В отличие от авторов, исследующих феномен выборов, Алексей Горяев (2013) в одном из интервью уделяет внимание реакции общества на результаты выборов. По его словам, на демонстрации по поводу выборов, как и президентских, так и парламентских, когда в первый раз тысячи людей протестовали против фальсификаций на парламентских выборах, инвесторы отреагировали резко негативно, и на рынке наблюдалось резкое падение.

Риск нарушения территориальной целостности также рассматривается авторами как возможный повод для падения на рынке. Бюлье, Коссе и Эссадам в своей работе «Влияние политического риска на волатильность ценных бумаг» рассматривают пример Канады. Главный риск, исследуемый в данной работе - возможное отделение Квебека. При появлении новостей о процессе отделения цены падали или росли в зависимости от того, возрастала вероятность независимости Квебека или снижалась соответственно. Также авторами отмечается, что волатильность доходностей ценных бумаг зависит от подверженности отдельных компаний политическому риску, то есть от структуры активов и вовлеченности иностранных средств (Beaulieu, Cosset и Essaddam 2005) .

Авторы, анализирующие отечественный рынок ценных бумаг, называют еще одну категорию политических событий, важных для изучения в данной области: события, связанные с бизнес-средой. Так, например, Алексей Горяев и Алексей Заботкин (2006) уделяют особое внимание делу ЮКОСА, как событию повлекшему за собой значительное падение на фондовом рынке. Авторы объясняют такой эффект тем, что инвесторы отнеслись к началу уголовного преследования основных совладельцев компании как к акту проявления недоверия правительства по отношению к российскому бизнес-сектору и неэффективного вмешательства правительства для государственных компаний.

Лишь один автор - Н.А. Федотов (2009) - в своей работе обнаружил связь между влиянием террористических актов на настроение инвесторов. Однако даже в случаях самых крупных терактов падения на рынке не были значительными и не длились долго.

Анализ литературы в данной работе важен не только для того, чтобы определить какие новости могут оказывать влияние на рынок, но и для того, чтобы понять какими методами лучше пользоваться. В частности, достаточно сложным является вопрос - что брать за новостную компоненту в подобного рода исследованиях.

Нидерхоффер в своей статье «Анализ мировых событий и цен на акции» анализирует влияние заголовков новостей, появляющихся в двух основных деловых газетах Америки на фондовый рынок в период с 1950 по 1966 год. События разделены по разным группам, относительно характера события и того, является ли событие хорошим или плохим. Примерами таких событий, рассмотренных в работе, являются: блокада Кубы, убийство Кеннеди, болезни президентов и т.д. Результаты исследования показали, что зачастую значительные изменения в котировках акций могут быть следствием новостей о мировых событиях. Нидерхоффер отмечает, что в основном рынок реагирует на новости на первый или второй день (Niederhoffer, 1971).

Мичел и Малхерин в своей работе “Влияние информации, доступной публике, на рынок ценных бумаг” выявили связь между количеством новостей, появляющихся в открытом доступе и рыночной активностью. Авторы пришли к выводу, что основные макроэкономические новости незначимы в модели, при этом переменная, отвечающая за размер заголовка новости в основной бизнес-газете Нью-Йорка оказалась значима и устойчива (Mitchell, Mulherin, 1994)

Станислав Анатольев (2005) в своей работе за переменную, характеризующую политический риск берет индекс, включающий в себя политические риски, показатели рынков облигаций и фондового рынка. Автор рассматривает все политические события, происходящие в России и строит множественную регрессию, куда включает такие переменные как обменный курс доллара к рублю, золотые резервы страны, остатки на корреспондентских счетах, ставку рефинансирования, цены на нефть, индексы волатильности котировок на американском рынке, обменного курса, цен на нефть.

Непосредственно к методам новостной аналитики прибегает в своем исследовании Пол Тэтлок. Автор собирает информацию о всех новостях, получивших освещение в колонке the Wall StreetJournal за период времени с 1984 по 1999 год. С помощью компьютерной программы Тэтлок производит подсчет положительных и отрицательных коннотаций слов на основе 77 категорий, характеризующих смысловую нагрузку слов, предложенных Гарвардским психологическим словарем. На основе данных подсчетов рассчитывается оценка «пессимизм», отражающая общее настроение совокупности новостей. Исследователь приходит к выводу, что расчет подобных характеристик «настроения», преобладающего в СМИ, полезен при прогнозировании доходности. На основании чего можно сказать, что для инвестора, предпринимающего попытки по выстроению своей оптимальной торговой стратегии в соответствии с результатами новостного анализа, уместно и несложно использовать компьютерные программы для автоматической обработки данных из информационного ресурса, которому он доверяет (Tetlock, 2007).

В то же время, проанализировав литературу, можно сделать вывод, что в работе возможны определенные ограничения. В области исследований влияния политических новостей на фондовый рынок не всегда прослеживаются однозначные тенденции. Так, например, Бонфим в своей работе приходит к выводу, что, в отличие от большинства работ по данной теме, в его исследовании коэффициенты, обозначающие наличие связи между появлением в открытом доступе информации о политических событиях, в большинстве своем незначимы. Автор дает объяснение, почему не всегда людям, изучающим влияние новостей на фондовый рынок, удается проследить существенную связь между рыночной волатильностью и новостями. В первом случае причиной может быть не взятие в расчет фактора внезапности в объявлениях и новостях; во втором случае пренебрежение влиянием «сюрпризов» политики на поведение рынка в краткосрочной перспективе, данная ситуация имеет место из-за того, что условная волатильность принимается инвариантной во времени (Bonfim, 2003).

Также, так как мы рассматриваем относительно продолжительный промежуток времени и за это время в России имели место экономические кризисы, для нас важны выводы, сделанные Веронези. Автор отмечает, что в периоды рецессии денежные потоки более чувствительны к новостям и это, как правило, увеличивает волатильность цен на активы. Инвесторы рациональны, они могут предвидеть, что в периоды высокой неопределенности их ожидания будущих денежных потоков, как правило, реагируют быстрее на новости. Эта предсказуемая более высокая чувствительность к новостям имеет тенденцию увеличивать волатильность цен на активы, против чего не склонные к риску инвесторы стремятся застраховываться. Инвесторы требуют премии за риск в предчувствии более высокой волатильности доходностей, что происходит, когда они менее уверены в истинном “состоянии мира”. Когда времена спокойные, “хорошие”, плохая новость заставляет инвесторов увеличивать премию за риск на ожидаемые в будущем дивиденды, чтобы нести риск более высокой неопределенности. Как следствие такого поведения снижение цен из-за плохой новости в хорошие времена больше, чем сокращение ожидаемых будущих дивидендов. Точно так же, хорошая новость в плохие времена имеет тенденцию к увеличению ожидаемых будущих дивидендов, но это также увеличивает премию за риск, которую инвесторы требуют за удержание данного актива. Отсюда рост цен ниже, чем увеличение ожидаемых будущих дивидендов (Veronesi, 1999).

Так как в исследовании мы имеем дело в человеческим фактором, нужно также учитывать, что поведение инвесторов может быть непредсказуемо и с трудом объяснимо. Работы, посвященные изучению случаев, когда с точки зрения здравого смысла инвесторы совершают систематические ошибки, основываются на анализе реакций на новости экономического характера, но для нас, тем не менее, представляется важным учесть выводы, сделанные авторами таких исследований.

В соответствии со статьей, принадлежащей Вернеру Де Бонду и Ричарду Тэйлеру, инвесторы зачастую слишком сильно реагируют (overreact) на новости. Продемонстрировано это на случае, когда акции с низкой доходностью за трехлетний период принесли гораздо большую прибыль, чем акции, изначально с более высокой доходностью. Иными словами, цены на акции могут быть сильно завышены как следствие излишне оптимистичной реакции инвесторов на положительную новость (DeBondt, Thailer, 1984).

В то же время Барберис, Шляи?фер и Вишну приходят к выводу, что инвесторы могут не только слишком остро реагировать на новости, но и недооценивать их (underreaction). Авторы обнаруживают, что после объявления плохой новости движение котировок акций может продолжать движение в том же направлении, что и до появления в доступе новости. В случае если цена на активы падает, это падение может быть незначительно, затем, в течение нескольких месяцев цена будет продолжать снижение. Данный вывод противоречит гипотезе эффективного рынка, что новая информация немедленно отражается в цене актива. Объясняется подобное поведение «чрезмерным доверием» или «консерватизмом» (Barberis, Shleifer, andVishny,1998).

Как уже отмечалось, Российский фондовый рынок относится к развивающимся рынкам. Это наводит на мысль, что многие закономерности, наблюдаемые на рынках таких стран, как США, Великобритания, Германия могут не подтвердиться на рынках таких стран, как, например, Бразилия, Россия, Аргентина и другие. Чтобы проверить, насколько применимы выводы, сделанные авторами по фондовым рынкам развитых стран в изучении реакции рынка на новости в развивающихся странах обратимся также к работам по исследованию рынков Аргентины, Турции, Пакистана.

Исследование рынка Пакистана было проведено авторами Мустафа и Нишата. Ученые собирают данные по новостям, касающимся политических и экономических изменений, бизнес-среды. Рассматриваемый период времени с 2006 по 2011 год, так как все основные события, влияние которых было заметно на бирже имели место именно в эти годы. За новостную переменную берется разность между количеством новостей в день и скользящим средним за двадцать дней, что позволяет оценивать влияние непредвиденных событий и избежать кластеризации большого числа новостных сообщений в определенные моменты времени (например моменты спада). Регрессионный анализ показал, что информация имеет влияние на индекс фондового рынка Пакистана. При этом, лучшее объяснение движения котировок достигается при учете не только появления новостей, но и эффекта дня недели (Mustafa, Nishat, 2012).

Ондери Зимга-Муган изучают рынки Аргентины и Турции. Авторы выделяют ряд признаков, по которым можно говорить о схожести политической и экономической отраслей этих двух стран. Новостные сообщения, в которых упоминается одна из стран, собраны на основе газет WallStreetJournal, WallStreetJournalEurope, NewYorkTimes, и “Всемирного альманаха” для выделения новостей, которые могли иметь мировой эффект. На следующем этапе работы новости разделены по группам: мировые экономические, мировые политические, страновые экономические, страновые политические, страновые экономические с потенциальным мировым эффектом, страновые политические с потенциальным мировым эффектом. Таким образом, новостные переменные представляют собой количество новостей по каждой из категорий. На основе регрессионного анализа авторы приходят к следующим выводам:

- политические новости оказывают влияние на фондовые рынки обеих стран;

- страновые политические новости влияют на волатильность доходностей;

- страновые политические новости с потенциальным мировым эффектом влияют на объем торгов. В Аргентине новости такого рода приводят к снижению объема торгов, в Турции же, напротив, к повышению.

- страновые экономические не влияют на Турецкий рынок, но в Аргентине значительно увеличивает волатильность на фондовом рынке.

- мировые экономические увеличивают объемы торгов на Аргентинском фондовом рынке.

- страновые экономические с потенциальным мировым эффектом увеличивают объемы торгов на Турецком фондовом рынке

Столь разнящиеся результаты объясняются исследователями как следствие вовлеченности иностранных инвесторов в Аргентине и коинтеграция Аргентинского фондового рынка с рынками Латинской Америкии других стран (Onder,Simga-Mugan, 2006) .

2. Постановка исследовательского вопроса

Детальное изучение природы шоков и их влияние на каждый из показателей, которые определяют ситуацию на рынке, необходимо. Только измерив количественно и поняв причинно-следственные связи, можно искать пути для сглаживания таких рисков, а значит и для обеспечения более стабильной ситуации в экономике страны.

Анализ литературы показал, что данная тема изучалась многими, но попытки проанализировать влияние на российский фондовый рынок всех новостей предпринято не было, причиной тому малая применимость инструментов новостной аналитики. Именно поэтому исследовательский вопрос данной работы: как появление в открытом доступе информации о политическом, экономическом и событии относительно конкретной фирмы может влиять на движение котировок акций.

Новостная аналитика представляет собой цепь автоматизированных процессов (Сидоров, Сергушова, Чебаков, 2010). С ростом популярности данного инструмента, в мире появляется все больше провайдеров новостной и финансовой аналитики. Генерируемый ими информационный поток настолько интенсивен, что инвестору просто не представляется возможным обработать его полностью и отобрать ту часть информации, что определит его торговую стратегию.

Для достижения цели данного исследования необходимо прибегнуть к новостной аналитике, так как наша цель проанализировать информационный поток, касающийся не только отдельных новостей по компаниям, но и России в целом. Данная цель является вполне обоснованной. На сегодняшний день очень высока интенсивность новостных провайдеров, особенно в масштабах целой страны, это приводит к тому, что инвестор просто не может обработать такой информационный поток. Новости о событиях, которые потенциально могли оказать влияние на ситуацию рынке могут оказаться пропущенными, оставленными без внимания. Именно поэтому, на наш взгляд, в модели оценки влияния новостей на рынок необходимо брать взвешенный показатель, характеризующий интенсивность новости, превалирующей в анализируемый день ее возможное влияние на ожидания инвесторов.

3. Данные и методология

Для оценки зависимости между доходностями активов и появлением в доступе открытой информации о политическом, экономическом, или событии, связанным непосредственно с компанией, будет использоваться регрессионный анализ.

Так как целью работы является, в том числе, сравнение влияния одних и тех же новостей на котировки актива и на иностранном рынке и на российском - по каждой исследуемой компании будет построено по две модели: первая модель будет описывать влияние новостей на акции российской компании, торгуемые на московской бирже, вторая описывает влияние новостей на доходность депозитарных расписок, торгуемых на иностранной бирже. Выборка для каждой из модели будет представлять собой временные ряды - данные представлены в ежедневной динамике.

Как мы увидели по обзору литературы, в большинстве исследований по влиянию различных факторов на доходность активов в качестве независимых переменных рассматриваются различные экономические показатели (цены на нефть, ставка рефинансирования, индексы потребительских цен, ВВП, инфляция, прибыль компаний и т.д.). Нам же интересно в большей степени отойти от экономических факторов и сосредоточиться именно на новостных переменных по компании и общих страновых новостях, экономических и политических, которые являются общими для моделей разных стран и с эконометрической точки зрения являются контрольными переменными в модели. Мы также предполагаем, что включение контрольной переменной доходности индекса - индикатора рынка, соответствующего модели, позволяет учесть общее настроение на рынке, определяемое совокупностью различных факторов, оказывающих влияние на рынок на макро уровне.

За зависимую переменную в модели по иностранному рынку было принято решение взять доходность депозитарной расписки, торгуемой на Лондонской фондовой бирже (LSE).

Причиной выбора именно депозитарных расписок для анализа является цель в последствии проанализировать влияние новостей на доходности активов российских эмитентов как на иностранном фондовом рынке (депозитарные расписки) так и на российском (акции эмитента). Лондонская биржа была рассмотрена как наиболее интернациональная биржа Европы, исходя из чего, мы предполагаем, что инвесторы, заинтересованные в инвестициях иностранных эмитентов, обратят на нее свое внимание в большей степени, чем на какую-либо другую мировую биржу. Более того, LSE пользуется популярностью среди российских эмитентов по ряду причин, среди которых меньшие, по сравнению с Американской биржей, требования к размеру, корпоративному управлению и отчетности компании; более дешевая стоимость размещения, стабильная правовая среда; более высокая ориентированность на российские компании. На первом этапе были отобраны российские компании - эмитенты, торгующиеся на Лондонской бирже, далее были выкачены данные по котировкам компании с сайта самой биржи (www.londonstockexchange.com) и была рассчитана дневная доходность актива по формуле:

где: - доходность актива;

- цена закрытия в текущем периоде;

- цена закрытия в предыдущем периоде в момент времени (t-1).

За зависимую переменную в модели по российскому рынку было принято решение взять доходность акции, торгующейся на московской бирже. Доходность акции считалась также, как и доходность депозитарной расписки.

Следующим этапом был сбор данных по новостным переменным модели. Так как целью исследования является анализ влияния различного рода новостей, переменные по новостям были разбиты на три группы: политические новости, экономические новости, новости по конкретной компании.

Политические новости были выгружены с сайта GDELT. GDELT, по словам ее создателя, Калев Литару, является «каталогом, фиксирующим, по существу, все, что происходит на планете каждый день». База данных хранит информацию о всех политических событиях в мире с 1979 года и число таких событий уже превышает четверть миллиарда. Новостной поток формируется из десятков тысяч телепередач, радиопередач, печатных источников и интернет-ресурсов более чем на 65 языках. После сбора данных, новости разбиваются на 300 категорий и с помощью компьютерного автоматизированного метода определяется «настроение» новости, то есть анализируется отношение к событию писателя или оратора.

Как уже отмечалось, для исследования необходимо охарактеризовать новости качественно и количественно. GDELT решает эту проблему за нас и представляет все характеристики новостного сообщения в числовых показателях. Однако, анализировать такой объем информации не представляется возможным. Для решения данной проблемы можно обратиться к веб-сервису Goog leBig Query, который позволяет осуществлять интерактивный анализ больших наборов данных. Чтобы BigQuery обработал не весь массив информации, а только группу интересующих нас событий, необходимо составить запрос. Запрос был составлен на языке программирования SQL (англ. Structu redquery language -- «язык структурированных запросов»), применяемом для управления данными.

Скрипт по выкачке политических новостей представлен в Приложении 1. Чтобы выкачать все политические новости, появляющиеся в открытом доступе, мы выбрали за акторов событий (основных действующих лиц событий по кодировке GDELT) Российское правительство (“RUSGOV). Так как численность такого рода событий очень высоко, было принято решение добавить фильтр по цитируемости новости и выкачать те, которые упоминались в источниках более 100 раз. Такой фильтр позволил нам выявить новости, которые точно были замечены иностранными инвесторами и убрать «шумовые новости» которые могли пройти незамеченными. Количество новостей, выкаченных по такому фильтру, составило 688. По каждой новости была выкачена качественная характеристика.

· AVGTONE - средний “тон” всех документов содержащих одно или больше упоминаний о событии. Данный числовой показатель вычисляется автоматизированным путем и выражает отношение автора к описываемому событию, таким образом, характеризуя важность новости и ее положительный или отрицательный контекст.

· И, также, количественная характеристика - NUMMENTIONS, показатель, характеризующий число упоминаний новости в различных источниках. Множественное обращение к данному событию в одном документе также учитывается. Это можно интерпретировать как оценку «важности» события. Чем больше обсуждается событие, тем с большей вероятностью оно значимо.

События по экономическим новостям также были выкачены с ресурса GDELT с помощью Google Big Quiry и скрипта на sql. В основе запроса были выбраны следующие акторы событий: «Бизнес», «Инвесторы», «Центральный Банк». Также чтобы выбрать именно экономические новости и убрать уже и так вероятно учтенные политические, был наложен фильтр по коду события, присвоенным ресурсом - коды 0231, 0254, 0311 отвечают именно за экономические новости. По данному типу новостей были также выкачены количественная и качественная характеристики (AVGTONE, NUMMENTIONS). Скрипты приложены (Приложение 4).

Если политические и экономические новости в нашей модели являются контрольными переменными и являются общими для всех эмитентов (как страновые новости), то данные по каждой компании в отдельности представляли для нас особенный интерес, а подход к сбору данных требовался нетривиальный. Основной сложностью на данном этапе явилось то, что на основных финансовых ресурсах с данными по котировкам депозитарных расписок, торгуемым на Лондонской бирже, как правило, не представлены новости по российским эмитентам. Нашей целью было определить, какой ресурс сможет агрегировать данные, по наиболее значимым событиям, связанным с российскими эмитентами, которые появляются в открытом доступе в иностранных источниках. Таким ресурсом является сервис GoogleFinance, который предоставляет доступ к финансовой информации о большинстве транснациональных компаний. Доступна информация по котировкам и рейтинги ценных бумаг, пресс-релизы и финансовые отчёты компаний. По каждой компании отображаются результаты агрегаторов из GoogleNews. Чтобы выкачать данные по каждому из интересующих нас эмитентов был написан java - скрипт, представленный в Приложении 3.

Следующим этапом было определение «настроения» новости - аналогично с переменной Avgtone по политическим и экономическим новостям. Для данной цели все новости были обработаны вручную и было выделено три дамми переменные - если имела место положительная новость, если имела место отрицательная новость, если имела место нейтральная новость, или, иными словами, новость настроение которой невозможно однозначно определить - могла быть воспринята инвесторами как положительно так и отрицательно.

Несмотря на то, что GoogleFinance представляет достаточно исчерпывающую информацию по большинству мировых компаний, в работе присутствовало ограничение: по большинству российских эмитентов депозитарных расписок, торгуемых на Лондонской бирже, новости отсутствуют, или представлены в недостаточном для анализа количестве. Наше предположение, что в международных информационных агрегаторах новостей (по которым и представлены данные на Google Finance) отражаются только наиболее значимые новости и только по эмитентам, чьи активы наиболее ликвидны на рынке. В связи с этим, по большинству российских эмитентов, торгующихся на LSE,представлено всего несколько новостей, что не подходило для целей нашего анализа. Таким образом, нам удалось собрать полноценную выборку и построить модели по 10 компаниям: «Сбербанк», «ВТБ», «Лукойл», «Роснефть», «Газпром», АФК «Система», «Группа ЛСР», «Магнит», «Фосагро», «Новатэк».

Модель по российскому рынку

stock_return=b0+b1*dpos+b2*dneg+b3*AvgtonePol+b4*NumMentionsPol+ +b5*AvgtoneEc+ b6*NumMentionsEc+return_rtsi

Зависимая переменная в модели по российскому рынку - доходность акции компании, торгуемой на Московской бирже.

Независимые переменные:

контрольные переменные:

AvgTonePol - средний «тон» новости о политическом событии

NumMentionsPol - цитируемость новости о политическом событии

AvgtoneEc - средний «тон» новости об экономическом событии

NumMentionsEc - цитируемость новости об экономическом событии

rtsi_return - доходность индекса РТС в день новости - контрольная переменная, позволяющая включить факторы, косвенно оказывающее влияние на рынок в день новостного сообщения.

дамми переменные по новостным сообщениям, связанным с конкретной компанией:

dpos - дамми переменная, принимающая значение 1, если новость о компании положительна

dneg - дамми переменная, принимающая значение 1, если новость о компании имеет отрицательный оттенок

dneutr - дамми переменная, принимающая значение 1 , если имела место новость, настроение которой невозможно однозначно определить (могла быть воспринята инвесторами как положительно так и отрицательно).

Модель по иностранному рынку:

depreceipt_return=b0+b1*dpos+b2*dneg+b3*AvgtonePol+b4*NumMentionsPol+ +b5*AvgtoneEc+ b6*NumMentionsEc+ftse_return

Зависимая переменная - доходность депозитарной расписки

Независимые переменные по новостным переменным общие с моделью по российскому рынку:

контрольные переменные

AvgTonePol - средний «тон» новости о политическом событии

NumMentionsPol - цитируемость новости о политическом событии

AvgtoneEc - средний «тон» новости об экономическом событии

NumMentionsEc - цитируемость новости об экономическом событии

ftse_return - доходность индекса FTSE100 (ведущего индекса лондонской биржи) в день новости - переменная, характеризующая превалирующее поведение рынка, позволяющая косвенно учесть факторы, не рассматриваемые в модели.

дамми переменные о новостных сообщениях, связанных с конкретной компанией:

dpos - дамми переменная, принимающая значение 1, если новость о компании положительна

dneg - дамми переменная, принимающая значение 1, если новость о компании имеет отрицательный оттенок

dneutr - дамми переменная, принимающая значение 1 , если имела место новость, настроение которой невозможно однозначно определить (могла быть воспринята инвесторами как положительно так и отрицательно).

Единственная различающаяся для моделей независимая переменная - доходность индекса РТС в случае модели по российскому рынку и индекса FTSE в случае модели по иностранному рынку.

Относительно рассматриваемых в модели переменных можно выдвинуть следующие гипотезы:

1. Главная гипотеза, которую можно выдвинуть на основании анализа литературы: политические, экономические, корпоративные новости оказывают влияние на привлекательность, и, как следствие, доходность ценных бумаг. Политические и корпоративные будут оказывать более значимое влияние на рынок чем экономические.

2. Положительные корпоративные новости будут сказываться на росте доходности, отрицательные напротив будут приводитьк снижению доходности.

3. Результаты по модели по лондонской бирже более вероятно будут устойчивы и значимы, так как выборка по новостям собрана по иностранным источникам и, следовательно, в первую очередь рассчитаны на реакцию иностранных инвесторов. Более того, ожидается, что, как отмечает большинство российских авторов, иностранные инвесторы более восприимчивы к новостным сообщениям, которые могут повлиять на фондовый рынок.

4. Чем выше средний тон новости, тем выше доходности, поскольку положительные события внушают инвесторам уверенность относительно ожидаемых денежных потоков и, как следствие, влияют на склонность инвесторов к вложению средств. Данная гипотеза основывается на гипотезе эффективного рынка.

5. Уровень цитируемости новостей отрицательно влияет на котировки акций. Гипотеза строится на предположении, что политические новости, имеющие негативную смысловую окраску, чаще освещаются и повторяются в разных ресурсах СМИ и что, в соответствии с выводами, сделанными Бондом и Тэйлером, инвесторы в таких случаях могут слишком остро реагировать на отрицательные новости, тем более в условиях нестабильной политической ситуации, характерной для России.

Рассматриваемый промежуток времени: 01.01.2016 - 14.02.2018. Выборка с учетом неторговых дней составила 535 наблюдений. Тип данных, как уже отмечалось - временные ряды. Тот факт, что мы перешли к первым разностям по переменным, представляющим собой временные ряды, позволяет технически избежать проблем автокорреляции и не стационарности.

При рассмотрении графиков поведения доходностей индекса РТС (рис. 1) и индекса FTSE 100, можно отметить, что на Лондонской бирже выше волатильность, при этом основные тренды движения доходностей примерно совпадают. Наибольшая волатильность на обоих рынках наблюдается в начале 2016 г.



Рис. 1. График доходностей индекса РТС

Рис. 2. График доходностей индекса FTSE 100

Основные описательные статистики анализируемых переменных представлены в таблице 1.

Таблица1. Описательные статистики переменных

Переменная	Описание переменной	среднее	станд. откл-е	мин	макс
NumMentionsPol	цитируемость политической новости	125	270	0	3005
AvgTonePol	"тон" политической новости	-1,6	2,42	-12	2,6
NumMentionsEc	цитируемость экономической новости	2,28	6,36	0	75
AvgToneEc	"тон" экономической новости	-0,06	1,27	-8	5,8
ftse_return	доходность индекса FTSE	0,01	0,01	-0,11	0,05
rtsi_return	доходность индекса РТС	0,01	0,01	-0,05	0,09
vtb_lse_return	доходность деп.расписки ВТБ	-0,01	0,02	-0,07	0,11
vtb_mse_return	доходность рос.акции ВТБ	-0,01	0,01	-0,06	0,09
sistema_lse_return	доходность деп.расписки Система	-0,01	0,03	-0,36	0,18
sistema_mse_return	доходность рос.акции Система	-0,01	0,03	-0,37	0,21
sber_lse_return	доходность деп.расписки Сбербанк	0,01	0,02	-0,07	0,14
sber_mse_return	доходность рос.акции Сбербанк	0,01	0,02	-0,06	0,06
rosneft_lse_return	доходность деп.расписки Роснефть	0,01	0,02	-0,05	0,11
rosneft_mse_return	доходность рос.акции Роснефть	0,01	0,02	-0,04	0,05
phosagro_lse_return	доходность деп.распискиФосагро	0,01	0,01	-0,05	0,07
phosagro_mse_return	доходность рос.акцииФосагро	-0,01	0,01	-0,06	0,05
novatek_lse_return	доходность деп.распискиНоватек	0,01	0,02	-0,07	0,12
novatek_mse_return	доходность рос.акцииНоватек	0,01	0,01	-0,05	0,05
magnit_lse_return	доходность деп.расписки Магнит	-0,01	0,02	-0,14	0,09
magnit_mse_return	доходность рос.акции Магнит	-0,01	0,02	-0,11	0,08
lukoil_lse_return	доходность деп.расписки Лукойл	0,01	0,02	-0,06	0,13
lukoil_mse_return	доходность рос.акции Лукойл	-0,01	0,01	-0,05	0,05
lsrgroup_lse_return	доходность деп.расписки ЛСР групп	0,01	0,02	-0,08	0,12
lsrgroup_mse_return	доходность рос.акции ЛСР групп	0,01	0,01	-0,06	0,04
gazprom_lse_return	доходность деп.расписки Газпром	0,01	0,02	-0,08	0,09
gazprom_mse_return	доходность рос.акцииЛгазпром	0,01	0,01	-0,06	0,05

Мы видим наибольший разброс между минимальными и максимальными значениями и высокий коэффициент вариации по показателям, отвечающим за политические и экономические новости, что наталкивает нас на мысль о возможной проблеме гетероскедастичности в моделях. Такой разброс вполне объясним - различные новости получают огласку в разной степени и с разной оценкой. Однако в работе не будет проведена чистка от выбросов (кроме как на начальном этапе, когда в скрипте был наложен фильтр), так как из-за нее были бы упущены важные новостные события.

По показателям доходности активов вариация не такая высокая, это связано с тем, что мы рассматриваем доходности депозитарных расписок и акций, а не абсолютное значение их цены. Более того, по описательным статистикам мы уже можем сделать вывод, что наибольшая волатильность характерна для активов АФК Система (на обоих рынках). Что также интересно, на лондонской бирже волатильность выше, чем на московской.

4. Описание результатов

Прежде чем строить модель, необходимо проверить нет ли между переменными линейной взаимосвязи, то есть проверить данные на наличие/отсутствие проблемы мультиколлинеарности. Для этого мы строим корреляционную матрицу для каждой модели. Более того, корреляционный анализ позволяет выявить взаимосвязи между переменными и сделать предварительные выводы по выдвинутым гипотезам. Корреляционные матрицы были построены для каждой модели в отдельности, в таблице 2 представлена одна из них. Во всех моделях отсутствует проблема мультиколлинеарности.

Таблица 2. Корреляционная матрица (SBERLSE)

	return	NumMentionsPol	AvgtonePol	NumMentionsEc	AvgtoneEc	ftse_return
return	1.000	x	x	x	x	x
NumMentionsPol	-0,02	1.000	x	x	x	x
AvgtonePol	-0,03	-0,42*	1.000	x	x	x
NumMentionsEc	-0,08***	0,01	-0,04	1.000	x	x
AvgtoneEc	0,02	0,02	0,02	-0,05	1.000	x
ftse_return	0,54*	-0,03	-0,06	-0,04	0,05	1.000

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

По разным моделям коэффициенты корреляции будут несколько разниться, все матрицы будут вынесены в приложение (приложение №3).

Корреляционный анализ частично подтверждает наши гипотезы:

- наблюдается отрицательная связь между доходностью деп. расписки и цитируемостью экономических новостей (мы изначально предполагали, что более цитируемыми являются негативные новости, следовательно отрицательная связь между цитируемостью новости и доходностью актива логична).

- Подтверждение предпосылки относительно большей цитируемости негативных новостей подтверждает значимая связь между AvgTonePolи NumMentionsPol.

- между доходностью актива и доходность индекса значимая положительная связь, что говорит о том, что котировки актива двигаются однонаправленно с рынком.



Корреляционная матрица (SBER MSE)

	return	NumMentionsPol	AvgtonePol	NumMentionsEc	AvgtoneEc	ftse_return
return	1.000	x	x	x	x	x
NumMentionsPol	0,01	1.000	x	x	x	x
AvgtonePol	-0,06	-0,37*	1.000	x	x	x
NumMentionsEc	-0,05	-0,02	0,01	1.000	x	x
AvgtoneEc	-0,01	0,03	0,02	-0,07***	1.000	x
rtsi_return	0,74*	-0,02	-0,08**	-0,08***	0,04	1.000

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

По корреляционной матрице по Московской бирже мы видимнесколько отличающиеся от Лондонской биржи результаты:

- отрицательная значимая связь между цитируемостью политической новости и ее «настроением» говорит о том, что чем более отрицательной окраской обладает новость, тем больше о ней будет упоминаний;

- такая же связь и у экономических новостей - чем более отрицательной окраской обладает новость, тем больше о ней будет упоминаний

- доходность индекса РТС и доходность акции Сбербанка двигаются однонаправленно;

- чем хуже «тон» политической новости, тем ниже индекс РТС, чем больше цитируемость экономической новости тем ниже индекс РТС.

На уровне корреляционного анализа большая часть выдвинутых нами гипотез подтверждается.

Построим модели для каждого актива, торгующегося на Лондонской и Московской биржах в отдельности, проверим результаты на состоятельность и сравним влияние одних и тех же новостей на разные рынки:



1) Банк “Сбербанк” (отрасль - банки):

SBER
LSE*	GLM,
dpos	.01023192*
dneg	-.00008796
NumMentionPol	-0,01
AvgTonePol	-.00005104
NumMentionEc	-.00022803***
AvgToneEc	-.00030436
ftse_usd_return	1.0297632*
_cons	.00187469***
Сбербанк
MSE*	GLM,
dpos	.00480232*
dneg	.00493618
NumMentionPol	2.480e-06
AvgTonePol	.00010094
NumMentionEc	-.00001076
AvgToneEc	-.00059205
rtsi_return	.81219547*
_cons	.00046277

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

При построении регрессии с временными рядами, необходимо учесть все особенности работы с данными такого рода. Первоначально важно проанализировать нет ли проблемы нестационарности, то есть проверить, обладают ли ряды постоянной средней и дисперсией и зависит ли ковариация только от временного интервала между двумя отдельными наблюдениями. Для этого в первую очередь, обратимся к графикам (приложение №1). На графиках не прослеживается ни тренда, ни сезонности по переменным представляющим собой временные ряды. Исходя из этого, можно выдвинуть гипотезу, что временные ряды стационарны. Однако, графический анализ не всегда позволяет с уверенностью сказать о стационарности ряда. Чтобы проверить нашу гипотезу, построим автокоррелограммы временных рядов (приложение №2). По автокоррелограме видно, что автокорреляция отсутствует. Дополнительно проведем тест на наличие единичных корней Дикки-Фуллера. Все значения статистики Дикки-Фуллера меньше критического значения статистики на 1%-ном уровне. Единичные корни отсутствуют. Мы подтвердили гипотезу, что временные ряды являются стационарными.

Однако график зависимой переменной указывает на возможную проблему гетероскедастичности. Проверим модель также тестом Вайта и убеждаемся в наличии гетероскедастичности. Чтобы избежать возможных отклонений мы оцениваем модель Обобщенным методом наименьших квадратов (GLS). Расчет коэффициентов регрессии с помощью с помощью метода GLS позволяет проверить нам коэффициенты полученные с помощью оценки модели методом МНК. Коэффициенты различаются незначительно, наши оценки коэффициентов являются адекватными и подходящими для заключения выводов по модели.

По построенной модели, учитывая значимость коэффициентов, мы можем сделать следующие выводы:

Появление в открытом доступе информации о положительном событии касательно Сбербанка положительно сказывается на доходности как депозитарной расписки, торгуемой на Лондонской бирже, так и на доходности акции, торгуемой на московской бирже. Чем больше цитируются новости об экономических событиях России в новостных ресурсах, тем ниже доходность депозитарной расписки Сбербанка, торгуемой на лондонской бирже.Чем выше доходность индекса FTSE100, тем выше доходность депозитарной расписки на лондонской бирже, и, соответственно, чем выше индекс РТС, тем выше доходность акции Сбербанка на московской бирже.

2) Банк «ВТБ» (отрасль - банки)

Аналогично с первыми двумя моделями проверим наши данные. Автокорреляция отсутствует, временные ряды стационарны. В модели с доходностью депозитарной расписки в качестве зависимой переменной наблюдается проблема гетероскедастичности (проверка тестом Вайта), поэтому имеет смысл также проверить полученные МНК коэффициенты Обобщенным методом наименьших квадратов (GLS). Коэффициенты полученные в результате оценки glsнезначительно отличаются от коэффициентов полученных изначально.Мы делаем вывод о состоятельности наших оценок. Данные в модели с доходностью российской акции в качестве зависимой переменной гомоскедастичны, следовательно, можно доверять нашим оценкам МНК:

ВТБ
LSE*	GLM,
dpos	.01010124*
dneg	-.01005212**
NumMentionPol	-1.514e-06
AvgTonePol	-.00006748
NumMentionEc	-.00026592**
AvgToneEc	.00045621
ftse_usd_return	.83723256*
_cons	.00017878
VTB
MSE*	МНК, R2=27%
dpos	.00422298***
dneg	.00042335
NumMentionPol	-7.001e-07
AvgTonePol	3.365e-06
NumMentionEc	-.00002187
AvgToneEc	.00010835
rtsi_return	.49165837*
_cons	-.00146254

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

По эмитенту - банку «ВТБ» обе модели значимы. Появление в открытом доступе информации о положительном событии о банке ВТБ положительно сказывается на доходности как депозитарной расписки, торгуемой на Лондонской бирже, так и на доходности акции, торгуемой на московской бирже, однако влияние на доходность депозитарной расписки больше, чем на доходность акции. На доходность депозитарной расписки оказывают влияние и негативные новостные сообщения - с появлением в доступе новости с отрицательным «тоном» доходность расписки снижается, на московской же бирже отрицательные новости о банке ВТБ не сказываются на доходности акции (переменная незначима). Цитируемость экономических новостей также отрицательно влияет на доходность расписки.

Чем выше доходность индекса FTSE100, тем выше доходность депозитарной расписки на лондонской бирже, и, соответственно, чем выше индекс РТС, тем выше доходность акции банка ВТБ на московской бирже.

3) ПАО «Новатэк» (нефтегазовая отрасль)

Автокорреляция отсутствует, временные ряды стационарны. В модели с доходностью российской акции в качестве зависимой переменной наблюдается проблема гетероскедастичности (проверка тестом Вайта), поэтому имеет смысл также проверить полученные МНК коэффициенты Обобщенным методом наименьших квадратов (GLS). Коэффициенты полученные в результате оценки glsнезначительно отличаются от коэффициентов полученных изначально. Мы делаем вывод о состоятельности наших оценок. Данные в модели с доходностью депозитарной расписки в качестве зависимой переменной гомоскедастичны, следовательно, можно доверять нашим оценкам МНК:

NVTK
LSE*	МНК, R2=22%
dpos	.00019637
dneg	.00206292
NumMentionPol	-1.791e-06
AvgTonePol	-.00028361
NumMentionEc	-.00007266
AvgToneEc	-.00045015
ftse_usd_return	.76390099*
_cons	.00082019
Новатэк
MSE*	GLM
dpos	-.00327724
dneg	.00362542
NumMentionPol	1.165e-07
AvgTonePol	.00039213
NumMentionEc	-.00002403
AvgToneEc	-.00041274
rtsi_return	.4631781*
_cons	.00078388

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

По эмитенту «Новатэк» значимы обе модели, однако ни одна из новостных переменных незначима. Мы можем сделать вывод, что инвесторы, приобретающие активы компании, не обращают внимания на российские политические и экономические новости и на корпоративные новости, попавшие в нашу выборку. Доходность индекса биржи положительно влияет на доходность актива на обоих рынках.

4) АФК «Система» (отрасль - связь и телекоммуникация)

Автокорреляция отсутствует, временные ряды стационарны. Данные в обеих моделях гомоскедастичны, оценки, полученные МНК состоятельны:

SSA
LSE*	МНК, R2=8%
cons	0,001
dpos	0,013***
dneg	- 0,019**
NumMentionsPol	0
AvgTonePol	-0,001
NumMentionsEc	-0,001
AvgToneEc	-0,001
FTSE_return	0,74*
АФК Система
MSE*	МНК, R2=7%
c	-0,001
dpos	0,01
dneg	- 0,015**
NumMentionsPol	0
AvgTonePol	0
NumMentionsEc	0,00
AvgToneEc	0
RTSI_return	0,512*

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

Обе модели по эмитенту - АФК «Система» значимы. На Лондонской бирже на доходность актива положительно влияют положительные новости и отрицательно негативные. На московской же бирже на доходность акции влияют только негативные новости (влияние отрицательное). Движение доходностей индексов обоих рынков одно направленно с движением доходностей активов.

5) ПАО «Роснефть» (нефтегазовая отрасль)

Автокорреляция отсутствует, временные ряды стационарны. В обеих моделях есть проблема гетероскедастичности (проверка тестом Вайта), поэтому имеет смысл также проверить полученные МНК коэффициенты Обобщенным методом наименьших квадратов (GLS). Для модели с доходностью депозитарной расписки в качестве зависимой переменной коэффициенты полученные в результате оценки glsнезначительно отличаются от коэффициентов полученных изначально, оценки можно считать состоятельными. Однако по модели с доходностью российской акции в качестве зависимой переменной оценки разнятся. В данном случае также уместно прибегнуть к использованию модели условной гетероскедастичности GARCH (обобщенные авторегрессионные условно гетероскедастичные модели). Идея данной модели заключается в том, что наблюдения с большими и маленькими отклонениями от средних значений имеют тенденцию к кластеризации, иначе говоря, спокойное состояние фондового рынка (период низкой дисперсии) сменяется волатильным (периодом высокой дисперсии) и наоборот. На графике доходности акции “Роснефти” можно заметить некоторую кластеризацию, поэтому мы проверим наши оценки моделью порядка(1;1), то есть значения доходности и условная дисперсия будут рассчитаны с лагом в один период. Данная спецификация модели оказалась лучше, таким образом, учтя гетероскедастичность, мы можем рассчитывать на корректные оценки:

ROSNEFT
LSE*	GLM
dpos	.00745033**
dneg	-.00693554
NumMentionPol	-1.992e-06
AvgTonePol	-.00014661
NumMentionEc	-.00012761
AvgToneEc	.00063795
ftse_usd_return	.85234063*
_cons	.00103622
ROSNEFT
MSE*	GARCH
dpos	.00415894**
dneg	-.00360935
NumMentionPol	-1.014e-06
AvgTonePol	.00013443
NumMentionEc	5.931e-06
AvgToneEc	.00002407
rtsi_return	.63978191*
_cons	-.00005861

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне

Обе модели значимы, на доходность и акции и депозитарной расписки компании «Роснефть» оказывают влияние положительные новости об эмитенте. Движение доходностей индексов обоих рынков одно направленно с движением доходностей активов.

6) ПАО "Нефтяная компания "ЛУКОЙЛ" (нефтегазовая отрасль)

Автокорреляция отсутствует, временные ряды стационарны. В модели с доходностью депозитарной расписки в качестве зависимой переменной наблюдается проблема гетероскедастичн...