Таблица 4

Результаты моделей для спрэда по ОМС золота

Robust standard errors in parentheses: *** p<0.01, ** p<0.05, * p<0.1

С помощью теста Вальда, который проверяет гипотезу о равенстве нулю всех индивидуальных эффектов, из двух моделей была выбрана лучшая. Тест Вальда отверг гипотезу, а значит, модель с фиксированными индивидуальными эффектами для исследования подходит лучше, чем сквозная регрессия. Однако в этой модели нельзя оценить влияние доли государственного участия на спрэд по ОМС, так как это фиктивная переменная, которая не меняется со временем. В этом случае может помочь сквозная регрессионная модель, которая не учитывает структуру панельных данных.

Линейная регрессионная модель показала, что помимо индивидуальных особенностей банка на разницу между ценой покупки и ценой продажи драгоценных металлов положительно влияет доля государственного участия. Эта переменная оказалась значима на 1% уровне, в среднем и при прочих равных. Таким образом, если государство владеет контрольным пакетом акций определенного банка, то этот банк может в большей мере по сравнению с другими расширять спрэд. В сквозной регрессии константа также оказалось значимой, но на 1% уровне значимости, в среднем и при прочих равных условиях.

На предоставленных данных влияние краткосрочной и долгосрочной волатильности на спрэд ОМС золота не было выявлено, что опровергает одну из гипотез и идет в разрез с исследованиями других специалистов по данной теме.

Далее в Таблице 5 показаны результаты моделей с фиксированными эффектами и сквозной регрессии для спрэда обезличенных металлических счетов серебра.

По результатам моделей сквозной регрессии и с фиксированными эффектами для спрэда по ОМС серебра видно, что значимыми оказались так же, как и для спрэда по ОМС золота, активы-нетто банка и доля государственного участия. Активы оказались значимы на 10% уровне в модели, учитывающей индивидуальные эффекты. Доля государственного участия оказалась значимой на 1% уровне, в среднем и при прочих равных условиях, как и в сквозной модели для золота. При этом константа оказалась значимой только в линейной модели.

Таблица 5

Результаты моделей для спрэда по ОМС серебра

Robust standard errors in parentheses: *** p<0.01, ** p<0.05, * p<0.1

В модели с фиксированными индивидуальными эффектами на 10% уровне значимости, в среднем и при прочих равных, влиятельной переменной оказалась долгосрочная волатильность серебра. Значимость 65-дневной волатильности говорит о том, что банки ориентируются на долгосрочные изменения официальных цен, установленных ЦБ РФ, при установлении разницы между ценами покупки и продажи по обезличенным металлическим счетам серебра. При увеличении волатильности происходит расширение спрэда, что подтверждает выводы других исследователей.

В теории предполагается, что увеличение волатильности связано с большим колебанием цен, а значит, с нестабильностью в экономике или на рынке. В подобной ситуации банки стараются обезопасить себя и расширить спрэд, таким образом, минимизировав свои потери. Если бы этот фактор показал отрицательный знак, который показыват краткосрочная волатильность, то можно было бы предположить, что в рассматриваемый период банки ориентировались больше не на изменение официальной цены серебра, а на привлечение большего числа клиентов. И при помощи уменьшения спрэда на серебра банки, возможно, пытались бы увеличить спрос на ОМС по данному драгоценному металлу. Такое нетипичное поведение знака показателя могло бы быть вызвано политикой банков.

Тест Вальда для моделей, построенных по спрэду серебра, также выявил лучшей модель с фиксированными эффектами.

Стоит также добавить, что представленные модели в Таблице 4 и в Таблице 5 оказались в целом значимы, как показала F-статистика. Коэффициент детерминации получился больше у моделей сквозных регрессий. В результате построения регрессий значимые переменные в модели с фиксированными эффектами и в сквозной модели оказались различными. Наличие противоречий в связи зависимых переменных с регрессорами дает понять, что необходимо дальнейшее исследование этой темы. Возможно, это связано с недостаточным количеством наблюдений и необходимо рассматривать более долгий период.

В Таблице 6 представлены результаты моделей, построенных для выявления факторов, влияющих на разницу между ценами покупки и продажи платины по обезличенным металлическим счетам в российских банках.

Таблица 6

Результаты моделей для спрэда по ОМС платины

Robust standard errors in parentheses: *** p<0.01, ** p<0.05, * p<0.1

В модели с фиксированными эффектами для ОМС платины значимой переменной, которая имеет положительное влияние на спрэд платины, оказались на 1% уровне значимости,в среднем и при прочих равных условиях, активы-нетто банка. То есть при увеличении активов банк может позволить себе расширить спрэд, при этом не боясь за возникновение финансовых трудностей из-за недополученной прибыли.

Показатели краткосрочной и долгосрочной волатильности платины, а также доля прибыли в модели, которая учитывает индивидуальными особенности банков, оказались незначимыми. Это противоречит работам других исследователей в данной области. В модели, учитывающей индивидуальные особенности банков, эта переменная имеет отрицательный знак, что противоречит логике влияния данного фактора.

Следует также отметить, что в отличие от моделей с зависимыми переменными золотом и серебром, в которых содержатся по 91 наблюдению, в моделях для платины только 70 наблюдений по 10 банкам, при этом у каждого банка рассматриваются только 7 значений спрэда за рассматриваемый период.

В сквозной регрессионной модели на 1% уровне значимости, в среднем и при прочих равных условиях, детерминантом спрэда по обезличенным металлическим счетам платины оказалась также доля государственного участия. Такое же значение уровня значимости оказалось у константы в линейной регрессии.

Результаты проверки гипотез теста Вальда, указывает на то, что модель с фиксированными индивидуальными эффектами больше подходит для исследования этих данных.

В Таблице 7 содержатся результаты построенных моделей для спрэда по обезличенным металлическим счетам палладия.

В Таблице 7 видно, что в модели с фиксированными эффектами влияющей на спрэд палладия переменной на 5% уровне значимости, в среднем и при прочих равных условиях, являются активы банка. Этот фактор имеет положительный знак, что согласуется с логикой влияния фактора на спрэд ОМС. При этом значимость активов оказалась на таком же уровне, что и у серебра, меньше чем уровень значимости у золота и платины.

Таблица 7

Результаты моделей для спрэда по ОМС палладия

Robust standard errors in parentheses: *** p<0.01, ** p<0.05, * p<0.1

Значимость краткосрочной и долгосрочной волатильности палладия, тоже не была выявлена на рассмотренных данных, как и влияние прибыли банка.

В модели со случайными эффектами значимой переменной на 1% уровне значимости, в среднем и при прочих равных условиях, оказалась доля государственного участия, которая является дамми-переменной. Такое влияние можно проинтерпретировать следующим образом: банки, в которых контрольный пакет акций принадлежит государству, могут позволить себе увеличивать спрэд, не опасаясь за стабильность своих активов. Константа также оказалась значима на 1% уровне.

Тест Вальда отвергнул поставленную гипотезу, что говорит о существовании индивидуальных особенностей банков, которые необходимо учесть в исследовании.

Для построения этих моделей так же, как и для моделей по спрэду платины, было использовано меньше наблюдений (70), чем для моделей золота и серебра, что может также оказать влияние на результаты исследования.

После исследования и построения многочисленных возможных моделей, с использованием предоставленных в открытом доступе данных и информации, были получены результаты для спрэда по обезличенным металлическим счетам золота, серебра, платины и палладия, представленные в Таблице 4, в Таблице 5, в Таблице 6 и в Таблице 7. Все построенные модели оказались значимыми и адекватными. Используемый для модели с фиксированными эффектами и для сквозной регрессионной модели метод наименьших квадратов дал эффективные и состоятельные оценки. Однако, коэффициент детерминации в моделях оказался низким, что можно связать с недостаточной выборкой наблюдений и малым количеством используемых в моделях регрессоров.

Значения результатов моделей с фиксированными эффектами и сквозных регрессионных моделей, построенных для выявления детерминант спрэда по ОМС драгоценных металлов, оказались противоречивыми. Наличие тесной взаимосвязи зависимых переменных с факторами выявить не удалось, что говорит о необходимости дальнейшего исследования этой темы.

В большинстве построенных моделей из финансовых показателей значимой переменной оказались только активы банка. Доля прибыли в количестве активов банков не является значимой. Можно сделать вывод о том, что при установлении разницы между ценой продажи и ценой покупки драгоценных металлов по ОМС банки основываются на количестве активов в целом, а не на их отдельных составляющих.

Стоит лишь добавить, что банки сами устанавливают политику реализации драгоценных металлов, преследуя при этом разные цели, будь то привлечение клиентов или же увеличение прибыли при той же реализации банковских услуг/продуктов. Некоторые банки постоянно следят за изменениями официальных цен, установленных Центральным банком и корректируют свои цены покупки и продажи металлов, оставляя при этом спрэд на неизменном уровне (Альфа-банк). Другие же наоборот наблюдают не только за изменениями цен, но и учитывают какие-то политические и экономические факторы (Газпромбанк), и для них значения волатильности в отдельности не так важно.

Заключение

В работе были исследованы факторы, оказывающие влияние на разницу между ценой продажи и ценой покупки драгоценных металлов по обезличенным металлическим счетам в российских банках. Обезличенные металлические счета являются одним из способов инвестиций в драгоценные металлы, со своими преимуществами и недостатками. В отличие от вложений в слитки или инвестиционные монеты, когда у инвестора лично или в банке хранится настоящий материальный металл, при открытии ОМС драгоценный металл в действительности прописан только на бумаге. То есть вложенные в ОМС денежные средства конвертируются и считаются в граммах определенного металла. Это облегчает осуществление транзакций и делает обезличенные металлические счета более ликвидным способом вложения в металлы по сравнению с остальными. Кроме того, ОМС не облагаются НДС, как слитки из драгоценных металлов. Но у этого способа инвестирования есть свои недостатки. При получении дохода инвестору необходимо платить НДФЛ, который сейчас составляет 13%. А в случае, когда у банка отзывают лицензию, существует риск невозврата вложенных средств, так как металлические счета в отличие от вкладов не застрахованы.

В России обезличенные металлические счета приобрели известность после 2008 года, когда во всем мире произошел финансовый кризис. Люди перестали доверять национальной валюте и начали искать альтернативные способы хранения своих средств. С увеличением спроса на металлические счета все больше банков стало предлагать данную услугу. Таким образом, возникла новая область для исследований.

Как уже было сказано ранее, данное исследование уникально для России, так как существует мало работ по изучению спрэда металлических счетов, основанных на данных российских банков. Результаты данной работы могут быть полезны как для инвесторов, которые смогут более грамотно диверсифицировать свои инвестиционные портфели благодаря включению драгоценных металлов, так и для простых граждан, которые хотят сберечь свои деньги от инфляции и экономических потрясений.

Для исследования факторов, влияющих на формирование цен покупки и продажи драгоценных металлов в российских банках, в работе были построены регрессионные модели с панельными данными для каждого из драгоценных металлов в отдельности. С помощью пакета статистических программ «STATA» для каждого металла были построены модель с фиксированными индивидуальными эффектами и сквозная регрессионная модель, которая не учитывает специфику панельных данных и рассматривает все как кросс-секцию. Далее с помощью теста Вальда были выбраны лучшие из них. Для построения моделей использовались месячные данные с октября 2017 года по март 2018, так как финансовые показатели, которые были взяты для моделей, публикуются раз в месяц. В работе исследуется такой период времени, потому что многие банки не предоставляют архив данных об изменении котировок ОМС, и необходимо было собирать все данные по изменениям цен покупки и продажи драгоценных металлов в банках вручную.

Данные о ценах покупки-продажи драгоценных металлов предоставлялись сайтом «gold.investfunds.ru» и официальными сайтами банков. Данные об изменении финансовых показателей рассматриваемых банков были предоставлены на информационном портале «banki.ru» и на информационном сайте «BankoDrom.ru». Далее полученные данные были преобразованы и проанализированы с помощью пакета программ «Microsoft Office:Excel», в которой были вычислены банковские спрэды на драгоценные металлы по ОМС. С помощью данных об изменении цен на драгоценные металлы, предоставленных Центральным Банком РФ, были вычислены показатели краткосрочной и долгосрочной волатильности, с шагом расчета в 5 и 65 дней, отдельно для каждого из металлов, за каждый месяц в рассматриваемом периоде. И затем для каждого металла с помощью пакета статистических программ «STATA» строились модели с фиксированными эффектами и сквозные регрессии.

Для построения моделей были выбраны следующие переменные: активы-нетто банка, волатильность, прибыль банка, а также фиктивная переменная - доля государственного влияния. Доля государственного влияния принимает значение «1», если влияние больше 50%, и значение «0», если влияние государства на банк меньше 50%. Прибыль банка была взята в виде относительной величины, так как предполагалась ее высокая теснота связи с активами банка. При построении корреляционных матриц с использованием доли прибыли, высокой корреляционной зависимости между независимыми показателями не было обнаружено, поэтому проблемы с мультиколлинеарностью в работе не возникает.

Показатель волатильности для исследования был посчитан в двух вариантах. Опираясь на обзор литературы, эта переменная была посчитана с шагом в 5 дней, то есть краткосрочная волатильность, и с шагом в 65 дней, долгосрочная волатильность. В ходе исследования было установлено, что долгосрочная волатильность имеет более тесные связи с зависимыми переменными, чем краткосрочная волатильность, и является значительной для установления спрэда по обезличенным металлическим счетам серебра.

В конечные модели были включены активы-нетто, краткосрочная волатильность, долгосрочная волатильность, доля прибыли в активах банка, доля государственного участия и константа. Для всех драгоценных металлов в моделях с фиксированными индивидуальными эффектами оказались значимыми активы банка, но на разном уровне значимости. То есть при увеличении активов банк может позволить себе расширить спрэд, при этом снизив некоторые риски, закладываемые в спрэд, и не боясь за возникновение финансовых трудностей из-за недополученной прибыли. Это подтверждает гипотезу зависимости размера спрэда от количества активов банка.

А в сквозных регрессионных моделях на 1% уровне значимости для золота, серебра и платины и на 5% уровне значимости для палладия, в среднем и при прочих равных условиях, детерминантом разницы между ценами покупки и продажи драгоценных металлов по ОМС оказалась доля государственного участия. Такое влияние можно проинтерпретировать следующим образом: банки, в которых контрольный пакет акций принадлежит государству, могут позволить себе увеличивать спрэд, не опасаясь за стабильность своих активов.

Показатель долгосрочной волатильности оказался значимым в модели с фиксированными эффектами, построенной для спрэда по ОМС серебра. Это частично подтверждает четвертую гипотезу, в которой говорится о разном проявлении значимости волатильности у каждого металла. В результатах построенных для драгоценных металлов моделей видно, что у разных металлов знак у коэффициентов краткосрочной и долгосрочной волатильности отличается. Однако, показатели волатильности с противоречащим знаком оказались незначимыми, поэтому нельзя сделать однозначного вывода, с чем это может быть связано.

Анализируя, установленные банками, спрэды на драгоценные металлы, было замечено значительное увеличение спрэда в некоторые промежутки времени. Это может быть связано с политическими или экономическими волнениями среди населения в стране. Но этого недостаточно для подтверждения гипотезы о влиянии кризиса на увеличение спрэда по ОМС, необходимо исследовать более длительный отрезок времени.

Так как в результате исследования факторы валютного спрэда, а именно: активы банка, прибыль и доля государственного участия, которые были выделены из теоретического обзора, оказались значимыми, то гипотеза о влиянии детерминант валютного спрэда на спрэд по обезличенным металлическим счетам подтверждается.

Подводя итоги исследования, можно сделать вывод о том, что в большинстве случаев маленькие банки устанавливают маленькую разницу между ценой покупки и ценой продажи на металлы по ОМС, а большие банки - большую. Но не стоит руководствоваться только размером спрэда при выборе в каком банке будет выгоднее открыть ОМС, следует также учитывать и другие факторы: насколько банк стабилен и надежен, какая в данный момент обстановка в стране и мире и так далее.

Стоит также отметить, что рассмотренные в исследовании драгоценные металлы отличаются по своим характеристикам и полученные результаты это подтверждают. Не стоит одинаково оценивать золото, серебро, платину и палладий. У каждого из этих металлов существует свой спрос и свои индивидуальные особенности, влияющие на колебания цен.

В процессе работы над исследованием возникли некоторые ограничения и трудности. Основное ограничение, которое возникло во время исследования и построения моделей, было связанно с недостаточным объемом информации, собираемой по четырем драгоценным металлам (золото, серебро, платина и палладий) из 17 российских банков. Именно по такому количеству коммерческих банков в стране, которые предлагают возможность открытия обезличенных металлических счетов, доступна информация об изменении котировок. Возникновение ограничений связано с отсутствием архивных данных об изменениях цен покупки и продажи драгоценных металлов в течение длительного периода времени во всех банках, где можно открыть обезличенные металлические счета. Таким образом, все данные собирались вручную, и поэтому для исследования был взят небольшой период, с октября 2017 года по апрель 2018 года.

Необходимо продолжить собирать данные об изменении котировок ОМС, чтобы в дальнейшем можно было лучше исследовать влияние краткосрочной и долгосрочной волатильности на спрэд, а также изучить влияние кризисов. Увеличение рассматриваемого периода времени может значительно улучшить качество моделей. Стоит также рассмотреть дополнительное включение в модель других финансовых показателей банка в частности и некоторых факторов международного рынка драгоценных металлов в целом.

Данная область исследований о драгоценных металлах еще недостаточно хорошо изучена, поэтому продолжение исследования можно развивать в разных направлениях, в зависимости от спроса со стороны простых потребителей банковских услуг и инвесторов и интереса со стороны самих банков.

Список литературы

1. Анализ панельных данных: Панельные данные и их преимущества // Информационный сайт «Студми» учебные материалы для студентов. 2013-2018. [Электронный ресурс]

2. Банки с государственным участием: список 2018 // Банковский портал «Единый банк». 2018. [Электронный ресурс]

3.Гисин В., Ярыгина И. Управление финансовыми рисками: теория и практика // Вестник Института экономики Российской академии наук. 2014. Vol.1. P. 85-101

4. Информационно-Технический Центр РДМК (Рынок драгоценных металлов и камней), 1999-2000. [Электронный ресурс]

5. Потиенко, Л.И., Ниязова, М.В., редактор: Моисеева, Л.В. 2001. Валютный рынок (Учебное пособие). [Электронный ресурс]

6. Ратникова Т.А. 2004. Анализ панельных данных в пакете «STATA». Методические указания к компьютерному практикуму по курсу “Эконометрический анализ панельных данных” ГУ ВШЭ.

7. Рынок драгоценных металлов как часть мирового финансового рынка // Информационный сайт «GLOBFIN.RU», 2002-2014. [Электронный ресурс]

8. Рынок драгоценных металлов. Краткий обзор современного рынка драгоценных металлов // ПАО Сбербанк, 1997--2017. [Электронный ресурс]

9. Adrangi, B., Chatrath, A., & Raffiee, K. Economic activity, inflation, and hedging: The case of gold and silver investments // The Journal of Wealth Management. 2003. 6(2), 60-77.

10. Averbury, L. A short history of coins and currency // London: John Murray. 1903.

11. Batten J.A., Ciner C., Lucey B.M. The macroeconomic determinants of volatility in precious metals markets // Resources Policy. June 2010. Vol.35, Issue 2, 65-71

12. Batten, J. A., Ciner, C., & Lucey, B. M. Which precious metals spill over on which, when and why? // Some evidence. Applied Economics Letters. 2014. No. 22, 466-473.

13. Batten, J. A., Lucey, B.M., & Peat, M. Gold and silver manipulation: What can be empirically verified? // Economic Modelling. 2016. No. 56, 168-176.

14. Booth, L.D., Bid-ask spreads in the market for forward exchange // J. Int. Money Finance. 1984. No. 3, 209-222.

15. Capie, F., Mills, T.C., Wood, G. Gold as a hedge against the dollar // Journal of International Financial Markets Institutions and Money. 2005..No. 15(4), 343-352.

16. Christie-David, R. A. Chaudhry, M., & Koch, T. W. Do macroeconomics news releases affect gold and silver prices? // Journal of Economics and Business. 2000. No. 52(5), 405-421.

17. Frenkel J. A. and Levich R. M. Covered Interest Arbitrage: Unexploited Profits?,// Journal of Political Economy 83, no. 2 (Apr., 1975): 325-338.

18. Ghosh, D., Levin, E. J., Macmillan, P., &Wright, R. E. Gold as an inflation hedge? // Studies in Economics and Finance (Charlotte, NC). 2004. No. 22, 1-25.

19. Glassman, D. Exchange rate risk and transactions costs: Evidence from bid-ask spreads // J. Int. Money Finance. 1987. No. 6, 479-490.

20. Gold Field Mineral Services Ltd // GFMS platinum & palladium survey. 2015.

21. Hammoudeh, S. M., Yuan, Y., McAleer, M., Thompson, M. A. Precious metals-exchange rate volatility transmissions and hedging strategies // International Review of Economics & Finance. October 2010. Vol. 19, Issue 4, 633-647.

22. Huang, R.D., Stoll, H.R. The components of the bid-ask spread: A general approach. Rev. Financ. Stud. 1997. No. 10, 995-1034.

23. Laulajainen, R. Gold price round the clock // Resources Policy. 1990. No. 16, 143-152.

24. Lucey, B. M., Larkin, C., & O'Connor, F. A. London or New York: Where and when does the gold price originate? // Applied Economics Letters. 2013. 20, 813-817.

25. McDonald, D., & Hunt, L. B. A history of platinum and its allied metals // Johnson Matthey Plc.. 1982.

26. Mills, T.C. Statistical analysis of daily gold price data // Physica A. 2004. No. 338 (3-4), 559-566.

27. O'Connor, F. A., Lucey, B. M., Batten, J. A., Baur D. G. The financial economics of gold -- A survey // International Review of Financial Analysis. 2015. No. 41, 186-205.

28. Pukthuanthong K., Roll R. Gold and the Dollar (and the Euro, Pound, and Yen) // Journal of Banking & Finance, 2011. No. 35, 2070-2083.

29. Radetzki, M. Precious metals -- The fundamental determinants of their price behavior // Resources Policy. 1989. 15(3), 194-208.

30. Shafiee, S., Topal, E. An overview of global gold market and gold price forecasting // Resources Policy. 2010. №35, 178-189.

31. Taylor, N. J. Precious metals and inflation // Applied Financial Economics, 1998. No. 8(2), 201-210.

32. Vigne, S. A., Lucey, B. M., O'Connor, F. A., Yarovaya, L. The financial economics of white precious metals -- A survey // International Review of Financial Analysis 2017. No. 52, 292-308.

33. Worthington, A. C., & Pahlavani, M. Gold investment as an inflationary hedge: Cointegration evidence with allowance for endogenous structural breaks // Applied Financial Economics Letters. 2007. No.3, 259-262.

Приложение 1

Названия банков

Таблица 8

Кодировка названий банков

Приложение 2

Таблица 9

Корреляционная матрица показателей

Таблица 10

Корреляция с использованием коэф. корреляции Спирмена

Размещено на Allbest.ru