,84 **	0,01
2	-1,95%	-1,56	0,12
3	-2,00%	-1,58	0,12
4	-1,87%	-1,42	0,16
5	-2,43%	-1,69 sig	0,09

sig - значимость на уровне 10% * - значимость на уровне 5%

** - значимость на уровне 1%

Источник: расчёты автора.

Рисунок 3. Изменение CAAR на событийном окне [-5;+5] для группы событий понижения кредитных рейтингов.

Результаты тестирования AAR показывают, что в дни -2 и -1 наблюдалась значимая отрицательная средняя сверхдоходность, что подтверждает наличие слухов до дня события (Таблица 14). В то же время, краткосрочное повышение в день 0, которое мы увидели на графике CAAR является в отдельный день незначимым, а потому можем пренебречь его влиянием на общий понижательный тренд в течение нескольких дней.



Таблица 14. AAR для группы событий понижения кредитных рейтингов.

День событийного окна	Значение AAR	t-статистика	p-value
-5	-0,36%	-0,88	0,38
-4	0,16%	0,43	0,67
-3	-0,34%	-1,05	0,30
-2	-0,95%	-1,86	0,07
-1	-1,36%	-2,03	0,05
0	0,08%	0,15	0,88
1	-0,43%	-1,39	0,17
2	1,25%	1,54	0,13
3	-0,04%	-0,16	0,87
4	0,12%	0,38	0,70
5	-0,56%	-1,58	0,12

* - значимость на уровне 5% ** - значимость на уровне 1%

Источник: расчёты автора.

Полученный результат согласуется с основной массой существующих работ по теме: обнаружено значимое отрицательное влияние новостей о понижении кредитного рейтинга на доходность акций. В российском банковском секторе такой результат был ожидаем: новости по изменению рейтингов выходят относительно часто и служат ориентиром для рынка в целом. Основная доля событий относится именно к категории понижения кредитного рейтинга, что тесно связано с существованием в России на протяжении долго времени значительного числа слабых неустойчивых кредитных организаций, ужесточение политики по отношению к которым продолжается в течение изучаемого периода (с 2013 года по 2018 год). В связи с этим полученные результаты являются особенно актуальными и ожидаемыми в терминах направления изменения, а также существенными по величине: понижение кредитного рейтинга эмитента приводит в среднем к кумулятивному снижению доходности на 2,43%.

Анализ группы повышения кредитных рейтингов дал противоречивые результаты. На окнах [-5;+5] и [-2;+2] были получены значимые на 10% уровне отрицательные кумулятивные сверхдоходности, что не поддаётся объяснению с точки зрения теории, в то же время на окнах [-3;+3] и [-1;+1] значимость обнаружена не была (Таблица 15).

Таблица 15. CAAR для исследуемых событийных окон по группе событий повышения кредитных рейтингов.

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	-2,25%	-1,85 sig	0,07
CAAR [-3;+3]	-0,03%	-0,03	0,98
CAAR [-2;+2]	-1,34%	-1,67 sig	0,10
CAAR [-1;+1]	0,20%	0,42	0,68

Источник: расчёты автора.

Чтобы найти объяснение полученным результатам было принято решение отдельно рассмотреть среднюю сверхдоходность в каждый день событийного окна. Как видно из Таблицы 16 и Рисунка 4, в дни 0 и 1 значение средней сверхдоходности было положительным: 0,13% и 0,14% соответственно, что совпадает с предполагаемым знаком влияния, однако оказалось незначимым. Значимость имеют понижения в дни -2 и 2, сама структура полученных AAR и CAAR выглядит крайне неоднородной. Помимо этого, на событийном окне [-1; +1], которое исключает практически полностью риск кластеризации данных, значение CAAR также оказалось положительным. В связи с неоднозначностью структуры CAAR, направлением влияния, которое противоречит теоретическим предпосылкам и обнаруженными положительными значениями CAAR на узких временных промежутках в дни, когда это могло быть ожидаемо для новости о повышении кредитного рейтинга, мы приходим к выводу о возможной кластеризации данных. Вероятно, в событийное окно выборки попали события, не относящиеся к группе и не вошедшие в её состав, но повлиявшие на результат. Как показывают предшествующие исследований, чаще всего для группы повышения кредитных рейтингов значимость взаимосвязи с доходностью не подтверждается, однако если связь значима, она положительная.

Рисунок 4. AAR на событийном окне [-5;+5] для группы событий повышения кредитных рейтингов.

Таблица 16. AAR для группы событий повышения кредитных рейтингов.

День событийного окна	Значение AAR	t-статистика	p-value
-5	-1,01%	-2,88	0,01
-4	-0,24%	-0,78	0,44
-3	0,59%	1,20	0,24
-2	-0,74%	-1,66	0,11
-1	-0,07%	-0,20	0,85
0	0,13%	0,40	0,69
1	0,14%	0,64	0,53
2	-0,80%	-2,83 **	0,01
3	0,72%	1,37	0,18
4	-0,75%	-3,11 ***	0,00
5	-0,21%	-0,96	0,34

** - значимость на уровне 1% *** - значимость на уровне < 1%

Источник: расчёты автора

3.3 Новости регулирования

Мы рассмотрели четыре подгруппы новостей регулирования, актуальных на исследуемом периоде в российском банковском секторе. В подгруппу 1 вошли все события, которые относятся к отзыву лицензий у любых банков с 2013 года по 2018 год, с добавлением дат введений новых требований Базеля III. Результаты оценки значимости влияния данной группы событий на CAAR представлены в Таблице 17.

Только самое узкое окно в 3 дня показывает наличие значимой на 10% уровне связи между новостями регулирования подгруппы 1 и движением доходностей акции. Знак предполагаемого изменения отрицательный, а CAAR составляет -0.24%. На одиннадцатидневном окне мы видим падение кумулятивной средней сверхдоходности в -1, 0 и +1 дни окна, наиболее близко к дате события (Рисунок 5). Именно на таком окне был получен значимый отрицательный результат для CAAR.

Таблица 17. CAAR для исследуемых событийных окон по группе новостей регулирования (подгруппа 1).

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	0,24%	0,66	0,51
CAAR [-3;+3]	-0,06%	-0,24	0,81
CAAR [-2;+2]	-0,10%	-0,50	0,62
CAAR [-1;+1]	-0,24%	-1,74 sig	0,08

sig - значимость на уровне 10%

Источник: расчёты автора.

Таким образом, мы можем говорить о влиянии новостей об отзывах лицензий банков на систему в целом в течение одного дня до и одного дня после новости. Такое наблюдение оказалось неожиданным в контексте длительности влияния: первоначально мы предполагали возможность распространения слухов задолго до даты события, и, соответственно, обнаружение потенциально незначимого эффекта новости, которая была заведомо известна рынку. Однако новости об отзыве лицензий не только значимо повлияли на средние доходности, но и оказывали это влияние на максимально близком к новости промежутке. Поскольку банки, у которых отзывали лицензии, преимущественно уступают в размере и значимости банкам из нашей выборки, то при отзыве лицензии других банков в секторе не происходит значительное снижение конкуренции и увеличения доходностей, однако создаётся общий негативный фон неопределённости в секторе.

В каждый отдельный день событийного окна подгруппа 1 оказывала незначимое влияние на AAR (Таблица 18), результат виден только как накопленный эффект, отражённый в CAAR.

Таблица 18. AAR для группы новостей регулирования (подгруппа 1).

День событийного окна	Значение AAR	t-статистика	p-value
-5	-0,08%	-1,02	0,31
-4	0,16%	1,78	0,08
-3	0,00%	0,03	0,98
-2	0,04%	0,40	0,69
-1	-0,12%	-1,29	0,20
0	-0,04%	-0,40	0,69
1	-0,09%	-1,12	0,27
2	0,10%	0,91	0,37
3	0,03%	0,34	0,74
4	0,10%	0,83	0,41
5	0,13%	1,15	0,25

Источник: расчёты автора.

В подгруппе 2 мы собрали только те новости об отзывах лицензий, которые находились в топе рейтинга наиболее значимых новостей Bloomberg, отсекая информацию по банкам, потенциально не влияющим на систему в целом.

По результатам оценки CAAR, были получены результаты, аналогичные подгруппе 1: окна длинною [-5;+5], [-3;+3]; [-2;+2] оказались слишком длинными для того, чтобы захватить эффект событий, однако на окне [-1;+1] мы снова получили значимую отрицательную величину CAAR, однако в этот раз она оказалась больше по модулю: 0,71% против ранее полученных 0,24%, также удалось отвергнуть нулевую гипотезу о незначимости на 5% уровне (Таблица 19).

Рисунок 5. Изменение CAAR на событийном окне [-5;+5] для группы новостей регулирования (подгруппа 1).

Таблица 19. CAAR для исследуемых событийных окон по группе новостей регулирования (подгруппа 2).

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	0,03%	0,02	0,98
CAAR [-3;+3]	-0,38%	-0,42	0,68
CAAR [-2;+2]	-0,32%	-0,54	0,60
CAAR [-1;+1]	-0,71%	-2,29 *	0,03

* - значимость на уровне 5%

Источник: расчёты автора.

Как мы можем наблюдать на графике CAAR (Рисунок 6), в целом влияние оказывается большим по величине, чем в подгруппе 1. Также отметим, что в ходе анализа промежуточных окон мы получали значимое отрицательное влияние на окнах, заканчивающихся первым днём после события. Например, на окне [-5,+1] величина CAAR составила -0.8% со значимостью на 5% уровне. Помимо этого, на уровне средних сверхдоходностей была отмечена индивидуальная значимость первого дня после объявления события со значением AAR -0,27%.

Рисунок 6. Изменение CAAR на событийном окне [-5;+5] для группы новостей регулирования (подгруппа 2).

В данной группе мы рассматривали небольшое количество наблюдений, а потому применили дополнительно непараметрический тест GRANK для подтверждения значимости CAAR на окне [-1;+1].

,

,

Таким образом, значимость влияния событий из подгруппы отзывов лицензий у более крупных банков (а именно такие новости входили в топ Bloomberg) подтвердилась на уровне 1%. Найденная зависимость согласуется с логическими рассуждениями о том, что при отсечении новостей о банках, уход которых с рынка потенциально не влияет на систему в целом, мы уберём шумовые данные и получим очищенную, более сильную и устойчивую зависимость, если она имеется.

В следующей подгруппе (подгруппа 3) мы рассматривали новости об отзывах лицензий и введении нормативов Базеля III в совокупности с датами, в которых начали появляться слухи об отзывах или информация, потенциально приводящая к подобному исходу. Как видно из Таблицы 20, результаты подгруппы 3 практически не отличаются от первой: мы получили значимость только на окне [-1;+1], величина CAAR немного больше по модулю, чем для первой подгруппы: 0.37% против 0,24%, отрицательная по знаку. На промежуточных окнах значимость обнаружена не была, что в сравнении с предыдущей группой даёт более слабый результат (Таблица 20).

Мы предполагаем, что добавление событий-слухов размывает полученный эффект, возможно, не все отобранные события-слухи были верно определены при отборе и не все они действительно вызывали реакцию рынка.

Чтобы проверить это предположение, мы протестировали последнюю подгруппу новостей (подгруппа 4) регулирования, включающую в себя только события, предвещающие отзыв лицензии или относящиеся к слухам о потенциальном отзыве.

Таблица 20. CAAR для исследуемых событийных окон по группе новостей регулирования (подгруппа 3).

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	0,31%	0,53	0,59
CAAR [-3;+3]	0,08%	0,18	0,86
CAAR [-2;+2]	-0,09%	-0,29	0,78
CAAR [-1;+1]	-0,37%	-1,95 sig	0,06

sig - значимость на уровне 10%

Источник: расчёты автора.

На любых событийных окнах знак зависимости оказался положительным, но не значимым (Таблица 21).

Таблица 21. CAAR для исследуемых событийных окон по группе новостей регулирования (подгруппа 4).

	Значение CAAR	t - статистика	p-value
CAAR [-5;+5]	0,29%	0,37	0,71
CAAR [-3;+3]	0,37%	0,53	0,60
CAAR [-2;+2]	0,35%	0,56	0,58
CAAR [-1;+1]	0,04%	0,10	0,92

Источник: расчёты автора.

В результате мы не получили информации о каком-либо значимом влиянии событий-слухов об отзывах лицензий на сектор в целом, и, действительно, подтверждается наш вывод о том, что включение этой категории событий в выборку приводит к размыванию результата.

Подводя итог для общей группы новостей регулирования, можем сказать, что существует значимое отрицательное воздействие новостей об отзывах лицензий на банковский сектор в целом на событийном окне [-1;+1]. При включении в выборку информации только по более значимым и крупным банкам приводит к увеличению полученного влияния по величине. Общее влияние такой группы составляет менее 1% по модулю, т.е., несмотря на наличие системного риска, он является небольшим по величине. Включение в выборку событий, предвещающих отзыв лицензий приводит к её размыванию и менее значимым результатам, поскольку сами по себе такие новости не оказывают значимого влияния на движение доходностей акций банковского сектора. Наличие отрицательной реакции на новости об отзывах лицензий в других банках в короткий временной промежуток вокруг даты события может говорить о возрастающей неопределённости на рынке в этот период, что сказывается на падении средних доходностей во всей банковской системе.



4. Альтернативные способы оценки влияния новостей на акции

4.1 Методы и данные

В этой части работы мы представим результаты альтернативного измерения влияния новостей на движение акций российских банков при помощи построения новостного индекса по методологии Baker et al. (2016).

Новостной индекс политико-экономической неопределённости (далее EPU) рассчитывается на основе подсчёта количества статей в различных СМИ в течение каждого месяца исследуемого периода - с 2013 года (апрель в случае индекса, что связано со сменой главы Центрального Банка России и началом активной политики оздоровления сектора) по настоящий момент (апрель 2018 года). В статье Baker et al. (2016) индекс EPU по России рассчитывается по единственному изданию - газете «Коммерсантъ», что потенциально может отразиться на искажении результатов. Для нашего индекса мы расширили список источников новостей: помимо газеты «Коммерсантъ» были включены данные по «Российской газете» и ежедневной газете «РБК». Данные полнотекстовых статей были получены через информационную базу Integrum. Поскольку мы рассматриваем не рынок в целом, а его отдельный сектор, то поисковый запрос строился по статьям, в которых появлялись термины и слова, относящиеся к банковскому сектору (например, слово «банк» или слово «ЦБ» или слово «лицензия» и т.д., полный список слов поискового запроса представлен в Приложении 3). В результате было получено 16938 полнотекстовых статей из газеты «Коммерсантъ», 9794 статьи из «Российской газеты» и 7990 из «РБК».

В базовой статье авторы опираются на два метода отбора данных: вручную и с применением компьютерного текстового анализа. Результаты оказались очень близки по своей значимости, поэтому исследователи заключают, что методы текстового анализа могут аппроксимировать человеческие оценки (Baker et al., 2016 p. 11-13).

Полученные статьи прошли процедуру текстового анализа. С помощью программы Python с использованием библиотеки NLTK (пакета обработки языка) мы собрали все статьи в один слитный текст, удалив после этого все символы пунктуации и цифры. Полученный текст был «токенизирован» - были получены все уникальные слова с частотой их попадания в текст. Данная процедура была необходима, чтобы понять, какие слова и выражения наиболее часто встречаются, чтобы оценить, какие из них могут быть использованы для построения индекса, а какие не имеет смысла искать в итоговом тексте. Нами были найдены наиболее частые слова, пары слов (биграммы) и тройки слов (триграммы). Создатели оригинального индекса определяли, принимать ли статью в расчёт индекса или нет, на основании трёх критериев: статья должна содержать в себе слова, относящиеся к категории «экономика», также слова, отнесённые авторами к категории «политика» и к категории «неопределённость». Только содержащие в себе все три группы слов статьи учитываются в индексе. Для России авторы использовали слова «экономика», «политика», «неопределённость для соответствующих категорий, а также субъективно определённые прочие слова: «госбюджет», «государство», «законодательный акт», «Крым» и т.д.

Отметим, что при отборе данных из базы Integrum мы уже применили отбор категории экономики, включив её банковский сектор в анализ. Таким образом, нам осталось определить только две категории «политических» слов и слов-маркеров неопределённости. При анализе полученных частых слов и выражений мы определили категории «политика и регулирование» и «неопределённость» (полный список полученных слов и словосочетаний смотреть в Приложении 3).

Помимо выбранных слов мы также составили список стоп-слов, при наличии которых в статье мы убираем её из выборки. К таким «шумовым» словам мы отнесли, например, «ЕГЭ», попавшее в выборку из-за выражения «банк заданий», или «Эльмир», имя футболиста ФК «Зенит» (Санкт-Петербург) по фамилии Набиуллин (список стоп-слов можно увидеть в Приложении 3).

Далее для каждого месяца в каждой газете мы подсчитали число статей, содержащих слова из обоих списков. Отметим, что полученные списки являются пересекающимися множествами, поскольку в них встречаются слова, относящиеся как к неопределённости, так и к политике и регулированию одновременно. Чтобы учесть ежемесячную разницу в общем выпуске статей по каждой газете мы находим отношение числа статей по теме политико-экономическая неопределённость для каждой газеты в каждый месяц ( к общему числу статей о банковском и финансовом секторе в газете i в месяц t ( и стандартизируем данное отношение на стандартное отклонение за период построения индекса:

,

,

В данной формуле EPU_it - значение индекса по одной газете i в месяц t. В результате мы получаем три временных ряда. Далее рассчитывается среднее значение индекса по всем газетам в каждый месяц, после чего величина нормализуется к среднему значению 100:

,

,

В представленных равенствах n - это число газет (в нашем случае 3), k - число месяцев (60 для нашего исследования).

Итоговое значение и представляет собой новостной индекс политико-экономической неопределённости в российском банковском секторе.

Мы следуем постановке задачи в Brogaard & Detzel (2015) и строим панельную регрессию по месячным доходностям 14 банков в течение 60 месяцев на изменение полученного индекса EPU (всего 715 наблюдений в регрессии с учётом пропусков данных), а также учитываем в ней влияние рыночного индекса MICEX в качестве контрольной переменной (регрессия строится при помощи пакета «plm» в R Croissant, Y., Milo, G. Panel Data Econometrics in R: The plm Package // Journal of Statistical Software. 2008. Vol. 2 (27). P. 1-10.). Таким образом, регрессия будет выглядеть следующим образом в покомпонентной записи:

,

где - изменение индекса политико-экономической...