Американский рынок

Включенные в модель переменные для рынка США приведены в таблице №3.

Таблица 4. Состав макроэкономических переменных (рынок США)

Макроэкономические переменные
№	Наименование переменной в модели	Название переменной
1	cons_conf	Индекс потребительской уверенности
2	unempl	Уровень безработицы
3	cpi	Индекс потребительских цен
4	prime_rate	Ставка PRIME
5	currency	Валютный курс
6	market	Индекс S&P500
7	wkly_hours	Средняя продолжительность рабочей недели
8	ism	Индекс деловой активности
9	orders_ind	Объем заказов производителей
10	houses_auth	Новостройки частных лиц с разрешением

Каждая из списка объясняющих переменных имеет соответствующее влияние на доходность циклических отраслей, при этом ожидается, что влияние на оборонительные отрасли практически отсутствовать:

1) Индекс потребительских ожиданий отражает степень уверенности населения в будущем росте экономики. Считается, что индекс показывает состояние экономики и чем ее темп роста выше, тем значение индекса выше. Ожидается, что значение индикатора положительно связано с зависимой переменной;

2) Предполагается, что высокий уровень безработицы наблюдается на нисходящей стадии делового цикла, и, следовательно, должно негативно отражаться на доходности циклических отраслей;

3) Индекс потребительских цен (ИПЦ) является индикатором уровня инфляции. Показатель имеет тенденцию к росту в начальный период рецессии и падению в первый месяцы подъема. Следовательно, при условии, что доходность циклических отраслей начинает расти после достижения низшей точки делового цикла, индекс потребительских цен должен отрицательно влиять на финансовые показатели циклические отраслей;

4) Ставка PRIME несет в себе информацию о кредитной базовой ставке. Ожидается, что низкие ставки приводят к росту активности кредитного рынка, что говорит о стадии оживления экономики и, следовательно, о росте доходности циклических отраслей;

5) Предполагается, что с ростом и укреплением экономики возрастает и ее национальная валюта, и ее укрепление положительно сказывается на прибыли предприятий, что положительно влияет на циклические отрасли;

6) Индекс S&P500 демонстрирует движение фондового рынка и должен быть положительно связан с доходностью циклических отраслей;

7) Средняя часовая продолжительность рабочей недели также имеет взаимосвязь с деловыми циклами, так как руководство компании варьирует данные показатель в зависимости от ожидаемой выработки. Предполагается, что увеличение данного фактора положительно отразится на циклических отраслях;

8) Индекс делового оптимизма в производстве (ISM new order index) несет в себе информацию об объеме заказов от потребителей. Данный индикатор рассчитывается на основе опроса менеджеров, которые определяют уровень активности в каждой сфере деятельности. Размер индекса на уровне ниже 50 говорит о спаде экономики. Предполагается, что индекс делового оптимизма положительно связан с доходностью циклических отраслей;

9) Показатель заказов производителей в главную очередь демонстрирует степень загруженности складов и активность производства. Объем заказов от производителей падает в случае роста товарно-материальных запасов и снижения объемов заказов от потребителей, что является признаками спада экономики. Следовательно, ожидается, что данный показатель будет положительно влиять на доходность циклических отраслей;

10) Количество новостроек, на которые было выдано разрешение от местной администрации показывает степень активности на рынке недвижимости, который в свою очередь является эффективным показателем экономической конъюнктуры. Ожидается, что данный показатель имеет положительно влияние на рассматриваемую в исследовании зависимую переменную, так как рост количества новых домой указывает на стадию экспансии, что в свою очередь влияет на рост доходности циклических отраслей;

Отметим, период исследования американского рынка составляет период с 1992-2015 год. Выбор нижней границы интервала обусловлен тем, что данные о некоторых макроэкономических индикаторах рассчитываются только с 1992 года.

Объясняющие переменные для российского рынка

Переменные для российского рынка отбирались по тому же принципу, что и для американского рынка. Тем не менее, при работе с российским рынком приходится сталкиваться с рядом ограничений вследствие отсутствия многих макроэкономических индикаторов. В итоге, в таблице представлен список переменных, отобранных в модель:

Таблица 4. Состав макроэкономических переменных (рынок РФ)

Макроэкономические переменные
№	Наименование переменной в модели	Название переменной
1	MICEX	Индекс ММВБ, руб.
2	Loans	Объем выданных корпоративных и потребительских займов, руб.
3	Unempl	Уровень безработицы, %
4	IndProd	Показатель промышленной производительности, %
5	HouseConst	Объем новостроек, %
6	cpi	Индекс потребительских цен
7	BusConf	Индекс делового доверия
8	Ruble	Российская валюта по отношение к доллару, руб.
9	Wage	Средний уровень з/п населения, руб.

Новыми переменными в отличие от исследования на американском рынке являются объем выданных корпоративных и потребительских займов, объем новостроек, средний уровень заработной платы, индекс делового доверия населения. В теории данные переменные имеют следующее влияние на циклические отрасли:

1) Ожидается, что на стадии роста делового цикла, с оживление экономики возрастает и активность на кредитном рынке и, следовательно, растет объем выдаваемых банками кредитов. В итоге, данный показатель должен быть положительно взаимосвязан с доходностью циклических отраслей;

2) Предполагается, что средний показатель заработной платы населения должен оказывать положительное влияние на зависимую переменную отраслевой доходности;

3) Ожидается, что объем новостроек увеличивается в период восходящего делового цикла и, следовательно, данный показатель должен быть положительно связан с доходность циклических секторов;

4) Индекс делового доверия является опережающим индикатором, предсказывающим конъюнктуру рынка. Ожидается, что его рост говорит о росте экономики, что в свою очередь, должно положительно влиять на циклические отрасли.



2.1.3 Выдвижение гипотез

В рамках данного исследования выдвигаются следующие гипотезы:

Американский рынок

Н1: Индекс потребительской уверенности положительно влияет на доходность циклических отраслей;

Н2: Уровень безработицы отрицательно влияет на доходность циклических отраслей;

Н3: Индекс потребительских цен отрицательно влияет на доходность циклических отраслей;

Н4: Ставка PRIME отрицательно влияет на доходность циклических отраслей;

Н5: Уровень национальной валюты положительно влияет на доходность циклических отраслей;

Н6: Индекс S&P500 положительно влияет на доходность циклических отраслей;

Н7: Средняя продолжительность рабочей недели положительно влияет на доходность циклических отраслей;

Н8: Индекс делового оптимизма в производстве положительно влияет на доходность циклических отраслей;

Н9: Объем заказов производителей положительно влияет на доходность циклических отраслей;

Н10: Количество новостроек, на которые было выдано разрешение от местной администрации положительно влияет на доходность циклических отраслей;

Российский рынок

Н1: Рыночное значение положительно влияет на зависимую переменную;

Н2: Объем выданных корпоративных и потребительских кредитов положительно влияет на зависимую переменную;

Н3: Уровень безработицы имеет отрицательно влияние на зависимую переменную;

Н4: Показатель промышленной производительности положительно влияет на зависимую переменную;

Н5: Показатель объема новостроек положительно влияет на зависимую переменную;

Н6: Индекс потребительских цен отрицательно влияет на зависимую переменную;

Н7: Индекс делового доверия положительно влияет на зависимую переменную;

Н8: Показатель национальной валюты положительно влияет на зависимую переменную;

Н9: Уровень средней заработной платы положительно влияет на зависимую переменную;

В итоге в данной части были подробно описаны зависимая и объясняющие переменные, методология их отбора. Также приведена теоритическая взаимосвязь факторов модели с доходностью циклических отраслей, которая будет в дальнейшем тестироваться с помощью эконометрических методов в статистической программе STATA.

2.1.3. Методология построения модели

Финансовые показатели отраслей для американского рынка, собранные в базе данные Kenneth R. French, представлены в виде доходности и не нуждаются в дальнейшей обработке. Тем не менее, данные по российским индексам представлены в ценовом формате и требуют некоторых преобразований.

Для получения рядов доходностей по российскому рынку будет использована следующая общеприменимая формула:

, где

Р(t) - цена в настоящий момент, а P(t-1) в предыдущий месяц.

Как уже упоминалось выше, для построения эконометрической модели будет использована модель GARCHA, которая выглядит следующим образом:

,

Показанием к ее применению является то, что объектом исследования выступает такой финансовый показатель, как доходность ценных бумаг, которая подтверждена «кластеризация волатильности». График №5 показывающие временной ряд доходности США является примером «кластеризации волатильности», которая заключается в смене периодической смене резких колебаний, на более спокойное движение.

График №5. График временного ряда доходности финансового сектора США



2.2 Методология построения отраслевых портфелей

Второй и не менее важный этап исследования заключается в тестировании портфелей созданных по принципу отраслевой ротации.

В рамках данного анализа будут созданы равно взвешенные «циклические» и «оборонительные» портфели для разных стадий делового цикла. Информация о цикличности американского рынка взята на основе NBER. Согласно их расчетам с 02.1992 до 03.2001 в экономике наблюдался подъем; с 04.2001 до 11.2001 наблюдалось падение, которое возможно было спровоцирован кризисом доткомов; с 12.2001 по 12.2007 экономика показывала повышательный тренд; с 01.2008-06.2009 экономика США находила в кризисе. В качестве отраслевой доходности будут использованы данные, собранные в базе данных Kenneth R. French.

Информация о цикличности российской экономики взята с американского сайта «Economic Cycle Research Institute» https://www.businesscycle.com/home, на котором можно найти информацию о деловых циклах многих стран. Так как отраслевые индексы рассчитываются относительно недавно, было принято решение составить портфели из акций российских компаний, по которым доступна информация на более длительный временной горизонт. Для исследования был выбран период с 2008-2014 года, во время которого наблюдался один спад и один подъем экономики (с 06.2008-05.2009 спад российской экономики; с 06.2009-12.2014 рост экономики).

На основе рядя исследований, описанных в главе I, можно сделать вывод, что при включении большого количества разных отраслей в портфель, его доходность падает. Следовательно, было принято решение включить в «циклический» портфель по американскому рынку 6 отраслей, а по российскому 5 отраслей. В состав «оборонительного» портфеля по американскому рынку вошло 4 отрасли, в российский портфель 2 отрасли.

Таблицы №5-6. Состав портфелей для анализа отраслевой ротации

После формирования портфелей для каждой стадии делового цикла, по каждому из них будет рассчитана средняя доходность и стандартное отклонения. Результат относительно эффективности стратегии будет вынесен на основе сравнения данных финансовых показателей с рыночным портфелем. Отметим, что рыночный портфель представляет собой индекс S&P500 и ММВБ для американского и российского рынков соответственно.



Глава III. Результаты исследования отраслевой ротации на основе деловых циклов

Данная глава будет посвящена обзору исследования отраслевой ротации на американском и российском рынках и подведению результатов.

3.1 Результаты построения модели GARCH для отраслевой доходности

доходность отраслевая ротация рынок

В данном разделе будут рассмотрены результаты построения модели GARCH для американского рынка и российского рынка. Отметим, что исследование проводилось с помощью применения таких статистических пакетов, как STATA и Gretl.

3.1.1 Результаты по американскому рынку

Проверка стационарности ряда

Первым этапом работы с временными рядами является проверка на стационарность зависимых переменных, в качестве которых выступают отраслевые доходности.

Тестирование стационарности ряда осуществлялось с помощью теста Дики-Фуллера, нулевая гипотеза которого говорит о нестационарности ряда или наличие единичного корня. Результаты проверки показали, что все отраслевые доходности являются стационарными рядами (гипотеза Н₀ отвергалась на уровне значимости 5%). На рис.№1-4 приведены результаты теста по 4 отраслям (результаты остальных отраслей в приложении 1)



Рис. №1-4. Результаты проверки стационарности временных рядов телекоммуникационной и горнодобывающей отраслей, финансового сектора и отрасли по производству строительных материалов.



Анализ корреляционных связей между переменными

Следующим этапом исследования было необходимо провести анализ на наличие высоких корреляционных связей между макроэкономическими переменными.

Построение корреляционной матрицы показало, что CPI и объем заказов производителей имеют высокий коэффициент корреляции со многими переменными (более 0,75 по модулю). В итоге, с целью избежать присутствия мультиколлинеарности в модели, было принято решение выбросить переменную CPI и объем промышленных заказов.

Таблица №5. Корреляционная матрица

Проверка качества моделей GARCH

Прежде чем комментировать результаты исследования необходимо проверить качество модели, а именно, провести тест на нормальность остатков и на наличие автокорреляции остатков. Тестирование показало, что остатки всех рассматриваемых отраслей подтверждены закону нормального распределения, что можно наблюдать, на графике, например, для финансового сектора (данные по остальным секторам представлены в приложении).



График №6. Тест на нормальность остатков модели для финансового сектора

Проверка на наличие автокорреляции остатков также показала, что она практически не наблюдается в моделях. Данный вывод был сделан на основе графика автокорреляционной функции остатков, который показал, что практически все лаги являются незначимыми, то есть не вышли за границы синей линии, что можно наблюдать на графике №6 для финансового сектора см. приложении 1)

График №6 Автокорреляционная функция для остатков модели финансового сектора

В итоге, на основе проверки каждой модели можно сделать вывод, что построенные модели является качественными и, следовательно, можно приступить к их анализу.

Результаты модели GARCH

В таблице №6 приведены все значимые коэффициенты и их значения для каждой тестируемой отрасли.

В итоге, можно сделать следующие выводы:

1) Уровень безработицы, согласно полученным результатам, имеет положительную взаимосвязь с доходностью всех отраслей. Данный результат является неожиданным, так как предполагалось, что в период экономического роста уровень безработицы падает, а, следовательно, он должен иметь отрицательную взаимосвязь с зависимой переменной, доходность которой, в теории, возрастает на данной стадии делового цикла;

2) Ставка PRIME оказывает положительное влияние на все отрасли циклического сектора. Данные результат также не согласуется с ожиданиями, следовательно, выдвинутая гипотеза отвергается;

3) Рыночный индекс является значимым практически для всех циклических отраслей и положительно на них влияет. Также, можно заметить, что влияние данного фактора незначимо для оборонительных секторов. Данные результат совпадает с ожиданиями, и гипотеза принимается;

4) Показатель средней продолжительности рабочей недели значим для 4 циклических отраслей, оказывая на них положительное влияние, следовательно, гипотеза по данным секторам принимается;

5) Показатель количества нового зарегистрированного жилья оказывает значимое положительное влияние на все сектора, кроме потребительской отрасли. Подобный результат ожидаем, и, следовательно, гипотеза принимается.

Таблица №6. Результаты тестирования модели GARCH для каждой отрасли (подробные результаты статистики по каждой отрасли в приложении1)

Отметим, что индекс потребительской уверенности, показатель национальной валюты и индекс делового оптимизма, согласно данной модели, не имеют значимого влияния на отраслевую доходность. Относительно CPI и объема заказов от производителей нельзя сделать вывод, так как они были отброшены в процессе спецификации модели.

Важным результатом является также тот факт, что количество значимых переменных среди оборонительных отраслей гораздо меньше, чем среди циклических секторов. Данное наблюдение говорит в пользу того, что влияние макроэкономических показателей на оборонительные отрасли крайне мало.

Ниже приведены графики, построенных моделей для финансового и телекоммуникационного секторов. Красной линией обозначена отраслевая доходность (наблюдаемые значения), а синей линией построенная модель (расчетные значения). Из графиков видно, что модель отслеживает ряд переломных моментов и общий тренд движения отраслевой доходности. Тем не менее, в целом, можно сделать вывод, что она слабо прогнозирует движение доходности отраслей, так как, в некоторых моментах модель ошибочно предсказывает направление наблюдаемых значений. Графики для остальных отраслей имеет похожие результаты (см. приложение 1).

Данный результат говорит о том, что, несмотря на то, что циклические отрасли подтверждены макроэкономическому влиянию, данных факторов недостаточно для объяснения их доходности и построения точных прогнозов относительно будущего движения.

График №7. Наблюдаемые и расчетные значения финансового сектора

График №8. Наблюдаемые и расчетные значения телекоммуникационного сектора

3.1.2 Результаты для российского рынка

Процесс построения моделей для российского рынка состоит из тех же этапов, что и для американского рынка.

Проверка на стационарность временного ряда

Проверка на стационарность рядов показала, что доходности всех отраслевых индексов РФ являются стационарными временными рядами и, следовательно, их можно использовать для дальнейшего построения модели. (см. результаты в приложении 2)

Анализ корреляционных связей между переменными

Корреляционная матрица показывает наличие высокой взаимосвязи между CPI и некоторыми другими переменными. Тем не менее, было принято решение оставить данную переменную, протестировав каждую модель с ее наличием и отсутствием. Заметим, что данные варианты спецификации моделей не отличались друг от друга.



Таблица № 7. Корреляционная матрица

Проверка качества моделей GARCH

В итоге, была построена модель с использованием начальной спецификации. Тем не менее, как и в предыдущем случае, перед анализом результатов необходимо проверить эффективность модели с помощью тестирования остатков.

По каждой из отрасли остатки имеют нормально распределение, что является положительным аргументом в пользу моделей. Проверка на автокорреляцию остатков оказалась не настолько однозначной и для некоторых секторов она присутствует, но в слабой форме.(см. результаты в приложении 2).

Результаты модели GARCH для российского рынка

В таблице приведены все значимые коэффициенты и их значения для каждого из секторов. Отметим, что в процессе спецификации было обнаружено, что модель работает лучше с логарифмами некоторых переменных.

В целом данная модель работает хуже на российском рынке. Подобный результат может быть связан, в первую очередь с тем, что временной горизонт исследования российского рынка намного короче, чем для американского рынка.



Таблица №7. Результаты тестирования модели GARCH для каждой отрасли (подробные результаты статистики по каждой отрасли в приложении)

Тем не менее, результаты гласят:

1) рыночный показатель имеет положительное влияние на доходность каждой отрасли, и, следовательно, данная гипотеза не отвергается;

2) объем выдаваемых потребительских и корпоративных займов имеет положительное влияние на доходность потребительского сектора, и, следовательно, для данной отрасли мы может принять гипотезу;

3) объем промышленного производства оказывает положительное значимое влияние на сектор горнодобывающей промышленности, машиностроительный сектор и энергетический сектор, а, следовательно, для данных отраслей принимается выдвинутая гипотеза. Отметим, что влияние промышленного показателя на промышленные отрасли вполне ожидаемо;

4) курс российской валюты по отношению к доллару находится в положительном взаимодействии с доходностью потребительского и машиностроительного секторов, что согласуется с ожиданиями;

5) переменная уровня безработицы значима только для энергетического сектора, причем ее влияние на зависимую переменную оказалось отрицательным, что согласуется с выдвинутой гипотезой;

6) индекс делового доверия оказался значимым только для энергетического сектора. Тем не менее, его положительно влияние на отраслевую доходность совпадает с ожиданиями.

Так как российские отраслевые индексы по своей структуре не разделяются на циклические и оборонительные отрасли, то есть в состав некоторых индексов входят отрасли обеих групп, следователь, сложно сделать вывод относительно степени влияния макроэкономических переменных на разные классы отраслей.

Ниже приведено несколько графиков, сравнивающие наблюдаемые и расчетные значения:

График №8. Наблюдаемые и расчетные значения для энергетического сектора

График №9. Наблюдаемые и расчетные значения для энергетического сектора

На основе наложения расчетных и наблюдаемых значений можно сделать вывод, что модель в целом способна предсказать тренд и его переломные моменты для отраслевой доходности. Тем не менее, видно, что данная модель посылает ложные сигналы, следование которым может отрицательно сказаться на финансовом результате инвесторов, прогнозирующих экономическую конъюнктуру.

3.2 Результаты тестирования доходности отраслевых портфелей

В данной главе будут приведены результаты расчетов доходности отраслевой ротации портфелей для американского и российского рынков.

3.2.1 Отраслевая ротация на американском рынке

Ниже представлены результаты расчетов доходностей отраслевых портфелей американского рынка в период роста и спада экономики.

Стадии роста экономики США с 02.1992-03.2001

В таблицах №8-9 приведены результаты расчета доходностей портфелей, состоящих из циклических отраслей в период подъемов экономики. При сравнении финансовых показателей данных портфелей с рыночным значением, видно, что подобные портфели приносят избыточную доходность, хоть и небольшую. Тем не менее, стоит заметить, что стандартное отклонение, другими словами степень риска портфеля, превышает показатель рыночного индекса.

Таблица №8. Доходность отраслевого портфеля из циклических отраслей в период подъема 02.1992-03.2001

Таблица №9. Доходность отраслевого портфеля из циклических отраслей в период подъема 12.2001-12.2007



Как упоминалось ранее, согласно отраслевой ротации, в период восходящего тренда, доходность циклических отраслей превышает финансовый результат оборонительных секторов. С целью подтверждения или опровержения данного факта также были рассчитаны доходности «оборонительных» портфелей в данные периоды деловых циклов. Из таблицы №10 видно, что доходность портфеля из оборонительных отраслей (0,88) ниже доходности портфеля из циклических секторов (1,17), что подтверждает идею отраслевой ротации. Тем не менее, для второго исследуемого периода подъема доходность «оборонительного» портфеля (0,99) выше портфеля из циклических отраслей (0,91) (табл.№11)

Таблица №10. Доходность отраслевого портфеля из оборонительных отраслей в период подъема 02.1992-03.2001

Таблица №11. Доходность отраслевого портфеля из циклических отраслей в период подъема 12.2001-12.2007

В итоге, на основе данных расчетов, можно сделать вывод, что используя отраслевую ротацию в период экономического подъема и идеально предсказывая смену делового цикла, инвесторы могут извлечь избыточную доходность, хоть и небольшую на американском рынке. Тем не менее, тот факт, что доходность оборонительного портфеля в период экономического подъема 2001-2007 показала более высокий результат, говорит о том, что результативность стратегии отраслевой ротации непостоянная и финансовые показатели разных отраслей могут не совпадать с движением деловых циклов.

Стадии спада экономики США

Согласно отраслевой ротации, в период нисходящей стадии делового цикла инвесторам следует составлять свой портфель из ценных бумаг оборонительных отраслей. В таблицах №11-12приведены финансовые результаты таких отраслей в периоды экономического спада. Видно, что подобная инвестиция в период падения рынка 2001 года принесла бы инвестору положительный финансовый результат, причем довольно значительный, по сравнению с рыночным показателем, который имел отрицательное значение в данные период.

Таблица №12. Доходность отраслевого портфеля из оборонительных отраслей в период спада 2001 года

В период кризиса 2008 года, «оборонительный» портфель показал избыточную доходность относительно рыночного показателя, несмотря на то, что его доходность была отрицательной. Следователь, подобное вложение могло сократить потери инвесторов. Также важно заметить, что «оборонительный» портфель также имеет более низкую степень риска относительно рынка.

Таблица №13. Доходность отраслевого портфеля из оборонительных отраслей в период спада 2008-2009 года

Портфели, состоящие из циклических отраслей, несмотря на отрицательную доходность в период обоих спадов, показали финансовый результат выше рыночного значения, имея при этом более высокое стандартное отклонение.

Таблица №14. Доходность отраслевого портфеля из циклических отраслей в период спада 2001 года

Таблица №15. Доходность отраслевого портфеля из циклических отраслей в период спада 2008-2009 годов

В итоге, можно сделать вывод, что, как и показали предыдущие исследования, отраслевая ротация дает финансовый результат, но довольно маленький. Также, важно заметить, что доходность оборонительного портфеля во время падения рынка показывает более высокий результат, чем доходность портфеля из циклических отраслей в период оживления экономики, что согласуется со многими исследованиями, описанными в главе I.

3.2.1 Отраслевая ротация на российском рынке

Исследование отраслевой ротации на российском рынке показало, что стратегия малоэффективна. Заметим, что результаты по российскому рынку не поддаются сравнению с американским рынком, так как в данном случае портфели состоят из акций компаний, а не средней доходности по отрасли, а, следовательно, их доходность более волатильна.

Согласно проведенным расчетам, доходность портфеля из компаний оборонительных секторов в период экономического спада показала отрицательный финансовый результат, равный рыночной доходности. Тем не менее, данное значение превышает итоговый показатель портфеля из циклических отраслей, что все же поддерживает теорию отраслевой ротации. Но, при этом, степень риска оборонительного портфеля показывает наивысшее значение.

Таблица №16. Доходность отраслевого портфеля из оборонительных отраслей в период спада 2008-2009 года

Таблица.№17 Доходность отраслевого портфеля из циклических отраслей в период спада 2008-2009 годов

Спад, вызванный кризисом 2008 года, в России сменился на стадию экономического подъема 06.2009 года. Анализ отраслевой ротации на данном этапе показал, что доходности портфелей, состоящих из циклических и оборонительных отраслей, равны и при этом они превышают рыночный показатель. Отметим, что стандартное отклонение «циклического» портфеля выше рынка, но ниже «оборонительного» портфеля.

Таблица №18. Доходность отраслевого портфеля из циклических отраслей в период роста 2009-2014

Таблица№19. Доходность отраслевого портфеля из оборонительных отраслей в период спада 2008-2009 года

В итоге, анализ отраслевой ротации на российском рынке показал низкую доходность, которая слегка превысила рыночное значение в период подъема, что говорит, о неэффективности данной стратегии на российском рынке.



Заключение

Целью данной работы было проанализировать эффективность отраслевой ротации. Во-первых, так как стратегия основана на влиянии экономической конъюнктуры на доходность циклических и оборонительных отраслей, в рамках данного анализа было важно установить основные переменные, отслеживание которых позволит инвесторам предсказывать будущее ценовое направление секторов. В результате построения модели GARCH было установлено, что такие макроэкономические переменные, как процентная ставка PRIME, показатель продолжительности рабочей недели, индекс делового оптимизма, объем новостроек, на которые выдано разрешение от администрации и рыночный показатель оказывают влияние на доходность циклических отраслей американского рынка. Построение модели для российских отраслевых индексов определило наличие значимого влияния на зависимую переменную рыночного значения, показателя объема выданных корпоративных и потребительских кредитов, индикатора промышленной производительности, показателя национальной валюты, уровня безработицы и индекса делового доверия.

Тем не менее, важно заметить, что, несмотря на то, что в результате построения модели было найдено влияние ряда макроэкономических показателей на отраслевую доходность, подобного набора факторов недостаточно для эффективного предсказания будущего тренда. Данные факторы должны использовать с рядом других переменных, отражающих ситуацию не только на макроэкономическом уровне, но и внутри каждой отрасли. В итоге, можно сделать вывод, что отраслевая ротация может быть неэффективной на фондовом рынке, так как она основана на взаимодействии только с макроэкономическими переменными.

Заключительным этапом исследования было тестирование доходностей «циклических» и «оборонительных» портфелей в период разных стадий делового цикла. Результаты показали, что стратегия может давать положительный финансовый результат. Но, стоит отметить, что избыточная доходность крайне мала и на практике она, скорее всего, уйдет на транзакционные издержки. Также, в данном исследовании стратегия тестировалась на основе просчитанных деловых циклов. На практике точно предсказать поворотную точку, сменив при этом состав портфеля, крайне тяжело, что также является аргументом против применения данной стратегии.



Список литературы

1) Т. В. Теплова, Инвестиции, М: ЮРАЙТ, 2011

2) Ben Jacobsen, Nuttawat Visaltanachoti, The Halloween Effect in U.S. Sectors: Financial Review, 2009 - Wiley Online Library

3) Emsbo-Mattingly, D. Hofshire, A. Litvak, J. Lund-Wilde, The Business Cycle Approach to Equity Sector Investing: Market Research, 2014;

4) J. Benson Durham, Monetary Policy and Stock Price Returns: Financial Analysts Journal, Vol. 59, No. 4 (Jul. - Aug., 2003), pp. 26-35:

5) Joseph H. Davis, Christopher B. Philips, Defensive Equity Investing: Appealing Theory, Disappointing Reality: Vanguard Investment Counseling & Research (2007)

6) Jianguo Chen, Andrea Bennett and Ting Zheng, Sector Effects in Developed vs. Emerging Markets: Financial Analysts Journal Vol. 62, No. 6 (Nov. - Dec., 2006), pp. 40-51

7) Edward S. O'Neal, Industry Momentum and Sector Mutual Funds: Financial Analysts Journal, Vol. 56, No. 4 (Jul. - Aug., 2000), pp. 37-49

8) C. Mitchell Conover, Gerald R. Jensen, Robert R. Johnson, and Jeffrey M. Mercer, Sector Rotation and Monetary Conditions: The Journal of Investing Spring 2008, Vol. 17, No. 1: pp. 34-46;

9) K Phylaktis, L Xia, The Changing Roles of Industry and Country Effects in the Global Equity Markets: - The European Journal of Finance, 2006

10) Sean P. Baca, Brian L. Garbe and Richard A. Weiss, The Rise of Sector Effects in Major Markets: Financial Analysts Journal, Vol. 56, No. 5 (Sep. - Oct., 2000), pp. 34-40;

11) P. Sassetti. M. Tani , Dynamic Asset Allocation Using Systematic Sector Rotation: The Journal of Wealth Management Spring 2006, Vol. 8, No. 4: pp. 59-70;

12) Sven Bouman and Ben Jacobsen, The Halloween Indicator, "Sell in May and Go Away": Another Puzzle: The American Economic Review, Vol. 92, No. 5 (Dec., 2002), pp. 1618-1635

13) Tobias J. Moskowitz, Mark Grinblatt, Do Industries Explain Momentum?: The Journal of Finance, Vol. 54, No. 4 (1999), pp. 1249-1290

13) Eric H. Sorensen and Terry Burke, Portfolio Returns from Active Industry Group Rotation: Financial Analysts Journal, Vol. 42, No. 5 (Sep. - Oct., 1986), pp. 43-50

14) J Stangl, B Jacobsen, N Visaltanachoti : Sector rotation over business-cycles: Massey University, 2009

15) Merrill Lynch, Investment Clock, 2004

Электронные ресурсы:

1) Сайт Национально бюро экономического исследования: [http://www.nber.org/cycles/cyclesmain.html]

2) Сайт инвестиционной компании «Фиделити» [https://www.fidelity.com/?bar=p]

3) Сайт Финам [https://www.finam.ru/]

4) Сайт рейтингово агентства Morning Star [http://www.morningstar.com/]

Размещено на Allbest.ru

...