Влияние новостных шоков на доходность и волатильность российского фондового рынка
Становление финансовых рынков, международных фондовых бирж. Описание методологии, применяемой для исследования влияния новостей и макроэкономических анонсов на фондовый рынок. Воздействие новостных шоков на волатильность российского фондового рынка.
| Рубрика | Финансы, деньги и налоги |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 30.08.2016 |
| Размер файла | 263,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
Содержание
- Введение
- Глава 1. Теоретические аспекты исследования
- 1.1 Терминология исследования
- 1.2 Кластеризация волатильности
- 1.4 Влияние макроэкономических анонсов на фондовый рынок
- 1.5 Влияние новостей на фондовый рынок
- Выводы по Главе 1
- Глава 2. Методология исследования
- 2.1 Модель авторегрессионной условной гетероскедастичности (ARCH-модель)
- 2.2 Обобщённая ARCH-модель (GARCH-модель)
- 2.3 Ассиметричные модели GARCH
- 2.4 Расчёт новостных «сюрпризов»
- Выводы по Главе 2
- Глава 3. Практическая часть исследования
- 3.1 Данные, используемые при построении моделей
- 3.2 Переменные GARCH-модели
- 3.3 Выдвижение гипотез
- 3.4 Проведение тестов на гетероскедастичность
- 3.5 Построение модели GARCH(1;1)
- 3.6 Ассиметричная GARCH-модель
- 3.7 Результаты
- Заключение
- Приложения
- Приложение 1
- Данные анонсов индекса потребительских цен (м/м)
- Данные анонсов уровня безработицы
- Данные анонсов изменения запасов нефти в США
- Перечень заголовков «плохих» новостей
- Перечень заголовков «хороших» новостей
- Список использованной литературы
Введение
Финансовые рынки и международные фондовые биржи заметно ускорили своё развитие в последние два десятилетия, что обусловлено развитием технологий, совершенствованием электронных вычислительных систем и компьютеров, появлением новых средств хранения цифровых данных, и, главным образом, развитием Интернета, значительно увеличившим потоки информации, влияющей на движение финансовых рынков и поведение инвесторов. Новостные агентства и поставщики финансовой информации для профессиональных участников рынков публикуют тысячи новостей, аналитических статей и заметок ежедневно, а также одними из первых поставляют на финансовые рынки данные по значениям экономических индикаторов.
Некоторая информация остаётся незамеченной, другая становится причиной значительного увеличения волатильности цен на акции и сырьевые товары, третья может привести к существенным ценовым сдвигам. Для осуществления прибыльных вложений в инструменты финансового рынка инвесторам необходимо иметь понимание того, как может повлиять та или иная информация на движение фондового рынка.
Цель данной работы - определить, как новостные шоки влияют на доходность и волатильность российского фондового рынка. Данная цель достигается решением следующих задач:
· анализ существующих исследований по теме;
· изучение методологии, применяемой для исследования влияния новостей и макроэкономических анонсов на фондовый рынок;
· анализ влияния макроэкономических шоков и шоков нефтяного рынка, а также политических, экономических и иных новостей на доходность российского фондового рынка;
· исследование воздействия новостных шоков на волатильность российского фондового рынка;
· сравнение результатов, полученных в работе для российского рынка, с зарубежными исследованиями;
· определение дальнейших направлений исследования.
Новизна данной работы заключается, прежде всего, в применении новостного сентиментального анализа к исследованию периода сильных политических и экономических потрясений, включающего кризис на Украине 2013-2014 гг., Крымский кризис 2014 года, введение против России санкций рядом государств Евросоюза и Северной Америки, финансовый кризис в России 2014-2015 гг. Во-вторых, проведён анализ большого количества не только политических новостей, но и сообщений о природных катаклизмах, катастрофах и терактах. В-третьих, в работе наряду с политическими и другими новостями анализируется влияние макроэкономических анонсов и новостных шоков нефтяного рынка.
Данное исследование позволяет понять, как те или иные новостные шоки влияют на волатильность и доходность российского фондового рынка, а поэтому имеет практическую ценность для частных инвесторов.
Глава 1. Теоретические аспекты исследования
В данной главе мы определим терминологию, необходимую для понимания дальнейшего хода исследования, а также рассмотрим существующую релевантную литературу о влиянии макроэкономических «сюрпризов» и политических новостей на движение фондовых рынков развитых и развивающихся стран.
1.1 Терминология исследования
Объектом данного исследования является движение фондового рынка, определяемое как совокупность изменений цен на акции, торгуемые на данной фондовой бирже.
В качестве критериев оценки движения фондового рынка в данной работе мы будем применять такие показатели, как доходность и волатильность фондового рынка. Под доходностью фондового рынка в работе будет подразумеваться процентное изменение значения индекса данного фондового рынка за определённый период времени. Другими словами, доходность за период t индекса I мы будем рассчитывать как (IT / IT-t) - 1. При этом в работе также будет использована логарифмическая доходность индекса, рассчитываемая как ln(It) - ln(IT-t) = ln(IT / IT-t).
Под волатильностью фондового рынка мы будем понимать статистический показатель, определяющий изменчивость цены или индекса цен (фондового индекса), рассчитанную как стандартное отклонение (у) доходности по выбранному активу. Волатильность цены акции является мерой риска инвестора от вложения в данную ценную бумагу, а поэтому наряду с доходностью является важнейшим показателем движения фондового рынка.
В данной работе рассматривается влияние на фондовый рынок новостных шоков. Новостной шок - это любое отклонение информации, ставшей доступной участниками рынка, от релевантных ожиданий и прогнозов, сделанных участниками до получения данной информации. Из определения следует, что любое непредвиденное событие (англ. unexpected announcement) является новостным шоком.
Сентимент новости (англ. news sentiment) - «хороший», «плохой» или «нейтральный» характер новости, определяемый восприятием данной новости участниками финансового рынка. Правильное определение сентимента новой для рынка информации может помочь предсказать реакцию цен акций на появление этой информации. Под сентимент-анализом (англ. sentiment analysis) мы будем понимать отнесение той или новости к одной из трёх категорий, перечисленных выше.
1.2 Кластеризация волатильности
Как было упомянуто выше, волатильность цены финансового актива является одним из определяющих факторов при принятии инвестиционного решения и важным показателем движения фондового рынка. Возможность предсказать период высокой волатильности цен позволила бы консервативному инвестору значительно снизить свои риски путём закрытия позиций по данном активу, а спекулятивному трейдеру, наоборот, - извлечь дополнительный доход из колебаний рынка.
Gaunesdorfer (2007) [9] считает, что необходимо иметь теоретическое понимание экономических сил, которые могут повлиять на волатильность или усилить её и стать причиной так называемой кластеризации волатильности.
Под кластеризацией волатильности понимается тот факт, что для финансовых временных рядов характерно следование за периодом низкой волатильности периодов низкой волатильности, а за периодами высокой волатильности - периодов высокой волатильности [31]. Gaunesdorfer (2007) [9] также отмечает, что колебания в ценах активов вызваны комбинацией экономических новостей и эволюционными процессами. Существование явления кластеризации волатильности позволяет инвесторам делать прогнозы о волатильности фондового рынка в краткосрочном периоде, при чём более точные, чем прогнозы по доходности данного актива.
Brooks (2008) [5] утверждает, что феномен кластеризации волатильности может быть объяснён тем фактом, что новая информация, значительно влияющая на цены активов, поступает на финансовые рынки не равномерно во времени, а группами, или «пучками» (англ. bunches).
Явление кластеризации волатильности не может быть исследовано с помощью классических линейных моделей, поэтому в данной работе мы будем применять так называемые модели авторегрессионной условной гетероскедастичности, или ARCH-модели (англ. autoregressive conditional heteroscedasticity models), о которых пойдёт речь в Главе 2.
1.3 Влияние макроэкономических анонсов на фондовый рынок
На движение фондовых рынков в значительной степени оказывает влияние публикация макроэкономической информации.
Pearce and Roley (1985) [23] показали, что новости монетарной политики в значительной степени влияют на цены акций, а показатели инфляции (индекс потребительских цен, индекс цен производителей) и реальной экономической активности (уровень безработицы, индекс промышленного производства) влияют слабо либо не оказывают влияния. Позже Hardouvelis (1987) [13] заключает, что из 15 проанализированных макроэкономических индикаторов наибольшее влияние на фондовый рынок оказывают новости монетарной политики, а также уровень безработицы, торговый дефицит и личный доход. Bomfim (2003) [4] также обнаружил, что элемент «сюрприза» в решениях по ключевой ставке значительно повышает волатильность фондового рынка в краткосрочном периоде, при этом положительные «сюрпризы» (к которым автор относит превышение фактического значения целевой ставки по федеральным фондам над ожиданиями рынка) оказывают более сильный эффект, чем отрицательные.
Несмотря на возрастающий интерес инвесторов к фондовым биржам развивающихся рынков, большинство существующих исследований влияния новостных шоков на движение цен финансовых активов изучает поведение рынков в развитых странах. Ограниченное число исследований развивающихся рынков показывают зависимость финансовых рынков не только от внутренних макроэкономических новостей, но и от шоков крупных развитых экономик.
Так, Hanousek et al. (2009) [11] в своём исследовании получили, что фондовые рынки таких развивающихся (по классификации авторов) стран, как Чехия, Польша и Венгрия, реагируют на совокупность макроэкономических индикаторов, среди которых: показатели реальной экономики, монетарной политики, фискальной политики, экономической уверенности, номинальные макроэкономические агрегаты (значимость отдельных факторов не проверялась, так как в финальной модели авторы не делали различия между «хорошими» новостями по отдельным индикаторам). Кроме того, было установлено, что фондовые рынки Чехии и Венгрии реагируют также на выход макроэкономической статистики США.
Saleem and Fedorova (2014) [25] рассмотрели влияние иностранных и локальных макроэкономических анонсов на фондовые рынки развивающихся стран Восточной Европы: России, Венгрии, Польши и Чешской Республики. Авторы доказали, что макроэкономические новости оказывают значительное влияние на волатильность локальных рынков и реже - на доходность, и что плохие новости оказывают более значительное влияние на волатильность, чем хорошие.
1.4 Влияние новостей на фондовый рынок
Большинство исследователей реакции фондового рынка и цены акций на появление новостей и новостные шоки используют в своих работах анализ количественной информации: макроэкономических показателей (напр. уровень инфляции, темп роста ВВП, уровень безработицы, производственные индексы и т.д.), решений по монетарной политике (напр. ключевая ставка процента), финансовых результатов компаний (напр. размер дивидендов, прибыли, свободного денежного потока и т.д.). Однако на движение фондового рынка оказывают влияние также и новости общественно-политического, экономического и экстренного характера, публикуемые различными информационными агентствами в виде сообщений, заметок и статей.
Некоторые современные работы исследуют влияние новостей на движение цен акций с помощью искусственного интеллекта и математической лингвистики - так называемых систем анализа тональности текста, или сентимент-анализа (англ. sentiment analysis). Данные системы способны в автоматическом режиме определять настроение (сентимент) новости и делить их на хорошие и плохие, тем самым делая их привлекательными для целей высокочастотной торговли (англ. high-frequency trading).
Обработка естественного языка (англ. natural language processing) и анализ сентимента на основе словарей (англ. dictionary-based sentiment analysis) применяются Zhang and Skiena (2010) [30], Ho et al (2013) [15] и Prollochs et Al. (2015) [24] для оценки влияния релевантных новостей на доходность акций, волатильность и объёмы торгов.
Другие исследователи применяют в своих исследованиях чтение и мануальный (англ. manual) отбор информации либо при анализе влияния новостей по конкретной исследуемой теме, либо в силу отсутствия для языка исследования словарей, устанавливающих соответствие слова и сентимента. По этой причине большинство релевантных работ выполнено для рынков развивающихся стран.
Sulemann (2012) [26] проанализировал содержание более 4000 новостных сообщений, чтобы исследовать влияние политических новостей на доходность индекса KSE100 и волатильность Фондовой биржи Карачи (англ. Karachi Stock Exchange), Пакистан. Автор показал, что хорошие новости имеют позитивное влияние на доходность и уменьшают волатильность рынка, в то время как плохие новости несут негативный эффект на доходность и увеличивают волатильность рынка (положительный эффект). При этом влияние плохих новостей почти в два раза сильнее, чем хороших. Кроме того, автор обнаружил, что некоторые отраслевые индексы (нефтегазового и финансового секторов, сектора здравоохранения) практически не реагируют на публикацию политических новостей. К анализу влияния политических новостей и новостей о катастрофах на KSE100 также обращались Taimur and Khan (2013) [27].
Nguthi (2013) [21] исследовал влияние политических новостей на доходность акций фондовой биржи Найроби (англ. Nairobi Securities Exchange, NSE). Автор показал, что политические новости оказывают значительное влияние на волатильность рынка в краткосрочном периоде.
Bin (2015) [1] исследовал влияние серии политических событий, связанных с борьбой за власть в Гонконге, Тайване и Континентальном Китае, и показал, что появление как хороших, так и плохих новостей может либо значительно повышать волатильность рынка, либо не влиять на данный показатель в зависимости от фондового рынка. Более того, автор обнаружил, что доходность рынков может по-разному влиять на новую политическую информацию.
К анализу влияния сообщений о природных явлениях и катастрофах обращался Worthington (2008) [28], исследовавший реакцию доходности Австралийского фондового рынка (англ. Australia Securities Exchange, ASX) на бури, наводнения, циклоны, землетрясения и лесные пожары, зафиксированные с 1980 по 2003 год. Автор пришёл к выводу, что данные явления практически не влияют на доходность и волатильность фондового рынка.
К сожалению, количество работ, анализирующих влияния новостного фона на российские фондовые рынки, остаётся сравнительно небольшим. Одной из представляющих особый интерес работ является исследование Birz and Lott (2011) [2], которые используют при анализе сентимента макроэкономического релиза не количественную оценку (величина «сюрприза»), а качественную, полученную путём анализа заголовков соответствующих новостных заметок. В работе авторы фокусируются на влияния «реальных» показателей экономики: ВВП, безработицы, розничных продаж и заказов на товары длительного пользования.
Hayo and Kutan (2005) [14] в своём исследовании влияния новостей, нефтяных цен и глобальных рынков на российские финансовые рынки используют такие количественные данные, как значения индекса S&P, доходность казначейских облигаций США, цены на нефть, и качественные данные, представленные новостями о войне в Чеченской республике и новостями сырьевых и энергетических рынков. В работа рассматривается влияние как на доходность российских облигаций, так и на доходность акций на дневных колебаниях рынка за период с сентября 1995 по ноябрь 2001. Исследователи делают вывод о значительном влиянии новостей энергетического сектора на финансовые рынки России, однако отвергают гипотезу о влиянии политических новостей как на рынок акций, так и на доходность облигаций. Недостатком данного исследования можно назвать фокус только на одном важном политическом событии - Чеченской войне.
1.5 Эффект левериджа
В двух предыдущих параграфах мы рассмотрели несколько исследований, демонстрирующих тот факт, что фондовые рынки могут реагировать на негативную информацию сильнее, чем на положительную, и наоборот, при чём данное явление наблюдается на рынках не только развивающихся стран, но и развитых (напр. США).
Данный эффект получил название эффекта левериджа. Ait-Sahalia et al. (2013) [31] при исследовании эффекта левериджа определяют его как наблюдаемую отрицательную корреляцию между доходностью активов и изменениями в волатильности цены на данный актив. Другими словами, рост доходности актива сопровождается снижением волатильности, а при падении цены волатильности, наоборот, значительно усиливается.
Данный эффект необходимо учитывать при анализе влияния новостных шоков на динамику финансовых активов, чтобы точнее прогнозировать волатильность цен, а значит правильнее рассчитывать риски активов. Далее в исследовании мы проверим существование эффекта левериджа на российском фондовом рынке с помощью асимметричных моделей.
Выводы по Главе 1
В данной главе мы определили, что на доходность и волатильность фондового рынка в значительной степени оказывают влияние макроэкономические анонсы и их неожиданная составляющая - «сюрприз». Кроме этого, на примере нескольких исследований было продемонстрировано, что «хорошие» новости чаще всего оказывают положительный эффект на доходность и отрицательный - на волатильность рынка, в то время как «плохие» новости оказывают отрицательный эффект на доходность, но повышают волатильность, что некоторыми авторами определяется как положительный эффект.
В ходе анализа существующей релевантной литературы было выявлено лишь небольшое количество исследований, посвящённых исследованию влияния политических, экономических и т.д. новостей на российский фондовый рынок.
Глава 2. Методология исследования
В данной главе мы определим методологию исследованию и опишем основные применяемые далее инструменты - различные модели авторегрессионной условной гетероскедастичности, сравним симметричные и асимметричные ARCH-модели, а также определим методы расчёта доходности и новостных «сюрпризов».
2.1 Модель авторегрессионной условной гетероскедастичности (ARCH-модель)
Большинство финансовых рядов не могут быть проанализированы с помощью линейных моделей и метода наименьших квадратов (далее - МНК) в силу того, что такие ряды чаще всего характеризуются присутствием гетероскедастичности, под которой понимается отсутствие постоянства дисперсии случайных ошибок модели, что приводит к получению методом МНК неэффективных оценок.
Существует большое число нелинейных эконометрических моделей, однако только небольшое их число используется для анализа финансовых временных рядов. Одними из самых популярных являются ARCH и GARCH-модели, применяемые для прогнозирования волатильности [33].
Модель авторегрессионной условной гетероскедастичности (англ. Autoregressive conditional heteroskedasticity model), или ARCH-модель, впервые было представлена Engle [8] в 1982 году. Автор определяет, ARCH-процессы как процессы с нулевым средним, с непостоянной условной дисперсией, зависящей от прошлых значений и постоянной безусловной дисперсией. Пусть е - ошибка некоторой линейной модели:
Yt = в0 + в1 • X1t + в 2 • X2t + в 3 • X3t + ... + в n • Xnt + еt,
то постоянная безусловная дисперсия ошибки может быть рассчитана как Var(еt). Нововведение Engle заключается в условной дисперсии ht = уt2, которая может быть выражена следующим образом:
ht = Var(еt | еt-1, еt-2, … , еt-q) = г0 + г1 • еt-12 + г2 • еt-22 + ... + гq • еt-q2.
Выше приведена условная дисперсия ht в общем виде для модели ARCH(q). В наиболее распространённой форме модели ARCH(1) дисперсия принимает вид:
ht = г0 + г1 • еt-12
Как вывод, для описанных Engle ARCH-процессов прошлые значения дают информацию для прогноза дисперсии одного последующего периода, что активно и используется исследователями волатильности финансовых временных рядов. АRCH-модель даёт ключ к объяснению кластеризации волатильности.
Однако, данная модель имеет свои недостатки, приводимые Brooks (2008) [5]:
· большое число лагов q, необходимое для объяснения всех зависимостей условной дисперсии ht;
· сложность определения значения количества лагов q;
· требования по неотрицательности коэффициентов г условной дисперсии.
Классическая модель ARCH(q) получила дальнейшее развитие в виде обобщения, сделанного Bollerslev [3] в 1986 году.
2.2 Обобщённая ARCH-модель (GARCH-модель)
Обобщение ARCH-модели, модель GARCH (англ. generalized autoregressive conditional heteroscedasticity model), решает некоторые проблемы своего предшественника и получает намного более широкое применение в эконометрических исследованиях. Особенность GARCH-модели заключается в добавлении к условной дисперсии зависимости не только от предыдущих ошибок, но и от предыдущей дисперсии ht-1 (уt-12). Таким образом, в общем виде условная дисперсия модели GARCH(q; p) может быть представлена как:
ht = г0 + г1 • еt-12 + ... + гq • еt-q2 + б1 • ht-1 + ... + бp • ht-p
Как и в случае с ARCH-моделью, наиболее распространённой и применимой формой GARCH-модели является GARCH(1;1), условная дисперсия для которой принимает следующий вид:
ht = г0 + г1 • еt-12 + г2 • ht-1
Brooks считает, что данная форма является достаточной для объяснения кластеризации волатильности данных, и только в редких случаях в финансовых академических исследованиях может потребоваться применение более высокого лага.
Hansen and Lunde (2005) [12] провели сравнение 330 различных моделей волатильности и показали, что даже самые лучшие модели не предоставляют значительно более качественных прогнозов, чем модель GARCH(1;1), что подтверждает точку зрения Brooks.
Как было упомянуто выше, модель GARCH получила широкое распространение в финансовых исследованиях и применялась Depken (2001) [7] для анализа влияния «хороших» и «плохих» новостей на акции 100 компаний, включённых в расчёт индекса S&P500, Caporale et al. (2016) [6] для анализа новостей валютного курса на валюты стран BRICS, Naik and Padhi (2014) [19] для анализа взаимосвязи между волатильностью и объёмами торговли на фондовых рынках развивающихся стран, Luo and Xue (2013) [17] для анализа волатильности индекса Шанхайской фондовой биржи SSE Composite, Nilsson (2015) [22] для анализа волатильности четырёх основных фондовых индексов Швеции и т.д.
2.3 Ассиметричные модели GARCH
Одним из ключевых недостатков использования GARCH-модели при анализе изменения волатильности фондового рынка на публикацию новой информации является симметричная реакция волатильности на «хорошие» и «плохие» новости, так как знак ошибки теряется при возведении её в квадрат при расчёте условной дисперсии. Однако, данная симметрия далеко не всегда наблюдается на практике: как мы уже отметили в Главе 1, Saleem and Fedorova (2014) [25] и Suleman (2012) [26] получили, что «плохие» новости почти в 2 раза сильнее влияют на доходность и волатильность фондового рынка, а Bomfim (2003) [4], наоборот, обнаружил, что положительные «сюрпризы» оказывают более сильный эффект на движение фондового рынка, чем отрицательные.
Для решения этой проблемы были предложены асимметричные модели GARCH, учитывающие эффект левериджа - волатильность падающего рынка выше волатильности растущего.
В 1991 году Nelson [20] предложил экспоненциальную модель GARCH, уравнение условной дисперсии которой можно представить в следующем виде:
Добавление логарифма к условной дисперсии снимает ограничение на неотрицательность параметров модели, а отношение ошибки модели к корню дисперсии добавляет асимметрию.
Позже, в 1993 году Glosten, Jagannathan and Runkle [10] опубликовали описание GJR-GARCH модели, уравнение условной дисперсии которой стало включать дополнительное выражение, обеспечивающее асимметрию модели:
ht = б0 + б1 • еt-12 + в • ht-1 + г • еt-12 • It-1, где
2.4 Расчёт новостных «сюрпризов»
Для целей исследования в модели используется так называемся log-доходность (англ. logarithmic rate of return), рассчитанная по следующей формуле:
где Rt - логарифмированная доходность, RTSIt - значение индекса РТС в период времени t, RTSIt-1 - значение индекса РТС в период t-1.
Так как целью работы является изучение новостных шоков, то исследуется не абсолютное значение индикаторов, а стандартизированная величина «сюрприза», рассчитанного по формуле, используемой в работе Jiang et Al. (2012) [16]:
где Ft - прогнозируемое в момент времени (t - a) значение индикатора в период t, At - анонсированное значение индикатора, (At - Ft) - непредвиденный компонент анонса, у - стандартное отклонение непредвиденного компонента (At - Ft).
Прогнозируемое значение индикатора Ft представлено консенсусом аналитиков, полученным из Bloomberg Terminal. В Приложениях №№ 1-3 представлена таблица значений непредвиденных компонентов по каждому индикатору.
Далее необходимо определить, какой знак «сюрприза» для каждого индикатора является «хорошим», а какой - «плохим». Для релиза статистики по индексу потребительских цен «хорошей» новостью в российских реалиях будет являться превышение прогнозного значения над фактическим. Другими словами, положительным новостным шоком можно считать значение St < 0, а отрицательным шоком - значение St > 0 (очевидно, при St = 0 новостного шока не наблюдается). Применительно к статистике рынка труда, «хорошей» новостью также будем считать превышение прогнозного значения уровня безработицы над фактическим.
Обратимся к индикатору нефтяных запасов. Рост запасов сырой нефти в США за неделю фактически означает, что предложение превысило спрос за данный промежуток времени, однако рост запасов ведёт к падению цены на нефть только в том случае, если фактическое значение превысило консенсус-прогноз. В силу высокой корреляции, падение цен на нефть ведёт к снижению индекса РТС. Таким образом, «хорошим» новостным шоком для российского фондового рынка является анонс, укрепляющий нефть в цене, то есть превышение прогнозного значения над фактическим.
Следовательно, под «хорошим» новостным шоком для каждого из трёх индикаторов подразумевается отрицательное значение сюрприза St.
Выводы по Главе 2
В данной главе мы рассмотрели основные симметричные и асимметричные модели авторегрессионной условной гетероскедастичности, которые далее будут применяться в данной работе, а также описали их достоинства и недостатки.
Определён метод расчёта логарифмической доходности и новостных «сюрпризов». Для каждого из используемых в работе индикаторов установлено соответствие «хорошего» новостного шока и величины «сюрприза».
Глава 3. Практическая часть исследования
В третьей главе мы применим теоретические аспекты, рассмотренные в первых двух главах, к анализу влияния новостных шоков на влияние фондового рынка на примере российского индекса РТС и попытаемся объяснить периоды высокой и низкой волатильности индекса, а также определить факторы, влияющие на его доходность, с помощью моделей авторегрессионной условной гетероскедастичности.
Полученные в ходе эмпирического анализа результаты мы сравним с результатами релевантных зарубежных исследований.
3.1 Данные, используемые при построении моделей
Для тестирования гипотез о реакции фондового рынка в работе используется один из двух основных российских фондовых индексов - индекс РТС (RTSI Index), рассчитываемый Московской биржей на основе 50 самых ликвидных акций крупных российских компаний-эмитентов. Индекс рассчитывается с 1 сентября 1995 года от базового значения в 100 пунктов на основе цен акций, выраженных в долларах США. По состоянию на 22 февраля 2016 значение индекса составляет 761,48 пунктов (закрытие).
В исследовании используются ежедневные значения индекса РТС за период с 11 января 2011 года по 22 февраля 2016 года (включительно). Данные получены из компьютерной системы Bloomberg Terminal, предоставляемой компанией Bloomberg.
В качестве макроэкономических показателей в работе используются два индикатора - индекс потребительских цен (ИПЦ) и уровень безработицы, публикуемые ежемесячно Федеральной службой государственной статистики. Индекс потребительских цен является основной мерой изменения инфляции. В работе использованы значения ИПЦ месяц к месяцу (м/м). Уровень безработицы - коэффициент безработного, трудоспособного и активно ищущего работу населения к общей рабочей силе.
В силу высокой зависимости российского фондового рынка от цен на нефть, в исследовании используются новостные шоки нефтяного рынка. Для количественной оценки шоков используется статистика изменений запасов сырой нефти в США (англ. United States oil crude inventories), рассчитываемая Министерством энергетики США (англ. United States Department of Energy) и публикуемая Управлением по энергетической информации (англ. United States Energy Information Administration).
В отличие от данных по производству, потреблению, экспорту и импорту нефти, публикуемых на ежемесячной основе, данные по запасам сырой нефти рассчитываются еженедельно, что увеличивает количество доступных наблюдений. Кроме того, данные по нефтяным запасам являются мерой дисбаланса спроса и предложения нефти в США - одного из крупнейших производителей и потребителей нефти в мире, а поэтому оказывают значительное влияние на цены на нефть, как утверждают Ye et al. (2006) [29].
Для расчёта величины «сюрприза» релиза изменения нефтяных запасов используется консенсус-прогноз аналитиков, полученный из Bloomberg Terminal. Применяется формула, упомянутая в предыдущей главе для макроэкономических индикаторов.
При оценке влияния новостных шоков на движение фондового рынка учитывались не только «сюрпризы» анонсов макроэкономических показателей, но и новости, не содержащие количественной информации: например, политические и экономические новости, новости о природных и техногенных катастрофах, терактах, начатых судебных расследованиях и т.д.
Для поиска новостей использовались новостные ленты электронных порталов «РИА Новости», «Forbes», «РБК», «Коммерсант», «Ведомости» и «ТАСС», а также списки самых значимых событий за год по версии данных информационных агенств за период с 1 января 2011 года по 22 февраля 2016 года. В общей сложности были проанализированы более 1000 статей в следующих категориях:
· российские новости;
· украинские новости;
· общественно-политические новости;
· экономические новости;
· мировые новости;
· происшествия.
После тщательного анализа самых значимых новостей за 5 лет по версии новостных агентств было выбрано 168 новостей, из которых только 112 новостей содержали в себе ранее не публикованную или неожиданную информацию (шоковую составляющую).
Далее каждая из 112 новостей была отнесена к одной из трёх групп в соответствии с настроением (сентиментом) опубликованной информации: «нейтральные» новости, «хорошие» новости и «плохие» новости. В итоге получилось следующее соотношение трёх групп новостей:
|
Сентимент |
Количество новостей |
Доля новостей |
|
|
Хорошие новости |
16 |
14,3% |
|
|
Плохие новости |
64 |
57,1% |
|
|
Нейтральные новости |
32 |
28,6% |
|
|
Всего |
112 |
100,0% |
Таблица № 1. Соотношение групп новостей по сентименту.
Из получившейся совокупности были исключены нейтральные новости. Полный перечень заголовков новостей финальной выборки приведен в Приложениях №№ 4-5. В следующей таблице приведены примеры новостных шоков для каждой из 6 категорий, описанных выше:
|
Категория |
Заголовок новости |
Сентимент новости |
|
|
Российские новости |
Дело о продаже акций «Башнефти» и арест Владимира Евтушенкова |
Плохая |
|
|
Украинские новости |
Украинские военные сообщили о начале отвода техники калибром менее 100 мм в Донбассе |
Хорошая |
|
|
Общественно-политические новости |
Олланд приедет к Путину в Москву обсудить борьбу с терроризмом |
Хорошая |
|
|
Экономические новости |
«Роснефть» договорилась с акционерами «ТНК-BP» о покупке компании |
Хорошая |
|
|
Мировые новости |
Серия терактов в Париже |
Плохая |
|
|
Происшествия |
Крушение самолёта «Когалымавиа» в Египте |
Плохая |
Таблица № 2. Примеры заголовков новостей.
Таким образом, данные, используемые далее при построении регрессионных моделей, включают в себя 1288 наблюдений по индексу РТС, 80 «хороших» и «плохих» новостей, 62 релиза индекса потребительский цен, 61 релиз уровня безработицы и 267 сообщений об изменении запасов сырой нефти в США.
3.2 Переменные GARCH-модели
Для анализа влияния новостных шоков на движение фондового рынка в данной работе мы будем применять GARCH-модель. Для построения модели используются следующие переменные:
· Rt (RT) - логарифмическая доходность российского индекса РТС в период t;
· Rt-1 (RT1) - логарифмическая доходность российского индекса РТС в период t-1;
· UR (англ. unemployment rate) - стандартизированная величина шока («сюрприза»), рассчитанного по формуле из Главы 2 для анонсов уровня безработицы;
· CPI (англ. consumer price index) - стандартизированная величина шока, рассчитанная для анонсов уровня инфляции;
· OI (англ. oil inventories) - стандартизированная величина шока, рассчитанная для анонсов изменения запасов сырой нефти в США.
Кроме того, в модель включены 2 дамми-переменные, определяющие появление «хорошей» или «плохой» новости:
· GN (англ. good news) =
· BN (англ. bad news) =
3.3 Выдвижение гипотез
В данном параграфе мы сформируем основные гипотезы относительно влияния тех или иных новостных шоков на доходность и волатильность российского фондового рынка. При выдвижении данных гипотез, мы, главным образом, опираемся на исследования, рассмотренные в Главе 1.
Гипотеза 1: «плохие» политические, экономические и другие новостные шоки (переменная модели BN) отрицательно влияют на доходность российского фондового рынка, но увеличивают волатильность индекса РТС, что многими исследователями определяется как положительный эффект.
Гипотеза 2: «хорошие» новостные шоки (переменная модели GN) положительно влияют на доходность российского фондового рынка и отрицательно влияют (либо не оказывают влияния) на волатильность индекса РТС.
Гипотеза 3: «хорошие» макроэкономические анонсы (объявления индекса потребительских цен и уровня безработицы, переменные модели CPI и UR) положительно влияют на доходность индекса РТС, но снижают волатильность фондового рынка.
Гипотеза 4: информация о фактическом меньшем (по сравнению с прогнозным значением) росте нефтяных запасов США положительно влияет на доходность индекса РТС и, следовательно, отрицательно - на волатильность рынка.
Гипотеза 5: российский фондовый рынок реагирует несимметрично на «хорошие» и «плохие» новостные шоки, т.е. существует эффект левериджа.
Гипотезы будут проверяться с помощью оценки значимости тех или иных коэффициентов обеих частей (основного уравнения и уравнения условной дисперсии) GARCH-моделей.
3.4 Проведение тестов на гетероскедастичность
Для того, чтобы убедиться в целесообразности применения моделей класса (G)ARCH, необходимо провести тесты остатков на гетероскедастичность и на ARCH-эффект. Для начала проведём графический тест остатков. На графике ниже приведён график остатков е модели:
Rt = в0 + в1 • Rt-1 + в2 • GN + в3 • BN + в3 • OI + в3 • CPI + в3 • UR + е
График № 1. Графический анализ остатков модели.
Графический анализ позволяет подтвердить наличие кластеризации волатильности: мы можем визуально выделить период низкой волатильности с 1 по 120 наблюдение (январь 2011 - июнь 2011 гг.), период более высокой волатильности со 121 по 400 наблюдение (июль 2011 - июль 2012 гг.), снова период низкой волатильности с 401 по 800 наблюдение (августа 2012 - февраль 2014 гг.), период более высокой волатильности с 801 по 965 наблюдение (март 2014 - октябрь 2014 гг.) и период очень высокой волатильности с 966 по 1288 наблюдение (ноябрь 2014 - февраль 2016 гг.).
Далее проведём тест на ARCH-эффект. Нулевая гипотеза H0 теста заключается в отсутствии ARCH-эффекта, альтернативная (H1) - в присутствии. Результаты теста приведены в следующей таблице:
Таблица № 3. Результаты теста на ARCH-эффект.
Значение p-value стремится к 0, что позволяет нам отвергнуть основную гипотезу об отсутствии ARCH-эффекта. Следовательно, мы определили наличие ARCH-эффекта, а значит для анализа ряда данных целесообразно использовать группу (G)ARCH-моделей.
3.5 Построение моделей GARCH
Как было упомянуто выше, в работе используется основная модель GARCH(1;1), которая будет включать дамми-переменные «хороших» и «плохих» новостей, стандартизированные величины «сюрпризов» статистики по инфляции, уровню безработицы и изменениям запасов нефти. GARCH-модель:
уt2 = г0 + г1 • еt-12 + г2 • уt-12 + г3 • BN + г4 • GN + г5 • OI + г6 • CPI + г7 • UR + еt
Результаты оценки модели методом максимального правдоподобия приведены в следующей таблице:
Таблица № 4. Результаты оценки коэффициентов GARCH-модели.
Таким образом, из GARCH(1;1) модели можно сделать некоторые выводы о влиянии новостных шоков на движение российского фондового рынка, а также подтвердить (т.е. не отвергнуть) или опровергнуть выдвинутые гипотезы, на чём мы остановимся более подробно в конце этой главы.
После оценки классической симметричной модели необходимо рассмотреть также и асимметричные модели, позволяющие отвергнуть (или не отвергнуть) гипотезу об отсутствии левериджа, а затем провести сравнение симметричных и асимметричных GARCH-моделей по следующим информационным критериям: Akaike criterion (AIC), Hannan-Quinn criterion (HQC) и Schwartz criterion (SIC).
Для рассмотренной ранее модели GARCH(1;1) получили следующие значения критериев:
Для асимметричной модели GJR-GARCH (или TGARCH):
И для асимметричной модели EGARCH(1;1):
Как видно из значений критериев, максимальные значения имеет модель GARCH(1;1), а минимальные - экспоненциальная модель EGARCH(1;1). Так как наилучшей считается модель с наименьшими значениями критериев, то по данным информационным критериям мы можем сделать выбор в пользу асимметричной модели EGARCH(1;1). Однако, для целей исследования мы не будем отказываться от описания результатов, полученных при оценке модели GARCH(1;1), по причинам, описанным в главе по методологии исследования.
Результаты оценки модели EGARCH(1;1) методом максимального правдоподобия приведены в следующей таблице:
Таблица № 5. Результаты оценки коэффициентов EGARCH-модели.
3.6 Результаты эмпирического исследования
По итогам рассмотрения симметричной и асимметричной GARCH-моделей мы можем отвергнуть или не отвергнуть гипотезы, сформулированные в начале данной главы.
Во-первых, появление на финансовом рынке «плохих» новостей имеет отрицательное влияние на доходность индекса РТС, но при этом положительное - на волатильность рынка (приводит к увеличению волатильности), что совпадает с выводами, сделанными Sulemann (2012) [26].
Во-вторых, «хорошие» анонсы повышают доходность по фондовому индексу, однако влияние таких новостей на волатильность рынка является незначимым на 10%-ном уровне значимости (т.к. p-value имеет значение 0,676), то есть полученный результат только наполовину подтверждает результаты предыдущих исследований, утверждающих, что «хорошие» новости имеют негативный эффект на волатильность рынка.
В-третьих, данные об индексе потребительских цен не влияют ни на доходность рынка, ни на его волатильность, что подтверждает точку зрения Pearce and Roley (1984) [23]. «Хороший» анонс уровня безработицы повышает волатильность рынка, но никак не влияет на доходность.
В-четвёртых, получены противоречивые результаты относительно влияния анонсов нефтяного рынка на доходность российского фондового рынка: «хороший» новостной шок незначительно снижает доходность рынка и повышает его волатильность, что не соответствует заявленной гипотезе.
В-пятых, при анализе EGARCH(1;1) модели было установлено, что коэффициент С(10) перед асимметричным компонентом модели отрицателен и значим на 10%-ном уровне. Это означает, что на российском фондовом рынке существует эффект левериджа (асимметрии), и «плохие» новостные шоки сильнее влияют на волатильность, чем «хорошие» новости.
Таким образом, результаты подтверждают (не позволяют отвергнуть) основные гипотезы, сделанные относительно влияния «хороших» и «плохих» новостей, лишь частично подтверждают гипотезы о влиянии на движение рынка макроэкономических индикаторы, опровергают гипотезы о воздействии новостных шоков нефтяного рынка и не отвергают гипотезу о существовании на российском фондовом рынке левериджа.
Заключение
Целью данной работы было определить, как новостные шоки влияют на движение российского фондового рынка. Нами была рассмотрена зависимость доходности и волатильности российского фондового индекса РТС от макроэкономических новостных шоков, новостей нефтяного рынка, а также политических, экономических и прочих новостных шоков за период с января 2011 года по февраль 2016 года.
Новизна данной работы заключается, во-первых, в применении новостного сентиментального анализа к исследованию периода сильных политических и экономических потрясений. Во-вторых, проведён анализ большого количества не только политических новостей, но и сообщений о природных катаклизмах, катастрофах и терактах. В-третьих, в работе наряду с политическими и другими новостями анализируется влияние макроэкономических анонсов и новостных шоков нефтяного рынка.
В работе были исследованы и доказаны некоторые особенности влияния новостных шоков на российский фондовый рынок.
Во-первых, появление «плохих» новостей имеет отрицательное влияние на доходность фондового рынка и положительное - на его волатильность. новостной шок фондовый волатильность
Во-вторых, «хорошие» новостные шоки увеличивают доходность фондового рынка, но никак не влияют на волатильность.
В-третьих, было показано, что релизы индекса потребительских цен не влияют ни на доходность российского рынка, ни на его волатильность, в то время как «хороший» анонс уровня безработицы повышает волатильность рынка, но не влияет на доходность.
В-четвёртых, «хороший» новостной шок нефтяного рынка незначительно снижает доходность индекса РТС и повышает его волатильность, что не соответствует заявленной в работе гипотезе.
В-пятых, в ходе исследования было доказано существование на российском фондовом рынке эффекта левериджа: «плохие» новости сильнее влияют на волатильность, чем «хорошие».
Результаты исследования могут быть полезны при принятии инвестиционных решений и анализе рисков инвестиций в российский фондовый рынок.
Данное исследование может быть продолжено и расширено в различных отношениях. Во-первых, можно увеличить анализируемый период и выборку новостных шоков на данном временном промежутке. Во-вторых, может быть увеличено количество анализируемых макроэкономических индикаторов. В-третьих, допустима автоматизация сентимент-анализа новостного фона, что позволит обработать больший объём новостей. В-четвёртых, в модель может быть добавлено и исследовано влияние макроэкономических индикаторов других крупных экономик мира. В-пятых, для анализа влияния новостных шоков могут быть использованы другие нелинейные модели, отличные от ARCH-семейства моделей.
Список использованной литературы
1. Bin L. Political Leadership Events and Stock Market Reactions: Evidence from the Greater China Region // Journal of Accounting and Finance. - 2015. - Т. 15. - №. 8. - С. 81.
2. Birz G., Lott J. R. The effect of macroeconomic news on stock returns: New evidence from newspaper coverage // Journal of Banking & Finance. - 2011. - Т. 35. - №. 11. - С. 2791-2800.
3. Bollerslev T. Generalized autoregressive conditional heteroscedasticity // Journal of econometrics. - 1986. - Т. 31. - №. 3. - С. 307-327.
4. Bomfim A. N. Pre-announcement effects, news effects, and volatility: Monetary policy and the stock market // Journal of Banking & Finance. - 2003. - Т. 27. - №. 1. - С. 133-151.
5. Brooks C. Introductory econometrics for finance. - Cambridge university press, 2008.
6. Caporale G. M., Spagnolo F., Spagnolo N. Macro News and Exchange Rates in the BRICS. - 2016.
7. Depken C. A. Good news. bad news and GARCH effects in stock retur n data // Journal of applied economics. - 2001. - Т. 4. - №. 2. - С. 313-327.
8. Engle R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation // Econometrica: Journal of the Econometric Society. - 1982. - С. 987-1007.
9. Gaunersdorfer A., Hommes C. A nonlinear structural model for volatility clustering. - Springer Berlin Heidelberg, 2007. - С. 265-288.
10. Glosten L. R., Jagannathan R., Runkle D. E. On the relation between the expected value and the volatility of the nominal excess return on stocks // The journal of finance. - 1993. - Т. 48. - №. 5. - С. 1779-1801.
11. Hanousek J., Koиenda E., Kutan A. M. The reaction of asset prices to macroeconomic announcements in new EU markets: Evidence from intraday data // Journal of Financial Stability. - 2009. - Т. 5. - №. 2. - С. 199-219.
12. Hansen P. R., Lunde A. A forecast comparison of volatility models: does anything beat a GARCH (1, 1)? // Journal of applied econometrics. - 2005. - Т. 20. - №. 7. - С. 873-889.
13. Hardouvelis G. A. Macroeconomic information and stock prices // Journal of Economics and Business. - 1987. - Т. 39. - №. 2. - С. 131-140.
14. Hayo B., Kutan A. M. The impact of news, oil prices, and global market developments on russian financial markets // Economics of Transition. - 2005. - Т. 13. - №. 2. - С. 373-393.
15. Ho K. Y., Shi Y., Zhang Z. How does news sentiment impact asset volatility? Evidence from long memory and regime-switching approaches // The North American Journal of Economics and Finance. - 2013. - Т. 26. - С. 436-456.
16. Jiang G. J., Konstantinidi E., Skiadopoulos G. Volatility spillovers and the effect of news announcements // Journal of Banking & Finance. - 2012. - Т. 36. - №. 8. - С. 2260-2273.
17. Luo D., Xue Y. Research on the GARCH model of the Shanghai Securities Composite Index // International Academic Workshop on Social Science (IAW-SC-13). - Atlantis Press, 2013.
18. Mandelbrot B. The Variation of Certain Speculative Prices // The Journal of Business. - 1963. - T. 36. - №. 4. - С. 394-419.
19. Naik P. K., Padhi P. Examining the relationship between Trading Volume and Equity Market Volatility: Evidence from BRIC Countries // Global Conference on Business & Finance Proceedings. - Institute for Business & Finance Research, 2014. - Т. 9. - №. 1. - С. 375.
20. Nelson D. B. Conditional heteroscedasticity in asset returns: A new approach // Econometrica: Journal of the Econometric Society. - 1991. - С. 347-370.
21. Nguthi P. N. The effect of political news on stock market returns in Kenya: the case of March 2013 general elections. - University of Nairobi, 2013.
22. Nilsson J. Forecasting value at risk in the Swedish stock market-an investigation of GARCH volatility models. - 2015.
23. Pearce D. K., Roley V. V. Stock prices and economic news. - 1984.
24. Prollochs N., Feuerriegel S., Neumann D. Enhancing sentiment analysis of financial news by detecting negation scopes // System Sciences (HICSS), 2015 48th Hawaii International Conference on. - IEEE, 2015. - С. 959-968.
25. Saleem K., Fedorova E. What Types of Macroeconomic Announcements Affect Stock Markets in Emerging Eastern Europe? - 2014.
26. Suleman M. T. Stock market reaction to good and bad political news // Asian Journal of Finance & Accounting. - 2012. - Т. 4. - №. 1. - С. 299-312.
27. Taimur M. Impact of Political and Catastrophic Events on Stock Returns. - 2013.
28. Worthington A. C. The impact of natural events and disasters on the Australian stock market: a GARCH-M analysis of storms, floods, cyclones, earthquakes and bushfires // Global Business and Economics Review. - 2008. - Т. 10. - №. 1. - С. 1-10.
...Подобные документы
Исследование фондового рынка Украины, анализ динамики его развития, выявление перспектив. Характеристика фондового рынка как элемента финансового рынка, первичный и вторичный рынок ценных бумаг. Развитие законодательной базы, регулирующей фондовый рынок.
курсовая работа [383,3 K], добавлен 02.03.2010Рынок ценных бумаг как институт или механизм, сводящий вместе покупателей и продавцов фондовых ценностей, то есть ценных бумаг. Знакомство с особенностями проведения аналитических исследований современных тенденций развития российского рынка ценных бумаг.
курсовая работа [548,4 K], добавлен 13.06.2014Характеристика фондового рынка как элемента финансового рынка, его структуры; первичный и вторичный рынок. Развитие законодательной базы, регулирующей фондовый рынок в Украине, анализ текущей ситуации, перспектив развития и динамики основных индексов.
курсовая работа [449,0 K], добавлен 06.03.2010Фондовый рынок как составная часть инфраструктуры рыночной экономики. Существующие методы анализа фондового рынка и нормативно-правовое регулирование. Фондовая биржа. Внебиржевой рынок. Анализ фондового рынка Украины и перспективы его развития.
курсовая работа [424,0 K], добавлен 29.09.2007Анализ рынка ценных бумаг, фондового рынка России и влияния финансового кризиса на экономику страны. Ключевые российские фондовые индексы, акции нефтегазовых, металлургических и электроэнергетических компаний, банков. Прогноз рынка ценных бумаг России.
контрольная работа [479,4 K], добавлен 15.06.2010Понятие и экономическая сущность фондового рынка как рынка ценных бумаг и составной части рынка капиталов. История возникновения и развития мировых фондовых рынков. Анализ фондовой биржи как общего индикатора экономических кризисов и развития экономики.
контрольная работа [30,7 K], добавлен 06.07.2015Влияние информации на тенденции фондового рынка и на динамику котировок ценных бумаг. Технический анализ гипотезы информационной эффективности, определение возможности получения сверхприбыли на фондовых рынках; индикаторы прогноза доходности рынка.
статья [48,1 K], добавлен 02.12.2010Классификация, инструменты, сущность и признаки финансового рынка. Структура и организация рынка ценных бумаг, их виды. Становление финансовых институтов и инвестиционных фондов в Российской Федерации. Структура фондового рынка и его назначение.
курсовая работа [89,8 K], добавлен 19.12.2011Статистическое подтверждение связи между изменениями показателей экономического роста стран и уровнем капитализации национальных фондовых рынков. Модели линейной регрессии, используемые в прогнозировании экономических циклов и кризисных явлений.
контрольная работа [416,3 K], добавлен 25.10.2011Математические модели использования динамики фондового индекса для предсказания направления и темпов изменения экономики. Исследовение взаимосвязей, сложившихся между макроэкономическими индикаторами и котировками российского биржевого фондового индекса.
дипломная работа [814,4 K], добавлен 30.01.2016Понятие, виды и структура финансового рынка. История развития фондового рынка, его правовое регулирование. Определение участников прямой и опосредствованной форм осуществления сделок. Особенности функционирования кредитного, валютного, страхового рынков.
курсовая работа [193,6 K], добавлен 02.12.2010Особенности развития российского фондового рынка, его конъюнктура, текущее состояние и наметившиеся тенденции. Принципы пассивного управления портфелем. Построение ковариационной матрицы для финансовых активов. Оценка эффективности портфеля инвестиций.
курсовая работа [355,8 K], добавлен 02.06.2016Понятие, структура и назначение финансового рынка; определение его значения в экономике. Ознакомление с тенденциями развития финансового рынка в условиях объективного процесса глобализации. Основные этапы развития фондового рынка Российской Федерации.
реферат [37,6 K], добавлен 06.08.2014Раскрытие экономической сущности и изучение организационной структуры рынка ценных бумаг России, его место в системе рынков. Направления государственного регулирования рынка ценных бумаг в РФ. Реформирование и перспективы развития фондового рынка РФ.
курсовая работа [44,8 K], добавлен 13.06.2014Структура и функции рынка капиталов, особенности его механизма функционирования в Российской Федерации. Система организации российского фондового рынка. Анализ концепций капитала и его происхождение. Функции рынка ценных бумаг, его структура и виды.
курсовая работа [109,4 K], добавлен 10.10.2012Закономерности функционирования и значение фондового рынка в экономике государства. Основные элементы рынка и их взаимосвязь. Состояние и перспективы финансового рынка Приволжского Федерального округа. Определение среднего курса акций в отчетном периоде.
контрольная работа [1,4 M], добавлен 22.09.2009Роль финансового рынка (который представляет собой форму организации движения денежных средств в народном хозяйстве) в мобилизации и распределении денежных ресурсов предприятия. Особенности финансовых взаимоотношений между участниками фондового рынка.
реферат [27,7 K], добавлен 08.09.2010Рынок ценных бумаг как механизм привлечения инвестиций. Структура фондового рынка, влияние макроэкономики. Эмиссионные и неэмиссионные ценные бумаги. Инвестиционная привлекательность облигаций для потенциальных вкладчиков. Преимущества эмиссии акций.
курсовая работа [119,9 K], добавлен 08.12.2013История развития финансового рынка России, сущность и виды акций. Фондовый рынок и крупнейшие эмитенты российского рынка акций, рынок акций "второго эшелона". Влияние мирового финансового кризиса на российский рынок, современное состояние рынка акций.
курсовая работа [350,2 K], добавлен 18.04.2010Инфраструктура фондового рынка. Рынок ценных бумаг России в современных условиях. Перспективы развития рынка ценных бумаг Российской Федерации. Проблемы развития российского рынка ценных бумаг. Возможные пути выхода из кризиса рынка ценных бумаг РФ.
научная работа [170,1 K], добавлен 29.09.2009
