Поведенческие аномалии на российском долговом рынке

Hannan-Quinn criter.

1.769325

F-statistic

48.78245

Durbin-Watson stat

1.968938

Prob(F-statistic)

0.000000

Источник: Eviews, автор

Таблица 12

Dependent Variable: CARA MTS negative
Method: Least Squares
Sample: 1 54
Included observations: 54
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	-1.106996	0.214704	-5.155931	0.0000
C	-0.089209	0.112201	-0.795081	0.4302
R-squared	0.338285	Mean dependent var	-0.347662
Adjusted R-squared	0.325559	S.D. dependent var	0.898204
S.E. of regression	0.737644	Akaike info criterion	2.265623
Sum squared resid	28.29417	Schwarz criterion	2.339289
Log likelihood	-59.17182	Hannan-Quinn criter.	2.294033
F-statistic	26.58362	Durbin-Watson stat	2.019523
Prob(F-statistic)	0.000004

Источник: Eviews, автор

Проверка предположений при помощи регрессионного анализа показывает, что количество позитивных и негативных новостных событий примерно одинаково и обе регрессии значимы на всех разумных уровнях. Как и в анализе шоков банковской облигации процент объясненной дисперсии, в том числе скорректированный показатель, достаточно велик, чтобы сделать вывод о прикладном характере линеаризации зависимости. Стоит обратить внимание на значительную разницу в оценке бета коэффициента между регрессиями для позитивных и негативных шоков, для негативного события коэффициент по модулю выше. Это соотносится с логикой и априорными предположениями: негативные события были восприняты чрезмерно - в следующие за шоком два дня наблюдалась значительная коррекция вверх.

Аналогичные регрессионные модели построены также для облигаций компаний Транснефть и Норильский никель. Все расчеты приведены в приложении 15-18, в целом все полученные выводы подтверждаются.

3.3 Использование модели для прогноза

Основным минусом моделей, предложенных выше, является то, что они представляют собой бэктестинг, то есть демонстрируют наличие коррекции после шоков для рынка российских долговых ценных бумаг на исторической выборке. Насколько возможно инвестору получить положительную доходность, рассчитывая на эффект коррекции позиций участниками рынка после значимых изменений цены в режиме реального времени? Ibidem p.10

Расчет прогнозного значения величины коррекции на основании шока произведен для уже изученной рублевой облигации МТС с погашением в 2016 году. Под днями шока, как и ранее в работе, понимаются дни расхождения спрэда доходности между выбранной бумагой и облигацией федерального займа, близкой по дюрации.

Оценки регрессии, рассчитанные согласно методу наименьших квадратов, определены на скользящем отрезке для 5 прошедших значений аномальной доходности и поcтериорной кумулятивной доходности.

Выкладки из программного пакета Mathcad приведены ниже. Х_i выступает как вектор наблюдаемых значений независимой переменной, аномальная доходность, Y_i как вектор наблюдаемых значений независимой переменной, накопленная постериорная доходность. Таким образом, расчет накопленной доходности YY_i в каждый момент времени проведен с учетом оценок, построенных по 5 предыдущим эмпирическим наблюдениям, в качестве независимой переменной в каждый момент времени выступает текущее значение аномальной доходности:

(4)

Вектора определены с помощью функции submatrix.

Вектора А и В представляют константу и коэффициент угла наклона для регрессии соответственно.

(5)

График расчетной и эмпирической кривых для постериорной накопленной доходности приведен ниже на рисунке. Согласно графику, рассчитанная регрессия YY в целом прогнозирует направление кумулятивной доходности, однако количественно расчётные значения далеки от истинных:

Рисунок 13

Источник: Mathcad, автор

Значительным недостатком регрессии можно считать тот факт, что показатель стандартного отклонения по расчётной выборке накопленной доходности выше чем по эмпирической. Тем не менее, так как разброс значений, полученных по оценке выше, этот показатель можно использовать для построения торговых правил как пороговое значение.

(6)

Торговое правило для выборки с негативными шоками (в выкладке из программного пакета Mathcad обозначено как g) организовано следующим образом: инвестор встает в длинную позицию если расчётная кумулятивная доходность периода больше, чем аномальная доходность со знаком минус. То есть инвестор покупает бумагу, если согласно модели, кумулятивная прибыль от коррекции будет более значительна, чем аномальное падение цены. Если неравенство не выполняется, то инвестор не осуществляет никаких действий, «держит» имеющиеся бумаги.

Пассивное правило (m) предполагает открытие инвестором длинной позиции во все моменты времени, когда на рынке присутствует отрицательная аномальная доходность в предположении, что в следующем периоде будет наблюдаться рост цены и позиция принесет прибыль

(7)

Рисунок 14

Источник: Mathcad, автор

Доходность от стратегий если перейти от логарифмированных значений к действительным:

(8)

Для позитивных событий, согласно правилу, можно также получить большую доходность, чем при простом ожидании перемены знака стоимости актива. По правилу инвестор открывает короткую позицию, если расчетная кумулятивная доходность больше аномально высокой доходности в день позитивного шока, то есть если масштаб коррекции будет больше, чем первоначальный шок. Для пассивного правила аналогично, если наблюдается аномальная положительная доходность, необходимо открыть короткую позицию по бумаге.

(9)

График для доходности для модели по позитивным новостям представлен ниже.

Рисунок 15

Источник: Mathcad, автор

Необходимо заметить, что, как может показаться, пассивное правило может быть задано без блока программирования с функцией «если», так как аномальная доходность для позитивного шока предполагает положительный знак. Тем не менее, так как речь идет о корпоративных событиях, выраженных в терминах расхождения спрэда, аномальная доходность дня шока по знаку не всегда отвечает своей качественной классификации.

Стоит отметить, что вышеприведенная модель, позволяющая применять теоретические знания о поведенческих эффектах на практике и получать прибыль, несмотря на общую примитивность, выполняет свою главную функцию. На основании информации о зависимости между прошедшими шоками и последующими коррекциями (или их отсутствиями) можно построить прибыльные стратегии для последующих шоковых событий. Тем не менее необходимо отметить и минусы модели: предполагается что любые торговые операции происходят именно на основании шоков и в дни новостных событий. Что касается трейдинга на основании шоков, безусловно, предложенные модели не могут подойти частному инвестору, торгующему, например, через брокерский счет; предложенная стратегия скорее подходит для институциональных инвесторов, таких как фонды, следующие стратегиям relative value и tactical trading. Основная часть торговых операций таких фондов как раз приходится на активы, ценообразование на которые отклоняется от рациональной модели.

Более серьезным ограничением модели выступает именно то предположение, что инвестор может сделать необходимую транзакцию по заданной цене в день шока. Как правило, после шока цены, вызванного новостным событием, долговая бумага может быть неликвидна и открыть короткую или длинную позицию по ней попросту невозможно.



Заключение

В данной работе рассмотрены основные аспекты поведенческой теории финансов и проведен подробный прикладной анализ применимо к российскому долговому рынку.

Как следует из расчётов, для рынка суверенных бумаг нет статистически значимой взаимосвязи между изменениями цен и изменением торгуемого объема. Резкие и скачкообразные изменения в ценообразовании внутри торгового дня не заставляют трейдеров пересматривать торгуемые объемы.

Тем не менее в процессе исследования подтверждено, что показатель агрессивности трейдеров на рынке, а именно разница между ценой заявки и ценой исполнения зависит от логарифма изменения цен. Подтверждено, что рост цены прямо пропорционально связан с разницей между ценой исполнения и заявки, что говорит о низкой агрессивности; в свою очередь снижение цены связано с возрастанием агрессивности на рынке. Объяснить это поведение можно с различных точек зрения, например, падающий рынок, как правило, связан с возрастающей волатильностью, что может в свою очередь выступать ограничением для инвестора или быть нежелательным явлением. В таком случае инвесторы могут решить закрыть позиции по любым доступным ценам, чтобы выйти в деньги.

Другим важным аспектом анализа в работе является изучение эффекта чрезмерной реакции для отдельных бумаг корпоративного сектора и суверенного рынка в целом. Гипотеза из теории поведенческих финансов о том, что за значительными изменениями рыночной цены актива следует ее коррекция в противоположном направлении даже если событие, повлекшее изменение в ценообразовании, носило фундаментальный характер, частично доказана на эмпирических данных. Для негативных эффектов наличие коррекции на 10-дневном временном отрезке подтверждается отрицательным по знаку и статистически значимым коэффициентом угла наклона. Напротив, для позитивных эффектов на суверенном рынке последующей коррекции не наблюдается: накопленная доходность дней, следующих за шоком прямо зависит от доходности дня шока. Несмотря на то что все полученные регрессии значимы, необходимо отметить, что регрессии, построенные для больших временных отрезков, характеризуются меньшим процентом объясненной дисперсии.

Эти результаты могут быть объяснены общим состоянием российского долгового рынка в 2014, на который приходится большее количество ценовых шоков выборки. Санкции и девальвация рубля на фоне эскалации в Восточной части Украины привели к тому, что инвесторы демонстрируют чрезмерную реакцию на негативные события в коротком периоде, но более умеренно оценивают позитивные сигналы, таким образом, для позитивных шоков ни на коротких, ни на более длинных временных отрезках перемены знака для накопленной аномальной доходности не происходит.

Для бумаг корпоративного сектора анализ поведенческих эффектов также представляет интерес. Если облигация федерального займа рассматривалась в работе как носитель исключительно суверенного риска, то корпоративная облигация совмещает в себе как суверенный, так и риск кредитного имени эмитента. В исследовании была предложена методика по оценке поведенческих эффектов как реакции на кредитный спрэд. В соответствии с оценкой для шоков кредитного спрэда как позитивного, так и негативного характера наблюдается чрезмерная реакция, выражающаяся в перемене знака накопленной доходности, последующей за шоковым событием. Стоит отметить, что коэффициенты угла наклона для негативных шоков ощутимо больше, чем коэффициенты позитивных шоков для всех корпоративных бумаг - это является еще одним доказательством того, что рынок переоценивал негативные сигналы по российскому рынку на приведенной выборке и, в силу этого, коррекция после негативных шоков более значительна.

В заключительной части работы предложена модель, позволяющая прогнозировать коррекцию после шокового события для корпоративных бумаг и принимать инвестиционные решения на базе прогноза. Без учета комиссионных сборов модель позволяет получить более высокий финансовый результат, чем расчет на перемену знака активом после резкого скачка цены. Модель может рассматриваться как дополнительная к моделям, которые дают возможность принимать инвестиционные решения на ежедневной основе, так как позволяет принимать правильные решения в моменты шока рынка, когда модели, хорошо работающие в спокойных рыночных реалиях, ошибаются.

В целом можно заключить что на российском долговом рынке могут быть выявлены поведенческие аномалии, для которых с помощью моделей регрессионного анализа можно построить значимые зависимости и прогнозировать будущую доходность.



Список литературы

1. K.Daniel, D.Hirshliefer, S.Hong Teoh Investor Psychology in capital Markets: Evidence and Policy applications Journal of Monetary Economics Volume 49, Issue 1, January 2002, Pages 139-209 ;

2. M. Statsman Behavioral finance: Finance with normal people Borsa Istanbul Review Volume 14, Issue 2, June 2014, Pages 65-73

3. W.De Bondt R. Thaler Does the stock market overreact? Journal of Finance, 40 (1985), pp. 793-805

4. Robin K. Chou, Yun-Yi Wang A test of the different implications of the overconfidence and disposition hypotheses Journal of Banking and finance Journal of Banking & Finance 35 (2011) pp. 2037-2046

5. K. Kassimatis, S. Spyrou, E.Galariotis Short-term patterns in government bond returns following market shocks: International evidence International Review of Financial Analysis 17 (2008) pp. 903-924

6. Rakesh Bharati, Susan J. Crain and Prasad Nanisetty Evaluating Stock Price Behavior after Events: An Application of the Self-Exciting Threshold Autoregressive Model Quarterly Journal of Finance and Accounting, Vol. 48, No. 2 (Spring, 2009), pp. 23-43

7. Theo Offerman and Joep Sonnemans What's Causing Overreaction? An Experimental Investigation of Recency and the Hot-Hand Effect The Scandinavian Journal of Economics, Vol. 106, No. 3, Behavioral Economics (Sep.,2004), pp. 533-553

8. Odean, T., Are investors reluctant to realize their losses? Journal of Finance 53, 1998a pp. 1775-1798.

9. Robert A. Olsen Cognitive Dissonance: The Problem Facing Behavioral Finance Journal of Behavioral Finance Published online: 07 Mar 2008.

10. Dimitrios Kourtidisa, Zeljko Sevica, Prodromos Chatzogloub Investors' trading activity: A behavioral perspective and empirical results Journal of Socio-Economics

11. Kent Daniel, David Hirshleifer, Siew Hong Teoh Investor psychology in capital markets: evidence and policy implications Journal of Monetary Economics 49 (2002) pp. 139-209

12. Womack, K.L., 1996. Do brokerage analysts' recommendations have investment value? Journal of Finance 51, pp. 137-168.

13. Stickel, S.E., The anatomy of the performance of buy and sell recommendations Financial Analysts Journal 51, 1995 pp.25-39.

14. Tversky, A., Kahneman, D., Availability: a heuristic for judging frequency and probability Cognitive Psychology 5, 1973 pp. 207-232.

15. Rashes, M.S., 2001. Massively confused investors making conspicuously ignorant choices (MCI-MCIC) Journal of Finance 56, pp. 1911-1928.

16. Fama, E.F., 1998. Market efficiency, long-term returns and behavioral finance. Journal of Financial Economics 49, pp. 283-306

17. Easton, P., Harris, T., Ohlson, J., Aggregate accounting earnings can explain most of security returns Journal of Accounting and Economics 15, 1992. pp. 119-142.

18. Fair, R., 2000. Events that shook the market Working paper, Yale University.

19. Lakonishok, J., Shleifer, A., Vishny, R.W., Contrarian investment, extrapolation and risk Journal of Finance 49, 1994 pp. 1541-1578.

20. Yulong Ma, Alex P. Tang and Tanweer Hasan The Stock Price Overreaction Effect: Evidence on Nasdaq Stocks Quarterly Journal of Business and Economics, Vol. 44, No. 3/4 (Summer - Autumn, 2005), pp. 113-127

21. Marno Verbeek A Guide to modern econometrics Erasmus University Rotterdam John Wiley & Sons, 2004

Список интернет-источников

1. http://www.cbonds.ru

2. http://www.finam.ru

3. http://moex.ru



Приложение

Рисунок 1

Источник: автор

Рисунок 2

Источник: автор



Таблица 3

Hypothesis Testing for ACAR_T_2_
Sample: 1 26
Included observations: 26
Test of Hypothesis: Mean = 0.000000
Sample Mean = 1.845500
Sample Std. Dev. = 1.303523
Method	Value	Probability
t-statistic	7.219085	0.0000

Таблица 4

Hypothesis Testing for ACAR_T_5_
Sample: 1 26
Included observations: 26
Test of Hypothesis: Mean = 0.000000
Sample Mean = 1.975423
Sample Std. Dev. = 1.402016
Method	Value	Probability
t-statistic	7.184457	0.0000

Таблица 5

Hypothesis Testing for ACAR_T_10_
Sample: 1 26
Included observations: 26
Test of Hypothesis: Mean = 0.000000
Sample Mean = 2.087282
Sample Std. Dev. = 1.574569
Method	Value	Probability
t-statistic	6.759366	0.0000

Таблица 6

Hypothesis Testing for ACAR_T_2_
Sample: 1 40
Included observations: 40
Test of Hypothesis: Mean = 0.000000
Sample Mean = -1.525950
Sample Std. Dev. = 1.860762
Method	Value	Probability
t-statistic	-5.186560	0.0000

Таблица 7

Hypothesis Testing for ACAR_T_5_
Sample: 1 40
Included observations: 40
Test of Hypothesis: Mean = 0.000000
Sample Mean = -1.865650
Sample Std. Dev. = 2.089918
Method	Value	Probability
t-statistic	-5.645871	0.0000



Таблица 8

Hypothesis Testing for ACAR_T_10_
Sample: 1 40
Included observations: 40
Test of Hypothesis: Mean = 0.000000
Sample Mean = -2.092675
Sample Std. Dev. = 2.459342
Method	Value	Probability
t-statistic	-5.381617	0.0000

Таблица 9

Dependent Variable: CAR_T_2_negative
Method: Least Squares
Sample: 1 36
Included observations: 36
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	1.701712	0.137881	12.34188	0.0000
DAYOFWEEK	-0.026660	0.068049	-0.391769	0.6977
C	-0.033983	0.233917	-0.145280	0.8854

Таблица 10

Dependent Variable: CAR_T_10_negative
Method: Least Squares
Sample: 1 36
Included observations: 36
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	7.643603	2.222955	3.438487	0.0016
DAYOFWEEK	-0.720302	1.097110	-0.656545	0.5160
C	0.100390	3.771271	0.026620	0.9789

Таблица 11

Dependent Variable: CAR_T_2_positive
Method: Least Squares
Sample: 1 29
Included observations: 29
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	3.171733	0.229485	13.82106	0.0000
DAYOFWEEK	-0.018793	0.067081	-0.280157	0.7816
C	-0.129558	0.268116	-0.483218	0.6330

Таблица 12

Dependent Variable: CAR_T_10_positive
Method: Least Squares
Sample: 1 29
Included observations: 29
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	12.42612	2.400183	5.177153	0.0000
DAYOFWEEK	-0.587736	0.701603	-0.837705	0.4098
C	2.040101	2.804218	0.727511	0.4734

Таблица 13

Heteroskedasticity Test: White
F-statistic	0.433267	Prob. F(2,32)	0.6521
Obs*R-squared	0.922783	Prob. Chi-Square(2)	0.6304
Scaled explained SS	1.488511	Prob. Chi-Square(2)	0.4751
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1 35
Included observations: 35
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.056928	0.027334	2.082717	0.0454
AR01^2	0.211648	0.307267	0.688808	0.4959
AR01	-0.066253	0.100881	-0.656739	0.5160
R-squared	0.026365	Mean dependent var	0.067886
Adjusted R-squared	-0.034487	S.D. dependent var	0.131210
S.E. of regression	0.133453	Akaike info criterion	-1.108312
Sum squared resid	0.569914	Schwarz criterion	-0.974997
Log likelihood	22.39547	Hannan-Quinn criter.	-1.062292
F-statistic	0.433267	Durbin-Watson stat	1.551663
Prob(F-statistic)	0.652134



Таблица 14

Heteroskedasticity Test: White
F-statistic	2.394066	Prob. F(2,60)	0.1202
Obs*R-squared	12.69935	Prob. Chi-Square(2)	0.1917
Scaled explained SS	43.48641	Prob. Chi-Square(2)	0.0865
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1 63
Included observations: 63
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.179949	0.105018	1.713508	0.0918
AR01^2	0.308198	0.079339	3.884595	0.0003
AR01	-0.554095	0.147804	-3.748849	0.0004
R-squared	0.201577	Mean dependent var	0.316945
Adjusted R-squared	0.174963	S.D. dependent var	0.863517
S.E. of regression	0.784346	Akaike info criterion	2.398514
Sum squared resid	36.91187	Schwarz criterion	2.500568
Log likelihood	-72.55318	Hannan-Quinn criter.	2.438652
F-statistic	2.394066	Durbin-Watson stat	2.143464
Prob(F-statistic)	0.120258

Таблица 15

Dependent Variable: CARA Transneft positive
Method: Least Squares
Sample: 1 72
Included observations: 72
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	-0.782405	0.098245	-7.963814	0.0000
C	0.112004	0.095478	1.173087	0.0856
R-squared	0.625431	Mean dependent var	0.412540
Adjusted R-squared	0.652413	S.D. dependent var	0.892102
S.E. of regression	0.589546	Akaike info criterion	1.785420
Sum squared resid	14.02654	Schwarz criterion	1.9562
Log likelihood	-38.2546	Hannan-Quinn criter.	1.895642
F-statistic	45.78524	Durbin-Watson stat	2.08245
Prob(F-statistic)	0.000000

Таблица 16

Dependent Variable: CARA Transneft negative
Method: Least Squares
Sample: 1 86
Included observations: 86
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	-1.056458	0.187648	-5.629998	0.0000
C	-0.042456	0.08125	-0.522535	0.3856
R-squared	0.58741	Mean dependent var	-0.045836
Adjusted R-squared	0.548941	S.D. dependent var	0.712589
S.E. of regression	0.463752	Akaike info criterion	1.695482
Sum squared resid	16.62945	Schwarz criterion	1.95862
Log likelihood	-50.61822	Hannan-Quinn criter.	1.786247
F-statistic	27.95246	Durbin-Watson stat	1.986271
Prob(F-statistic)	0.000001

Таблица 17

Dependent Variable: CARA Nornichel positive
Method: Least Squares
Sample: 1 42
Included observations: 42
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	-0.685921	0.084562	-8.111456	0.0000
C	0.009852	0.019584	0.503064	0.4256
R-squared	0.195294	Mean dependent var	0.014859
Adjusted R-squared	0.186254	S.D. dependent var	0.311125
S.E. of regression	0.226432	Akaike info criterion	0.296654
Sum squared resid	2.579166	Schwarz criterion	0.384256
Log likelihood	-4.569954	Hannan-Quinn criter.	0.320140
F-statistic	9.289956	Durbin-Watson stat	2.521362
Prob(F-statistic)	0.000052

Таблица 18

Dependent Variable: CARA Nornickel negative
Method: Least Squares
Sample: 1 58
Included observations: 58
Variable	Coefficient	Std. Error	t-Statistic	Prob.
AR01	-0.985646	0.208549	-4.72621	0.0000
C	-0.072564	0.165489	-0.43848	0.6209
R-squared	0.347246	Mean dependent var	-0.400218
Adjusted R-squared	0.316345	S.D. dependent var	0.873214
S.E. of regression	0.695841	Akaike info criterion	2.524326
Sum squared resid	28.27145	Schwarz criterion	2.012645
Log likelihood	-55.15246	Hannan-Quinn criter.	2.256891
F-statistic	27.85642	Durbin-Watson stat	2.086452
Prob(F-statistic)	0.000002

Размещено на Allbest.ru

...