2 (ln_rtsi, ln_usd)

Таблица 16. Основная информация по оптимальным моделям VECM. Продолжение.Источник данных: расчеты автора

Как и предполагалось в начале исследования, основной экспортируемый ресурс, «черное золото», оказывает долгосрочное влияние на индекс РТС в последние 8 лет, а также является причиной краткосрочных колебаний с 2016 по 2019 год. Входящие в индекс государственные и негосударственные нефтедобывающие компании выигрывают от роста цен на ресурс, вследствие чего растут их прибыли и котировки. Положительный знак влияния подтверждает это.

В последнее десятилетие, а также в некоторые годы 2000-ых, рост обменного курса доллара США к рублю оказывал негативное долгосрочное и краткосрочное влияние на RTSI. Это объясняется тем, что индекс рассчитывается в долларах и существует обратная зависимость между курсом и значением капитализации.

В большинстве периодов значения индексов S&P500, FTSE100 и RTSI движутся в одинаковых направлениях, указывая на эффект глобализации, который интегрирует мировые финансовые рынки.

Показатели ВВП РФ и инфляции, публикуемые один раз в квартал и в месяц, соответственно, являются ненаблюдаемыми для инвесторов и трейдеров, поэтому не оказывают влияния на индекс РТС во все остальные дни.

Цена на золото оказывает переменное долгосрочное влияние на индекс РТС: в некоторых периодах корреляция положительная, а в некоторых - отрицательная. В то же время, в краткосрочной перспективе наблюдается только положительное влияние.

Как показало исследование, краткосрочные инвестиционные и торговые решения могут корректироваться в зависимости от изменения средней ставки кредита в соответствующую сторону, но на длинных интервалах участники фондового рынка не берут данный показатель во внимание.

На протяжении 17 лет индекс волатильности VIX оказывал неоднозначное влияние на РТС, хотя по определению должен был снижать его: чрезмерная волатильность отпугивает инвесторов и трейдеров, они пытаются перевести имеющиеся у них активы в инструменты с большей предсказуемостью доходности.

Стоит также отметить, что в последние восемь лет значимыми являются только два первых лага, тогда как раньше их число равнялось трем.

Глава 4. Дополнительный эмпирический анализ

После анализа основного набора переменных, рассматриваемого другими авторами, планируется оценить модель с этими же регрессорами (в качестве прокси-переменных), но с дополнением ещё не исследованного RVI, с 2013 по 2019 год.

Выгрузка и предварительная обработка данных

Для данного ряда сначала были заполнены пустые ячейки с помощью геометрического среднего, после этого все значения были прологарифмированы. Так как индекс RVI торгуется на Московской Бирже, то и торги по нему начинаются и заканчиваются вместе с индексом РТС, поправку на асинхронность торгов делать не нужно.

Приведение описательных характеристик

В настоящей исследовательской работе проанализировано влияние экономических факторов на динамику индекса РТС в условиях структурных сдвигов с 18.09.2001 - 31.01.2019. Анализ коинтеграционных связей и функций импульсного отклика выявил долгосрочный и краткосрочный характеры влияния рассматриваемых переменных на индекс РТС.

После подготовки данных к исследованию временные ряды были протестированы на наличие и число структурных сдвигов с помощью теста с использованием подхода Bai, Perron. Тест обнаружил 4 статистически значимых структурных сдвига: 28.05.2004, 04.09.2008, 10.12.2011, и 31.12.2015. Список возможных причин шоков: дело ЮКОСа, мировой финансовый кризис, кризис Еврозоны и США, и разрыв договора о зоне свободной торговли с Украиной.

Временные ряды в каждом периоде были проверены на стационарность при помощи тестов с противоположными гипотезами ADF и KPSS. На 5%-ном уровне значимости большинство переменных имели единичный корень.

Впоследствии, тест Йохансена на наличие коинтеграционных связей показал присутствие таковых в каждом периоде. После обнаружения долгосрочных связей оптимальной моделью для предсказания динамики индекса РТС стала VECM с соответствующим числом коинтеграционных уравнений с константой и трендом.

Следующим шагом были оценены пять моделей VECM и, впоследствии, очищены от незначимых коинтеграционных уравнений. Все до единой модели по итогам процедуры имеют не менее одной долгосрочной связи.

В целях улучшения качества модели необходимо подобрать оптимальный интервал лагов и удалить незначимые для долгосрочных и краткосрочных связей факторы. Для решения первой задачи были использованы информационные критерии Акаике и Шварца, а также тест множителей Лагранжа, по результатам которых оптимальное число лагов факторов - от 1 до 3 в зависимости от периода. Стоит отметить, что число значимых лагов в последние 8 лет равнялось двум. Последним шагом повышения качества модели было удаление незначимых факторов. Некоторые из периодов характеризовались значимостью всех факторов, в других же из модели следовало удалить от двух до трех переменных.

Среди значимых в долгосрочной перспективе переменных можно выделить (с указанием направления влияния) цену на нефть марки Brent (+), обменный курс доллара США к рублю (-), S&P500 (+), FTSE100 (+), и российский индекс волатильности RVI (-). С другой стороны, в числе краткосрочно влияющих переменных находятся следующие факторы: цена на нефть в последнем периоде (+), USD/RUB курс (-), S&P500 (+), FTSE100 (+), цена на золото (+), средняя банковская ставка кредита (+), и RVI (-).

Список литературы

1. Адаев Р. Статистическое исследование фондовых индексов России // Материалы XV международной студенческой научной конференции. 2018. С. 277-279.

2. Банников В.А. Векторные модели авторегрессии и коррекции регрессионных остатков. // Прикладная эконометрика. 2006. №3.

3. Канторович Г.Г. Анализ временных рядов // Экономический журнал Высшей школы экономики. 2002. №3.

4. Канторович Г.Г. Анализ временных рядов // Экономический журнал Высшей школы экономики. 2003. №1.

5. Ковальчук А.В., Сайбель Н.Ю. Влияние макроэкономических факторов на динамику российского фондового рынка // Сборник статей IV Международной научно-практической конференции. 2018. С. 242-244.

6. Котов Г. Моделирование взаимосвязей финансовых рынков с учетом условной гетероскедастичности. Выпускная квалификационная работа магистра, НИУ ВШЭ. 2018.

7. Лукашин И. Российский фондовый рынок в период кризиса 2008-2009 гг. // Прикладная эконометрика. 2010. Н. 3 (19), С. 23-37.

8. Львов А.Н., Мельдо М.Ю., Скваж С.М. Эффективность экономико-математического метода прогнозирования индекса РТС // Сборник статей по итогам Международной научно-практической конференции: в 3 частях. 2017. С. 191-194.

9. Наливайский В.Ю., Колесник И.А. О капитализации российских нефтяных компаний и динамике фондового индекса РТС // Вестник Ростовского государственного экономического университета (РИНХ). 2016. Н. 3 (55), С. 178-184.

10. Никитина Е. Оценка факторов, влияющих на динамику котировок на российском фондовом рынке. Выпускная квалификационная работа бакалавра, НИУ ВШЭ. 2017.

11. Самойлов Д. Факторы, оказывающие влияние на индекс РТС во время финансового кризиса 2008-2009 гг. и до него // Экономический журнал Высшей школы экономики. 2010. №2. С. 65-68.

12. Федорова Е., Лазарев М. Влияние цены на нефть на финансовый рынок России в кризисный период // Финансы и кредит. 2014. Н. 20 (596), С. 14-22.

13. Федорова Е., Панкратов. К. Влияние макроэкономических факторов на фондовый рынок России // Проблемы прогнозирования. 2010. Н. 2 (119), С. 78-83.

14. Anatolyev S. A ten-year retrospective on the determinants of Russian stock returns // Research in International Business and Finance. 2008. 22(1). P. 56-67.

15. Bai J., Pierre P. Estimating and testing linear models with multiple structural changes // Econometrica. 1998. Vol. 66, No. 1, P. 47-78.

16. Breusch T.S., Pagan A.R. The Lagrange multiplier test and its applications to model specification in econometrics // Review of Economic Studies. 1980. XLVII, P. 239-253.

17. Dr. Vanita Tripathi, Arnav K. Long run relationship between aggregate stock prices and macroeconomic factors in BRICS stock market // Management and Public Policy, 2016, Regal Publications, P. 1-28.

18. Gay Robert D. Effect of macroeconomic variables on stock market returns for four emerging economies: Brazil, Russia, India, and China // International Journal of Economics and Business Research. 2008. Vol. 3 (7), N. 3.

19. Hayo B, Kutan AM. The impact of news, oil prices, and global market developments on Russian financial markets // Economics of Transition. 2005. 13(2). P. 373-393.

20. Ho Liang-Chun, Huang Chia-Hsing. Nonlinear relationships between oil price and stock index - evidence from Brazil, Russia, India and China // Journal for Economic Forecasting, Institute for Economic Forecasting. 2016. Vol. 0 (3), P. 116-126, September.

21. Irshad VK M., Dr. Velmurugan PS. Stock market integration among BRICS nations - an empirical analysis // SSRN Electronic Journal. 2017.

22. Kwiatkowski D., Phillips Peter C.B., Schmidt Peter, and Shin Y. Testing the null hypothesis of stationarity against the alternative of a unit root // Journal of Econometrics. 1992. Vol 54, P. 159-178.

23. Zou X. VECM model analysis of carbon emissions, GDP, and international Crude Oil Prices // Discrete dynamics in nature and Society. 2018.

24. https://www.cbr.ru/

25. http://www.gks.ru/

26. https://www.investing.com/

27. https://www.investopedia.com/articles/basics/04/100804.asp

28. http://www.lbma.org.uk/prices-and-data

29. https://www.thomsonreuters.com/en.html

30. https://www.vestifinance.ru/articles/102436

Приложения

Результаты ADF и KPSS тестов основного эмпирического исследования для 2-5 периодов

2 период (29.05.2004 - 03.09.2008):

3 период (05.09.2008 - 09.12.2011):

4 период (11.12.2011 - 30.12.2015):

5 период (01.01.2016 - 31.01.2019):

Оценка модели основного эмпирического исследования

Первый период:

Значимых уравнений не остается после выполнения последнего шага. Следовательно, наилучшей моделью является VECM с 3 коинтеграционными уравнениями.

Второй период:

Значимы все 3 уравнения, хотя 2 последних на границе 10% значимости. Дальнейшее снижение числа коинтегрирующих уравнений не требуется.

3 период:

После удаления 4 уравнения, пропадает значимость у 2 и 3 уравнения. Попробуем удалить 3 уравнение, которое изначально не было значимо, а стало таким после удаление иных уравнений.

После выполнения оценки с 2 коинтеграционными уравнениями, значимым остались лишь одно. Следовательно, модель с 4 уравнениями - наилучшая спецификация на данном этапе.

4 период:

Значимыми остаются только 2 уравнения, следовательно, оставляем спецификацию с 4 уравнениями.

5 период:

Два уравнения остались значимыми, что указывает на правильность спецификации модели VECM именно с 2 коинтеграционными уравнениями.

Знаки коэффициентов в коинтеграционных уравнениях

Таблица со знаками коэффициентов в коинтеграционных уравнениях (положительный - `+', отрицательный - `-`, неопределенность - `?', или незначимость переменной - `.':

Функции импульсных откликов основного исследования

Результаты ADF и KPSS тестов дополнительного эмпирического исследования для 1-5 периодов

1 период (19.11.2013 - 22.01.2015):

2 период (24.01.2015 - 21.02.2016):

3 период (23.02.2016 - 08.04.2017):

4 период (10.04.2017 - 18.01.2018):

5 период (20.01.2018 - 31.01.2019):

Оценка модели дополнительного эмпирического исследования

1 период:

Оптимальной моделью для 1 периода является VECM с 2 коинтеграционными уравнениями с линейным трендом и константой.

2 период:

Для второго периода будет построена модель VAR в первых разностях.

3 период:

Некоторые из значимых уравнений повысили свою т-статистику, незначимых уравнений не образовалось. Соответственно, для 3 периода будет оценена модель VECM с 3 коинтеграционными уравнениями с линейным трендом и константой.

4 период:

В результате получаем одно статистически значимое коинтеграционное уравнение.

5 период:

Так как удаление второго уравнения не оставляет ни одного значимого коинтеграционного уравнения, то для 5 периода оптимальной моделью признается VECM с 2 коинтеграционными уравнениями с линейным трендом и константой.

Функции импульсных откликов дополнительного исследования

1 период:

2 период:

3 период:

4 период:

5 период:

Размещено на Allbest.ru