Для того, чтобы модель была качественной, и были получены верные результаты, автор использует следующие эконометрические тесты и методы:

1. Поиск и устранение мультиколлинеарности. Мультиколлинеарность - это наличие связи между объясняющими факторами регрессионной модели. Косвенный признаки мультиколлинеарности следующие:

А) Высокие стандартные ошибки оценок параметров

Б) Малые t-статистики (незначимость коэффициентов)

В) Неправильные знаки оценок, даже, если модель в целом признается статистически значимой.

Г) О наличии мультиколлинеарности также свидетельствует сильное изменение оценок параметров.

Для того, чтобы обнаружить мультиколлинеарность можно проанализировать корреляционную матрицу. Наличие коэффициента 0,7-0,8 между факторов говорит о том, что могут быть возможные проблемы с качеством получаемых оценок.

2. Тест Уайта на гетероскедастичность. В общем виде, гетероскедастичность - это неоднородность наблюдений, которая выражается в неодинаковой дисперсии случайно ошибки регрессионной модели. Наличие гетероскедастичности может привести к тому, что ошибки, полученные с помощью метода наименьших квадратов, будут неэффективны. Более того, при гетероскедастичности, классическая оценка ковариационной матрицы МНК-оценок параметров может быть смещена и несостоятельна. Как итог, статистические выводы о качестве полученных оценок могут быть некорректны. Именно поэтому тестирование моделей на наличие данного эффекта является одной из наиболее важных процедур при построении регрессионных моделей.

3. Тест на автокорреляцию остатков Бреуша-Годфри. Автокорреляция - это зависимость между последовательностями величин одного ряда, взятыми со сдвигом. Наличие автокорреляции может также привести к более плохому качеству МНК-оценок параметров регрессии, а также к чрезмерному завышению тестовых статистик, которые выступают в роли детерминанта качества построенной модели. Именно поэтому тест на автокорреляцию необходим при построении регрессионной модели. Универсальным тестом для её определения является тест Бройша -- Годфри. С помощью данного метода проверяется автокорреляции произвольного порядка. Обусловленность выбора данного теста заключается в том, что его можно использовать практически всегда, в отличие от, например, критерия Дарбина -- Уотсона или h-теста Дарбина. Более того, вышеуказанные тесты проверяют только автокорреляцию первого порядка, в то время как тест Бройша-Годфри позволяет найти автокорреляцию любого порядка.

4. Тест на стационарность остатков Дикки-Фуллера. Для того, чтобы модель была качественной также необходимо, чтобы ряды были стационарны. Тест Дикки-Фуллера наиболее распространённый способ решения данной задачи.

В случае наличие автокорреляции остатков или же гетероскедастичности автор использует следующие механизмы:

1. Для устранения последствий гетероскедастичности предусмотрена процедура коррекции стандартных ошибок коэффициентов регрессии по методу Уайта.

2. При наличии автокорреляции автор использует методику Кохрейна-Оркатта. Выбор обусловлен тем, что данная процедура реализована в большинстве компьютерных программ, а также является наиболее действенным способом.

В общем виде построение корреляционно-регрессионной модели разделяется на следующие этапы:

1. Построение уравнения регрессии, формирование детерминант.

2. Проверка коэффициентов на мультиколлинеарность.

3. Проверка качества модели посредством методов, описанных выше.

4. В случае, если один из тестов не выполняется, то проводятся процедуры по устранению проблемы.

5. Интерпретация полученных результатов.

Все вычисления проводились в статистическом пакете Eviews.

В анализе участвовали три выборки. Данные были взяты из базы данных Thomson Reuters. Проверялось влияние макроэкономических переменных на индекс ММВБ, Bovespa и Shanghai. Все выборки имеют схожую структуру. Период исследования с 31 марта 2008 года по 31 декабря 2017 года. В проработанных исследованиях других авторов, как правило, использовались месячные и поквартальные данные. Так как интервал достаточно большой - почти 10 лет и некоторые данные доступны только поквартально было принято решение использовать именно данный интервал. С точки зрения общих тенденций и правил при составлении модели 40 наблюдений является допустимым количеством.

Выбор объекта и переменных для исследования проводился на основе отечественного и зарубежного опыта. Как уже было сказано выше, одна из задач магистерской диссертации провести сравнительных анализ чувствительности индексов развивающихся стран, входящих в БРИКС, к определённому набору детерминантов.

Так как основной целью исследования является изучение влияния факторов на российский фондовый рынок, то выбор индекса ММВБ выглядит весьма логично. В части отечественных исследований был взят индекс РТС, однако автор считает, что индекс ММВБ является более репрезентативным. Это связано с тем, что индекс РТС строится по ценам акций, выраженным в долларах, а ММВБ _ в рублях. На динамику индекса РТС влияет изменение курса доллара - если доллар падает, РТС растет на эту же величину. РТС был удобен во времена сильной инфляции, когда рубль стремительно падал, а доллар был относительно стабилен. Однако в современных экономических условиях выбор индекса ММВБ видится более корректным.

Две другие развивающиеся страны, которые были проанализированы - это Бразилия и Китай.

Бразильский фондовый рынок был выбран в связи с тем, что он стремительно развивается и показывает наиболее крупный прирост в последние годы. (112%). Также анализу рынка ценных бумаг Бразилии посвящено не так много исследований.

Выбор Китая был обусловлен тем, что китайская экономика активно и стремительно развивается в последнее время. Часть экспертов считает, что это очередной пузырь, другие же ставят Китай в пример остальным странам. Тем не менее, нельзя не отметить, как быстро Китай стал ключевым игроком на международной арене.

Как уже отмечалось выше, выбор переменных в модели обусловлен международным, историческим, научным опытом. Набор детерминант следующий:

1. ВВП;

2. Процентная ставка;

3. Обменный курс;

4. Цена на Золото;

5. Цена на нефть марки «Brent»;

6. Динамика индекса S&P 500;

7. Уровень безработицы;

8. Уровень инфляции;

9. Индекс промышленного производства;

10. Денежная масса;

Разберём фундаментально каждый фактор более подробно.

ВВП является наиболее общим и простым для понимания параметром, который определяет общее состояние экономики. По своей сути, ВВП - это сумма всех услуг и конечных товаров, который произведены в экономика за определенный период времени. Определение «конечный» означает, что продукты уже готовы, а не их промежуточные компоненты. В то же время в ВВП учтены все товары, которые производились на территории страны, независимо от того, кто владеет правом собственности на них. Информация по ВВП публикуется каждый квартал и позволяет определить текущее состоянии экономики, а также возможные тенденции развития.

Помимо ВВП, большое влияние на экономику оказывает безработица, которая также отражает ситуацию в стране. Данные по показателю публикуются каждый месяц и явлются очень важными, так как уровень занятости показывает, как фирмы оценивают текущее состояние экономики.

В случае, если компании считают, что в ближайшем будущем спрос на их продукцию будет стоять на месте или падать, то они не станут нанимать сотрудников. Чрезмерно высокий уровень занятости может повлести за собой негативные экономические и социальные последствия. Таким образом, уровень занятости напрямую влияют на рост экономики и может привести к отклонению уровня выпуска от его потенциального значения.

Также существенным детеминантом состояния экономики выступат инфляция. В целом, уровень роста инфляция является нормальным для развития экономики, однако после достижения определённого уровня это может привести к серьёзным трудностям и спаду. Так, рост экономики приводит к повышение совокупного спроса, что в свою очередь приводит к росту фирмы, которые повышают производства, создавая тем самым рабочие места. В то же время очень высокая и затяжная инфляция негативно влияет на производство и на экономическую страны в целом. В связи с этим инвестора постоянно наблюдают за значениями цен и их движением.

Ещё один важный макроэкономический индикатор - это индекс промышленного производства (ИПП). Данное значение показывает динамику объёма промышленного производства. ИПП выступает ещё одним показателем, по которому можно определить общее экономическое состояние в стране, а также предпосылки к изменению инфляции. Для России данный показатель особенно важен, так как промышленное производство составляет около 30% ВВП страны и обладает сильным мультипликативным действием. ВВП и ИПП имеют прямую зависимость.

Цена на нефть, пожалуй, наиболее значимый индикатор для нашей страны, так как она занимает большую долю экспорта, около 20% ВВП. Если цены на нефть высокие, как сейчас, например, то государственный бюджет увеличивается (около 50% федерального бюджета составляют нефтяные поступления), ВВП растёт, иностранный капитал приходит в страну. Также компании из нефтегазового сектора наиболее крупные по капитализации, их стоимость также зависит от цены на нефть.

Денежная масса - это ещё один важный макроэкономический показатель, который активно используется при определении цен на акции. Согласно исследованиям, нет точной зависимости между денежной массой и фонодвым рынок. Однако, если обратиться к портфельной теории, то приращение денежной массы приводит к реструктуризации портфеля: от бсепроцентных активов к активам, которые генерируют доход, в том числе процентный. В этом случае дополнительная денежная масса будет инвестироваться в акции, тем самым повышая спрос на акции и увеличивая их стоимость. В то же время стимулирующая монетарная политика можнт повлечь за собой инфляцию, которая в свою очередь увеличит ставки дисконтирования. Следовательно денежные потоки фирм и цены на их акции будут снижены. Для анализа в роли денежной массы будет выступать показатель М2.

Обменный курс также очень важный макроэкономический фактор. В случае с Россией, компании, у которых выручка, преимущественно, в рублях крепкая национальная валюта - благоприятный фактор. Если же рубль падает, то ситуация позитивна для экспортёров, так как их выручка валютная и при переоценке их показатели будут лучше. Яркий пример такой компании компания Сургутнефтегаз, которую, по сути, можно использовать, как способ хеджирования валютных рисков.

В качестве процентной ставки будет рассмотрена ключевая ставка в каждой стране. Для фондового рынка низкая ключевая ставка - это, несомненно, позитив, так как происходит перераспределение активов из банковского сектора в рынок ценных бумаг. Преимущественно, конечно, выигрывает долговой рынок, однако фондовый рынок также получает от этого пользу. Например, при текущем уровне ключевой ставка, привилегированные акции Сбербанка дают дивидендную доходность выше, нежели банковский депозит самого Сбербанка. Причём, помимо дивидендной доходности инвестор может получить прибыль от роста курсовой стоимости бумаги.

Динамика цен на золото, как правило, показывает в целом ситуацию и настрой инвесторов на рынке ценных бумаг. Принято считать, что золото - это защитный актив. Следовательно, если на рынке и в мире в целом наблюдаются волнения, то цены на золото растут, а во времена подъёма фондовых рынков, соответственно, падают.

Американский фондовый рынок, по сути, является основным в мире и задает настроение и атмосферу на рынке. Профессиональные участники рынка ценных бумаг с помощью мировых индексов следят за общемировыми тенденциями. Во времена глобализации развивающиеся рынки внимательно следят за развитыми фондовыми рынками. Повышение индекса S&P500 указывают на благоприятные ожидания и экономический рост не только в США, но и в мире, поэтому участники развивающихся рынков на фоне благоприятных ожиданий инвестируют средства, спрос на акции увеличивается и цена увеличивается.

2.2. Построение эконометрической модели и получение результатов

Все теоретические выкладки по составлению модели были указаны выше. Краткое руководство к действию следующее. Имеются данные по 3 странам: Бразилия, Россия, Китай. Необходимо исследовать влияние факторов на фондовый индекс, построить модель со всеми значимыми регрессорами и проверить качество модели:

1) гетероскедастичность, тест Уайта

2) автокорреляция остатков, тест Бреуша-Годфри

3) стационарность остатков, тест Дики-Фуллера

Соответственно, переходим непосредственно к осуществлению расчётов. Общее уравнение регрессии выглядит следующим образом:

yi=a0+a1x1+a2x2+ a3x3+ a4x4+ a5x5+ a6x6+a7x7+a8x8+a9x9+a10x10+ ui,

где yi - объясняемая переменная, ai - параметры модели, i - номер наблюдения, xji - объясняющая переменная, ui случайный остаток.

Начинаем анализ с Бразилии.

Линейная регрессия:

ls BOVESPA = c + a1*GDP + a2 *SELIC + a3* USD + a4* GOLD +a5*BRENTt+a6* S&P500+a7*INFLATION+a8*UNEMPLOEMANT+a9*IPP +a10* M2

Рисунок 1. Применение МНК в регрессионной модели для BOVESPA

Прежде всего, необходимо оставить только те регрессоры, которые будут значимы в модели. Для того, чтобы это сделать, последовательно исключаем незначимые регрессоры. Критерием является Pprob<0,05. Необходимо, прежде всего исключить те факторы, у который данный показатель наибольший. Сначала исключаем свободный коэффициент (С), так как его Prob=0,7036 наибольший. После проведения последовательных исключений получаем.

Рисунок 2. Применение МНК в регрессионной модели для BOVESPA

Prob. почти всем показателям соответствуют норме. Prob. денежной массы чуть больше 0,05, однако превышение очень небольшое, поэтому данный регрессор остаётся в модели.

Проверяем данную модели на качество.

1) Гетероскедастичность, тест Уайта. В программе Eviews все данные тесты автоматизированы. Соответственно, будут приведены только итоги.

Рисунок 3. Тест Уайта для модели BOVESPA

Напомним, суть теста Уайта в следующем: оценивается вспомогательное уравнение регрессии - зависимость квадратов остатков исходного уравнения от всех переменных и их комбинаций (произведений друг на друга и самих себя, то есть вторых степеней). Оценивается значимость построенного уравнения по критерию Фишера. Незначимость вспомогательной регрессии - говорит о том, что в модели гетероскедастичность отсутствует, если вторая регрессия (для квадратов остатков е2) значима, то и в исходной модели регрессии присутствует гетероскедастичность.

Для оценки значимости смотрим Prob.F = 0,1091, больше 0,05, то есть вспомогательная регрессия не значима, значит гетероскедастичность в модели отсутствует.

2) Автокорреляция остатков, тест Бреуша-Годфри

Строится регрессия остатков модели лаговых значений остатков

.

Если регрессия значима, то автокорреляция в остатках присутствует

Рисунок 4. Тест Бройша-Годфри для BOVESPA

Для оценки значимости смотрим Prob.F = 0,0006, меньше 0,05, то есть вспомогательная регрессия значима, автокорреляция в остатках присутствует.

3) Стационарность остатков, тест Дики-Фуллера. Первый этап при проведении данного теста - создание ряда остатков. Он получается следующий:

Рисунок 5. Ряд остатков для BOVESPA

Далее проводим Unit Root Test. Результаты представлены ниже

Рисунок 6. Unit Root тест для BOVESPA

Рисунок 7. Тест Дикки-Фуллера для BOVESPA

Prob* = 0,0636. Данное значение не удовлетворяет условию: Prob. > 0,05 . Следовательно, ряд не стационарен.

Для линейной модели получаем, что - гетероскедастичности нет, но качество остатков неудовлетворительное. Для того, чтобы привести модели к качественной и получить корректные результаты, преобразуем линейную модель в логарифмическую

ls LN BOVESPA = c + a1* ln GDP + a2 *S ln ELIC + a3*ln USD + a4*ln GOLD +a5*lnBRENTt+a6*lnS&P500+a7*lnINFLATION+a8*lnUNEMPLOYMENT+a9*ln IPP +a10* lnM2

Рисунок 8. Метод МНК для логарифмического уравнения регрессионной модели BOVESPA

Преобразовываем данную модель, по критерию Prob., который был указан выше. Итоговое уравнение следующее:

ls LN BOVESPA = c + a3*ln USD + a4*ln GOLD +a5* ln BRENT+a6*lnS&P500+a7*ln INFLATION+ a10* lnM2

Рисунок 9. Метод МНК для обновлённого логарифмического уравнения регрессионной модели BOVESPA

1) гетероскедастичность, тест Уайта

Рисунок 10. Тест Уайта для обновлённой модели BOVESPA

Prob.F = 0,0266 < 0,05 - гетероскедастичность присутствует

2) автокорреляция остатков, тест Бреуша-Годфри

Рисунок 11. Тест Бреуша-Годфри для обновлённой модели BOVESPA

Prob.F = 0,3593 > 0,05 - автокорреляция в остатках отсутствует.

3) стационарность остатков, тест Дикки-Фуллера

Рисунок 12. Тест Дикки-Фуллера для обновлённой модели BOVESPA

Prob* = 0,0001 < 0,05 - ряд стационарен.

Два из трёх тестов в порядке, однако в модели по-прежнему присутствует гетероскедастичность. Для устранения её последствий в программе Eviews предусмотрена процедура коррекции стандартных ошибок коэффициентов регрессии по методу Уайта. Применив данный критерий, получаем следующие оценки.

Рисунок 13. Метод МНК для обновлённой модели BOVESPA по методу Уайта

В результате получена оценка исходного уравнения со стандартными ошибками в форме Уайта (состоятельными стандартными ошибками при наличии гетероскедастичности).

После получения уравнения со стандартными ошибками в форме Уайта, вновь необходимо сделать тесты.

1. Автокорреляция остатков. Тест Бреуша-Годфри

Рисунок 14. Тест Бреуша-Годфри для обновлённой модели BOVESPA по методу Уайта

Prob.F = 0,4296 > 0,05 - автокорреляция в остатках отсутствует.

2. Стационарность остатков, тест Дики-Фуллера

Рисунок 15. Тест Дикки-Фуллера для обновлённой модели BOVESPA по методу Уайта Prob* = 0,0001 < 0,05 - ряд стационарен

Полученные результаты можно интерпретировать следующим образом:

1. Факторы, которые наиболее сильно влияют на динамику фондового индекса BOVESPA - это курс BRL/USD, динамика индекса S&P 500 и денежная масса М2.

2. При снижении/повышении валютного курса BLR/USD на 1%, индекс повышается/снижается на 1%, то есть изменяется обратно пропорционально.

3. При росте индекса S&P 500 на 1%, BOVESPA увеличивается на 0,75%. Существует прямая зависимость

4. При изменении денежной массы на 1%, индекс изменяется в обратном направлении на 0,5%.

5. Индекс BOVESPA имеет положительную взаимосвязь с ценой на золото.

6. Также существует отрицательная зависимость между BOVESPA и ценой на нефть, инфляцией.

7. Коэффициент детерминации R2, который также говорит о качестве модели, равен 0,74. Следовательно, модель качественная и полученные результаты верны.

Переходим, непосредственно, к анализу российского фондового рынка. Общее уравнение регрессии выглядит следующим образом:

ls MOEX = c + a1*GDP + a2 *INTEREST RATE+ a3* USD + a4* GOLD +a5*BRENTt+a6* S&P500+a7*INFLATION+a8*UNEMPLOYMENT+a9*IPP +a10* M2

После исключения всех незначимых регрессов получаем следующее уравнение:

ls MOEX = c + a1*GDP + a2 *INTEREST RATE+ + a4* GOLD +a5*BRENT+a6* S&P500 +a9*IPP +a10* M2

Результаты анализа данного уравнения представлены ниже.

Рисунок16. Применение МНК в регрессионной модели для MOEX

Проведём анализ качества данной модели.

1) гетероскедастичность, тест Уайта

Рисунок17. Тест Уайта для MOEX

Prob.F = 0,9889 > 0,05 - гетероскедастичность отсутствует

2) автокорреляция остатков, тест Бреуша-Годфри

Рисунок 18. Тест Бреуша-Годфри для MOEX

Prob.F = 0,1607 > 0,05 - автокорреляция в остатках отсутствует.

3) стационарность остатков, тест Дики-Фуллера

Рисунок19. Тест Дикки-Фуллера для MOEX

Prob* = 0,0009 < 0,05 - ряд стационарен.

Поскольку линейная модель качественная, строить логарифмическую не следует.

Проинтерпретируем полученные результаты:

1. В полученной модели валютный курс USD/RUB, уровень инфляции и уровень безработицы являются незначимыми регрессорами.

2. Факторы, которые имеют наибольшее воздействие на индекс ММВБ - это ключевая ставка, цены на нефть и индекс промышленного производства.

3. ВВП и показатели денежной массы М2 практически не влияют на индекс ММВБ

4. При изменении ключевой ставки на 1 базисный пункт, индекс ММВБ меняется на 51 базисной пункт в обратном направлении. То есть наблюдается отрицательная взаимосвязь.

5. При повышении цены на нефть на 1 цент, ММВБ вырастает на 7 базисных пунктов.

6. При повышении индекса промышленного производства на 1 процент, индекс ММВБ вырастает на 10 базисных пунктов.

7. Коэффициент детерминации R2 равен 0,9. Данный показатель означает, что модель качественная и полученные результаты корректны.

Проанализируем китайский индекс SHANGHAI.

Общее уравнение регрессии выглядит следующим образом:

ls MOEX = c + a1*GDP + a2 *INTEREST RATE+ a3* USD + a4* GOLD +a5*BRENTt+a6* S&P500+a7*INFLATION+a8*UNEMPLOYMENT+a9*IPP +a10* M2

После ликвидации незначимых регрессоров получаем следующее уравнение:

ls MOEX = a2 *INTEREST RATE+ a3* USD+a5*BRENTt+a6* S&P500+ a9*IPP +a10* M2

Рисунок20. Применение МНК в регрессионной модели для SHANGHAI

1) Проверка модели на гетероскедастичность.

Рисунок21. Тест Уайта для модели SHANGHAI

Prob.F = 0,1900 > 0,05 - гетероскедастичность отсутствует

2) Автокорреляция остатков.

Рисунок 22. Тест Бреуша-Годфри для модели SHANGAI

Prob.F = 0,0092 < 0,05 - автокорреляция в остатках присутствует.

3) Стационарность остатков.

Рисунок 23. Тест Дикки-Фуллера для модели SHANGAI

Prob* = 0,0114 < 0,05 - ряд стационарен.

Поскольку в линейной модели присутствует автокорреляция в остатках, необходимо построить логарифмическую модель.

ls LN SHANGHAI = c + a1* ln GDP + a2 *S ln ELIC + a3*ln USD + a4*ln GOLD +a5*lnBRENTt+a6*lnS&P500+a7*lnINFLATION+a8*lnUNEMPLOYMENT+a9*ln IPP +a10* lnM2

Улучшенная логарифмическая модель выглядит следующим образом.

Рисунок 24. Метод МНК для логарифмической модели SHANHAI.

Уравнение регрессионной модели имеет вид:

ls LN SHANGHAI = c + a1* ln GDP +a5*lnBRENTt+a6*lnS&P500+ a9*ln IPP

Проверяем модель на качественность.

1) Тест на определение гетероскедастичности.

Рисунок 25. Метод Уайта для обновлённой модели SHANGHAI

Prob.F = 0,2459 > 0,05 - гетероскедастичность отсутствует

2) Тест на наличие автокорреляции остатков.

Рисунок 26. Метода Бреуша-Годфри для обновлённой модели SHANGHAI

Prob.F = 0,0003 < 0,05 - автокорреляция в остатках присутствует.

3) Тест на стационарность остатков.

Рисунок27. Метод Дикки-Фуллера для обновлённой модели SHANGHAI

Prob* = 0,0032 < 0,05 - ряд стационарен.

В обоих моделях присутствует автокорреляция в остатках.

Согласно проведённым тестам, в модели присутствует автокорреляция. Для того, что её ликвидировать, необходимо провести Кохрейна-Оркатта. Р

1. Прежде всего, необходимо определить статистику Дарбина Уотстона. Показатель равен 0,828848.

Рисунок 28. Статистика Дарбина Уотсона в рамках процедуры Кохрейна-Оркатта

Коэффициент автокорреляции:

2. Следующий шаг - ввод новых переменных:

Series ln_shanghai_new=ln_shanghai_- 0.5856*ln_shanghai_(-1)

Series ln_gdp_new=ln_gdp_- 0.5856*ln_gdp_(-1)

Series ln_brent_new=ln_brent_- 0.5856*ln_brent_(-1)

Series ln_s_p_new=ln_s_p_- 0.5856*ln_s_p_(-1)

Series ln_ipp_new=ln_ipp_- 0.5856*ln_ipp_(-1)

3. Далее необходимо построить новое регрессионное уравнение с обновлёнными детерминантами.

ls ln_shanghai_new = a1*ln_gdp_new + a2 ln_brent_new + a3* ln_s_p_new + a4 *ln_ipp_new

Рисунок 29. Метод МНК для обновлённой модели SHANGHAI по методу Кохрейна Оркатта

Проведём анализ обновлённой регрессионной модели:

1. Тест на определение гетероскедастичности.

Рисунок 30. Тест Уайта для обновлённой модели SHANHAI по методу Кохрейна-Оркатта

Prob.F = 0,1123 > 0,05 - гетероскедастичность отсутствует

2. Тест на определение автокорреляции остатков

Рисунок 31. Тест Бреуша-Годфри для обновлённой модели SHANGHAI по методу Кохрейна-Оркатта

Prob.F = 0,1925 > 0,05 - автокорреляция в остатках отсутствует.

3. Тест на стационарность остатков.

Рисунок 32. Тест Дикки-Фуллера для обновлённой модели SHANGHAI по методу Кохрейна-Оркатта

Prob* = 0,0006 < 0,05 - ряд стационарен.

Все тесты выполняются, следовательно, модель качественная и коэффициенты корректны.

Интерпретация результатов модели:

1. По итогам анализа факторов, которые влияют на китайский фондовый индекс SHANGHAI, только ВВП, цены на нефть, значение индекса S&P 500 и индекс промышленного производства являются значимыми в полученной модели.

2. При этом, наиболее сильное влияние оказывает индекс промышленного производства. При росте ИПП на 1%, SHANGHAI прибавляет 2,8%.

3. Также существует положительная взаимосвязь между SHANGHAI и S&P 500: при изменении американского индекса на 1%, китайский индекс движется в том же направлении на 0,64%.

4. Индекс SHANGAI имеет отрицательную взаимосвязь с ВВП и ценами на нефть.

5. Коэффициент детерминации R2 равен 0,42. Данное значение допустимо, однако стоит отметить, что данная модель менее значима нежели те, которые были ранее.

Проведём сравнительный анализ факторов, которые оказывают воздействие на фондовые индексы Бразилии, России, Китая.

Таблица 3. Сравнительный анализ стран БРИКС