Размещено на http://www.allbest.ru/

1

Введение

В условиях глобализации фондовый рынок приобретает всё большую важность. Основными участниками фондового рынка являются инвесторы, стремящиеся наиболее эффективно перераспределить имеющийся капитал путем совершения сделок. Во многом им помогают финансовые аналитики, одними из ключевых функций которых являются предсказание состояние отрасли, будущей стоимости ценных бумаг, и подготовка рекомендаций относительно их покупки и продажи. Однако по результатам исследований инвесторы слабо реагируют на изменение прогнозов аналитиков (Gleason & Lee, 2003) и их рекомендаций (Womack, 1996). В то же время, в ряде существующих работ (например, Barber et al. 2001; Huang et. al., 2009) было доказано, что прогнозы и рекомендации финансовых аналитиков несут в себе важную информацию, позволяя инвесторам обыгрывать рынок.

Особое внимание заслуживает конфликтность во мнениях аналитиков. Несмотря на то, что разногласия среди аналитиков должны указывать на более рискованный актив, который, следовательно, должен в будущем иметь более высокую доходность, результаты исследователей относительно данного вопроса неоднозначны.

Средняя рекомендация аналитиков часто бывает смещена по причине превалирования позитивных Имеются в виду рекомендации типа «Покупать» и «Агрессивно покупать»; аналогично под негативными рекомендациям понимаются типы «Продавать» или «Агрессивно продавать» рекомендаций на рынке. Однако в периоды высокой неопределенность внешней среды (состояние кризиса) проявляются скрытые разногласия во мнениях аналитиков (Ackert & Athanassakos, 1997). Интересно, что большая часть исследований была основана на периодах, не включающих кризисные года, или, не выделяя их.

В последние годы судоходная отрасль находится в состоянии кризиса, от которого страдают даже лидеры отрасли (Moller-Maersk 2016). Помимо этого, в отрасли происходят неоднозначные события, например, в январе 2015 года Maersk Line и Средиземноморская судоходная компания (MSC) заключили партнерство (Moller-Maersk, 2016). В 2016 году один из лидеров рынка Hanjin Shipping объявил о банкротстве, чем вызвал хаос среди других компаний (Expert online, 2016). Затем, в октябре 2016 года крупнейшие морские операторы Японии Nippon Yusen, Mitsui OSK Lines и Kawasaki Kisen Kaisha заявили о слиянии подразделений, связанных с грузоперевозками (Expert online, 2016). Однако вместе с тем, данная отрасль является прогрессирующей. Согласно обзору морского транспорта 2017 года (UNCTAD, 2017), объёмы мировой торговли по морю растут, начиная с 1974. Таким образом, состояние отрасли является нестабильным, что увеличивает вероятность разногласий среди аналитиков. Из этого вытекает исследовательский вопрос: является ли конфликтность рекомендаций аналитиков фактором риска в условиях внешней нестабильности среды на примере судоходной отрасли?

Целью работы представляется исследование связи конфликтности рекомендаций и доходности по акциям судоходных компаний для определения возможности строить инвестиционную стратегию на основании конфликтности рекомендаций аналитиков при внешней нестабильности среды.

Для достижения поставленной цели, необходимо выполнить следующие задачи:

1) Провести поиск исследовательских работ, связанных с рекомендациями аналитиков;

2) Определить преобладающие методы выявления зависимости между доходности акций от характеристик рекомендаций аналитиков;

3) Собрать данные о рекомендациях аналитиков и доходностях акций судоходных компаний;

4) Провести корреляционный и регрессионный анализ на имеющихся данных;

5) Интерпретировать полученные оценки;

6) Описать основные ограничения исследования и выводы.

Результаты работы могут быть использованы другими исследователями, анализирующих зависимость доходности от характеристик рекомендаций аналитиков, а также теми, кто интересуется судоходной отраслью. При подтверждении тестируемой гипотезы результаты также могут быть полезны инвесторам, торгующих на Американском фондовом рынке. Все проведенные расчеты осуществлялись в статистическом пакете Stata.

Далее, работа будет построена следующим образом: в разделе 1 представлен обзор работ, посвященных связи рекомендаций финансовых аналитиков и доходности акций, в том числе рассматриваются показатели, на которые авторы обращают внимание при анализе данной связи, а также отдельной главой представлен обзор работ, связанных непосредственно с конфликтностью рекомендаций. Вторая глава посвящена обоснованию тестируемой гипотезы и переменных. В третьем разделе описана методология исследования, подразделяющаяся на алгоритм проведения исследования и анализ используемых данных. В четвертом разделе приводятся основные результаты построенной модели. В пятом, приведены ограничения исследования. В заключении были приведены основные выводы по проделанной работе, а также поле для дальнейшего исследования.



1. Теоретическое обоснование

1.1 Исследования, посвященные характеристикам рекомендаций финансовых аналитиков

Исследователи по-разному относятся к роли аналитиков в принятии решений инвесторами и будущей доходности ценных бумаг. Некоторые сомневаются в существовании данной связи или её значимости. Однако, работы по рекомендациям и прогнозам финансовых аналитиков не прекращаются. Более того результаты многих авторы доказывают, что аналитики оказывают существенное влияние на будущую доходность акций. Например, Фаяс и Маскаренхас (Faias & Mascarenhas, 2015) показали, что пересмотр рекомендаций аналитиками формирует до 20% влияние на изменение цен акций.

Рамнат, Рок и Шейн (2008) проанализировали влияние прогнозов финансовых аналитиков на поведение инвесторов и общую реакцию рынка. В статье также представлены основные направления исследований, связанных с прогнозами финансовых аналитиков, по таким вопросам, как:

1) Какова природа процессов принятия решений аналитиками и как аналитики рационализируют прогнозы и рекомендации, содержащиеся в их исследовательских отчетах;

2) Какова природа аналитического опыта и каковы характеристики распределения индивидуальных прогнозов прибыли аналитиков;

3) Насколько информативны результаты исследований аналитиков (включая прогнозы прибыли, прогнозы прогнозов цен, рекомендации по акциям и качественный контекстный анализ);

4) Эффективно ли прогнозы и рекомендации аналитиков отражают информацию о будущих доходах;

5) Как стимулы руководства и аналитика, а также поведенческие предубеждения влияют на статистические свойства прогнозов аналитиков;

6) Как изменения в среде (со временем и в разных странах) влияют на поведение прогнозов аналитиков и роль аналитиков на рынках капитала;

7) Каковы некоторые проблемы дизайна исследований и базы данных, влияющих на обоснованность выводов из исследований поведения аналитиков, их прогнозов и рекомендаций.

Текущее исследование можно отнести к четвертой группе исследований, которая затрагивает вопросы о связи характеристик рекомендаций аналитиков и будущей доходности акций.

Информацию, которую предоставляют аналитики, условно можно разделить на две части: это прогнозы и рекомендации. В зависимости от имеющихся данных и поставленных вопросов авторы рассчитывают показатели, основывающиеся только на самих рекомендациях («покупать», «держать», «продавать») или же более детально на основании прогнозов будущих цен или доходностей. Исходя из проанализированных работ, можно выделить несколько основных переменных, основанных на отчетах финансовых аналитиков.

Во-первых, это консенсус-рекомендация. Её рассчитывают как среднее значение рекомендации для каждой компании, то есть та, которую выпускает большинство аналитиков. По этой причине данную характеристику иногда называют согласованностью рекомендаций.

Барбер и соавторы (Barber et al., 2001; Barber et al., 2003) используют консенсус-рекомендацию для построения инвестиционной стратегии. В первой работе авторы ставят целью ответить на вопрос, помогают ли рекомендации аналитиков в получении большей доходности. В работе создаются пять портфелей на каждый месяц в зависимости от значения консенсус-рекомендации, а также два дополнительных портфеля: первый состоит из всех охватываемых фирм на каждую дату, а второй портфель состоит из фирм, по которым не было дано рекомендаций, на эту дату. Используя, временные ряды, авторы тестируют три модели: CAPM, трёхфакторную модель Фамы-Френча (Fama & French, 1992) и четырехфакторную модель Кархарта (Carhart, 1997). В заключении, авторы приходят к выводу, что за период с 1986 по 1996 год портфель акций с наиболее положительными консенсус-рекомендациями финансовых аналитиков дает средний ежегодный аномальный доход в размере 4,13%, контролируя на рыночным риск, размер компании, рыночный и ценовой факторы momentum.

Работа 2003 года основана на том, что результаты, полученные в предыдущем исследовании, согласуются во все года, за исключением 2000 и 2001 годов, когда произошел кризис рынка IT-компаний. Причиной оказался поведенческий эффект, согласно которому аналитики продолжали выпускать позитивные рекомендации по компаниям с маленькой капитализацией, несмотря на то, что их доходность в этот период была ниже рыночной. Авторы также замечают, что исключение данных годов может оказать значимое влияние на оцененные коэффициенты.

Стоит отметить, что «оптимистичность» аналитиков была отмечена и другими авторами. Например, Вомак (Womack, 1996) говорит о превалировании рекомендаций «Покупать» примерно в семь раз, по сравнению с «Продавать», для Американского фондового рынка за период 1989 по 1991 год. Автор считает, что причиной такого поведения может являться репутация аналитика: так как рекомендации о продаже менее частые, они более заметны на рынке и, следовательно, неверная рекомендация о продаже более дорогостоящая для репутации аналитика, чем неверная рекомендация о покупке.

Более подробно данный поведенческий эффект был изучен Джегадеш и Ким (Jegadeesh et. al., 2010). Авторы предполагают, что позитивный настрой аналитиков частично является следствием «стадного чувства». В результате, на основании статистических данных акций США с 1993 по 2005 год, авторы пришли к следующим выводам:

1) Реакция рынка на пересмотр рекомендаций аналитиками сильнее, когда они отличаются от консенсуса, чем когда они ему соответствуют;

2) «Стадный эффект» особенно сильно проявляется, когда аналитик принимает решение о пересмотре «вверх» (с более отрицательной рекомендации на менее), чем когда принимается решение о пересмотре «вниз»;

3) Аналитики с хорошей репутацией больше склонны к «стадному поведению», чем менее известные новички, которые пытаются выделиться;

4) Те аналитики, которые нечасто пересматривали свои рекомендации, более склонны к «стадному поведению»;

5) Рынок ожидает «стадного поведения» аналитиков, и на дату пересмотра рекомендаций реакция рыночных цен ее учитывает.

Важно упомянуть, что авторы используют различные способы агрегирования мнения аналитиков. Помимо средней рекомендации, часть авторов использует показатели, рассчитанные на основании теории функций доверия. Так, Кутынина и Лепский (Kutynina & Lepskiy, 2018) ставят эффективность консенсус-метода под сомнение и сравнивают консенсус-прогнозы с прогнозами, полученными с помощью функций доверия (теории свидетельств). Авторы делают вывод, что в большинстве случаев прогнозы, полученные с помощью теории свидетельств, обладают большей точностью и способны учитывать, например, историческую достоверность источников информации и характер принятых решений (пессимизм-оптимизм). Однако авторы не приходят к окончательному выводу, о том какая методика более предпочтительна.

Второй часто используемой характеристикой рекомендаций является их пересмотр. Аналитики склонны пересматривать первоначально объявленный прогноз или рекомендацию зачастую до окончания первоначального прогнозного периода. Так, Джегадеш и соавторы (Jegadeesh et. al. 2004), с использованием акций базы данных Zacks в период с 1985 по 1998 год, провели сравнительный анализ стратегии основанной на консенсус-рекомендации и стратегии, основанной на изменении консенсус рекомендации. Авторы также исследовали зависимость самой средней рекомендации и её изменения от других характеристик акций. В работе использовались показатели, отвечающие за информацию о недавних торговых операциях и новостях о прибылях и убытках, к ним относятся переменные отвечающие за эффект momentum цены, эффект momentum прибыли по акции и показатель среднего дневного оборота акций за шесть месяцев, предшествующих последнему месяцу квартала рекомендации; показатели мультипликаторов оценки: отношение прибыли к цене и коэффициент балансовой стоимости, показатели роста: средний прогноз аналитиков ожидаемого долгосрочного роста прибыли и темпы роста продаж за последний год; размер фирмы (логарифм рыночной капитализации фирмы); а также такие фундаментальные переменные как суммарные дивиденды деленные на общие активы и капитальные затраты деленные на общие активы. Полученные результаты свидетельствуют о том, что прибыль от стратегий основанных на консенсус-рекомендациях зависит в большей степени от динамики цен и прибыли, а также, что именно изменение согласованности рекомендаций хорошо предсказывает доходности акций в краткосрочном (3-12 месяцев) периоде. Таким образом, авторы советуют использовать изменения (пересмотры) консенсус-рекомендаций вместо их уровней.

В следующем исследовании, Джегадеш и Ким (Jegadeesh & Kim, 2006) проверили данное утверждение среди стран Большой семерки. Результаты авторов оправдываются: в странах G7, совокупная прибыль, полученная после пересмотра рекомендаций аналитиков, может создавать значительную ценность для инвесторов. Выделяя в отдельную группу Американские депозитарные расписки, по которым выпускаются рекомендации аналитиками сразу нескольких стран, авторы приходят к выводу, что американские аналитики лучше определяют недооцененные акций, чем их зарубежные коллеги.

Хуанг и соавторы (2009) предложили инвестиционную стратегию, включающую не только изменение консенсус-рекомендации, но и изменение относительной целевой цены акции (отношение целевой цены аналитика к цене акции на дату прогноза). Авторы используют календарную стратегию аналогичную работам (Barber et al., 2001) и (Jegadeesh et. al, 2004) с ежемесячным переформированием портфеля на основании показателей прошлого месяца. Другими словами, каждый месяц строится три портфеля: long, short и long-short, являющимся разницей двух предыдущих портфелей. В первый попадают акции, имеющие положительное изменение и консенсус-рекомендации, и относительной целевой цены. Во второй - те, что имеют отрицательное изменение обеих переменных. Затем акции первого портфеля торгуются по длинной позиции, а акции второго - по короткой. Авторы сравнили данную стратегию с теми, которые используют только изменение рекомендаций или только изменение цен. Таким образом, авторы формировали 9 портфелей, по три на каждую стратегию. В итоге, портфели, построенные на изменении обоих показателей, обыграли остальные портфели. Однако, в статье не приводится сравнение полученной стратегии с такими стратегиями как Макровица или дивидендной. Также, в отличие от других работ, авторы не учитывают других факторов, влияющих на доходность акций.

Далее, будут рассмотрены показатели, которые авторы включают в модель как контролирующие переменные при анализе зависимости будущей доходности от характеристик рекомендаций финансовых аналитиков.

1.2 Показатели, использующиеся при доходности акций

Наиболее распространенной моделью для оценки взаимосвязи между доходностью и риском является модель оценки финансовых активов Capital Asset Pricing Model (CAPM). Данная модель основывается на гипотезе эффективного рынка (ГЭР), предложенной Фама в работе 1970 г. Данная гипотеза подразумевает информационную эффективность рынка, когда вся имеющаяся информация немедленно отражается в ценах. Несмотря на большие поддержки модели неоклассиками, модель САРМ не учитывает важных поведенческих особенностей рынка.

В первую очередь - это переменная, отвечающая за размер компании, выраженная через логарифм активов или логарифм рыночной капитализации компании. Впервые эффект размера компании обнаружил Банз (1981). Исследование базировалось на обыкновенных акциях, торгующихся на Нью-Йоркской фондовой бирже от 5 лет, за период 1926-1975 гг. Автор заключает, что меньшие компании в среднем имеют доходность несоразмерно выше доходности крупных компаний. Данное утверждение также указывает на некорректную спецификацию модели CAPM.

Следующим показателем является отношение балансовой и рыночной стоимости компании (book-to-market ratio, BM). Фама и Френч (1993) доказали, что «акции стоимости», то есть акции компаний с высоким соотношением BM, обладают средней доходностью выше средней доходности «акций роста» (акций компаний, у которых рыночная стоимость превышает балансовую, то есть ожидается их рост в будущем). Другими словами, инвесторы предпочитают более крупные компании с меньшим риском и, следовательно, меньшей доходностью.

В заключение, можно привести эффект momentum цены или доходности. Его включение позволяет учитывать эффект чрезмерного реагирования (overreaction/underreaction), то есть ситуацию, когда инвесторы чрезмерно реагируют и действуют на опережение или систематично игнорируют информацию до определенного момента (DeBondt & Thaler, 1985). Поэтому в эмпирических исследованиях он имеет отрицательную связь с будущей доходностью. C этим согласуются результаты Велагедедара, Деб и Сайнг (2016), которые эмпирически доказали существование данного эффекта после выпуска рекомендаций аналитиками на данных США базы IBES (Institutional Brokers Estimate Service) по периоду 2005-2012 гг. Авторы также выявили ассиметричную реакцию частных инвесторов после положительного и отрицательного изменения рекомендации, которая выражается в различном дрифте цены акции после изменения рекомендации.

Помимо этого, исследователи включают показатели, связанные с финансовым состоянием компании. Бенеши, Ли и Тарпли (2001) показывают, что компании с высокими капитальными затратами (CAPEX) имеют тенденцию получать более низкие последующие прибыли. Такие акции часто являются представителями крайне проигрывающих фирм, так как они склонны к чрезмерному росту.

Также, авторы включают такой показатель как отношение цены акции к прибыли на акцию (price-to-earnings ratio, PE). Базу (1977) проанализировав обыкновенные акции 1400 промышленных компаний, котирующихся на бирже NYSE, в период с сентября 1956 года по август 1971 года, эмпирически доказывает, что инвесторы имели возможность получать сверхдоходность, за счет неправильной оценки рынком акций с разными прибылями. Впоследствии, результаты ряда академических исследований показывают, что фирмы с высоким показателем PE впоследствии превосходят низкие фирмы PE. Данный показатель используется сразу в двух проанализированных работах по анализу связи доходности и рекомендаций аналитиков.

Ли и Ву (2014) и Джонсон (2004), считают необходимым учитывать также эффект левериджа. Однако, Ли и Ву выражают его через коэффициент задолженности, тогда как Джонсон опирается на показатель финансового рычага. Более того, Джонсон считает данный показатель связанным с разногласием во мнениях финансовых аналитиков, и включает в модель совместный эффект дисперсии прогнозов аналитиков относительно прибыли по акции и финансового рычага.

Значимость всех перечисленных показателей при моделировании доходности указывает на несостоятельность ГЭР. Поэтому при анализе зависимости доходности от характеристик рекомендаций аналитиков исследователи прибегают к включению переменных из трехфакторной модели Фама Френча (Fama & French 1992) и четырехфакторной модели Кархарта (Carhart, 1997), а также другие факторы, влияющие на доходность акций.

По итогам всего вышесказанного, была составлена таблица с наиболее часто встречающимися показателями и работами, в которых данные показатели использовались (Таблица 1). Также указано ожидаемое влияние фактора на доходность, исходя из результатов предыдущих исследований.

Далее, рассмотрим работы, анализирующие связь доходности непосредственно с конфликтностью рекомендаций аналитиков, а также выявим основные методики её расчета.

Таблица 1. Показатели, встречающиеся в работах по анализу связи рекомендаций и доходности

Показатель	Пояснение	Работы	Ожидаемое влияние на доходность
Показатели четырехфакторной модели Фама-Френча-Кархарта
Показатель размера компании	Логарифм активов или рыночная капитализации компании (иногда также логарифмируют)	Jegadeesh et al., 2004; Li & Wu, 2014; Diether et. al., 2002; Barber et. al. 2001; Barber et. al. 2003; Womack, 1996; Scherbina, 2001.	-
Отношение балансовой и рыночной стоимости компании (book-to-market ratio - BM)	Отношение балансовой и рыночной стоимости компании		+
Факторы Momentum	Значения цены или доходности акции за последние несколько месяцев	Jegadeesh et al., 2004; Li & Wu, 2014; Diether et. al., 2002; Barber et. al. 2001; Barber et. al. 2003; Womack, 1996; Scherbina, 2001; Chang & Chan, 2008.	+
Показатели, связанные с финансовым состоянием компании
Коэффициент задолженности		Li & Wu, 2014.	-
CAPEX		Jegadeesh et al., 2004	-
Финансовый рычаг		Johnson, 2004	-
Дополнительные факторы
Отношение цены акции к прибыли на акцию (price-to-earnings ratio - PE)		Jegadeesh et al., 2004; Womack, 1996.	+

1.3 Исследования конфликтности мнений аналитиков

Часть авторов для объяснения доходности акций используют характеристику дисперсии прогнозов аналитиков. Из здравого смысла следует, что разброс мнений аналитиков о будущей стоимости акций должен указывать на рискованность данной акции, то есть между конфликтностью рекомендаций (или прогнозных цен) и доходностью акций подразумевается существование положительной связи. Однако выводы авторов неоднозначны.

Крэгг и Малкиэль (1982) получают положительную связь между дисперсией прогнозов и будущей доходностью, но они используют, по словам Дейтера (Diether et al., 2002), чрезвычайно ограниченную выборку, состоящей из 175 компаний с годовыми прогнозами с 1961 по 1969 год.

Результаты работы (Ackert & Athanassakos 1997), напротив, свидетельствуют о том, что дисперсия прогнозов аналитиков отрицательно связана с доходностью, но они также использую выборку лишь из 167 фирм. Авторы рассматривали дисперсию прогнозов как показатель неопределенности внешней среды. При низком уровне неопределенности внешней среды, аналитики склонны выпускать более согласованные прогнозы (или рекомендации), так как неправильная рекомендация выделит его из толпы и может подорвать репутацию. Данное предположение аналогично гипотезе Вомака (Womack, 1996). Авторы также утверждают обратное: если уровень неопределенности высок, то аналитики склонны выпускать прогнозы и рекомендации, отличающиеся от других. При этом авторы считают, что это должно соблюдаться, не смотря на «оптимистичность» аналитиков, так как при высокой неопределенности внешней среды аналитики могут не настолько бояться за свою репутацию.

Отрицательный характер связи подтверждают Дейтер и соавторы (Diether et. al., 2002). Авторы использовали данные по акциям, котирующихся на NYSE, AMEX, NASDAQ с 1976 по 2000 гг. Они предположили, что дисперсия прогнозов может рассматриваться как прокси-переменная для измерения риска, поэтому, чем больше дисперсия, тем выше доходность. Изначально они сформировали 5 портфелей в зависимости от дисперсии прогнозов аналитиков, а затем с помощью временных рядов для каждого построенного портфеля протестировали гипотезы, контролируя на показатели из трехфакторной и четырехфакторной моделей Фама-Френча. Они также проверили устойчивость результатов с помощью методики, предложенной Фама и МакБетом (1973). Гипотеза авторов, что дисперсия прогнозов несет информацию о риске, не подтвердилось, так как дисперсия и доходность имеют отрицательную связь.

Данная работа вызвала всплеск исследований связанных с дисперсией прогнозов аналитиков. Например, Джонсон (Johnson, 2004) счет эффект, полученный Дейтером и соавторами (Diether et. al., 2002), выгодным компаниям с большим финансовым плечом. На первом шаге, автор воспользовался математическим моделированием для обоснования гипотезы, а затем проверил её на эмпирически. В итоге, он приходит к выводу, что отрицательная зависимость доходности от дисперсии прогнозов аналитиков может быть следствием отрицательной связи конфликтности и финансового рычага. Автор считает данный эффект аналогичным проблеме замещения активов в корпоративных финансах.

Ли и Ву (2014) предприняли попытку разрешить дискуссию относительно противоречивых результатов о связи конфликтности и доходности. в относительно современном исследовании по данной теме. На выборке из 384 460 ежемесячных наблюдений 4 122 нефинансовых фирм США за период 1983-2009 годов авторы исследуют зависимость месячной доходности от дисперсии прогнозов аналитиков, выраженных через стандартное отклонение прогнозов прибыли, рассчитанных по абсолютной величине прогноза средней прибыли. Они также контролируют модель на такие переменные как размер фирмы (логарифм активов), коэффициент балансовой стоимости компании, фактор momentum, рыночный фактор, коэффициент задолженности (для учебы эффекта финансового рычага). Особенностью работы является использование квантильной регрессии и сравнение полученных результатов с оценками метода наименьших квадратов (ordinary least squares, OLS) и метода наименьшей суммы остатков (least-sum of absolute deviations, LAD). В результате, они заключают, что связь между дисперсией и доходность неоднородна: отрицательная зависимость наблюдается при корректировке завышенной цены акции; когда переоценка акции продолжается, связь становится положительной; незначительная связь возникает, когда процесс корректировки завышенной стоимости акции завершен.

Конфликтность рекомендаций (или прогнозов) аналитиков зачастую используется в связке с точностью прогноза. Например, Броневич и соавторы (2015) использовали конфликтность (несогласованность) рекомендаций и точность прогнозов для последующего учета данных характеристик при построении инвестиционной стратегии. Основной задачей авторов было определение качества прогноза и рекомендаций для российского фондового рынка за период 2012-2014 гг. Конфликтность была рассчитана с помощью аппарата теории функций доверия, а точность определена как симметричная точность. Также исследователи определили вклад каждого аналитика в показатель конфликтности с помощью значений Шепли. Анализ относительных цен между тремя типами рекомендаций показал, что рекомендации «продавать» выпускаются даже при незначительном снижении в стоимости акций - на 3%, а рекомендации покупать при ожидаемом повышении цены на 22%. Также были выделены отрасли с высокой конфликтностью рекомендаций, одна из которых транспортная.

Таким образом, предыдущие исследования основывались в большей степени на средней рекомендации и/или её изменению, а по тем работам, в которых затрагивались разногласия между аналитиками, были получены неоднозначные результаты. Возможно, одной из причин является использование дисперсии прогнозов (прибылей на акцию или её цены), а не самих рекомендаций. Кроме того, все вышеперечисленные исследования основывались на данных одной или двух бирж одной страны сразу по нескольким отраслям за большой временной промежуток.

В следующей части приведено обоснование тестируемых гипотез и используемых переменных.



2. Постановка исследовательского вопроса

Основным вопросом данной работы является влияние конфликтности рекомендаций финансовых аналитиков на доходность акций судовых компаний. В большей части работ авторы анализируют акции одной или нескольких бирж одной страны, но разных отраслей, однако, (Ahmad-Zaluki & Wan-Hussin, 2010) доказали, что отрасли отличаются по прозрачности и возможности предсказания, что свидетельствует о необходимости учета отраслевых особенностей при исследовании доходности акций. А Бони и Вомак (2009), проанализировав выборку рекомендаций базы IBES по 1996-2002 гг., пришли к выводу, что аналитики достаточно хорошо прогнозируют внутри отдельной отрасли, чем могут сравнить отрасли между собой.

В текущей работе будет анализироваться отрасль морских перевозок, что обусловлено неоднозначными событиями, произошедшими в последние годы, повлиявшими на состояние данной отрасли. Начало можно найти в кризисе 2008 года, после чего судоходная отрасль погрузилась в финансовый кризис. До 2008 года отрасль быстро развивалась, были заказаны новые суда стоимостью 800 миллиардов долларов, причем половина заказов была размещена в период пиковых цен, в 2007-2008 гг. (Stopford, 2009). Однако после 2008 года рост мирового спроса на морскую торговлю замедлился, а предложения судов, поступающих на рынок, возросло. В результате, стоимость судов также упала, что привело к тому, что многие судоходные компании отказались от обязательств по кредитам и, наконец, стали банкротами. А в 2015 впервые за 65 лет темп роста мирового ВВП опередил темп роста мировых контейнерных грузоперевозок (Moller-Maersk, 2016). Все вышесказанное характеризует состояние судоходной отрасли как тяжелое. Помимо этого, в 2015-2016 гг. произошел ряд неоднозначных событий.

Во-первых, это банкротство лидера рынка, корейской компании Hanjin Shipping (Expert online, 2016). Во-вторых, были созданы альянсы: между крупными игроками рынка компании Maersk Line и Средиземноморской судоходной компании (MSC) (Moller-Maersk, 2016), а также между Японскими морскими операторами Nippon Yusen, Mitsui OSK Lines и Kawasaki Kisen Kaisha (Expert online, 2016). Поэтому состояние отрасли остается нестабильным. Однако, по прогнозам экспертов ожидается, что в ближайшие пять лет начнется медленный подъем отрасли, поскольку растущие объемы торговли способствуют увеличению спроса на морские грузоперевозки и увеличению доходов морских компаний (Gallagher & Co, 2016). Во времена нестабильности внешней среды, разногласия в рекомендациях аналитиков усиливаются (Ackert & Athanassakos, 1997). Таким образом, ожидается, что анализ конфликтности рекомендаций и доходности акций в кризисные и посткризисные годы поможет уловить значимую связь между данными переменными.

В вышеописанных работах авторы оценивали конфликтность как стандартное отклонение прогноза прибыли (Diether et al., 2002; Li & Wu, 2014; Scherbina, 2001; Womack, 1996) или с помощью теории функций доверия (Kutynina & Lepskiy, 2018; Броневич и др., 2015).

Большая часть исследований получили значимую отрицательную зависимость. Дейтер и соавторы (2002) объясняют это тем, что рассматривается будущая стоимость акций, другими словами, инвесторы платят премию за риск по акциям с высокой дисперсией прогнозов, создавая их переоценку, что приводит к снижению доходности по этим акциям в будущем. Об этом писал Миллер в работе 1977. Он доказал, что цены акций будут отражать более оптимистичную оценку, если пессимистично настроенные инвесторы уйдут с рынка по причине высоких расходов на короткую продажу. Щербина (Scherbina 2001) эмпирически проверила гипотезу Миллера (1977) и выяснила, что акции с высокой степенью конфликтности рекомендаций получают меньшие доходности. Особенно сильно данный эффект проявляется для компаний маленькой капитализации и акций роста. При чем, от 11 до 33 процентов разницы в доходности акций с низкой и высокой дисперсией в прогнозах приходится на трехдневный промежуток от объявления прогноза для малых акций выборки. Результаты работы (Gebhardt et al., 2001) также говорят от отрицательной связи доходности и конфликтности для Американского фондового рынка. Исследование базировалось на достаточно большой выборке, захватывающей промежуток с 1979 по 1995 гг по биржам NYSE и AMEX. В работе (Li & Wu, 2014), авторы также получили отрицательную связь между дисперсией прогнозов и доходностью по результатам метода наименьших квадратов и метода наименьших отклонений («least-sum of absolute deviations», LAD), а также по результатам оценки квантильной регрессии, когда идет процесс корректировки стоимости акций. Однако не все исследователи готовы согласиться с противоречивыми выводами. Так, Джонсон (2004) считает, что эффект должен быть положительным, а отрицательным его делает связь с показателем финансового рычага. Автор считает, что отрицательная связь между доходностью и дисперсией прогнозов проявляется в случае компаний с рискованными долгами, так как для них добавление неопределенности увеличивает стоимость опциона на капитал. Гарфинкель и Собокин (2006) также критикуют работу (Diether et. al., 2002), утверждая, что дисперсия прогнозов не является хорошей прокси для оценки разброса мнений аналитиков. Однако, все данные исследования связаны тем, что изначально авторы ожидали положительную зависимость между данными показателями, пытаясь доказать, что высокая конфликтность присуща более рискованным активам (Diether et al., 2002; Ackert and Athanassakos, 1997; Scherbina 2001; Gebhardt et al., 2001). Таким образом, в текущей работе ожидается, что высокая конфликтность рекомендаций приводит к более высокой доходности, считая конфликтность прокси риска.

Под конфликтностью будет пониматься стандартное отклонение рекомендации от средней рекомендации среди аналитиков за конкретный месяц. Рекомендации аналитиков закодированы числами от 1 до 5, где 1 равнозначно рекомендации «Агрессивно покупать» («strong buy»), а 5 - «Агрессивно продавать» («strong sell»).

На основании изученной литературы для модели были выбраны контролирующие переменные. В первую очередь, это такие основополагающие показатели как размер компании, отношение балансовой и рыночной стоимости компании, фактор momentum для доходности акции (доходность за последние 6 месяцев) и доходность рынка. Так как данные показатели являются в большей степени контролирующими, в данной работе не будут выдвинуты отдельные гипотезы влияния данных факторов на доходность. Знаки коэффициентов полученным по этим переменным будут сравниваться с предыдущими статьями (Таблица 1). Как было сказано в (Barber et. al., 2001) данные факторы не являются прокси-риска. Их включение позволяет очистить мнения аналитиков от факторов, напрямую влияющих на доходность. Важно отметить, что в качестве прокси на рыночный риск будет использоваться индекс Доу-Джонса, так как большая часть компаний котируется именно на Нью-Йоркской фондовой бирже.

Помимо этого, нельзя игнорировать факт того, что отрасль находится в состоянии кризиса. Модель будет контролироваться на эффект финансового левериджа аналогично работам (Li & Wu, 2014) и (Johnson, 2004). Ожидается отрицательное влияние финансового рычага на доходность, так как его высокие показатели характеризуют компанию как финансово неустойчивую. Также будет добавлена переменная, связанная с финансовым положением компании - коэффициент текущей ликвидности. Данный показатель отражает способность компании платить по долгам, что особенно важно при нестабильности внешней среды и тяжелом положении судоходной отрасли,. По переменной коэффициента текущей ликвидности, напротив, ожидается положительное влияние. Оба данных показателя использовались при моделировании банкротства судовых компаний в работе (Lozinskaia et al., 2017). Несмотря на то, что при построении моделей они оказались не значимы, данные факторы 

3. Методология и данные исследования

3.1 Алгоритм проведения исследования

В первую очередь необходимо произвести расчеты всех используемых в работе показателей. Главная анализируемая переменная - конфликтность будет рассчитана для каждой акции в каждый анализируемый момент времени как стандартное отклонение рекомендаций от среднего значения закодированной рекомендации. Под одной рекомендацией понимается целое число от 1 до 5. Так как из предыдущих работ было выяснено, что аналитики склонны к излишне оптимистичным прогнозам рекомендации также были сформированы в более агрегированный вид. Идея состоит в том, чтобы учесть конфликтность именно между рекомендациями «покупать», «держать» и «продавать», а не между «агрессивно покупать» и «покупать». В этом случае рекомендации варьировались от 1 до 3, где 1 - это сумма рекомендаций «покупать» и «агрессивно покупать». Для более наглядного представления была сформирована таблица (Таблица 2).

Таблица 2. Системы кодирования рекомендаций

Рекомендация на русском языке	Рекомендации на английском языке	Код от 1 до 5	Рекомендация на русском языке	Код от 1 до 3
«Агрессивно покупать»	«Strong Buy»	1	«Покупать»	1
«Покупать»	«Buy»	2
«Держать»	«Hold»	3	«Держать»	2
«Продавать»	«Sell»	4	«Продавать»	3
«Агрессивно продавать»	«Strong Sell»	5

Большее значение конфликтности рекомендаций, свидетельствует о большей несогласованности рекомендаций, то есть о большем разногласии среди аналитиков. Ниже представлена формула для расчета данного показателя:

где: n - число рекомендаций по акции i в один момент времени;

- k-ая рекомендация по i-ой акции;

- средняя рекомендация по i-ой акции в один момент времени.

Доходность акции и рыночного портфеля для каждого момента времени будет рассчитана по следующей формуле, без учета дивидендов, выплачиваемых по акциям:

где: - цена акции в периоде t;

- цена акции в предыдущем периоде t-1.

Однако если в выборке присутствуют сплиты, то предыдущая цена () делится на число дроблений акции. Контролирующие факторы будут рассчитаны исходя из формул, представленных в Таблице 1. Коэффициент текущей ликвидности будет рассчитан по формуле аналогичной той, что приведена в статье (Lozinskaia et al., 2017), то есть как отношение общих текущих активов к общим текущим обязательствам. Также в модель будет включен финансовый рычаг, рассчитанный как отношение общих обязательств к собственному капиталу компании.

Фактор momentum для доходности будет основываться на шести предыдущих месяцах для каждой компании в каждый момент времени. Его расчет производился по аналогии с работой (Jegadeesh et.al. 2004) следующим образом:

где: m - число месяцев, по которому считается показатель;

- доходность акции за период t-m;

- скорректированная с учетом рынка доходность за период t-m.

На втором этапе будет проведен корреляционный анализ для выявления зависимости между доходностью и объясняющими факторами, а также для определения связи между самими показателями для предупреждения мультиколлинеарности в модели. Далее, если между объясняющими переменными не обнаружится сильной взаимосвязи будет построена следующая модель:

где: - доходность i-ой акции;

- конфликтность рекомендаций аналитиков i-ой акции;

- доходность рынка, рассчитанная как значение индекса Доу Джонса на конец месяца;

- размер компании, выраженный через логарифм её рыночной капитализации;

- отношение балансовой стоимости i-ой компании к рыночной;

- фактор momentum i-ой акции;

- финансовый леверидж, рассчитанный как отношение общих обязательств к собственному капиталу;

- коэффициент текущей ликвидности;

- ошибка модели.

Для оценивания коэффициентов регрессии будет использоваться метод сквозной регрессии, аналогично работе Ли и Ву (2014). Не смотря на панельную структуру данных ни в одной статье не использовались регрессии с фиксированными или случайными эффектами. Возможно одной из причин является то, что авторы стремятся понять различия в доходности акций, а не спрогнозировать их будущую стоимость.

Как можно заметить в модель включался показатель обратный BM - отношение цены к балансовой стоимости на одну акцию (price-to-book ratio, PB), так как значения данного показателя по модулю меньше и модель будет более сбалансированной. В данном случае знак коэффициента перед данной переменной будет ожидаться обратный показателю BM, то есть отрицательный. Данный показатель использовался также в работе Вомака (1996).

При анализе зависимости доходности от характеристик рекомендаций аналитиков чаще всего авторы использовали сквозную регрессию, которую оценивали по кварталам, полугодиям или годам, а затем с помощью подхода Фама-МакБета проверяли на значимость усредненное по построенным регрессиям значение коэффициента перед переменными. Поэтому в данном исследовании далее будут построены регрессии по 12 кросс-секциям, то есть по каждому кварталу.

Коэффициент бета, отражающий чувствительность изменения стоимости акций компании в зависимости от изменения доходности рынка, не будет рассчитан для каждой компании отдельно. Модель лишь контролируется на общее состояние рынка. После оценки всех регрессий, для того чтобы понять можно ли верить результатам в целом, полученные по кросс-секциям коэффициенты будут усреднены по времени. Значимость полученного коэффициента будет определена с помощью подхода Фама-Макбета, как и в других работах (Jegadeesh et al., 2004; Diether et al., 2002; Jegadeesh & Kim, 2006; Johnson, 2004), при котором t-статистика рассчитывается как:

где: - усредненное значение коэффициента перед j-ой переменной;

- стандартное отклонение коэффициента j-ой переменной по времени;

K - количество, используемых для агрегирования кросс-секций.

Таким образом, в исследовании будет проводиться анализ сквозной регрессии, регрессий построенных по кросс-секциям по годам и анализ усреднённого значения коэффициента перед переменной конфликтность рекомендаций. Все регрессии будут построены для моделей с конфликтностью, закодированной от 1 до 5, и с более агрегированным показателем конфликтности, когда рекомендации закодированы числами от 1 до 3. Расчеты были выполнены в статистическом пакете Stata.

3.2 Предварительный анализ данных

В вышеописанных статьях для получения информации о прогнозах и рекомендациях финансовых аналитиках используются базы данных Thomson Reuters Eikon, IBES, Investext, Zacks database, Value Line, и другие. Большая часть данных для текущего исследования была выгружена с базы Thomson Reuters Eikon. Значения индекса Доу-Джонса были выгружены с Интернет-ресурса Yahoo.Finance Yahoo Finance - Business finance, stock market, quotes, news. available at: https://finance.yahoo.com/, (accessed 13.04.2018). . Все показатели, присутствующие в базе, а также их наименования представлены в Приложении 4. Данный сайт использовался также для проверки акции на количество дней, когда акций котировалась на бирже, и сплиты по анализируемому промежутку времени. Выборка состоит из акций судовых компаний, котирующиеся на Нью-Йоркской фондовой бирже (NYSE), американской бирже NASDAQ, а также акции, торгующиеся на внебиржевой площадке OTC Markets Group (Приложение 1). Несмотря на то, что лидеры судоходной отрасли котируются на разных биржах, в данном исследовании будут затронуты акции компаний, котирующиеся только на Американском фондовом рынке. Также, стоит отметить, что большинство проанализированных исследований базируется на компаниях, котирующихся на фондовом рынке одной страны или на одной бирже, что логично, так как, во-первых, разные биржи имеют разные условия для листинга; во-вторых, акции одной биржи связаны между собой, тем, что зависимы от индекса биржи, на которой котируются.

Первоначальная выборка состоит из 62 обыкновенных акций и одной Американской депозитарной расписке датской компании, которая является мировым лидером исследуемой отрасли. После предварительного анализа данной выборки часть компаний пришло исключить по следующим причинам:

1) Низкая ликвидность акции, выражающаяся в объеме торгов и количестве дней, когда акция котировалась на бирже (16 компаний);

2) Отсутствие данных по балансовым показателям в базе Thomson Reuters (1 компания);

3) Компания не котировалась на бирже в один из исследуемых годов (8 компании);

4) Отсутствовали данные по рекомендациям аналитиков более одного года в период 2015-2017 гг. (5 компании).

В итоговую выборку вошло 33 компании, котирующихся на разных биржах в период с 2015 г. по 2017 г., то есть выборка является строго сбалансированной (Приложение 2). При этом, каждая акция торговалась не менее 240 дней в году. Не смотря на то, что используемые акции торгуются на американских биржах, большая часть исследуемых компаний зарегистрированы в Монако (7 компаний), Греции (7 компаний) и Бермудским островам (9 компаний) (Рисунок 1). Возможно, это связано с расположением популярных офшорных зон в данных странахOffshore and International Law (accessed 13.04.18)..

Рис. 1. Распределение судовых компаний выборки по странам

Если посмотреть на динамику числа рекомендаций, то можно заметить, что в 2015 и 2016 годах было выпущено больше рекомендаций, то есть аналитики чаще выпускали и/или пересматривали рекомендации. На основании анализа событий происходящих в судоходной отрасли можно выдвинуть предположение о том, что это связано с особенной нестабильностью отрасли в данный временной промежуток (Рисунок 2), так как именно в 2015 году Maersk Line и Средиземноморская судоходная компания (MSC) организовали партнерство, в августе 2016 года обанкротился один из лидеров отрасли, крупнейшая корейская компания, Hanjin Shipping (Moller-Maersk, 2016), а затем, в октябре 2016 года, ещё одни крупнейшие морские операторы Японии вступили в альянс (Expert online, 2016).

Рис. 2. Динамика числа рекомендаций, в шт.

Рекомендациям аналитиков представлены за 2015-2017 гг., закодированные по шкале от 1 до 5 («Strong sell», «Sell», «Hold», «Buy», «Strong Buy»). Эта пятибалльная шкала наиболее часто используется аналитиками, согласно Барберу и соавторам (2001). Как видно из Рисунка 3 позитивные рекомендации превышают рекомендации о продаже во все анализируемые года. Данное отношение соотносится с выводами Вомака (1996), а именно о том, что аналитики склонны выпускать позитивные рекомендации, так как они менее заметны и в случае ошибки не так сильно повлияют на репутацию аналитика, в отличие от ошибочной негативной рекомендации. Согласно данным автора по Американскому фондовому рынку за период с 1989 по 1991 позитивные рекомендации превышали число негативных в 7 раз. Для данных текущего исследования характерно превышение позитивными рекомендациями негативных в соотношении 6 к 1 при рассмотрении всего анализируемого периода. Наименьшее число позитивных рекомендаций было дано в 2017 году, где соотношение равно 5 к 1. Удивительно, что именно в 2015 и 2016 гг. доля позитивных рекомендаций наибольшая, хотя, согласно (Ackert and Athanassakos, 1997), при высокой неопределенности внешней среды аналитики должны быть более склонными к сообщению прогнозов, отличающихся от прогнозов других аналитиков.

Так как по компании Maersk Line (тикер AMKBY), лидеру отрасли, число рекомендаций наибольшее, то, вероятно данный разброс связан с местом компании на рынке и её влиянием на общее состояние рынка (Рисунок 4).



Рис. 4. Количество рекомендаций за 2015-2017 гг. в разрезе компаний, в шт.

Далее перейдем к анализу распределений зависимой и объясняющих переменных. В Таблице 3 представлены основные описательные статистики по всем годам. Более детальные статистики для каждого из годов представлены в Приложении 4.

Как видно из таблицы, все переменные изменяются в достаточно небольших единицах, за исключением логарифма рыночной капитализации компании (lnsize). Почти все переменные имеют лептокуртическое распределение, за исключением конфликтности по агрегированным рекомендациям, чье значение куртозиса близко к значению данного показателя для нормального распределения.

Таблица 3. Описательные статистики

Переменная	Среднее	Станд. откл.	Мин. знач.	Мак. знач.	Коэф. ассим.	Куртозис	Кол. нблд.
R	-0,190	0,176	-0,829	0,944	0,046	7,113	1188
Conflict5	0,815	0,446	0,000	2,828	1,668	8,734	1188
Conflict3	0,485	0,248	0,000	1,000	-0,580	2,864	1188
Market	0,009	0,036	-0,370	0,168	-1,462	20,613	36
lnsize	20,279	1,734	12,341	24,641	0,430	4,732	1188
PB	0,830	1,372	-0,217	33,219	14,230	293,670	1188
Momentum	-0,044	0,078	-0,530	0,534	0,613	9,572	1188
Leverage	1,850	4,470	0,178	68,726	10,570	141,705	1188
Current Ratio	2,121	2,305	0,000	18,513	2,968	14,959	1188

После детального анализа выборки было выяснено, что максимальные значения по переменным, отвечающими за отношение цены акции к балансовой стоимости на одну акцию (PB), и финансовый рычаг (Leverage) относятся к одной компании в одинаковый временной промежуток. В дальнейшем при построении модели данные высокие значения будут объяснять друг друга, поэтому они никак не будут корректироваться или удаляться из выборки. Также, можно заметить, что переменная, (PB) имеет очень высокое значение куртозиса по причине большого числа наблюдений, когда значение данного коэффициента близко к нулю. Другими словами, в выборке присутствует большое количество наблюдений, когда балансовая и рыночная стоимость компании примерно равны.

Конфликтность по рекомендациям, закодированных числами от 1 до 5, имеет большее стандартное отклонение и значение куртозиса, в отличие от агрегированного показателя конфликтности (рекомендации закодированы целыми числами от 1 до 3). Однако максимальное значение для первой переменой значительно превышает максимум другой.

Распределение доходности по всем годам имеет распределение близкое к нормальному, если не учитывать высокое значение куртозиса. Если провести сравнительный анализ описательных статистик переменных между годами, то можно заметить, что доходность в основном имеет одинаковые характеристики распределения. Исключением является коэффициент асимметрии: в 2016 году распределение доходности больше скошено вправо, чем в остальные годы, то есть акции компаний чаще имели нулевую или положительную месячную доходность. Переходя к рыночной доходности, если опираться на общую описательную статистику по всем годам, то распределение скошено влево от нуля и имеет достаточно острую вершину, что можно проинтерпретировать как, в основном рынок имел доходность близкую к нулю, а происходящие скачки были в основном в отрицательную сторону.

Обратимся также к описательным статистикам в разрезе по годам, которые приведены в Приложении 3. Исходя из значения стандартного отклонения в 2015 и 2016 гг. рынок был более волатилен и его доходность принимала наименьшее значения именно в эти годы. Помимо этого, наименьшее среднее значение доходности рынка в 2015 году. Однако, в 2016 г. рынок чаще имел нулевую месячную доходность, чем в остальные годы. Конфликтность рекомендаций (Conflict5) и конфликтность агрегированных рекомендаций имели примерно одинаковое распределение по годам. Если посмотреть на другие объясняющие переменные, то можно заметить, что выброс, который был найден в описательной статистике по всем годам, приходится на 2016 год.

При построении регрессий существует предпосылка о нормальном распределении, поэтому переменные будут проверены на нормальность с помощью как графического, так и статистического анализа. Так как из описательных статистик был сделан вывод, что распределения слабо отличаются по годам, тест на нормальность, а также графическое представление плотности распределения, будут анализироваться только для всех годов одновременно.

...