Размещено на http://www.allbest.ru/

ПЕРМСКИЙ ФИЛИАЛ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО АВТОНОМНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономики, менеджмента и бизнес-информатики

Выпускная квалификационная работа

Детерминанты, влияющие на величину валютного спреда, устанавливаемого коммерческими банками

Подкорытова Анастасия Андреевна

Пермь, 2018 год



Оглавление

Введение

1. Обзор литературы

1.1 Волатильность

1.2 Объем сделок

1.3 Ликвидность валюты

1.4 Порядок установления курса валют

1.5 Текущая ситуация в банковском секторе в России

2. Постановка исследовательского вопроса

2.1 Обоснование гипотез

2.2 Обоснование методов проведения исследования

3. Данные

4. Методология исследования

4.1 Описание выборки

4.2 Предварительный анализ данных

4.3 Корреляционный анализ

4.4 Регрессионный анализ

5. Результаты

5.1 Описание результатов

5.2 Возможные ограничения исследования

Заключение

Список использованных источников

Аннотация

Приложение



Введение

На сегодняшний день на территории Российской Федерации располагается 355 коммерческих банков, имеющих право осуществлять операции с валютой (по состоянию на 01.03.2018) (Центральный Банк Российской Федерации, 2018). Валютные операции актуальны как для домохозяйств, так и для фирм. В настоящее время доля рубля в международных расчетах невелика и составляет менее 1%. Российский рубль доминирует только в двусторонних сделках с российскими компаниями, а в расчетах все же превалирует доля доллара США (Центральный Банк Российской Федерации, 2017). Это говорит о том, что наша национальная валюта не выполняет функцию универсальной меры стоимости и платежа. Ежедневно граждане РФ покидают пределы страны с иностранной валютой, оформляют валютные денежные переводы, совершают валютные вклады, а фирмы ведут расчет с иностранными поставщиками и покупателями, оказывают услуги, расчет за которые ведется в валюте. Вопрос о том, когда и где выгоднее поменять валюту, беспокоит потребителей настолько часто, что в 2016 году компания «РБК» запросила у аналитического агентства Markswebb Rank & Report анализ курса продажи и покупки валюты в 20 крупнейших банках. Результатом исследования заинтересовались почти 100 тысяч человек. Высокий интерес по данной теме особенно проявился среди потребителей в связи с нестабильной ситуацией на валютном рынке вследствие экономической и геополитической ситуации (РосБизнесКонсалтинг, 2016). Но не только потребителю важно понимать цену продажи или покупки доллара США, евро и других иностранных валют, но и самим коммерческим банкам. Высокие риски, связанные в том числе с девальвацией национальной валюты, переход к новому режиму регулирования валютного курса 10 ноября 2014 года привели к тому, что банки должны были найти способ повышения своего дохода. Одним из таких вариантов стало увеличение валютного спреда. Это разница между ценой продажи и ценой покупки валюты, устанавливаемой банком (Huang, Stoll, 1997). Однако, что именно определяет разницу между этими двумя ценами? Какие факторы влияют на валютный спред, который устанавливают различные коммерческие банки?

Стоит отметить, что банки, устанавливая валютные курсы, ориентируются на то, что происходит на валютном рынке (Booth, 1984). Сигнал, который подает рынок для банков, отражается в официальном курсе, предоставляемого ежедневно Центральным Банком Российской Федерации. Данный курс носит исключительно информационный характер. Его колебания, в свою очередь, приводят к тому, что банки стараются минимизировать свои риски во времена «турбулентности» или, иначе говоря, нестабильности. Увеличение спреда является одной из таких возможностей (Frenkel, Levich, 1975).

Некоторые ученые отметили влияние самой валюты на курсообразование и ее ликвидности. Экономика в целом имеет тенденцию глобализации, а банковский сектор становится все более востребован по части валютных операций. Возникающий на рынке спрос на валюту может как стать дополнительным источником заработка (Narayana et al., 2015), так и снизить неопределенность, а значит и необходимость в расширении валютного спреда (Ding, 2009)

Анализируя предшествующую нашему исследованию литературу, мы выявили ряд факторов, которое имеет потенциальное влияние на спред. Однако, исследователи не сошлись в едином мнении, каким именно образом данные факторы влияют на спред, что лишь подчеркивает важность данного исследования.

Таким образом, основная цель данной работы - это выявление детерминантов, влияющих на величину валютного спреда, устанавливаемого коммерческими банками.

Задачи, соответствующие поставленной цели, можно сформулировать следующим образом:

- анализ экономических статей, посвященных валютному спреду, для определения уровня проработанности темы на текущий момент;

- выявление факторов на базе описанных моделей, которые могли бы оказать влияние на разницу между ценой продажи и ценой покупки иностранной валюты;

- сбор статистических данных по показателям и их анализ;

- построение регрессионной модели и оценка качества построенное модели;

- интерпретация полученных результатов;

- подведение итогов исследования и формулировка возможных ограничений.

Исследовательский вопрос: Какие факторы влияют на разницу между ценой продажи и ценой покупки иностранной валюты, устанавливаемую коммерческими банками?

Исследование детерминантов, влияющих на величину валютного спреда базировалось на данных о 94 коммерческих банков, взятых с информационного портала Mainfin.ru за период с 1 сентября 2017 года по 28 февраля 2018 года. Исследовались две валюты с разным уровнем ликвидности: евро и доллар США. Все исследуемые банки расположены на территории Российской Федерации. В работе построена линейная спецификация модели, оцененная моделью с фиксированными эффектами.

Данная работа состоит из 6 частей. В первой части работы произведен обзор существующей литературы, где отражаются возможные факторы, влияющие на величину валютного спреда. Во второй части работы «Постановка исследовательского вопроса» выдвинуты и обоснованы основные гипотезы исследования, обоснован метод проведения исследования. Далее были описаны данные и особенности их сбора. В четвертой части работы «Методология исследования» отражены этапы проведения исследования, анализ данных и регрессионный анализ с помощью эконометрического пакета Eviews. В части «Результаты» проинтерпретированы основные результаты исследования, а также выдвинуты возможные ограничения. В «Заключении» отражен итог проведенного исследования.



1. Обзор литературы

В вопросе о том, какие факторы влияют на валютный спред, авторы до настоящего времени не пришли к единому мнению. Это объясняется тем, что валютный рынок меняется с течением времени. Существующая тенденция к увеличению открытости экономики и ее глобализации привела к возникновению ряда особенностей, присущих валютному рынку: отсутствие каких-либо географических границ и определенного места расположения, ежедневное и круглосуточное функционирование рынка, неограниченное количество участников на рынке, а также высокая степень ликвидности товара (Basher et al., 2012).

Также с течением времени меняются валютные режимы в странах, а значит, изменяются и возможности банков и потребителей в части курсообразования. Изменение режима валютного регулирования переживали многие страны, в том числе и Россия. С 10 ноября 2014 года изменилась курсовая политика Банка России. От фиксированного обменного курса мы перешли к плавающему. Фиксированный курс действовал в России с 1999 года. С 2005 года Центральный Банк РФ стал осуществлять первые шаги для того, чтобы уменьшить свое вмешательство в процесс курсообразования и перейти в режим инфляционного таргетирования. Так, был создан коридор, или операционный интервал, в рамках которого должны были проходить все валютные операции. Конечно, границы коридора менялись в зависимость от платежного баланса и ситуации на внутреннем валютном рынке. Такая система препятствовала сильным колебаниям стоимости бивалютной корзины. Во время кризиса 2008 года Банк России перешел на автоматическое изменение границ интервала. Границы были расширены для большей гибкости курса рубля. Уже в октябре 2010 года Центральный Банк отменяет границы коридора и лишь сглаживает резкие колебания валютного курса. Допустимые значения курса рубля изменялись лишь в зависимости от объема валютных конвертаций. Но 10 ноября 2014 года Центральный банк отказался от поддержания обменного курса и взял новую цель - инфляция. Это говорит о том, что курс рубля определяется соотношение спроса на иностранную валюту и предложения на валютном рынке.

«Гибкий валютный курс помогает экономике России подстраиваться под меняющиеся внешние условия, сглаживая воздействие на неё внешних факторов» - сообщила пресс-служба Банка России (Центральный Банк Российской Федерации, 2014).

Данные изменения говорят о том, что ученым сложно выявить факторы, влияющие на валютный спред, и однозначно определить направленность этого влияния. Анализируя существующие работы, мы выделили три основных фактора, влияющих на разницу между ценой продажи и ценой покупки иностранной валюты: волатильность, размер заказа и ликвидность. Рассмотрим каждый фактор более детально.

1.1 Волатильность

Одно из первых исследований по этой теме было проведено еще в 1975 году в работе J. Frenkel и R. Levich, когда валютный спред был отнесен к трансакционным издержкам банков. Эмпирический анализ охватывал период с января 1962 года по ноябрь 1967 года. Так как исследование проводилось по данным британского фунта, удалось исследовать как «спокойный период», так и период девальвации фунта. По результатам исследования авторы выяснили, что расширение спреда происходит в момент «турбулентности», то есть во времена нестабильности, когда банкам следует как можно сильнее обезопасить себя от всевозможных рисков (Frenkel, Levich, 1975). Действительно, пытаясь оградить себя от возможных потерь, банк расширяет спред посредством увеличения доходов. Что подразумевает собой «момент турбулентности»? Это нестабильность, то есть колебания валютного курса или его волатильность. Впоследствии выяснилось, что трейдеры предсказывают волатильность, основываясь на предыдущих периодах, и полагаются на долгосрочные тренды в исследовании волатильности (Glassman, 1987). Данный вывод был сделан с помощью построенной автором линейной регрессионной модели. В статье исследуется дисперсия валютного курса (используются дневные данные). В качестве зависимой переменной - ежедневный процент спреда для каждой валюты - английский фунт, канадский доллар, немецкая марка, французский франк, японская йена, швейцарский франк. Также были использованы данные о ежедневном объеме валютных фьючерсов на Чикагской товарной бирже. Тогда был сделан один из важнейших выводов: на рынке участники учитывают не только краткосрочную волатильность (шаг расчета дисперсии составляет 5 дней), но и долгосрочную (шаг расчета дисперсии - 65 дней). Более того, автор выяснила, что чем сильнее колеблется курс, тем больше спред (Glassman, 1987).

Аналогичная точка зрения подтверждалась рядом работ других исследователей. Однако хотелось бы остановиться на работе американских финансистов 2015 года. Уникальность этой работы отмечена многими исследователями, так как результаты, полученные исследователями ранее, были подтверждены при использовании отличной от предыдущих моделей - регрессии Фамы-Макбета. Основываясь на предыдущих исследованиях, ожидается положительная связь между дисперсией курса и bid-ask спредом. В качестве спреда в работе использованы данные о ежедневных ценах закрытия, доступных в Центре исследований цен на безопасность (CRSP). На основе этих же данных был произведен расчет волатильности. Конечная выборка, использованная для дальнейшего анализа, состоит из 13 757 наблюдений в период с 1993 по 2012 год. Данные были разделены на две группы: до децимализации (с 1993 по 2000 гг.) и после децимализации (с 2001 по 2012 гг.). Децимализация - это процесс, когда основная денежная единица делится на несколько разменных единиц. Важность учета этого разделения авторы объясняют тем, что возрастает ликвидность, а значит, могут измениться коэффициенты. По результатам исследования авторы получили, что волатильность статистически значимо положительно влияет на спред, что объясняется увеличением неопределенности и сокращением возможных рисков. Благодаря разделению выборки на две подгруппы, исследователи также показывают, что, чем более ликвидна денежная единица, тем ниже ее bid-ask спред (Blau, Withby, 2015).

Дальнейшее изучение зависимости между волатильностью валютного курса и спредом отличалось использованием различных моделей, а также параметров, взятых в качестве объясняющих переменных. Авторы смотрели не только на абсолютные показатели спреда, но и использовали данные об изменяющейся во времени волатильности и о натуральном логарифме ежедневного изменения цены (Batchelor et al., 2016). Изучение таких показателей также предполагало положительную взаимосвязь между спредом и ценовой волатильностью. Также в исследованиях менялась и сама модель. Главное отличие заключается в том, что исследователи стали использовать авторегрессионную модель GARCH. Построенная ими зависимость имеет следующий вид (1):

,

где: BAS - bid-ask спред,

h - изменяющаяся во времени волатильность,

F -естественный логарифм ежедневного изменения цены FFA (средняя средняя цена котировок bid-ask).

Основываясь на результатах оценивания коэффициентов модели AR-GARCH, авторы показали, что расширение спреда свидетельствует об ожидании увеличения волатильности (Batchelor et al., 2016).

Несмотря на большое количество исследований, где было показано, что волатильность и валютный спред имеют положительную взаимосвязь, существует и альтернативная точка зрения. Ситуация в коммерческих банках складывается таким образом, что они действительно обращают внимание на волатильность. Но не важно, насколько сильно колеблется цена во время шоковых ситуаций, спред будет расширен при появлении первых предпосылок о надвигающемся кризисном периоде (Фролова и др., 2014). Данная точка зрения была доказана в исследовании российских авторов, которые использовали детальную информацию о торгах 29 голубых фишек за 4 месяца (т.е. 82 торговых дня) в 2010 году. Детальность данных заключалась в том, что в них содержалась информациях обо всех сделках, совершенных в ходе торгов, а также о времени исполнения, направленности (покупка/продажа), цене и объеме. Исследователи показали, что расширение спреда не связано с увеличением волатильности и спред всегда выше тогда, когда курс начинает сильно колебаться (Фролова и др., 2014).

Помимо этого, было проведено исследование, основанное на данных о валютном курсе (валютная пара доллар США/Российский рубль) ПАО «Сбербанк» в период с 21 ноября 2013 года по 24 апреля 2017 года. Волатильность рассчитывалась с шагом в 7 дней (т.е. исследуется краткосрочная волатильность). Ожидая, что дисперсия валютного курса окажет значимое влияние на спред, автор выяснил, что в период с 21 ноября 2013 года по 21 октября 2014 года и с 8 февраля 2016 года по 24 апреля 2017 года волатильность валютного курса оказывает статистически значимое влияние на спред (чем больше колебание, тем выше спред). Однако, с 1 ноября 2014 года по 7 февраля 2016 никакого влияния валютный курс на спред не оказывал. Это объясняется тем, что в период с 1 ноября 2014 года по 7 февраля 2016 года в России наблюдался валютный кризис, когда иные факторы в большей степени оказывали влияние на расширенный спред. (Ощепкова, 2017).

Конечно, коммерческие банки учитывают волатильность валютного курса. Многие авторы пришли к выводам о том, что при увеличении колебания курсов, увеличивается неопределенность и необходимость банков снижать риски, увеличивая доходы со сделок. Однако, если курс колеблется очень сильно, то банки могут завышать курсовую разницу и не менять ее до тех пор, пока ситуация на рынке не стабилизируется.

Таким образом, мы видим, что к единому мнению о влиянии волатильности валютного курса авторы не пришли.

1.2 Объем сделок

Также различное мнение среди авторов сложилось и при исследовании взаимосвязи между спредом и объемом сделок. Все проведенные исследования установили, что объем сделок значимо влияет на валютный спред, разница только в том, положительно или отрицательно. С одной стороны, очевидно, что, чем больше сделок и их размеров, тем выше спред. Банки не упускают возможность заработать, применяя для большого количества сделок более высокий спред (Huang, Stoll, 1997). Это было показано на данных о всех торгах и котировках для 20 крупных акций NYSE за 1992 год. Построив линейную регрессионную модель, они показали, что чем больше объемы и размеры сделок, тем выше спред и то, что неблагоприятная информация меньше влияет на спред в крупных сделках и больше - на средние и мелкие (Huang, Stoll, 1997).

В исследование 2015 года P. Narayana использовали ежедневные данные, охватывающие период с 1 января 1998 года по 31 декабря 2008 года для 734 американских фирм, зарегистрированных на NYSE. Целью их работы являлась установка взаимосвязей между ценой, объемом, волатильностью и спредом в динамике. Они предполагали, что предыдущее значение спреда влияет на текущее, объем заказов и цена объясняет валютный bid-ask спред. Исследование было проведено на модели с фиксированными эффектами. Для того чтобы оценить данное влияние, авторы брали данные по объемам операций. В этой работе объем сделок статистически значимо и положительно влияют на спред. Эти результаты также объясняются тем, что чем больше операций, тем больше банк хочет и может на них заработать. (Narayana et al., 2015).

С другой стороны, увеличение объемов сделок, их размеров свидетельствует о том, что снижаются риски и неопределенности банка. Много мелких заказов могут не составить аналогичную сумму для одного крупного за один и тот же период, объемы по валютным операциям будут снижаться. Здесь появляется альтернативная точка зрения. Снижение неопределенности уменьшает необходимость банка в желании обезопасить себя и тем самым, уменьшается разница между ценой продажи валюты и ценой ее покупки (Ding, 2009). Неопределенность, в свою очередь, уменьшается за счет того, что мы точно видим, что объемы валютных операций высоки, а значит, клиенты предпочитают обменивать валюту в данном коммерческом банке. Так, было показано, что объем сделок отрицательно влияет на спред. Данное исследование базировалось на данных онлайн-дилера на валютном рынке, который показывал котировки bid-ask спреда клиента и посредника в ответ на каждый торговый запрос c 7 по 14 июля без выходных. Ding построил GARCH-модель (аналогичная модель уже была использована ранее при оценки влияния волатильности на валютный спред) и выяснил, что на клиентском рынке спред отрицательно зависит от объемов сделки (Ding, 2009).

Одно из самых последних исследований 2017 года было проведено с целью осуществления анализа динамики разницы цены продажи и покупки и выявлении детерминантов спреда на индийском рынке государственных ценных бумаг. Предполагалось, что основными факторами, влияющими на спред, являются волатильность и объем сделок. В исследовании спред вычисляется для индийских государственных ценных бумаг из книги заказов ценных бумаг, обращающихся на анонимной платформе NDS-OM в период с октября 2013 года по март 2016 года. Авторы построили линейную регрессионную модель и выяснили, что спред имеет положительную связь с ценовой волатильностью и отрицательную взаимосвязь с объемом торгов на уровне значимости 1%. Объясняется данный результат аналогично тому, что в своем исследовании показал L. Ding в 2009 году (т.е., снижение неопределенности, следовательно, и снижение рисков ведет к снижению спреда) (Nath et al., 2017).

Исследование влияния объема заказов у банка на его валютный спред привело к двум альтернативным точкам зрения. В первом случае банк стремится заработать на своем положении, зная свои объемы по валютным операциям. Во втором, руководство банка понимает о своем положении на рынке, отслеживая свои объемы заказов и сделок, и может снизить спред в связи с уменьшением рисков или же наоборот повысить, если заказов мало и риски данного банка возрастают.

1.3 Ликвидность валюты

Говоря о том, каким образом ликвидность валюты влияет на спред, исследователи пришли к единому мнению относительно лишь одной валюты - доллара США: валюта высоко ликвидна, а спред у нее минимальный. Частота обмена снижает трансакционные издержки, делая транзакцию дешевле, а значит снижает спред для доллара. Это было показано в исследовании нескольких авторов (Мискин, 2008; Ярыгина, Гисин, 2014; Драгуца, Беда, 2016). Однако у каждого автора есть свои уточнения. Например, А. Мискин считает, что евро обладает более высоким спредом, чем доллар США. Он считает, что евро - единая валюта, является «одним из наиболее специфичных активов». Объясняется это тем, что евро заменило в обращении национальные денежные знаки многих стран. Как пишет сам автор: «Евро в современном виде никогда не существовало и значительные затраты по введению евро, исчисляемые не только экономическими показателями, но и политическими, и социальными, обуславливают высокую степень необратимости интеграционных процессов создания и совершенствования коллективных валют. Отказ от евро какой-либо страной членом ЭВС приведет к неопределенным результатам и грозит, возможно, еще более высокими издержками» (Мискин, 2008). Также автор выяснил, что в среднем спред составляет 1,3% от объема трансакции, но при этом чем больше количество трансакций, тем выше спред.

Авторы И. Ярыгина и В. Гисин считают, что ликвидность значимо влияет на спред, но только в совокупности с другими факторами (например, волатильность и/или объемы торгов) (Ярыгина, Гисин, 2014).

Проведя анализ литературы и выявив несколько основных источников, мы увидели, что возможное влияние на спред может оказывать волатильность валютного курса, ликвидность валюты и объемы сделок. Однако авторы не пришли к единому мнению ни по одному из этих факторов, строго аргументируя свою точку зрения.

1.4 Порядок установления курса валют

В исследовании мы рассматриваем коммерческие банки, осуществляющие свою деятельность на территории Российской Федерации, поэтому следует тщательным образом разобраться, по какому принципу устанавливаются курсы валют. В России порядок установления официального курса иностранной валюты установлен законом. Ежедневные данные, передаваемые Центральным Банком России во все средства массовой информации носят исключительно информационный характер и устанавливаются следующим образом: вычисляется среднее значение исследуемого курса иностранной валюты (доллар США, евро, английский фунт и т.д.) на торгах Единой торговой сессии (ЕТС) межбанковских валютных бирж по состоянию на 11 часов 30 минут (UTC +03:00). В полномочия Банка России не входит принуждение коммерческих банков устанавливать те или иные курсовые значения по отношению к российскому рублю. Данная система работает с 2003 года и не меняется вот уже на протяжении пятнадцати лет. Из этого следует тот факт, что курс доллара США, евро или любой другой иностранной валюты по отношению к российскому рублю, выставляемый коммерческими банками, зависит исключительно от того, как складывается ситуация на бирже. Таким образом, мы видим, что коммерческим банкам необходимо самостоятельно устанавливать цену продажи и покупки иностранной валюты, учитывать получаемый bid-ask спред.

1.5 Текущая ситуация в банковском секторе в России

По состоянию на 1 января 2018 года на территории Российской Федерации зарегистрировано 923 кредитные организации (КО). Статистика показывает, что их число сокращается. Два года назад количество таких организаций составляло 1021. Аналогичную ситуацию можно заметить среди банков, которые имеют лицензию на осуществление валютных операций. Как можно увидеть из графика (Рис.1), число кредитных организаций постоянно падает. Еще в 2016 году их число составляло 482, а в настоящее время - 358 (Центральный Банк Российской Федерации).

Рис.1. Количество КО, имеющих лицензии на осуществление операций в иностранной валюте

Статистика, предоставляемая ЦБ РФ, говорит о том, что уже несколько лет в России происходит так называемая «зачистка» банков (Рис.2).



Рис.2. Количество КО, у которых отозвана (аннулирована) лицензия на осуществление банковских операций

Положительная динамика числа КО, у которых отозвана (аннулирована) лицензия сохраняется до сих пор, однако, как можно заметить, не является рекордной. Тем не менее, эксперты аналитического агентства «РИА Рейтинг» считают, что снижение числа отзывов лицензий не говорит о том, что процесс «зачистки» подходит к концу (РИА Рейтинг, 2017). Это связано с тем, что число отзывов лицензий по-прежнему остается высоким. Более того, в 2017 году рынок покинули крупные игроки (например, «Татфондбанк», «Росэнергобанк», банк «Образование», «Югра»), а также три крупнейших частных банков попали в процедуру санации (Банк ФК «Открытие» (6-е место в стране по размеру активов банка в стране), «Бинбанк» (12-е место по размеру активов в стране) и «Просвязьбанк» (10-е место по размеру активов банка в стране). Эксперты «РИА Рейтинг» также сообщают о том, что в отзыве лицензий будет перерыв (ввиду того, что рынок лишился ряда крупных игроков), но «до полной «расчистки» еще далеко» (РИА Рейтинг, 2017).

В связи с отзывом лицензий, а также большого числа санаций (в том числе крупных банков РФ), в России появилась еще одна специфика - банковский сектор стал более государственным. Из 5 крупнейших банков нет ни одного частного, если рассматривать 20 крупнейших банков (табл.1), то лишь 3 в полной степени не зависят от государства. При этом по данным ЦБ РФ на первые 5 банков приходится 47 513 821 млн. руб. или 55,8%, а на первые 20 банков приходится 67 521 224 млн. руб. или 79,3%.

Таблица 1 ТОП-20 российских банков по размеру активов (январь 2018)

№	Название банка	Активы, тыс.руб.	№	Название банка	Активы, тыс.руб.
1	Сбербанк	24 192 989 275	11	ЮниКредит Банк	1 229 716 815
2	ВТБ	9 676 406 129	12	Бинбанк	1 214 820 778
3	Газпромбанк	5 642 446 401	13	Росбанк	947 533 421
4	ВТБ 24	3 773 561 028	14	Россия	924 215 199
5	Россельхозбанк	3 193 288 674	15	Райффайзенбанк	871 506 461
6	Национальный Клиринговый Центр	2 900 363 873	16	Рост Банк	796 007 440
7	Альфа-Банк	2 673 421 083	17	Совкомбанк	696 374 373
8	Банк «ФК «Открытие»	2 313 083 060	18	Банк «Санкт-Петербург»	641 112 167
9	Московский Кредитный Банк	1 95 685 094	19	НЦ «Траст»	624 902 088
10	Промсвязьбанк	1 278 732 760	20	БМ-Банк	618 740 246

Таким образом, мы видим, что в настоящее время более половины банковского сектора контролируется государством. Центральный Банк заявляет, что сложившаяся ситуация временная, банки на санации будут продаваться, а крупные частные банки могут пройти процесс приватизации (Центральный Банк, 2018). Однако, на данный момент это не представляется возможным, так как покупателей для банков, прошедших процедуру санации будет найти крайне сложно, а приватизация банков снизит их капитализацию, так как инвесторы склонны доверять государственным банкам в большей степени, чем частным (РИА Рейтинг, 2017).

Проведенный анализ существующей по данному вопросу литературы позволил нам выявить три возможных фактора, влияющих на валютный спред. На данный момент точно установить, каким именно образом данные факторы могут влиять на разницу между ценой продажи и ценой покупки иностранной валюты, установить не удалось. Это в очередной раз подтверждает необходимость проведения данного исследования.



2. Постановка исследовательского вопроса

2.1 Обоснование гипотез

Основываясь на анализе проведенных ранее исследований, мы выдвигаем ряд гипотез.

При увеличении волатильности валютного курса повышается разница между ценой продажи и ценой покупки иностранной валюты.

Эта гипотеза объясняется предположением о том, что волатильность курса свидетельствует о нестабильности, повышении неопределенности, а следовательно, и желании обезопасить банк от дополнительных рисков путем повышения дохода (Glassman, 1987; Blau, Withby, 2015; Batchelor et al., 2016; Nath et al., 2017).

Увеличение объема сделок увеличивает разницу между ценой продажи иностранной валюты и ее ценой покупки.

Вторая гипотеза выходит из предположения о том, что банк предпочитает больше заработать тогда, когда увеличиваются объемы обмениваемой валюты (Huang, Stoll, 1997; Narayana et al., 2015).

Чем более ликвидна валюта, тем меньше ее валютный bid-ask спред.

В настоящее время не составляет труда поменять рубли в банке на различные по ликвидности валюты. Мы предполагаем отрицательную зависимость, так как более ликвидную валюту можно поменять быстрее и с меньшими трансакционными издержками, чем менее ликвидную. При этом предложений по обмену более ликвидной валюты в банковском секторе гораздно больше, чем менее ликвидной, а значит, повышается и конкуренция, банки борются за клиентов (Мискин, 2008; Ярыгина, Гисин, 2014; Драгуца, Беда, 2016)

Исследовательский вопрос в данной работе сформулирован следующим образом: Какие факторы влияют на разницу между ценой продажи и ценой покупки иностранной валюты, устанавливаемую коммерческими банками?

2.2 Обоснование методов проведения исследования

Как можно было заметить при обзоре существующей по данному вопросу литературы, авторы преимущественно строили модели, оцененные тремя различными методами. В одном из исследований была построена регрессия Фама-Макбета (Blau, Withby, 2015). Для построения этой модели авторы использовали панельные данные. Однако стоит отметить тот факт, что данная регрессия используется при изучении акций и инструментов фондовых рынков (Fama, MacBeth, 1973). Следуя большей части эмпирической литературы по ценообразованию активов, авторы используют подход Fama и MacBeth для изучения связей между спредом и волатильностью. В нашем случае изучается валютный спред, в связи с чем регрессия, используемая американскими исследователями, не удовлетворяет целям работы.

Второй используемый вариант оценивания моделей был GARCH (Ding, 2009) и авторегрессионная модель AR-GARCH (Batchelor et al., 2016). Данные модели весьма популярны в литературе по финансовым рынкам. Оценивание модели типа GARCH производится посредством метода максимального правдопободия. В данных работах построенные модели были GARCH (1,1). Исследования данных авторов базировалось на модели временных рядов. В исследовании авторы стремились объяснить кластеризацию волатильности на финансовых рынках. В рамках нашего исследования мы изучаем влияние ряда факторов на bid-ask спред, что говорит об изменении структуры данных (не временные ряды, а панельные данные). По этим причинам модель GARCH также не подходит для дальнейшего исследования.

В основном авторы исследований, которые использовали панельные данные строили модели с фиксированными эффектами (Minardi at. el., 2006; Harris, 2017), а не со случайными. Модель с фиксированными эффектами в отличии от случайных учитывает индивидуальные особенности каждой компании.

Преимуществом модели со случайными эффектами является возможность учета неизмеримых индивидуальных различий банков, которые имеют случайный характер (например, в случае, когда данные собирались посредствам анкетирования). Однако в нашем случае данная модель не подходит, потому что каждый банк попал в выборку не случайным образом из генеральной совокупности и должен рассматривать отдельно. Тем не менее следует подтвердить логику здравого смысла статистическим тестом Хаусмана, который покажет нам, возможно ли использовать модель со случайными эффектами. P-value составляет 0, а значит мы отклоняем гипотезу о том, что модель со случайными эффектами применять можно. Результаты этого теста подтвердили наше предположение о правильном применении модели с фиксированными эффектами. Таким образом, в дальнейшем исследование будет проводиться именно на ней.



3. Данные

Зависимой переменной в данном исследовании выступает валютный спред - разница между ценой продажи и ценой покупки иностранной валюты. В нашем случае изучаются две различные по ликвидности валюты - доллар США и евро.

В таблице 2 представлены объясняющие переменные с описанием (табл. 2), а в таблице 3 - контрольные переменные с описанием (табл. 3).

Таблица 2 Описание объясняющих переменных

Переменные	Описание
Краткосрочная волатильность (Sr_volatility)	Стандартное отклонение официального курса исследуемой валюты, объявляемого Центральным Банком Российской Федерации. Показатель рассчитан с шагом в 5 дней.
Долгосрочная волатильность (Lr_volatility)	Стандартное отклонение официального курса исследуемой валюты, объявляемого Центральным Банком Российской Федерации. Показатель рассчитан с шагом в 65 дней.
Объем сделок (Turnover)	Ежемесячный оборот по валютным операциям банка в тысячах рублей.
Ликвидность (Liquidity)	Ежемесячный объем торгов иностранной валюты (евро и доллара США) на валютном рынке Московской межбанковской валютной биржи в миллиардах рублей.

Мы имеем данные о разнице между ценой продажи и покупки (bid-ask спред) доллара США и евро, устанавливаемой различными коммерческими банками. Данные были взяты за период с 01.09.2017 по 29.02.2018 по 94 коммерческим банкам, которые ведут свою деятельность на территории Российской Федерации и оказывают услуги по обмену валюты. Информационный портал, собирающий ежедневные данные о валютных котировках по 94 банкам России, - Mainfin.ru. Мы работаем с панельными данными, потому что рассматриваем набор различных объектов, изменяющихся во времени.



Таблица 3 Описание объясняющих переменных (контрольные)

Переменные	Описание
Активы (Assets)	Ежемесячная сумма активов банка в тысячах рублей.
Спред предыдущего периода (Spread (-1))	Разница между ценой продажи и ценой покупки иностранной валюты в предыдущий день в рублях.

Волатильность валютного курса измеряется в модели как стандартное отклонение официального валютного курса с шагом в пять дней (т.е. краткосрочная волатильность) и с шагом в 65 дней (долгосрочная волатильность) за период с 01.09.2017 по 28.02.2018. Аналогичное оценивание волатильность было применено в нескольких работах (Chung, Kim, 2009; Narayana et. al., 2015). Статистика предоставлена Центральным Банком Российской Федерации.

Объем сделок в модели - это ежемесячный оборот по валютным операциям для каждого банка за период с сентября 2017 по февраль 2018. Данные взяты с информационного портала Banki.ru. Для того чтобы данные не искажались в связи с различными размерами исследуемых банков, нормируем их на активы-нетто.

Ежемесячная чистая прибыль банков отражается на информационном портале Banki.ru. В исследовании используется период с сентября 2017 года по февраль 2018 года.

В работе построено 2 модели, в которых исследуется влияние факторов на валютный спред по двум исследуемым валютам (доллар США и евро).



4. Методология исследования

Для того чтобы определить зависимость валютного спреда от набора исследуемых факторов, мы определили необходимые показатели с экономической точки зрения и описали их в разделе «Данные». На основе собранной базы данных в дальнейшем мы приведем основные описательные статистики. Для получения несмещенных, состоятельных и эффективных оценок нам следует исключить проблему мультиколлинеарности и выбрать наилучшую спецификацию модели. Это нужно для того, чтобы полученные нами оценки максимально точно описывали зависимость между объясняющими переменными и валютным спредом. С помощью эконометрического пакета Eviews мы сможем оценить построенную нами модель. Данные коэффициенты позволят нам определить наличие взаимосвязи, ее степень и направленность между выбранными факторами и bid-ask спредом. банковский продажа валюта спред

4.1 Описание выборки

Выборка в данной работе включает в себя исключительно российские банки, которые имеют лицензию на осуществление валютных операций. В выборку попало 94 банка, данные по которым представлены на едином информационном портале. Временной период исследования включает в себя 123 дня - будние дни в период с 1 сентября 2017 по 28 февраля 2018. Таким образом, мы получили 11 562 наблюдения.

4.2 Предварительный анализ данных

Прежде чем строить регрессионную модель, проведем предварительный анализ данных на проверку статистических выбросов и нормальность распределения. Это позволит нам получить более достоверные результаты.

Проанализировав нашу выборку на наличие статических выбросов, было принято решение не исключать наблюдения. Несмотря на то, что некоторые из них выходят из числа общей массы, в том числе Сбербанк (крупнейший банк России), исключение может сильно исказить конечные результаты, которые нельзя будет интерпретировать на генеральную совокупность. Решение не исключать статистические выбросы из модели приводит к тому, что выборка не является однородной (все значения коэффициента вариации превышают 33% за исключением показателя ликвидности валют и долгосрочной волатильность доллара США) (Прил. 1, табл. 1)

Проанализировав нашу выборку графически и с помощью теста Харке-Бера, можно сделать вывод, что распределение выборки не является нормальным для всех исследуемых валют и их характеристик.

Рассмотрим основные описательные статистики данных, на которых будет проводиться дальнейшее исследование (табл. 4).

Стоит отметить, что евро и доллар США обменивается в одних и тех же банках, соответственно и описательные статистики у них будут абсолютно одинаковыми (за исключением валютного спреда, волатильности и ликвидности).

В среднем банки, попавшие в выборку по сумме активов схожи с «Совкомбанком» в феврале текущего года и величина их активов составляет 723 077 989 тысяч рублей.

Данный банк устанавливает валютный спред на уровне 1,8 рубля по доллару США и 1,9 рубля - по евро.

Средний оборот по валютным операциям в данном банке составил 309 тысяч рублей. Сравнительную сумму можно заметить в «Национальный Банк «Траст»» за февраль.

В среднем официальный валютный курс доллара США за исследуемый период колеблется на уровне 0,29, а евро - 0,35. Говоря о долгосрочной волатильности, среднее значение устанавливается на уровне 0,95 и 1,04 соответственно. Как можно заметить, евро колеблется сильнее доллара США в исследуемом периоде.

Измеряемая ликвидность по объемам валютных операций н бирже ММВБ в среднем составила 22 625 млрд рублей для доллара и 3 851 млрд рублей. Это позволяет нам убедиться в том, что доллар США является более ликвидной валютой, чем евро.

Банки устанавливают спред на уровне, который выбирают самостоятельно. Говоря о долларе США, максимальное значение установлено на уровне 10 рублей 1 копейка «Юникредитбанком» 29 декабря 2017 года. Расширение спреда могло быть спровоцировано приближающимися длительными нерабочими днями для снижения рисков банка (Ощепкова, 2017).

Таблица 4 Описательная статистика

	Среднее значение	Медиана	Максимум	Минимум	Стандартное отклонение
Спред (доллар США), руб.	1,8	1,4	10,01	-10,15	1,3
Спред (евро), руб.	1,9	1,5	11,6	-10,05	1,35
Краткосрочная волатильность (доллар США)	0,29	0,27	0,74	0,04	0,14
Долгосрочная волатильность (доллар США)	0,95	0,99	1,2	0,7	0,17
Краткосрочная волатильность (евро)	0,35	0,32	1,02	0,17	1,13
Долгосрочная волатильность (евро)	1,04	0,91	2,43	0,75	0,35
Валютные операции к активам, тыс. руб.	309	102,89	6 279	0	716,1
Ликвидность (доллар США), млрд руб.	22 624,6	22 495,8	24 995,25	20 401,3	1 323,7
Ликвидность (евро), млрд руб.	3 850,8	3 788,93	4 970,7	3 013	602,96
Активы, тыс. руб.	723 077 988,5	56 676 507	241 192 989 275	318 994	2 810 852 690

Минимальное значение валютного спреда составляет -10 рублей 5 копеек, установленное банком «Плюс Банк» 27 декабря 2017 года. Это говорит о том, что банк не только не зарабатывает на разнице между ценой продажи и покупки, но и «отдает из своего кармана». Это может быть объяснено желанием привлечь клиентов. В целом, таких банков, устанавливающих спред на отрицательном уровне, в выборке встретилось 8 из 94. Один из банков - государственный «Россельхозбанк» - чаще других устанавливает спред на уровне ниже нуля (весь исследуемый период). Также можно заметить тот факт, что спред по доллару в среднем ниже, чем спред по евро.

Рассматривая евро, мы увидели, что валютный спред колебался от 11 рублей 60 копеек до -10 рублей 15 копеек. Самым дорогим для потребителя оказался «ЮниКредитБанк» 28-29 декабря 2017 года. Максимально низкое значение спреда наблюдалось в том же самом банке, что и по доллару -«Плюс Банк» 27 декабря в тот же самый день - 27 декабря 2017 года. 7 банков из 94 устанавливают отрицательный спред. Аналогично доллару США госбанк «Россельхозбанк» устанавливает отрицательный спред на длительный период.

В нашей выборке размер банков колеблется от 241 192 989 275 тысяч рублей («Сбербанк») до 318 994 тысяч рублей («Промсвязьбанк»). Это говорит о том, что исследуются совершенно разноразмерные банки. Однако, как уже отмечалось ранее, исследуя специфику банковского сектора, мы заметили, что банки становятся более государственными. На собранной нами базе данных можно заметить проявление этой специфики. Действительно, крупнейшие банки имеют в своей структуре долю государственного влияния.

Конечно, большее количество банков - частные - 82 из 94. На долю государственных приходится лишь 12 крупных банков. Причем в выборке встречали как банки, принадлежащие государству на 25,77% («Ак Барс Банк»), так и банки, принадлежащие на 99,93% («ВТБ Банк») и даже на 100% («Россельхозбанк»).

Анализ показателя ликвидности подтвердил теорию о том, что доллар США ликвиднее евро. В среднем доллар США на бирже покупают практически в 6 раз больше, чем евро. Максимальное значение по объему торгов доллара США составляет 24 995 млрд рублей и достигалось в декабре. Минимальное значение - 20 401,3 млрд рублей - в январе. Больше всего евро покупали в феврале - 4 970,7 млрд рублей, а меньше всего - 3 013 млрд рублей - в сентябре.

Краткосрочную волатильность валютного курса доллара США можно оценить на представленном ниже графике (рис.3).

Рис.3. Краткосрочная волатильность валютного курса доллара США и евро

Максимальное значение показателя - 0,74, а минимальное - 0,04 для доллара США, в то время как для евро - 1,02 максимальное и 0,17 - минимальное. Как можно заметить на графике выше курс евро колеблется сильнее курса доллара США (Рис.3).

Рассмотрим долгосрочную волатильность валютных курсов (Рис.4). Следует отметить, что за более длительный период в 65 дней курс колеблется меньше, чем в пятидневный. Для доллара максимальное значение волатильность принимала в значении 1,2, а минимальное - в 0,7. Это ниже, чем максимальное значение, которое принимает волатильность евро - 2,43, однако выше, чем минимальное значение - 0,75. В целом, в долгосрочном периоде колебания евро и доллара примерно одинаковы (за исключением первых дней сентября, когда волатильность евро была гораздо выше волатильности доллара, что может быть связано с выходом Великобритании из состава Евросоюза).

Рис.4. Долгосрочная волатильность валютного курса доллара США и евро

Последний рассматриваемый показатель - оборот по валютным операциям. Самый большой оборот наблюдался в банке «Рублёв» за сентябрь месяц. В среднем долларовый спред в этот период был ниже среднего по выборке (1,56 руб., в то время как среднее - 1,8 руб.). Спред по евро составлял 1,52 рубля, в то время как среднее по выборке 1,9 рубля. Также в выборку попал банк, оборот по валютным операциям которого отсутствовал - «Экономбанк».



4.3 Корреляционный анализ

Для дальнейшего исследования и построения модели необходимо провести корреляционный анализ, чтобы исключить проблему мультиколлинеарности. Это поможет избежать искажения результатов. Для проверки наличия тесных связей между объясняющими переменными, построим корреляционную матрицу (Прил.1, табл. 1, табл. 2).

По результатам исследования, можно заметить, что между переменными, отвечающими за ликвидность евро и долгосрочную волатильность евро, присутствует заметная связь (в соответствии со шкалой Чеддока). Коэффициент парной корреляции имеет значение -0,61 и значим на уровне значимости 1%. Ряд домодельных признаков указывает на возможное появление проблемы частичной мультиколлинеарности. По мимо высокого коэффициента корреляции, мы видим высокие значения коэффициента вздутия дисперсии. Проверив постмодельные признаки, мы увидели, что большое количество переменных в отдельности являются незначимыми, однако коэффициент детерминации высокий и значимый. Также оценки коэффициентов противоречат результатам обзора литература и здравому смыслу (неправильные знаки).

В совокупности все эти признаки указывают на появление проблемы частичной мультиколлинеарности. Действительно, данные переменные могут зависеть друг от друга даже на уровне здравого смысла. Если в долгосрочном периоде курс иностранный валюты становится менее устойчивым, повышается его волатильность, то меньшее количество людей захочет менять свои активы на данную валюту, что говорит о снижении ее ликвидности.

Результатом корреляционного анализа является исключение переменной, отвечающей за долгосрочную волатильность, из модели для евро. Решение исключить именно эту переменную для борьбы с проблемой частичной мультиколлинеарности, связано с тем, что мы так или иначе сможем отследить влияние волатильности на валютный спред за счет краткосрочного колебания, включенного в исследуемую модель.

4.4 Регрессионный анализ

Проведя предварительный анализ данных и корреляционный анализ, мы можем построить регрессионную модель с использованием панельных данных.

Для того, чтобы оценки являлись несмещенными, эффективными и состоятельными, мы проверили выполнение условий Гаусса-Маркова с помощью статистических тестов и графиков в эконометрическом пакете Eviews. Также для того, чтобы ошибки стали робастными, мы воспользуемся поправкой в форме Уайта.

Хотелось бы отметить возможную проблему эндогенности, которая связана с двусторонней причинностью в модели. Рассмотрим две переменные - валютный спред и объем сделок по валютным операциям. С одной стороны, в литературе мы уже оценили возможное влияние объема сделок на спред. С другой стороны, более выгодные курсы, связанные с низким спредом, могут привлекать потребителей. Таким образом, возможно одновременное влияние факторов друг на друга.

По результатам исследования, построенная нами модель для доллара США выглядит следующим образом(2):

,

Модель для евро будет выглядеть так (3):

,



Оцениваться в исследовании будут две модели для разных валют - доллара США (табл. 5) и евро (табл. 6).

Переменные, отвечающие за долгосрочную волатильность, ликвидность, активы и спред предыдущего периода оказались значимыми на уровне значимости 1% в модели, где исследуется влияние факторов на спред доллара США. Краткосрочная волатильность значима на уровне значимости 10%. Остальные переменные в модели оказались незначимы (табл. 5).

Таблица 5 Параметры модели с фиксированными эффектами (доллар США)

Переменная	Коэффициент
С	0,15 (0,1)
Краткосрочная волатильность	-0,06* (0,03)
Долгосрочная волатильность	0,15*** (0,03)
Объем сделок	-0,000007 (0,00002)
Ликвидность	0,00002*** (0,0000037)
Активы	-0,00000000004*** (0,000000000013)
Спред предыдущего периода	0,63*** (0,04)
R2	0,89	Observations	10 366
*** - коэффициент значим на уровне значимости 1% * - коэффициент значим на уровне значимости 10%

В модели, построенной для евро (табл. 6), часть коэффициентов также осталась значимой на уровне значимости 1% - ликвидность и спред предыдущего периода. На уровне значимости 10% значим коэффициент, отвечающий за объем сделок. Коэффициент, отражающий влияние активов на спред, оказался не значим.



Таблица 6 Параметры модели с фиксированными эффектами (евро)

Переменная	Коэффициент
С	0,8*** (0,1)
Краткосрочная волатильность	-0,02 (0,03)
Объем сделок	-0,000038* (0,00002)
Ликвидность	-0,00005*** (0,00001)
Активы	-0,00000000001 (0,00000000001)
Спред предыдущего периода	0,67*** (0,03)
R2	0,9	Observations	10 382
*** - коэффициент значим на уровне значимости 1% * - коэффициент значим на уровне значимости 10%

Сравнивая результаты полученных коэффициентов и их уровней значимости, мы видим различия для валют. Меняется как значимость коэффициентов, так и их направленность. Например, ликвидность. Для доллара США наблюдается прямая зависимость на уровне значимости 1%. В случае с евро между спредом и ликвидностью наблюдается обратная зависимость на уровне значимости 1%. В первом случае чем менее ликвидная валюта, тем выше ее спред. Это может быть объяснено возможностью банка в большей степени заработать на данных операциях. Если же растет ликвидность евро, то спред падает. Данная ситуация может быть связана с тем, что с увеличением ликвидности валюты, снижаются трансакционные издержки, а также возможностью банка привлечь большее количество клиентов (Ярыгина, Гисин, 2014).

Еще одним примером различного влияния является показатель, отвечающий за объем сделок. В модели, где рассматривается спред доллара США, это коэффициент оказался незначимым. Однако, рассматривая спред евро, мы видим, что данный показатель оказывает влияние на уровне значимости 10%. Устанавливая разницу между ценой продажи и ценой покупки евро, банки ориентируются на объем валютных операций. При этом, чем меньше этот показатель, тем больше bid-ask спред. Уменьшение неопределенности, связанное с увеличением числа сделок, снижает необходимость банка снижать риски и тем самым, уменьшается разница между ценой продажи валюты и ценой ее покупки (Ding, 2009).

Рассматривая качество модели в целом, мы видим, что она значима на уровне значимости 1% (F-тест). Это говорит о том, что модель статистически значима и мы можем доверять ее результатам.

Удостоверившись, что построенная и оцененная модель статистически значима, а значения параметров входят в соответствующие промежутки доверительных интервалов, мы можем приступить к интерпретации полученных эмпирических результатов.



5. Результаты

5.1 Описание результатов

Исследование построенных и оцененных моделей позволяет сделать ряд важных выводов.

Рассмотрим модель, в которой оценивалось влияние факторов на спред доллара США.

В первую очередь, следует отметить то, волатильность (как краткосрочная, так и долгосрочная) оказалась значимой переменной. Если волатильность увеличивается на единицу, то спред опускается на 6 копеек. В исследовании Ощепковой, мы уже видели аналогичные результаты, когда увеличение волатильности вызывали снижения валютного курса (Ощепкова, 2017). Это может быть объяснено тем, что при наступлении нестабильности, банки могут снижать спред для привлечения клиентов, ожидая, что многие потребители захотят поменять валюту.

...