Основные детерминанты вклада фьючерсного рынка в процесс включения информации в эффективную цену акций, котирующихся на московской бирже

Таблица 10

Значение p-статистики теста Шапиро-Уилка для IS и ILS фьючерсного рынка

Тикер	IS (Ф)	ILS (Ф)	IS > ILS	Тикер	IS (Ф)	ILS (Ф)	IS > ILS
AFLT	0,00	0,00	ЛОЖЬ	NLMK	0,00	0,00	ЛОЖЬ
ALRS	0,01	0,00	ИСТИНА	NVTK	0,00	0,00	ИСТИНА
CHMF	0,00	0,00	ИСТИНА	ROSN	0,06	0,00	ИСТИНА
FEES	0,03	0,00	ИСТИНА	RTKM	0,00	0,00	ЛОЖЬ
GAZP	0,01	0,00	ИСТИНА	SBER	0,14	0,00	ИСТИНА
GMKN	0,06	0,00	ИСТИНА	SBERP	0,56	0,00	ИСТИНА
HYDR	0,00	0,00	ИСТИНА	SNGS	0,00	0,00	ИСТИНА
LKOH	0,18	0,00	ИСТИНА	SNGSP	0,00	0,00	ИСТИНА
MGNT	0,00	0,00	ИСТИНА	TATN	0,00	0,00	ИСТИНА
MOEX	0,00	0,00	ИСТИНА	TRNFP	0,00	0,00	ЛОЖЬ
MTSS	0,00	0,00	ИСТИНА	VTBR	0,22	0,00	ИСТИНА

Сост. по источнику: расчеты автора

Из Таблицы 10 видно, что практически для всех инструментов распределение метрики IS не является нормальным, однако заметим. что исключения составляют высоколиквидные инструменты: LKOH, SBER, SBERP и VTBR. При этом, ни для одного из инструментов распределение метрики ILS не оказалось нормальным.

В итоге, определение доминирующего рынка в процессе включения новой информации в эффективную цену акции, торгующихся на Московской Бирже исходит из следующих моментов. Во-первых, важную роль играет общая ликвидность пары инструментов. Новации в эффективную цену ликвидных акций инкорпорируются на спот рынке, что вполне ожидаемо, ровно, как и доминация спот рынка на неликвидных акциях. Во-вторых, наличие особого паттерна, который выявлен в инструментах со средней ликвидностью и кажется региональной особенностью российского фондового рынка. Это представляет особый интерес для дальнейшего изучения данного процесса на российском рынке.

Таблица 9 позволяет дать частичный ответ на гипотезу Н2. В отношении первого, Q1, и последнего, Q4, квантилей ликвидности можно точно сказать, что спот рынок доминирует в процессе включения новой информации, однако, инструменты со средней ликвидностью также точно не определены - метрики вклада дают противоположные ответы. Возможно, данный паттерн указывает на то, что на фьючерсных контрактах преимущественно торгуют информированные инвесторы.

Статистические характеристики ILS. По всей видимости именно из-за этого Aggarwal and Thomas (2018) отказались от тестирования детерминант на модернизированной метрике. Таким образом, можно дать утвердительный ответ на поставленный исследовательский вопрос и заключить, что модернизированные метрики вклада в процесс включения новой информации в эффективную цену обладают менее привлекательными статистическими характеристиками, что вынуждает отказаться от их использования.

3.2 Детерминанты вклада фьючерсного рынка

Опираясь на результаты, описанные в предыдущем разделе, мы выбрали в качестве основной метрики вклада фьючерсного рынка в процесс включения новой информации в эффективную цену акции базовую метрику - Информационную долю. Несмотря на это, для робастности выводов основные регрессионные модели будут продублированы с учетом показателя ILS. Поскольку было выявлено, что метрики вклада в процесс включения новой информации в эффективную цену, имеют особый паттерн относительно ликвидности, регрессионный анализ будет производится как для всей выборки, так и отдельно по подвыборкам.

В Главе 2 были выделены показатели, которые мы будем рассматривать в качестве детерминант, а также приведены спецификации регрессионных моделей с фиксированными эффектами. Начнем с тестирования гипотез Н3 и Н4. Оговоримся, что данный анализ напрямую не учитывает транзакционные издержки, предполагая их включенными в бид-аск спред.

Для их проверки будем использовать следующие показатели:

Дspread - разность между бид-аск спредом фьючерса и акции;

R - индикатор ставки РЕПО с ЦК (MXREPOEQ);

уS,t-1 - лаг дневной волатильности акции.

Таблица 11

Оценки регрессии

		Дspread		p-value	Repo		p-value	Adj. R2
IS (Ф)	Вся выборка	-0.266	***	0.000	-0.007	**	0.002	0.862
	Q1	-0.355	*	0.040	-0.014	***	0.000	0.923
	Q2	-0.725	***	0.000	-0.021	***	0.000	0.825
	Q3	-0.425	***	0.000	0.010	*	0.017	0.810
	Q4	-0.188	***	0.000	0.004		0.368	0.694
ILS (Ф)	Вся выборка	-0.375	***	0.000	0.021	***	0.000	0.772
	Q1	0.179		0.598	0.028	***	0.000	0.728
	Q2	-0.769	***	0.000	0.009		0.301	0.814
	Q3	-0.746	***	0.000	0.030	***	0.001	0.821
	Q4	-0.283	***	0.000	0.020		0.037	0.712

Сост. по источнику: расчеты автора

В Таблице 11 представлены результаты оценки регрессионных моделей, в которых в качестве детерминант вклада фьючерсного рынка в процесс включения новой информации в эффективную цену акции выбраны разность в ликвидности рынков и индикатор ставки РЕПО с ЦК.

Как видно из Таблицы 11, вклад фьючерсного рынка в значительной степени определяется разностью в ликвидности инструментов: чем она меньше, тем более информативны фьючерсные цены. Данный вывод также согласуется с результатами, которые получили Aggarwal and Thomas (2018). При этом вклад в процесс включения новой информации высоколиквидных пар в меньшей степени реагирует на разность в ликвидности. Это можно объяснить тем, что данные пары уже обладают достаточной ликвидностью. Интереснее обстоит ситуация с показателем левериджа. Во-первых, влияние доступности маржинальной торговли на базовую и модернизированную метрики разнонаправленный. По мнению автора, это вызвано тем, что IS кроме скорости отражения информации также включает реакцию на шум, а поскольку ставка по маржинальной торговле увеличивается с ростом волатильности акции, т.е. с нарастанием шума, то и Информационная доля спот рынка увеличивается. В таком контексте, ILS дает более правильный результат, поскольку отражает смену предпочтений инвестор рационально: увеличение издержек на спот рынке делает фьючерсный рынок более привлекательным при прочих равных. Отметим, что пары инструментов, входящие в группу Q3, не имеют такого рода разногласий, регрессионные коэффициенты для обеих метрик значимы и имеют одинаковый знак.

Доступность качественного индикатора доступности маржинальной торговли на российском рынке несколько упрощает анализ. Однако, давайте рассмотрим спецификацию предложенную Aggarwal and Thomas (2018). По причине того, что квадрат волатильности не значим ни в одной спецификации, расчет сведен к тому, что представлен в Таблице 12.

Таблица 12

Оценки регрессии

		Дspread		p-value	у		p-value	Adj. R2
IS (Ф)	Вся выборка	-0.263	***	0.000	-0.873	*	0.019	0.862
	Q1	-0.217		0.206	-3.103	***	0.000	0.923
	Q2	-0.761	***	0.000	0.447		0.572	0.821
	Q3	-0.396	***	0.000	-0.579		0.389	0.810
	Q4	-0.188	***	0.000	0.254		0.745	0.693
ILS (Ф)	Вся выборка	-0.386	***	0.000	2.973	***	0.000	0.772
	Q1	-0.054		0.874	4.064	**	0.004	0.727
	Q2	-0.761	***	0.000	1.475		0.327	0.814
	Q3	-0.724	***	0.000	2.561		0.083	0.820
	Q4	-0.300	***	0.000	3.899	*	0.029	0.713

Сост. по источнику: расчеты автора

В отношении разности в ликвидности, существенных изменений не видно. Заметим, что прокси показатель в данном случае подходит хуже, следовательно для дальнейшего анализа будет использоваться ставка РЕПО с ЦК.

Исходя из приведенных выше результатов, можно сделать вывод, что гипотеза Н3 подтверждается, за исключением ситуации с высоколиквидными парами. Однако, смежная с ей гипотеза Н4 однозначного подтверждения в нашем анализе не находит, оставляя тем самым поле для дальнейшей дискуссии. Точно можно сказать, что доступность маржинальной торговли оказывает значимое влияние на вклад фьючерсного рынка в процесс включения новой информации в эффективную цену акции, но направление влияние остается загадкой.

Наконец, можем изучить влияние интенсивности информационного фона на процесс включения новой информации в эффективную цену акции. Для это были собраны данные об анонсах макроэкономических новостей за период, совпадающий с периодом наших основных данных. Собранная информация включает 15 различных параметров, относительно которых в течении исследуемого периода регулярно выходили анонсы, и даты анонсов.

Таблица 13

Сводная таблица по макроэкономическим анонсам

Тема анонса	Количество
Бюджетный баланс	11
ВВП	19
Индекс деловой активности в секторе услуг	12
Индекс потребительских цен	16
Индекс производственной активности PMI	12
Индекс цен производителей	14
Международные резервы Центрального банка	1
Объём промышленного производства	4
Объём розничных продаж	1
Отчет CFTC по состоянию спекулятивных позиций по рублю	1
Пресс-конференция ЦБ РФ	1
Протокол заседания ЦБ РФ по вопросам денежно-кредитной политики	1
Решение по процентной ставке	8
Сальдо торгового баланса	12
Уровень безработицы	12

Сост. по источнику: investing.com

В первую очередь был проведен анализ на индивидуальную описательную силу, результаты которого представлены в Таблице 14.

Таблица 14

Оценки регрессии

		Event		p-value	Adj. R2
IS (Ф)	Вся выборка	-0.002		0.714	0.858
	Q1	-0.001		0.904	0.922
	Q2	0.002		0.797	0.808
	Q3	-0.008		0.279	0.804
	Q4	0.001		0.925	0.682
ILS (Ф)	Вся выборка	-0.019	*	0.029	0.769
	Q1	0.005		0.761	0.726
	Q2	-0.025		0.158	0.810
	Q3	-0.039	*	0.023	0.817
	Q4	-0.022		0.234	0.707

Сост. по источнику: расчеты автора

К сожалению, невозможно дать утвердительный ответ на вопрос о том, зависит ли процесс включения новой информации в эффективную цену акции от макроэкономический новостей, поскольку коэффициенты в регрессиях при дамми-переменной не значимы. Несмотря на это, попробуем провести анализ полной спецификации. Результаты данного анализа приведены в Таблице 15.

Таблица 15

Оценки регрессии

		Дspread		p-value	Repo		p-value	Event		p-value	Adj. R2
IS (Ф)	Вся выборка	-0.266	***	0.000	-0.007	**	0.001	-0.004		0.294	0.862
	Q1	-0.350	*	0.043	-0.014	***	0.000	-0.005		0.558	0.923
	Q2	-0.725	***	0.000	-0.021	***	0.000	-0.007		0.475	0.824
	Q3	-0.424	***	0.000	0.009	*	0.027	-0.006		0.406	0.810
	Q4	-0.188	***	0.000	0.004		0.373	0.000		0.999	0.693
ILS (Ф)	Вся выборка	-0.376	***	0.000	0.020	***	0.000	-0.013		0.119	0.772
	Q1	0.166		0.626	0.029	***	0.000	0.013		0.379	0.728
	Q2	-0.771	***	0.000	0.007		0.435	-0.024		0.171	0.814
	Q3	-0.745	***	0.000	0.027	**	0.003	-0.032	.	0.061	0.822
	Q4	-0.284	***	0.000	0.018	.	0.057	-0.020		0.293	0.712

Сост. по источнику: расчеты автора



Как видно, добавление в модель показателя, характеризующего интенсивность информационного фона, ни привносит значимого вклада, следовательно, гипотезу Н5 мы подтвердить не можем.

Таким образом, из трех исследуемых гипотез, четкое подтверждение нашла только одна (Н3). Гипотеза о влиянии доступности маржинальной торговли (Н4) на вклад фьючерсного рынка в процесс включения новой информации в эффективную цену акции остается открытым дискуссионным вопросом, поскольку значимое влияние безусловно есть, однако требуется идентифицировать направление данного влияния. К сожалению, в настоящей работе не нашла подтверждение гипотеза о влиянии макроэкономических анонсов (Н5). Возможно следует применить иной подход к анализу данного аспекта. Например, как в работе Frijns et al. (2015).

3.3 Потенциал развития темы

В предыдущем разделе потенциальные темы для исследований уже выдвигались. Данный небольшой раздел посвящен важной, по мнению автора, теме, которую часто прячут за предпосылками.

Корреляция остатков VECM, а точнее ее отсутствие - это обычная предпосылка для работ, нацеленных на изучение процесса включения новой информации в эффективную цену. Однако, насколько корректна такая предпосылка, учитывая прогресс современных фондовых рынков и традиционный фреймворк, в котором работают исследователи. Hasbrouck (1995) утверждает, что 1-секудный интервал позволяет минимизировать влияние корреляции остатков. Однако, насколько релевантной является предпосылка, возраст которой составляет уже более 20 лет.

Анализ в настоящей работе построен в традиционных канонах, свойственных исследуемой тематике, в части тайм-фрейм данных равен 1 секунде. Какова же корреляция остатков, в актуальных данных?



Таблица 16

Средняя корреляция остатков

Тикер	Корреляция
AFLT	0,60
ALRS	0,65
CHMF	0,49
FEES	0,67
GAZP	0,77
GMKN	0,71
HYDR	0,65
LKOH	0,79
MGNT	0,62
MOEX	0,57
MTSS	0,55
NVTK	0,53
ROSN	0,51
RTKM	0,79
SBER	0,46
SBERP	0,77
SNGS	0,70
SNGSP	0,57
TATN	0,60
TRNFP	0,53
VTBR	0,41

Сост. по источнику: расчеты автора

Не трудно заметить, что корреляция чрезвычайно высокая. В связи с чем, потенциальным вопросом может стать то, какой эффект оказывает корреляция на метрики вклада в процесс включения новой информации в эффективную цену.

Другим важным моментом, вытекающем из вышесказанного, является то, что ввиду технологического процесса, временной промежуток эффекта информационной новации может быть значительно сокращен. В связи с чем, еще одной темой для дальнейших исследований может является определение оптимального значения тайм-фрейма для настоящих биржевых котировок.



Таблица 17

Снижение одномоментной корреляции остатков при увеличении частоты тайм-фрейма

Тикер	1 сек	0,25 сек	Разность, %
AFLT	0,63	0,44	-29%
ALRS	0,59	0,55	-7%
CHMF	0,19	0,13	-34%
FEES	0,63	0,59	-7%
GAZP	0,77	0,67	-13%
GMKN	0,68	0,53	-22%
HYDR	0,65	0,43	-35%
LKOH	0,74	0,61	-18%
MGNT	0,73	0,65	-11%
MOEX	0,40	0,25	-37%
MTSS	0,46	0,24	-49%
NVTK	0,34	0,16	-55%
ROSN	0,69	0,57	-17%
RTKM	0,21	0,10	-49%
SBER	0,84	0,70	-17%
SBERP	0,57	0,38	-32%
SNGS	0,52	0,42	-18%
SNGSP	0,57	0,47	-16%
TATN	0,27	0,21	-23%
TRNFP	0,41	0,27	-35%
VTBR	0,78	0,68	-13%

Сост. по источнику: расчеты автора

В Таблице 17 приведен расчет одномоментной корреляции остатков при разных тайм-фреймах для одной и той же недели (16 неделя 2018 г.). Заметим, что увеличение частоты данных в 4 раза, привело к сокращению корреляции в среднем на 26%. Данный факт еще раз указывает на важность исследования феномена одномоментной корреляции остатков.



Заключение

Процесс включения новой информации в эффективную цену является динамическим процессом, зависящим от ряда факторов. В настоящей работе были получены результаты, позволяющие сформировать качественное понимание данного процесса в реалиях российского фондового рынка.

Вопрос о том, какой из инструментов является доминирующим в терминах процесса включения новой информации в эффективную цену акций, является действительно важным. Ответ на него позволит повысить эффективность рынков, а также более точно отслеживать рыночные манипуляции и регулировать правила торговли.

Исследование поведения метрик вклада в процесс открытия цены с одной стороны привело к закономерным результатам, а с другой указало на интересный паттерн, не характерный для остальных рынков. Фактически российский рынок можно разделить на две группы. К первой относятся те инструменты, по отношению к которым обе метрики дают единогласный ответ. Заметим, что к первой группе относятся инструменты, у которых доминирует спот рынок. Вторую группу преимущественно образуют ценные бумаги, у которых происходит переход доминации со спот рынка на фьючерсный. С точки зрения базовой метрики IS, можно точно сказать, что российский спот рынок доминирует над фьючерсным, однако модернизированный показатель ILS, нацеленный на выявление рынка, который быстрее инкорпорирует новую информацию, указывает на то, что инструменты, относящиеся к среднему уровню ликвидности быстрее поглощают информацию через фьючерсные контракты. Подобная картина может свидетельствовать о том, что на фьючерсном рынке с инструментами средней ликвидности в основном работают информированные участники, например, институциональные инвесторы и менее крупные фонды, специализирующиеся на фондовом рынке. В то же время, высокая ликвидность инструментов Q1 позволяет эффективно сглаживать любые неинформативные колебания цены и спот рынок остается доминирующим. На низколиквидных инструментах ситуация проще: на срочном рынке торгового объема недостаточно для удовлетворения «аппетита» информированных инвесторов, следовательно, никто не поставляет туда информацию оперативно.

Вклад фьючерсного рынка в значительной степени определяется разностью в ликвидности инструментов: чем она меньше, тем более информативны фьючерсные цены. Данный вывод также согласуется с результатами, которые получили Aggarwal and Thomas (2018). При этом вклад в процесс включения новой информации высоколиквидных пар в меньшей степени реагирует на разность в ликвидности. Это можно объяснить тем, что данные пары уже обладают достаточной ликвидностью.

Исходя из приведенных выше результатов, можно сделать вывод, что гипотеза Н3 подтверждается, за исключением ситуации с высоколиквидными парами. Однако, смежная с ей гипотеза Н4 однозначного подтверждения в нашем анализе не находит, оставляя тем самым поле для дальнейшей дискуссии.

Влияние доступности маржинальной торговли на базовую и модернизированную метрики разнонаправленный. По мнению автора, это вызвано тем, что IS кроме скорости отражения информации также включает реакцию на шум, а поскольку ставка по маржинальной торговле увеличивается с ростом волатильности акции, т.е. с нарастанием шума, то и Информационная доля спот рынка увеличивается. В таком контексте, ILS дает более правильный результат, поскольку отражает смену предпочтений инвестор рационально: увеличение издержек на спот рынке делает фьючерсный рынок более привлекательным при прочих равных. Отметим, что пары инструментов, входящие в группу Q3, не имеют такого рода разногласий, регрессионные коэффициенты для обеих метрик значимы и имеют одинаковый знак.

К сожалению, в настоящей работе не удалось подтвердить значимость влияния интенсивности общего информационного фона. Возможно, для этого требуется несколько другой подход к анализу.

Наконец дальнейшее развитие темы может быть достигнуто путем исследований одной из следующих тем: 1) какой эффект оказывает одномоментная корреляция остатков на метрики вклада в процесс включения новой информации в эффективную цену; 2) определение оптимального значения тайм-фрейма исходных данных, с учетом современной высокочастотной торговли.



Список литературы

Aggarwal, N., & Thomas, S. (2019). When stock futures dominate price discovery. Journal of Futures Markets, 39(3), 263-278.

Baillie, R. T., Booth, G. G., Tse, Y., & Zabotina, T. (2002). Price discovery and common factor models. Journal of financial markets, 5(3), 309-321.

Bianconi, M., MacLachlan, S., & Sammon, M. (2015). Implied volatility and the risk-free rate of return in options markets. The North American Journal of Economics and Finance, 31, 1-26.

Black, F. (1975). Fact and fantasy in the use of options. Financial Analysts Journal, 31(4), 36-41.

Boney, V., Giannikos, C., & Guirguis, H. (2018). Pricing Dynamics between Single Stock Futures and the Underlying Spot Security. International Journal of Business and Economics, 17(2), 179-191.

Booth, G. G., So, R. W., & Tse, Y. (1999). Price discovery in the German equity index derivatives markets. Journal of Futures Markets: Futures, Options, and Other Derivative Products, 19(6), 619-643.

Brogaard, J., Hendershott, T., & Riordan, R. (2014). High-frequency trading and price discovery. The Review of Financial Studies, 27(8), 2267-2306.

Chu, Q. C., Hsieh, W. L. G., & Tse, Y. (1999). Price discovery on the S&P 500 index markets: An analysis of spot index, index futures, and SPDRs. International Review of Financial Analysis, 8(1), 21-34.

Dokuchaev, N. (2006). Two unconditionally implied parameters and volatility smiles and skews. Applied Financial Economics Letters, 2(3), 199-204.

Dokuchaev, N. (2007). Bond pricing and two unconditionally implied parameters inferred from option prices. Applied Financial Economics Letters, 3(2), 109-113.

Dokuchaev, N. (2018). On the implied market price of risk under the stochastic numйraire. Annals of Finance, 14(2), 223-251.

Frijns, B., Indriawan, I., & Tourani-Rad, A. (2015). Macroeconomic news announcements and price discovery: Evidence from Canadian-US cross-listed firms. Journal of Empirical Finance, 32, 35-48.

Gonzalo, J., & Granger, C. (1995). Estimation of common long-memory components in cointegrated systems. Journal of Business & Economic Statistics, 13(1), 27-35.

Gonzalo, J., & Ng, S. (2001). A systematic framework for analyzing the dynamic effects of permanent and transitory shocks. Journal of Economic dynamics and Control, 25(10), 1527-1546.

Harris, F. H., McInish, T. H., & Wood, R. A. (2002). Security price adjustment across exchanges: an investigation of common factor components for Dow stocks. Journal of financial markets, 5(3), 277-308.

Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. The journal of Finance, 50(4), 1175-1199.

Lehmann, B. N. (2002). Some desiderata for the measurement of price discovery across markets. Journal of Financial Markets, 5(3), 259-276.

Mizrach, B., & Neely, C. J. (2008). Information shares in the US Treasury market. Journal of Banking & Finance, 32(7), 1221-1233.

Putniтр, T. J. (2013). What do price discovery metrics really measure?. Journal of Empirical Finance, 23, 68-83.

Rindi, B. (2008). Informed traders as liquidity providers: Anonymity, liquidity and price formation. Review of Finance, 12(3), 497-532.

Stock, J. H., & Watson, M. W. (1988). Testing for common trends. Journal of the American statistical Association, 83(404), 1097-1107.

Tse, Y. (2000). Further examination of price discovery on the NYSE and regional exchanges. Journal of Financial Research, 23(3), 331-351.

Yan, B., & Zivot, E. (2010). A structural analysis of price discovery measures. Journal of Financial Markets, 13(1), 1-19.



Приложение 1

Код для выполнения расчетов

В целях безопасности изменены данные об имени пользователя и пароле к базе данных, а также адрес БД.

library(dplyr)

library(data.table)

library(tseries)

library(lubridate)

library(ggplot2)

library(urca)

library(ifrogs)

library(DBI)

library(RPostgres)

library(rvest)

library(xlsx)

library(readxl)

op = options(digits.secs=3)

resizeTime = function(data, step = 1, ticker = NULL, startPoints = NULL, endPoints = NULL){

tzone = tz(data$datetime)

if(("Date" %in% colnames(data)) == FALSE) data$Date = as.Date(data$datetime)

if(("Ticker" %in% colnames(data)) == FALSE)

{

if("code_instr" %in% colnames(data))

{

colnames(data)[which(colnames(data) == "code_instr")] = "Ticker"

} else {

stop("There is not any ticker or code_instr identifier")

}

} else {

stop("There is not Ticker column in data frame")

}

if(is.null(ticker))

{

stop("Ticker is not specified!")

} else {

ticker = ticker

}

if(is.null(startPoints)) startPoints = paste(unique(data$Date), "10:00:00.00", sep = " ") %>% as.POSIXct(tz = tzone) + step

if(is.null(endPoints)) endPoints = paste(unique(data$Date), "18:40:00", sep = " ") %>% as.POSIXct(tz = tzone)

temp = {}

for(i in 1:length(startPoints))

{

temp = c(temp,which(between(data$datetime, startPoints[i]-step, endPoints[i])))

}

data = data[temp,]

rm(temp)

ss = data[data$Ticker == ticker,] %>% as.data.table

for(j in 1:(length(startPoints))){

timeLine = seq(startPoints[j], endPoints[j], by = step)

timeLine = as.data.table(timeLine)

colnames(timeLine) = "datetime"

dt = ss[between(ss$datetime, startPoints[j], endPoints[j]),]

if(j == 1){

eqSpread = setDT(dt)[timeLine, roll = +Inf, on = "datetime"]

} else {

temp = setDT(dt)[timeLine, roll = +Inf, on = "datetime"]

eqSpread = rbind(eqSpread, temp)

rm(temp)

}

}

colnames(eqSpread) = colnames(ss)

return(eqSpread)

}

### Load data

headers = c("Date", "Ticker", "N_week", "s_IS_u", "s_IS_l", "s_IS_m", "s_CS", "f_IS_u", "f_IS_l", "f_IS_m", "f_CS",

"Lag", "Beta", "r0_test", "r0_5pct", "r1_test", "r1_5pct", "ADF_s", "ADF_f", "spread_stock", "spread_futures", "s_sd", "f_sd", "N_Obs", "s_D", "f_D", "sf_D")

outcome = data.frame(matrix(0,nrow = 1, ncol = length(headers)))

colnames(outcome) = headers

stt = Sys.time()

for(yy in c(17,18))

{

n_year = yy

if(n_year == 17) week_list = c(14:52)

if(n_year == 18) week_list = c(1:32)

for(ww in 1:length(week_list))

{

week_time = Sys.time()

n.week = week_list[ww]#number of week sample is created for (min 13th week if 2017)

stt = Sys.time()

con = dbConnect(RPostgres::Postgres(),

host = host,

port = "5432",

dbname = "postgres",

user = user,

password = pass

)

# Extract data of current week

if(n_year == 17) qu = dbSendQuery(con, paste0("SELECT * FROM buy_future", n.week, " LIMIT 1000"))

if(n_year == 18)

{

if(n.week < 10)

{

qu = dbSendQuery(con, paste0("SELECT * FROM buy_future18_0", n.week, " LIMIT 1000"))

} else {

qu = dbSendQuery(con, paste0("SELECT * FROM buy_future18_", n.week, " LIMIT 1000"))

}

}

instrs = dbFetch(qu)

dbClearResult(qu)

date_flag = instrs$datetime[1] %>% as.Date()

instrs = instrs$code_instr %>% as.numeric() %>% unique()

instrs = instrs[order(instrs)]

flag = 0

if(n.week <= 35 & year(date_flag) == 2017)#Remove URKA

{

iList = c(1:20,22)

if(min(instrs) == 1 & max(instrs) == 66) quart = 1

if(min(instrs) == 23 & max(instrs) == 88) quart = 2

if(min(instrs) == 1 & max(instrs) == 88 & (23 %in% instrs) == FALSE) quart = 3

if(min(instrs) == 1 & max(instrs) == 88 & (45 %in% instrs) == FALSE) quart = 4

} else {

iList = c(1:20,22:23)

if(min(instrs) == 1 & max(instrs) == 69) quart = 1

if(min(instrs) == 24 & max(instrs) == 92) quart = 2

if(min(instrs) == 1 & max(instrs) == 92 & (24 %in% instrs) == FALSE) quart = 3

if(min(instrs) == 1 & max(instrs) == 92 & (47 %in% instrs) == FALSE) quart = 4

flag = 1

}

instrs = iList + max(iList)*(quart - 1)# -1 implies current futures are under consideration, w/o -1 next futures are under consideration

rm(iList)

tickers = dbReadTable(con,"data_checking_2")

tickers = tickers[order(tickers$id),]

tickers = tickers[,c("stock","StockVol", "mult")]

if(flag == 0)

{

tickers = tickers[c(1:20,22),]

tickers$code_instr = instrs

} else {

tickers = tickers[c(1:20,22:23),]

tickers$code_instr = instrs

}

tickers$stock = gsub("@TQBR", "", tickers$stock)

dbDisconnect(con)

# Get all dividend payoffs

lst = tolower(tickers$stock)

main_url = "https://www.dohod.ru/ik/analytics/dividend/"

headers = c("Date", "Ticker", "Dividend")

divs = data.frame(matrix(0, nrow = 1, ncol = length(headers)))

colnames(divs) = headers

for(i in 1:length(lst))

{

url = paste0(main_url, lst[i])

download.file(url,destfile = "file.html",quiet = TRUE)

temp = read_html("file.html") %>% html_nodes(xpath = "/html/body/div[6]/div[3]/div[1]/div/div[1]/div[1]/table[3]") %>% html_table()

temp = cbind(temp[[1]][1][,1], temp[[1]][3][,1])

temp = temp[-which(grepl("прогноз", temp[,1])),]

temp = cbind(temp[,1],rep(tickers$stock[i],nrow(temp)),temp[,2])

colnames(temp) = headers

divs = rbind(divs, temp)

rm(temp)

}

divs = divs %>% as.data.frame()

divs$Date = as.Date(divs$Date, "%d.%m.%Y")

divs$Dividend = as.numeric(divs$Dividend)

divs = divs[-1,]

divs = divs[which(between(year(divs$Date), 2017, 2018)),]

divs = divs %>% tbl_df() %>% group_by(Date,Ticker)

divs = divs %>% summarise(Dividend = sum(Dividend))

# Define trading calendar

dayoffs = c(as.Date('2017-01-01'), as.Date('2017-01-02'), as.Date('2017-01-07'), as.Date('2017-02-23'), as.Date('2017-03-08'), as.Date('2017-05-01'), as.Date('2017-05-08'),

as.Date('2017-05-09'), as.Date('2017-06-12'), as.Date('2017-11-06'),#2017

as.Date('2018-01-01'), as.Date('2018-01-02'), as.Date('2018-01-08'), as.Date('2018-02-23'), as.Date('2018-03-08'), as.Date('2018-05-01'),

as.Date('2018-05-09'), as.Date('2018-06-12'), as.Date('2018-11-05'))#2018

calendar = seq(as.Date('2017-01-01'), as.Date('2018-12-31'),1)

calendar = cbind(calendar, as.POSIXlt(calendar)$wday) %>% as.data.frame()#from 0 to 6, where 0 - Sunday

colnames(calendar) = c("Date", "Weekday")

calendar$Date = calendar$Date %>% as.character() %>% as.numeric() %>% as.Date()

calendar$Weekday = calendar$Weekday %>% as.character() %>% as.numeric()

calendar$dayoff = --(calendar$Weekday == 0 | calendar$Weekday == 6)

calendar$dayoff[which(calendar$Date %in% dayoffs)] = 1

for(ii in instrs)

{

n.instr = ii#Number of instrument

#Get expiration date

n.year = yy

if(flag == 0)

{

if(quart == 3 & n.instr <= 22) n.year = n.year + 1

if(quart == 4 & n.instr <= 44) n.year = n.year + 1

if(n.instr <= 88) expMonth = 12

if(n.instr <= 66) expMonth = 9

if(n.instr <= 44) expMonth = 6

if(n.instr <= 22) expMonth = 3

} else {

if(quart == 3 & n.instr <= 23) n.year = n.year + 1

if(quart == 4 & n.instr <= 46) n.year = n.year + 1

if(n.instr <= 92) expMonth = 12

if(n.instr <= 69) expMonth = 9

if(n.instr <= 46) expMonth = 6

if(n.instr <= 23) expMonth = 3

}

if(("expWeek" %in% ls()) == FALSE)

{

url = paste("https://www.moex.com/ru/contract.aspx?code=VTBR-", expMonth-3, ".", n.year, sep = "")#create the url to check whether closestMonth is Active or it's expired already

download.file(url, destfile = "file.html", quiet = TRUE)

web_page = read_html("file.html")

expDate = html_nodes(web_page,".tool_options_table_forts tr:nth-child(9) td+ td")

expDate = html_text(expDate)%>% as.Date("%d.%m.%Y")#Converting to Date

rm(web_page)

expWeek = week(expDate)

}

url = paste("https://www.moex.com/ru/contract.aspx?code=VTBR-", expMonth, ".", n.year, sep = "")#create the url to check whether closestMonth is Active or it's expired already

download.file(url, destfile = "file.html", quiet = TRUE)

web_page = read_html("file.html")

expDate = html_nodes(web_page,".tool_options_table_forts tr:nth-child(9) td+ td")

expDate = html_text(expDate)%>% as.Date("%d.%m.%Y")#Converting to Date

rm(web_page)

if(week(expDate) == n.week)

{

expWeek = n.week

if(expMonth == 12)

{

expMonth = 3

n.instr = n.instr - 3*(length(instrs) + 1)

shift_year = 1

} else {

expMonth = expMonth + 3

n.instr = n.instr + length(instrs) + 1#If current week contains expiration date, roll the futures

shift_year = 0

}

if((n.instr %in% tickers$code_instr) == FALSE) tickers$code_instr = seq(n.instr, n.instr + length(instrs))[-(length(instrs)-1)]

url = paste("https://www.moex.com/ru/contract.aspx?code=VTBR-", expMonth, ".", n.year + shift_year, sep = "")#create the url to check whether closestMonth is Active or it's expired already

download.file(url, destfile = "file.html", quiet = TRUE)

web_page = read_html("file.html")

expDate = html_nodes(web_page,".tool_options_table_forts tr:nth-child(9) td+ td")

expDate = html_text(expDate)%>% as.Date("%d.%m.%Y")#Converting to Date

rm(web_page)

}

#########

con = dbConnect(RPostgres::Postgres(),

host = "192.168.1.64",

port = "5432",

dbname = "postgres",

user = "postgres",

password = "54321"

)

if(n_year == 17) qu = dbSendQuery(con, paste0("SELECT * FROM buy_future",n.week, " WHERE code_instr = '",n.instr,"'"))

if(n_year == 18)

{

if(n.week < 10)

{

qu = dbSendQuery(con, paste0("SELECT * FROM buy_future18_0",n.week, " WHERE code_instr = '",n.instr,"'"))

} else {

qu = dbSendQuery(con, paste0("SELECT * FROM buy_future18_",n.week, " WHERE code_instr = '",n.instr,"'"))

}

}

st = Sys.time()

buy_future = dbFetch(qu)

dbClearResult(qu)

buy_future$code_instr = as.integer(buy_future$code_instr)

tz(buy_future$datetime) = "Europe/Moscow"

Sys.time()-st

if(n_year == 17) qu = dbSendQuery(con, paste0("SELECT * FROM buy_stock",n.week, " WHERE code_instr = '",n.instr,"'"))

if(n_year == 18)

{

if(n.week < 10)

{

qu = dbSendQuery(con, paste0("SELECT * FROM buy_stock18_0",n.week, " WHERE code_instr = '",n.instr,"'"))

} else {

qu = dbSendQuery(con, paste0("SELECT * FROM buy_stock18_",n.week, " WHERE code_instr = '",n.instr,"'"))

}

}

st = Sys.time()

buy_stock = dbFetch(qu)

dbClearResult(qu)

buy_stock$code_instr = as.integer(buy_stock$code_instr)

tz(buy_stock$datetime) = "Europe/Moscow"

Sys.time()-st

rm(qu)

dbDisconnect(con)

#########

step = 0.25

futures = resizeTime(buy_future, step = step, ticker = n.instr)

futures = futures[,-"Ticker"]

futures = futures[,-"Date"]

colnames(futures) = gsub("volume future", "volume_ask_future", colnames(futures))

colnames(futures) = gsub("volume stock", "volume_bid_stock", colnames(futures))

colnames(futures) = gsub(" ", "_", colnames(futures))

colnames(futures) = gsub("best_", "", colnames(futures))

stock = resizeTime(buy_stock, step = step, ticker = n.instr)

stock = stock[,-"Ticker"]

stock = stock[,-"Date"]

colnames(stock) = gsub("volume future", "volume_bid_future", colnames(stock))

colnames(stock) = gsub("volume stock", "volume_ask_stock", colnames(stock))

colnames(stock) = gsub(" ", "_", colnames(stock))

colnames(stock) = gsub("best_", "", colnames(stock))

df = merge(futures, stock, by = "datetime") %>% as.data.frame

for(i in 2:ncol(df)) df[,i] = df[,i] %>% as.character %>% as.numeric

rm(buy_future)

rm(buy_stock)

rm(futures)

rm(stock)

df = na.omit(df)

if(which(df$bid_future == 0 | df$ask_future == 0 | df$bid_stock == 0 | df$ask_stock == 0) %>% length >0) df = df[-which(df$bid_future == 0 | df$ask_future == 0 | df$bid_stock == 0 | df$ask_stock == 0),]

##################################################################

### Calculate PV of futures quotes

# Get RUONIA

df$Date = as.Date(df$datetime)

dt = unique(as.Date(df$datetime))

url = paste0("http://ruonia.ru/archive?date_from=",dt[1]-5,"&date_to=",dt[length(dt)]) %>% try()

ruonia = try(read_html(url))

if(class(ruonia) == "try-error")

{

ruonia = read_excel("C:/Users/elyshev/Dropbox/Дисер/2019/Coding/ruonia_cbr.xlsx")

ruonia = ruonia[between(ruonia$Date, dt[1]-5, dt[length(dt)]),]

ruonia = ruonia[,c(4,2)]

ruonia$Date = as.Date(ruonia$Date)

} else {

ruonia = ruonia %>% html_nodes(xpath = "/html/body/div/div/div[3]/table") %>% html_table()

ruonia = ruonia[[1]][,c(5,2)]

colnames(ruonia) = c("Date", "Rate")

ruonia$Date = as.Date(ruonia$Date, "%d.%m.%Y")

}

ruonia$Rate = ruonia$Rate/100/365

if(dt %in% ruonia$Date %>% sum < dt %in% ruonia$Date %>% length)

{

missed_date = which(dt %in% ruonia$Date == FALSE)

for(i in 1:length(missed_date)) ruonia[nrow(ruonia) + 1,] = list(dt[missed_date[i]], ruonia$Rate[ruonia$Date == max(ruonia$Date[ruonia$Date < dt[missed_date[i]]])])

}

df = merge(df, ruonia, by = "Date", all.x = TRUE)

### PD Calculation

# Adjustment for Dividend

divs_i = divs[between(divs$Date, min(df$Date), expDate),]# Filter out observations which are out of considering date range

divs_i$Date = divs_i$Date - 2

if(nrow(divs_i) > 0)

{

for(i in 1:nrow(divs_i))

{

divs_i$Date[i] = max(calendar$Date[which(calendar$dayoff == 0 & calendar$Date <= divs_i$Date[i])])

}

divs_i = merge(divs_i, tickers, by.x = "Ticker", by.y = "stock", all.y = TRUE)

divs_i$Date[is.na(divs_i$Date)] = expDate

divs_i$Dividend[is.na(divs_i$Dividend)] = 0

} else {

divs_i[1,] = list(Date = Sys.Date(), Ticker = 0, Dividend = 0)

divs_i$code_instr = 0

divs_i = divs_i[divs_i$Dividend > 1,]

}

# Define the end of the dividend influence

if(nrow(divs_i[divs_i$code_instr == n.instr,]) == 1)

{

if(max(df$Date) < divs_i$Date[divs_i$code_instr == n.instr]) df$Dividend = divs_i$Dividend[divs_i$code_instr == n.instr]

if(min(df$Date) > divs_i$Date[divs_i$code_instr == n.instr]) df$Dividend = 0

# Add dividends to main data frame and calcualte PV

df$Dividend = divs_i$Dividend[divs_i$code_instr == n.instr] * divs_i$mult[divs_i$code_instr == n.instr] %>% as.numeric()

df$Dividend_Date = divs_i$Date[divs_i$code_instr == n.instr]

df$pv_dividend = df$Dividend * exp(-df$Rate * as.numeric(df$Dividend_Date - df$Date)) * (as.numeric(df$Dividend_Date - df$Date) >= 0)

} else if(nrow(divs_i[divs_i$code_instr == n.instr,]) > 1) {

divs_i = divs_i[divs_i$code_instr == n.instr,]

df$pv_dividend = 0

for(dv in dt)

{

D = matrix(divs_i$Dividend, nrow = 1, ncol = nrow(divs_i[divs_i$code_instr == n.instr,]))

dT = matrix(divs_i$Date-dv, nrow = nrow(divs_i[divs_i$code_instr == n.instr,]), ncol = 1)

dT[dT < 0] = 0

df$pv_dividend[df$Date == dv] = D %*% exp(-ruonia$Rate[ruonia$Date == dv] * dT)

}

} else {

df$Dividend = 0

df$Dividend_Date = expDate

df$pv_dividend = 0

}

# Test price series for I(1). P-value of adf.test has to be low (particularly, at least less than 0.05)

df$mid_stock = rowMeans(df[,c("bid_stock", "ask_stock")])

df$mid_futures = rowMeans(df[,c("bid_future", "ask_future")])

df$pv_bid_future = df$bid_future * exp(-df$Rate * as.numeric(expDate - df$Date)) + df$pv_dividend

df$pv_ask_future = df$ask_future * exp(-df$Rate * as.numeric(expDate - df$Date)) + df$pv_dividend

df$pv_mid_futures = rowMeans(df[,c("pv_bid_future", "pv_ask_future")])

# Calculate bid-ask spread

df$spread_stock = (df$ask_stock - df$bid_stock)/df$mid_stock*100

df$spread_futures = (df$pv_ask_future - df$pv_bid_future)/df$pv_mid_futures * 100

adf_s = adf.test(diff(df$mid_stock))

adf_f = adf.test(diff(df$pv_mid_futures))

for(d in unique(df$Date))

{

# Define lag

dd = df[df$Date == d,c("mid_stock", "pv_mid_futures")]

dd$pv_mid_futures = dd$pv_mid_futures/as.numeric(as.character(tickers$mult[tickers$code_instr == n.instr]))

dd = log(dd)

varS = VARselect(dd, lag.max = 120)

K = varS$selection[1] %>% as.numeric()#Make choice by AIC

K

# Test for cointagration (r = 0 Reject (test > 5pct), r <= 1 Accept (test < 5pct), beta for pv_mid_futures should be close to 1)

jotest = try(ca.jo(dd, type = "trace", ecdet = "const", K = K, spec = "longrun"))

if(class(jotest) != "try-error")

{

sum_jotest = summary(jotest)

sum_jotest

# PD calculation

pd = pdshare(dd, override.lags = K)

pd

### Gather outcomes

if(nrow(outcome) == 1) rowIndex = 1

outcome$Date[rowIndex] = d %>% as.Date()

outcome$Ticker[rowIndex] = tickers$stock[tickers$code_instr == n.instr]

outcome$N_week[rowIndex] = n.week

outcome$s_IS_u[rowIndex] = pd$is.original.ordering$IS[1]

outcome$f_IS_l[rowIndex] = pd$is.original.ordering$IS[2]

outcome$s_IS_l[rowIndex] = pd$is.reversed.ordering$IS[2]

outcome$f_IS_u[rowIndex] = pd$is.reversed.ordering$IS[1]

outcome$s_IS_m[rowIndex] = mean(c(outcome$s_IS_u[rowIndex],outcome$s_IS_l[rowIndex]))

outcome$f_IS_m[rowIndex] = mean(c(outcome$f_IS_u[rowIndex],outcome$f_IS_l[rowIndex]))

outcome$s_CS[rowIndex] = pd$component.share$CS[1]

outcome$f_CS[rowIndex] = pd$component.share$CS[2]

outcome$Lag[rowIndex] = K

outcome$Beta[rowIndex] = sum_jotest@V[2,1]

outcome$r0_test[rowIndex] = sum_jotest@teststat[2]

outcome$r0_5pct[rowIndex] = sum_jotest@cval[2,2]

outcome$r1_test[rowIndex] = sum_jotest@teststat[1]

outcome$r1_5pct[rowIndex] = sum_jotest@cval[1,2]

outcome$ADF_s[rowIndex] = adf_s$p.value

outcome$ADF_f[rowIndex] = adf_f$p.value

outcome$spread_stock[rowIndex] = mean(df$spread_stock[df$Date == d])

outcome$spread_futures[rowIndex] = mean(df$spread_futures[df$Date == d]) детерминанта вклад фьючерсный рынок биржа

outcome$s_sd[rowIndex] = sd(dd$mid_stock %>% diff())

outcome$f_sd[rowIndex] = sd(dd$pv_mid_futures %>% diff())

outcome$N_Obs[rowIndex] = nrow(dd)

outcome$s_D[rowIndex] = pd$var.covar.matrix[1,1]

outcome$f_D[rowIndex] = pd$var.covar.matrix[2,2]

outcome$sf_D[rowIndex] = pd$var.covar.matrix[1,2]

rowIndex = rowIndex + 1

outcome[rowIndex,] = NA

Sys.sleep(0.25)

outcome$Date = as.Date(outcome$Date)

}

}#end of d loop

# close(pb_d)

}#end of ii loop

oldOpt = options()

options(xlsx.date.format="dd.mm,YYYY")

write.xlsx(outcome, "D:/outcome_0.25.xlsx")

options(oldOpt)

print(paste0("week ", n.week, " calculation time is:"))

print(Sys.time() - week_time)

}#end of ww loop

}#end of yy loop

outcome = outcome[-nrow(outcome),]

Sys.time() - stt

Размещено на Allbest.ru

...