Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет Бизнес-Информатики

Выявления влияния утечек информации на финансовую стабильность компании

Савельев Егор Олегович

Москва 2018



ОГЛАВЛЕНИЕ

• ВВЕДЕНИЕ
• ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ
• 1.1 ОБЗОР МЕТОДОЛОГИЙ ВЫЯВЛЕНИЯ И ИЗМЕРЕНИЯ УЩЕРБА ОТ УТЕЧЕК ДАННЫХ
• 1.2 МЕТОДОЛОГИЯ СОБЫТИЙНОГО АНАЛИЗА
• ГЛАВА 2 РАЗРАБОТКА МОДЕЛИ ДЛЯ ОЦЕНКИ ВЛИЯНИЯ УТЕЧЕК ДАННЫХ НА ЦЕНУ АКЦИЙ
• 2.1 ОПИСАНИЕ ИСПОЛЬЗОВАННЫХ ДАННЫХ
• 2.2 ФОРМИРОВАНИЕ ПАРАМЕТРОВ МОДЕЛИ И ГИПОТЕЗ
• 2.3 МЕТОДОЛОГИЯ ПРОВЕДЕНИЯ РАСЧЕТОВ
• ГЛАВА 3 ИНТЕРПРЕТАЦИЯ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ
• утечка информация финансовый стабильность


ВВЕДЕНИЕ

В современном мире вопрос влияния утечек информации на финансовую стабильность компаний приобретает все большее значение. Информация становится критически важным ресурсом для большинства компаний. Защита внутренней информации компании и данных ее клиентов становится одной из приоритетных задач для бизнеса. Утечки информации влекут за собой правовые риски в виде штрафов за недостаточную защищенность данных, конкурентные риски для компаний, в случае, если утерянная информация представляет собой конкурентное преимущество, а также, в зависимости от масштаба утечки данных способны, как нанести значительный финансовый и репутационный ущерб компании, так и привести ее к неспособности более продолжать свою деятельность. Вопрос о влиянии утечек на цену акций становится ключевым, его изучение позволит отразить результат утечек данных на рыночную капитализацию компаний.

В информационной безопасности остро стоит проблема обоснования необходимости вложений в обеспечение информационной безопасности. Так согласно опросу IT Security Trends, проведённому институтом SANS в 2016 году, большинство специалистов по информационной безопасности имеют трудности при обосновании получаемых выгод от вложений в информационную безопасность относительно затрачиваемых денег. Только 12% опрошенных применяют снижение затрат и убытков как индикатор для обоснования целесообразности вложений. Это происходит, как из-за наличия множества методик оценки, которые нередко конфликтуют между собой, так и из-за сложности и отсутствия понимания, как их использовать. Сотрудники, которые отвечают за информационную безопасность в компании, а также компании, занимающиеся производством и продажей соответствующих продуктов и услуги, испытывают сложности в обосновании необходимости вложений с экономической точки зрения и склонны аргументировать свои решения требованиями закона, повышением эффективности работы системы или иными показателями, не связанными с экономической выгодой для компании.

Данное исследование поможет компаниям лучше оценивать возможный ущерб и требуемый уровень защищенности, что приведет к повышению внутренних вложений в обеспечение информационной безопасности в компаниях и усилению информационной безопасности.

Влияние, оказываемое утечкой данных на цену акций компании, остается недостаточно изученным. На данный момент не представляется возможным точное прогнозирование, какое влияние окажет утечка данных на цену акций разных компаний, от чего оно зависит и как изменяется данное влияние с течением времени, увеличивается ли негативный эффект вместе с изменением той роли, которую играет информация в жизни людей или остается неизменным. Проведенные по данной проблематике исследования имеют разные результаты и отсутствует однозначное понимание оказываемого влияния. Исследование данного влияния позволит лучше понять, как рынок реагирует на информацию об утечке, меняется ли данное воздействие в зависимости от отрасли экономики и измерить данное влияние. Также, посредством сравнения полученных результатов с более ранними работами, появится возможность оценить, изменилось ли данное влияние со временем.

Работа состоит из следующих глав:

Глава 1 Обзор литературы

В этой главе проводится анализ, систематизация и выявление наиболее подходящей теоретической базы для проводимого исследования. Рассматриваются существующие методологии выявления и измерения ущерба от утечек информации. Отдельно рассматривается методология событийного анализа (event-study methodology).

Глава 2 Разработка модели для оценки влияния утечек данных на цену акций

Глава содержит информацию об использованных данных, об ограничениях и предположениях, использованных при анализе. Формируются параметры модели и гипотезы исследования, приводится методология оценки показателей и расчета для модели оценки изменения цены акций и измерения влияния утечек данных на цену акций.

Глава 3 Полученные результаты

В данной главе описываются полученные результаты и проводится их интерпретация. Производится сравнение с результатами, полученными в более ранних работах.

Список использованных источников

Список использованных источников содержит сведения об актуальных исследованиях и статьях по оценке влияния различных событий на цену акций.

Объект исследования - чувствительность изменения цены акций в ответ на информацию о произошедшей утечке данных

Предмет исследования - реакция участников фондового рынка на объявления об утечке данных

Цель данного исследования - выявление и количественное измерение влияния объявлений об утечке данных публичными компаниями на цену акций данных компаний на фондовом рынке, сравнительный анализ эффекта в разных отраслях экономики

Практическим результатом исследования является разработка модели для оценки влияния утечек данных, количественное измерение данного влияния, анализ факторов, оказывающих влияние и тенденций в изменении данного влияния с течением времени.

Задачи исследования:

· рассмотреть существующие научные работы и методологии, используемые для выявления влияния утечки данных на цену акций на фондовых рынках;

· выбрать наиболее подходящие методы и средства для разработки модели;

· разработать модель и собрать требуемые данные;

· получить и интерпретировать результаты при помощи разработанной модели, провести сравнение с результатами, полученными в более ранних работах по данной проблематике;

Методами исследования являются: анализ литературных источников по выбранной тематике магистерской диссертации, методология исследований событий, регрессионный анализ, методология ценообразования акций, статистический анализ.

Теоретическое значение исследования заключается в изучении реакции рынка и инвесторов на событие в виде утечки данных, разработке методологии для оценки влияния утечек данных на цену акций.



ГЛАВА 1 ОБЗОР ЛИТЕРАТУРЫ

1.1 ОБЗОР МЕТОДОЛОГИЙ ВЫЯВЛЕНИЯ И ИЗМЕРЕНИЯ УЩЕРБА ОТ УТЕЧЕК ДАННЫХ

При оценке экономической эффективности вложений в информационную безопасность компаний, принято рассчитывать возможный ущерб от инцидентов информационной безопасности и его снижение от используемых средств обеспечения информационной безопасности. Существующие методики оценки ущерба фокусируются на измерении возможного ущерба от угроз информационной безопасности, который могут понести активы компаний и, как правило, не рассматривают цену акций, как ценный актив, подверженный угрозам.

Так одна из ведущих компаний по обучению специалистов по информационной безопасности, ISC² предлагает использование показателя ALE (Annual Loss Expectancy) - ожидаемого ущерба за год в своем руководстве для профессионалов по информационной безопасности, CISSP-ISSMP. Согласно методике, предложенной данной компанией для расчета предлагается сначала произвести расчет ARO (Annual Rate of Occurrence) - частоту происхождения инцидентов за год, а затем произвести расчет ALE, посредством умножения ожидаемых потерь, SLE (Single Loss Expectancy) от инцидента определенного типа на частоту его происхождения, ARO. В свою очередь SLE представляет собой произведение стоимости актива, AV (Asset Value) на его подверженность возможному ущербу, EF (Exposure Factor). Такой же подход для измерения возможного ущерба рекомендуется к использованию Европейским Агентством по Безопасности Информации и Сетей, ENISA в методологии ROSI - Return on Security Investments (Окупаемость Вложений в Безопасность). При использовании методики ALE очевидна сложность учета нематериальных активов, таких как информация, репутация, акции компании ввиду отсутствия устоявшейся практики по оценке, как стоимости данных активов, так и их подверженности тем или иным угрозам информационной безопасности. В следствие этого, получаемые при таком расчете оценки возможных потерь зачастую не учитывают потери, выраженные в снижении капитализации компании, по рыночной оценке, вызванные снижением цены акций в результате реакции рынка на новости об утечке информации. В случае же, если цены акций будут учтены, как один из активов, в виде рыночной капитализации компании, то остается открытым вопросом измерения EF, уровня подверженности данного актива угрозам информационной безопасности. Разработка методологии по оценке влияния и измерению подверженности акций угрозам информационной безопасности позволит в дальнейшем применять данную методологию при оценке экономической эффективности вложений в информационную безопасность.

Задача анализа влияния утечки данных на цену акций является нетривиальной для решения. Цена акций является крайне волатильным показателем и с трудом поддается анализу и прогнозированию ввиду множества факторов, которые оказывают влияние. В следствие этого, для проведения исследования, было принято решение оценивать реакцию рынка, как сверхдоходность (abnormal return) на фондовом рынке, выраженную в разнице между требуемой доходностью акции и фактической, которая имела место в временной период после публичного объявления компанией об утечке.

Данное исследование строится на гипотезе, предложенной Ю. Фама о средней эффективности фондового рынка - фондовый рынок реагирует на информацию о новых событиях, связанных с ценными бумагами, посредством изменения цены данных бумаг.

Для анализа влияния объявления об утечке данных на изменение цены акций было принято решение использовать методологию событийного анализа (event-study) ввиду наилучшего соответствия поставленным в работе целям и использования данного метода другими исследователями по данной проблематике, чьи работы описаны ниже. Метод событийного анализа был разработан Ю. Фама в 1969 году и показал свою эффективность в оценке изменения цен акций на новую информацию. Методология событийного анализа представляет собой статистический метод эмпирического анализа взаимосвязи между событиями и ценами акций. Эффективность данной методологии заключается в возможности количественной оценки влияния аномального поведения рынка, то есть изменения цены выше нормальной доходности, в заданный период времени на капитализацию компаний и цену акций.

Применительно к информационных технологиям данная методология была применена впервые исследователем Dos Santos в исследовании 1993 года по изучению влияния объявлений об инвестициях в информационные технологии на рыночную стоимость компании. Позднее, в 2000-х годах данная методология получила активное распространение в сферах информационной безопасности и информационных технологий при оценке влияния событий на цену акций. Так Subramani и др. и в 2001 году изучили влияние различных объявлений о вложениях компаний в электронную торговлю на рынки капитала, а в 2002 году Huseyin Cavusoglu и др. провели первое исследование по влиянию объявлений о нарушении информационной безопасности на рыночную стоимость пострадавших фирм. В своей работе они измерили среднее снижении рыночной капитализации для обычных компаний в течение двух дней после нарушения, которое составило 2,092% и рост рыночной капитализации для компаний разработчиков информационной безопасности, который составил 1,36%. В 2003 году Hovav и D'Arcy провели исследование влияние нарушения информационной безопасности от определенных видов атак (вирусы, черви, ДДОС-атаки) на рыночную стоимость компаний и не смогли выявить однозначно интерпретируемого влияния.

Наиболее релевантное к поставленной в работе цели исследование было впервые проведено в 2003 году K. Campbell и др. В своей статье об ущербе, наносимом ценам акций компаний при публичном объявлении о нарушении безопасности, они, среди прочего, выделили в отдельный набор данных нарушения безопасности, связанные с несанкционированным доступом к конфиденциальной информации. В результате было выявлено среднее снижение цены акций на 5% в течение 3-х дневного окна события (день до утечки, день утечки и день после утечки), взятого в случае утечки конфиденциальной информации и отсутствие влияния при других нарушениях информационной безопасности. Позднее, в 2006 году Acquisti A. et. al. (2006) провели исследование по выявлению влияния объявления об утечке персональных данных клиентов, сотрудников и партнеров компании на цену акций компании, в результате проведенного исследования по методологии событийного анализа они выявили снижение цены акций на 0,58% в 2-х дневном окне события (день утечки и день после утечки), помимо этого стоит отметить, что они впервые рассмотрели разницу во влиянии в зависимости от отрасли компании, типа персональных данных и объема утечки. Sanjay Goel и Hany A. Shawky (2008), опираясь на ранее опубликованные работы, провели исследование по оценке влияния объявлений о нарушении безопасности на рыночную стоимость публичных компаний в период 2004-2008гг. В отличие от более ранних работ, они использовали модель 3-х факторную модель Фама-Френча для нахождения прогнозных значений цены акций, используемых при расчете сверхдоходности, результате был получен результат в виде снижения стоимости компаний в среднем на 1% за день до объявления при использовании 3-х факторной модели Фама-Френча при оценке сверхдоходности. Gatzlaff et. al. (2010) провели анализ для выявлению влияния утечек персональных данных, в результате которого они обнаружили снижение цены акций на 0,46% на исследуемом периоде, а также выявили тенденцию по увеличению негативного эффекта, оказываемого объявлением об утечке информации с течением времени.

Мы разделяем мнение следующих исследователей Campbell K. (2003), Sanjay Goel (2008), Gatzlaff (2010), о том, что можно утверждать о негативном влиянии объявлений о нарушении безопасности на рыночную цену акций листинговых компаний США ввиду реакции фондового рынка после объявлений. Задача нашей работы - рассмотреть, как изменилось отношение игроков фондового рынка к утечкам данных в современном мире по сравнению с более ранними исследованиями в соответствии с гипотезой о увеличении негативного влияния объявлений об утечках данных в исследовании Gatzlaff, 2010, посредством сравнения полученных результатов с более ранними работами по данной проблематике, а также изучить разницу влияния в различных отраслях экономики и найти оптимальные параметры для методологии событийного анализа. Сравнение выполненных ранее работ приведено в Таблице №1.

Таблица 1.1. Сравнительный анализ работ

Работа	Дата публикации	Выборка	Период выборки	Окно оценивания	CAAR
Acquisti et al.	2006	79	2000-2006	2 дня	-.58%
Campbell et al.	2003	43	1995-2000	3 дня	- 5%*
Gatzlaff et al.	2010	77	2004-2006	2 дня	-.46%
Hovav et al.	2003	23	1998-2002	3 дня	незначим
Sanjay et al	2008	168	2004-2008	130 дней	-1%
Gangewere et.al	2013	335	2005-2013	3 дня	-0.49%

Примечание (*) - результат, полученный при использовании набора данных с случаями объявления об утечке конфиденциальной информации

Подводя итог рассмотрения методологий оценки возможного ущерба компаниям представляется важным заметить, что используемые специалистами по информационной безопасности оценки не учитывают возможного влияния угроз информационной безопасности на рыночную капитализацию компаний ввиду сложности оценки данного влияния. На данный момент нет однозначного мнения об эффекте, который оказывают инциденты по информационной безопасности на рыночную цену акций, а соответственно и на рыночную капитализацию, полученные в работах исследователей, имеют значительные расхождения и требуется дальнейшее изучение данной проблематики.

1.2 МЕТОДОЛОГИЯ СОБЫТИЙНОГО АНАЛИЗА

В современном мире имеется множество модификаций методологии событийного анализа, но несмотря на это, большинство работ строятся на оригинальной методологии 1968-1969гг. В данном исследовании, в соответствии с работами других исследователей по данной проблематике, также будет использована классическая методология. Алгоритм исследования по методологии событийного анализа можно разделить на следующие шаги:

1. Определение исследуемого события. Выявление условий и критериев для событий, которые будут подходить для данного исследования. Событие в данном случае будет представлять собой публичное заявление компании в средствах массовой информации, которое может оказать влияние на динамику фондового рынка.

2. Формирование основных параметров для модели, выбор окна события (event window) и окна оценивания (estimation window), установка нулевой и альтернативных гипотез, которые будут проверяться в данном исследовании. Под окном оценивания подразумевается временной промежуток, данные которого позволят наиболее эффективно предсказать нормальную доходность акций для оценки их отклонения. Окно события - временной промежуток в пределах которого событие оказывает влияние на сверхдоходность.

Выбор оптимального окна оценивания позволит наиболее точно предсказать нормальную доходность. От выбора окна события зависит значимость и количественный эффект влияния события на сверхдоходность. Выбранные параметры являются одним из факторов, который вызывает различия в результатах, полученных в ранее проведенных исследований на данную проблематику.

3. Расчет прогнозной нормальной доходности (predicted return) и сверхдоходности. Прогнозная нормальная доходность будет представлять собой доходность акций в случае отсутствия влияния события. Сверхдоходность представляет собой величину, которая рассчитывается, как разность между прогнозной нормальной доходностью и фактической доходностью.

При расчете прогнозной нормальной доходности существует несколько методов оценки. Принято выделять CAPM, модель ценообразования капитальных активов и 3-х факторную модель Фама-Френча, как две наиболее эффективные. В отличие от модели CAPM в модели Фама-Френча дополнительно используются коэффициенты SMB и HML. Данные коэффициенты отражают избыток доходности у маленьких компаний по сравнению с большими и недооцененность акций, что позволяет объяснить более 90% сверхдохода, полученного от акций в отличие от 70% в классической модели. Недостатком является снижение точности модели Фама-Френча при использовании для оценки акций компаний на фондовых рынках развивающихся стран. Выбор верной модели для прогнозирования оказывает значительное влияние, как на количественный размер эффекта, так и на точность и значимость полученного результата при оценке влияния события.

Примечание: (*) - Small [market capitalization] (**) - Minus Big, High [book-to-market ratio] Minus Low.

4. В заключительном шаге производится расчет инструментального показателя на основании которого проверяется изначально поставленные гипотезы посредством сравнения полученной статистики с критическим значением тестовой статистики.

Для проверки гипотезы существует множество методов тестирования. Их можно разделить на 2 группы: параметрические и непараметрические. Параметрические тесты базируются на гипотезе о нормальном распределении сверхдоходности акций, в то время как непараметрические тесты не требуют такого предположения. Параметрические тесты являются развитием классического тестирования по t-критерию Стьюдента. Но, в отличие от классического теста, современные тесты позволяют скорректировать ошибки прогнозирования стандартной методики. Наиболее используемые тесты среди параметрических - тест Паттеля и стандартизированный кросс-секционный тест. Среди непараметрических тестов принято выделять ранк-тест Коррадо и тест Кована. Выбор правильного теста для проверки позволяет наиболее точно оценить значимость полученной статистики для принятия решения при проверке гипотезы.



ГЛАВА 2 РАЗРАБОТКА МОДЕЛИ ДЛЯ ОЦЕНКИ ВЛИЯНИЯ УТЕЧЕК ДАННЫХ НА ЦЕНУ АКЦИЙ

2.1 ОПИСАНИЕ ИСПОЛЬЗОВАННЫХ ДАННЫХ

Исследуемая страна: для проведения анализа был выбран фондовый рынок США ввиду наибольшего количества информации о произошедших утечках и наличия данных, позволяющих эффективно оценить сверхдоходность в окне события.

Временной период: были выделены случаи утечки информации в публичных компаниях, произошедшие в период 01.01.2012 - 31.12.2017. Для каждого события были использованы данные по ценам акций за 120 дней до утечки для прогнозирования доходности в окне события и 4 дня, включая день утечки для анализа влияния, оказываемого событием на сверхдоходность.

Источники данных: в качестве источников о цене акций были выбраны 2 биржи: биржа NYSE - Нью-Йоркская фондовая биржа, NYSE является крупнейшей в мире по обороту, в ее листинг входят более 4100 компаний и биржа NASDAQ, которая отличается специализацией на высокотехнологичных компаниях, в ее листинг входят более 3200 компаний. Для расчета доходности были использованы скорректированные цены в момент закрытия торгов в целях удаления эффекта от денежных дивидендов, дивидендов по акциям и разделений акций.

Средства поиска: для выявления подходящих событий был проведен поиск по крупнейшим международным новостным изданиям: Guardian, CNN, New York Times, BBC, CNBC, CBS News, CNET, ZDNET. Для поиска были использованы ключевые слова data breach, data leak, information leak, security. В результате был выявлен 251 случай утечки данных.

Ограничения: среди выявленных событий, 213 событий было принято решение не использовать по одной или нескольким из следующих причин:

1) компания не была публичной

2) утечка произошла до листинга компании на бирже

3) нет данных по историческим ценам акций

4) компания объявила об утечке спустя более чем 1 месяц

5) иные события могли оказать значительное влияние на цену акций в исследуемом периоде

6) утечка данных составляла менее 100 тысяч записей, ввиду того что в исследовании Acquisti, 2008 было обнаружено, что при утечках данных меньшего объема не наблюдается статистически значимого эффекта на сверхдоходность.

Полный список выбранных событий прилагается в приложении А.

Рыночные коэффициенты: для расчета коэффициентов в модели Фама-Френч были использованы данные рыночных факторов фондового рынка США с официального сайта автора модели, К. Френч.

2.2 ФОРМИРОВАНИЕ ПАРАМЕТРОВ МОДЕЛИ И ГИПОТЕЗ

Согласно алгоритму применения методологии событийного анализа, первым этапом исследования является определение исследуемого события и соответствующих критериев, позволяющих его однозначно установить. В данном исследовании в качестве исследуемого события были использованы официальные заявления публичных компаний на своих вебсайтах, либо в СМИ о произошедшем факте утечки внутренних данных компании в период 2012-2016гг. Под внутренними данными имеются ввиду, как конфиденциальная информация компании, так и персональные данные ее клиентов и сотрудников.

Следующий этап - установление окна события и окна оценивания. Окно оценивания - параметр, который отвечает за временной период, используемый для оценки параметров. Выбор окна оценивания представляет собой задачу нахождения оптимального временного отрезка для прогнозирования наиболее точных значений на следующих этапах методологии. В случае использования слишком длительного, либо слишком краткосрочного окна существует риск значительного снижения точности прогнозных значений. На практике используются различные окна оценивания, от 100 до 300 дней. Наиболее часто используемый среди кратких по длительности временных отрезков - 120 дней. Данное окно оценивание было ранее использовано в работах K.Campbell[7], Subramani[30], Bharadwaj[5]. В данной работе также было решено использовать окно оценивания в 120 дней, которые закончились за 1 день до наступления события, как в целях увеличения набора компаний, которые можно будет оценивать, так и ввиду высокой волатильности цены акций ряда компаний на длительных периодах.

Окно события - следующий параметр, выбираемый на данном этапе. Окно события - параметр, отвечающий за временной период, в течение которого ожидается влияние события на цену акций на фондовых рынках. В более ранних работах были использованы окна события от 2 до 120 дней. В данном исследовании было решено использовать день утечки и 3 дня после утечки на основе анализа информации о влиянии, полученной в результате прошлых исследований по данной тематике и первичного корреляционного анализа исходных данных.

Для проведения исследования были сформулированы нулевая и альтернативные гипотезы для последующей проверки.

= объявление публичными компаниями о произошедшей утечке данных не оказывает влияния на рыночную цену акций на фондовых биржах

= объявление публичными компаниями о произошедшей утечке данных оказывает влияние на рыночную цену акций на фондовых биржах

В случае, если не будет выявлено статистически значимого влияния на цену акций, нулевая гипотеза не отвергается, в ином случае будет принята альтернативная гипотеза.

Для проверки гипотез, также, как и в более ранних работах по данной проблематике, будет использован параметрический тест по t-критерию Стьюдента. Проверка статистической значимости будет осуществляться путем сравнения тестовой статистики с критическим значением распределения Стьюдента с соответствующими данным параметрами.

Таким образом, были определены параметры, которые будут использованы для проведения исследования по методологии событийного анализа и гипотезы, проверяемые в рамках данного исследование. Далее в работе будет произведено количественное измерение влияния утечек информации по методологии событийного анализа и проверка установленных гипотез.

2.3 МЕТОДОЛОГИЯ ПРОВЕДЕНИЯ РАСЧЕТОВ

Для выявления и измерения влияния утечек информации на цену акций приступим к следующему шагу алгоритма событийного исследования. На данном этапе производится измерение сверхдоходности, накопленной сверхдоходности, производится агрегирование рассчитанных результатов и тестирование данных результатов на статистическую значимость. Первый шаг - расчет фактической доходности акций, наблюдаемый в каждый день окна события. Для выполнения данного шага были выгружены исторические цены акций для 38 выбранных событий с finance.yahoo.com. Доходность акции рассчитывалась по формуле:

, (1)

где- скорректированная цена акции в момент закрытия торгов в день t,

- скорректированная цена акции в момент закрытия торгов за 1 день до t

Для следующего шага, расчета прогнозных значений доходности, была выбрана 3-х факторная модель Фама Френча ввиду лучшей прогнозной силы на развитых рынках, позволяющую объяснить большую, по сравнению с классической CAPM моделью часть дохода [13]. При помощи данной модели была построена модель линейной регрессии цены акций. Модель имеет вид:

, (2)

r - ожидаемый уровень доходности портфеля,

где - доходность при использовании безрисковых активов,

- рыночный уровень доходности,

- расчетные коэффициенты,

-математическое ожидание ошибки регрессии,

- Small [market capitalization] Minus Big, High [book-to-market ratio] Minus Low коэффициенты, рассчитанные по историческим значениям, отражающие избыток доходности у маленьких компаний по сравнению с большими и недооцененность акций.

В качестве объясняемой переменной в регрессии были использованы исторические доходности акций, рассчитанные по формуле (1). Использованные данные рыночных коэффициентов Фама-Френча были взяты с официального сайта модели. В работе использованы коэффициенты для американского рынка, так как оцениваются доходности портфелей на американских биржах. При помощи метода наименьших квадратов производился расчет коэффициентов для прогнозирования значений на период окна события. В результате использования полученных коэффициентов для прогнозирования новых данных на основе данных Фама Френча для соответствующего периода, были получены прогнозные значения нормальной доходности. Прогнозирование производилось при помощи функции predict () в языке R. Стандартное отклонение было рассчитано при прогнозировании благодаря опции se.fit=TRUE.

В следующем шаге была найдена разность между фактической и прогнозной доходностью, сверхдоходность.

, (3)

где - сверхдоходность портфеля,

- фактическая доходность портфеля,

- рыночный уровень доходности,

- расчетные коэффициенты,

- Small [market capitalization] Minus Big, High [book-to-market ratio] Minus Low коэффициенты, рассчитанные по историческим значениям, отражающие избыток доходности у маленьких компаний по сравнению с большими и недооцененность акций.

Значение сверхдоходности, рассчитанное по формуле (3), отражает изменение доходности акций в отдельно взятый день, что не позволяет оценить эффект на всем периоде окна события. Для расчета полного эффекта была рассчитана накопленную сверхдоходность для каждой компании в пределах окна события. Накопленная сверхдоходность рассчитывалась по формуле:

, (4)

где накопленная сверхдоходность акции i,

сверхдоходность акции i в день t,

Для оценки точности полученных данных были рассчитаны: дисперсия i-й акции и накопленная дисперсию на всем периоде окна события.

Дисперсия i-й акции:

, (5)



где дисперсия акции i в день t,

стандартное отклонение спрогнозированной доходности акции, полученное при прогнозировании в R при помощи функции se.fit.

Накопленная дисперсия каждой акции:

, (6)

где накопленная дисперсия акции i,

дисперсия акции i в день t,

Ввиду использования панельных данных, для оценки накопленного эффекта по всем компаниям, было рассчитано среднее по всем акциям значение сверхдоходности.

, (7)

где накопленная сверхдоходность акции i,

количество исследуемых событий

Для тестирования гипотезы о влиянии утечек на цену акций была рассчитана средняя дисперсия:

, (8)

где накопленная дисперсия акции i,

количество исследуемых событий

Была проверена гипотеза о статистической значимости полученного результата посредством расчета тестовой статистики распределения Стьюдента как:



(9)

Проверка значимости гипотезы осуществлялась путем сравнения тестовой статистики с критическим значением распределения Стьюдента, с соответствующим данным параметрам из таблицы с соответствующими значениями данного распределения.

Для оценки влияния в разные дни была рассчитана среднюю сверхдоходность акций в день t как:

, (10)

где средняя сверхдоходность всех акций в день t,

количество исследуемых событий

сверхдоходность акции i в день t

соответствующая ей дисперсия была рассчитана, как:

, (11)

где средняя дисперсия всех акций в день t,

количество исследуемых событий

сверхдоходность акции i в день t

Проверка значимости влияния в определенный день будет происходила таким же, как и в (9) образом:

, (12)

где средняя сверхдоходность всех акций в день t,

средняя дисперсия всех акций в день t,

Для выявления разницы влияния объявлений об утечке данных на цену акций в различных отраслях, были рассчитаны частные случаи средней и накопленной сверхдоходности.

Расчет влияния объявлений об утечке данных в разных отраслях экономики проводился следующим образом:

1. Расчет накопленной сверхдоходности производился по формуле:

, (13)

где накопленная сверхдоходность акции i в отрасли т,

количество исследуемых событий.

2. Расчет накопленной дисперсии производился по формуле:

, (14)

где накопленная дисперсия акции i в отрасли т,

количество исследуемых событий

3. Проверка статистической значимости производилась посредством расчета тестовой статистики распределения Стьюдента и сравнения с соответствующим критическим значением:

(15)

4. В соответствии с формулой (10) были оценены влияния объявлений об утечках данных на цены акций в разных отраслях в разные дни события:



, (16)

гдесредняя сверхдоходность всех акций отрасли m в день t

количество исследуемых событий

сверхдоходность акции i в день t в отрасли m

5. Была рассчитана соответствующая дисперсия в каждый из дней как:

, (17)

где средняя дисперсия всех акций отрасли m в день t,

количество исследуемых событий

сверхдоходность акции i в день t в отрасли m.

6. Проверка значимости влияния в определенный день была проведена по такой же методике, как и в формуле (9):

, (18)

где средняя сверхдоходность всех акций в день t в отрасли m,

средняя дисперсия всех акций в день t в отрасли m

Описанная выше модель была реализована при помощи языка программирования R. Данный язык отличается мощным инструментарием для работы по статистической обработке данных я является свободно распространяемым программным обеспечением с открытым исходным кодом Исходный код программы, написанной в результате данного исследования можно посмотреть в Приложении Б.



ГЛАВА 3 ИНТЕРПРЕТАЦИЯ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ

В результате данного исследования, были получены следующие результаты:

Средняя накопленная сверхдоходность для всех выбранных событий, отражающее влияние на снижение цен акций в течение всего окна события:

Средняя накопленная дисперсия:

Тестовая статистика и критическое значение распределения Стьюдента:

-12.7474

Таблица 3.1 Влияние объявлений об утечке информации

		-12.7474		отвергается

Как мы можем видеть в таблице 3.1, ввиду того что полученная тестовая статистика выше критического значения, нулевая гипотеза отвергается и можно утверждать о том, что гипотеза принимается альтернативная гипотеза о влиянии утечки данных на цену акций. В соответствии с данной гипотезой мы можем утверждать, что в результате объявления публичной компанией об утечке данных, объемом более 100 тысяч записей, не позже, чем спустя месяца после произошедшей утечки, оказывает влияние в виде снижения цены акций на 1,76% в течение 4-х дней, после утечки, включая день утечки.

Рассмотрим влияние утечки данных в каждый из дней окна события. Результаты представлены в таблице 3.2.

Таблица 3.2Влияние объявлений об утечке информации в день t:

t
0	-0.00688	4.65E-07	-10.0987		отвергается
1	-0.00904	4.54E-07	-13.4258	1.687094	отвергается
2	-7.45E-05	5.10E-07	-0.10432	1.687094	не отвергается
3	-0.00162	4.82E-07	-2.33042	1.687094	отвергается

Как можно видеть в полученных результатах, в день утечки цена акций снижается на 0,6% и достигает наибольшего эффекта на следующий день после утечки в виде снижения на 0,9%. Данное наблюдение согласуется с более ранними исследованиями. Можно предположить, что это вызвано задержкой в распространении и оценке информации между всеми участниками рынка. Эффект в последующие дни составляет незначительную часть и полностью исчезает в течение недели после утечки.

Рассмотрим влияние утечек в различных отраслях экономики. Для изучения влияния в разных отраслях выбранные ранее события были разделены согласно отраслям, в которых работают компании, в которых произошла утечка информации. Затем, согласно методике, представленной в Главе 2, была рассчитана средняя кумулятивная сверхдоходность в окне события, средняя накопленная дисперсия и показатели средней сверхдоходности и дисперсии в каждый из дней окна события. Затем был произведен расчет тестовой статистики и критической статистики для тестирования на значимость согласно предложенным гипотезам.

1. ИТ отрасль

Компании, вошедшие в выборку: Apple, Blizzard Entertainment, Adobe Systems, Facebook, Kroll Background America, Yahoo Japan, AOL, eBay, Gmail, Twitch.tv. В таблице 3.3 представлены результаты, отражающие: среднюю накопленная сверхдоходность, среднюю накопленную дисперсию, тестовую статистику, критическую статистику, результаты тестирования гипотезы.



Таблица 3.3 Влияние объявлений об утечке информации в ИТ отрасли

-0.01644	3.70E-06	-8.55257	1.833113	отвергается

В таблице 3.4 представлены полученные результаты, которые отражают: среднюю накопленную сверхдоходность в день t, среднюю накопленную дисперсию в день t, тестовую статистику в день t, критическую статистику, результаты тестирования гипотезы.

Таблица 3.4 Влияние объявлений об утечке информации в ИТ отрасли в день t

t
0	-0.00587	6.59E-07	-7.23038	1.833113	отвергается
1	-0.00644	8.65E-07	-6.92623	1.833113	отвергается
2	-0.00244	9.16E-07	-2.55151	1.833113	отвергается
3	-0.00169	1.26E-06	-1.5072	1.833113	не отвергается

Полученные результаты, снижение цен акций на 1,6%, согласуются с результатом, полученным в работе Cavusoglu, 2002, где исследовались интернет-компании и был получен результат в виде снижения цены акций на 2.1% на исследуемом периоде. Можно предположить, что различия вызваны, как повышением точности, так и увеличением количества компаний, которые можно отнести к ИТ отрасли.

2. Финансовая отрасль

Компании, вошедшие в выборку: Global Payments, TD Bank, JP Morgan Chase, Equifax.

В таблице 3.5 представлены полученные результаты, которые отражают: среднюю накопленную сверхдоходность, среднюю накопленную дисперсию, тестовую статистику, критическую статистику, результаты тестирования гипотезы.

Таблица 3.5 Влияние объявлений об утечке информации в финансовой отрасли

-0.07186	2.32E-06	-47.1427	2.353363	отвергается

В таблице 3.6 представлены полученные результаты, которые отражают: среднюю накопленную сверхдоходность в день t, среднюю накопленную дисперсию в день t, тестовую статистику в день t, критическую статистику, результаты тестирования гипотезы.

Таблица 3.6 Влияние объявлений об утечке информации в финансовой отрасли в день t

t
0	-0.02034	6.19E-07	-25.8534	2.353363	отвергается
1	-0.04171	4.73E-07	-60.6764	2.353363	отвергается
2	-0.0165	5.44E-07	-22.3659	2.353363	отвергается
3	0.006688	6.88E-07	8.064032	2.353363	отвергается

Полученные результаты значительно отличаются от полной выборки, получен результат в виде снижения цены акций на 7%, более чем в 4 раза превосходит значение по всем компаниям. К сожалению, ввиду малого количества компаний в данной выборке, нельзя судить о причинах полученного результата.

3. Ритейл отрасль.

Компании, вошедшие в выборку: Barnes & Noble, Home Depot, Supervalu, Target Corporation, UPS, CVS, Natural Grocers, Walmart.

В таблице 3.7 представлены результаты, отражающие: среднюю накопленная сверхдоходность, среднюю накопленную дисперсию, тестовую статистику, критическую статистику, результаты тестирования гипотезы.



Таблица 3.7 Влияние объявлений об утечке информации в ритейл отрасли

-0.00495	1.68E-05	-1.20845	1.859548	не отвергается

В таблице 3.8 представлены полученные результаты, которые отражают: среднюю накопленную сверхдоходность в день t, среднюю накопленную дисперсию в день t, тестовую статистику в день t, критическую статистику, результаты тестирования гипотезы.

Таблица 3.8 Влияние объявлений об утечке информации в ритейл отрасли в день t

t
0	-0.00386	4.85E-06	-1.75075	1.859548	не отвергается
1	-0.00114	3.91E-06	-0.5765	1.859548	не отвергается
2	0.000932	4.17E-06	0.456244	1.859548	не отвергается
3	-0.00089	3.85E-06	-0.45197	1.859548	не отвергается

Полученный результат позволяет предположить, что ритейл отрасль наименее подвержена негативному эффекту при объявлении о произошедшей утечке информации. В результате исследования не было найдено статистически значимого эффекта на компании данной отрасли после произошедшего события. Для выявления причин данного наблюдения требуется проводить дальнейшие исследования.

4. Телекоммуникационная отрасль.

Компании, вошедшие в выборку: KT Corporation, Vodafone, T-Mobile US, Verizon Communications.

В таблице 3.9 представлены результаты, отражающие: среднюю накопленная сверхдоходность, среднюю накопленную дисперсию, тестовую статистику, критическую статистику, результаты тестирования гипотезы.

Таблица 3.9 Влияние объявлений об утечке информации в ритейл отрасли

-0.00284	7.73E-06	-1.02029	2.353363	не отвергается

В таблице 3.10 представлены полученные результаты, которые отражают: среднюю накопленную сверхдоходность в день t, среднюю накопленную дисперсию в день t, тестовую статистику в день t, критическую статистику, результаты тестирования гипотезы.

Таблица 3.10 Влияние объявлений об утечке информации в телекоммуникационной отрасли в день t

t
0	-0.00126	7.04E-07	-1.50459	2.353363	не отвергается
1	0.002705	1.02E-06	2.682863	2.353363	отвергается
2	0.001209	4.00E-06	0.604523	2.353363	не отвергается
3	-0.00549	2.01E-06	-3.87076	2.353363	отвергается

Полученный результат позволяет предположить, что телекоммуникационная отрасль также не подвержена негативному эффекту при объявлении о произошедшей утечке информации. В результате исследования не было найдено статистически значимого негативного эффекта на цену акций.



ЗАКЛЮЧЕНИЕ

Результаты, полученные в данном исследовании, позволяют утверждать о наличии негативного влияния при объявлении о произошедшей утечке информации публичными компаниями на цену их акций на фондовых рынках, что в свою очередь указывает на негативный эффект, оказываемый на рыночную капитализацию данных компаний. Полученный результат статистически значим на 95% доверительном интервале.

Рассчитанный эффект значительно выше большинства полученных результатов в более ранних работах, которые представлены в таблице 3.11. Объяснить данный результат можно несколькими факторами. Прежде всего стоит обратить внимание на изменение отношения игроков фондового рынка к утечкам информации, наблюдаемое в работе Gatzlaff (2010). В соответствии с гипотезой, предположенной в данной работе, игроки фондового рынка начали уделять большее внимание информации об утечках информации, что приводит к повышению негативного эффекта от объявлений о произошедшем событии. Значительное влияние также оказывает выбранный в данной работе набор событий. Так в данной работе рассматривался конкретный вид нарушения информационной безопасности, в отличие большинства от работ, с которыми производится сравнение. Также не анализировались случаи, где утечка составила менее 100 тысяч записей, так как в соответствии с результатами исследования Acquisti (2008), таки события не оказывают никакого влияния на цену акций ввиду незначительного объема утечки и не рассматривались случаи об объявлении утечки спустя более чем месяц, так как в ходе предварительного анализа данных, было выявлено полное отсутствие негативного эффекта при такой задержке в объявлении. Дополнительно стоит отметить, что значительное влияние оказывают параметры модели, в отличие от ряда других работ в данном исследовании не брался день до утечки, так как в ходе предварительного анализа первичных данных не было обнаружено корреляции между утечкой и изменением цены в данный день.

Таблица 3.11 Сравнительный анализ полученных результатов:

Работа	Дата публикации	Выборка	Период выборки	Окно оценивания	CAAR
Acquisti et al.	2006	79	2000-2006	2 дня	-0.58%
Campbell et al.	2003	43	1995-2000	3 дня	-5%
Gatzlaff et al.	2010	77	2004-2006	2 дня	-0.46%
Hovav et al.	2003	23	1998-2002	3 дня	незначим
Sanjay et al	2008	168	2004-2008	130 дней	-1%
Gangewere et.al	2013	335	2005-2013	3 дня	-0.49%
Данная работа	2017	38	2012-2017	4 дня	-1.76%

Результаты, полученные при анализе выборок событий, принадлежащих к различным отраслям экономики, позволяют предположить о существовании связи между отраслью и силой негативного эффекта объявлений об утечке данных. Следует отметить, что на данный момент выборка событий недостаточна, по своему объёму, чтобы утверждать об этом с высокой долей вероятности и требуется повторить данное исследование на большей выборке. Также не представляется возможным на данный момент однозначно предположить причины данной взаимосвязи. Для лучшего понимания причин, почему объявление об утечке данных оказывает разный эффект в различных отраслях экономики следует провести дополнительные исследования, где будет принято во внимание состав утерянных данных, чтобы исключить вероятность того, что эффект в большей степени зависит от вида утерянных данных, а не от отрасли.



СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Гусева Д.Е., Рогова Е.М. Оценка реакции цен акций российских компаний на информацию об инвестировании в инновационные проекты // Инновации. 2016. №3 (209). URL: https://cyberleninka.ru/article/n/otsenka-reaktsii-tsen-aktsiy-rossiyskih-kompaniy-na-informatsiyu-ob-investirovanii-v-innovatsionnye-proekty (дата обращения: 09.04.2018).

2. Малкина М.Ю., Яковлева Е.К. Анализ влияния макроэкономических и отраслевых факторов на курс акций компаний // Финансы и кредит. 2016. №44 (716). URL: https://cyberleninka.ru/article/n/analiz-vliyaniya-makroekonomicheskih-i-otraslevyh-faktorov-na-kurs-aktsiy-kompaniy (дата обращения: 09.04.2018).

3. ГОСТ Р ИСО/МЭК 13335-1 Информационная технология. Методы и средства обеспечения безопасности. Часть 1. Концепция и модели менеджмента безопасности информационных и телекоммуникационных технологий - 2006 С. 1-3

4. Acquisti A., Friedman A., Telang R. Is there a cost to privacy breaches? An event study // Twenty Seventh International Conference on Information Systems, Milwaukee 2006 and Workshop on the Economics of Information Security - 2006

5. Acquisti A., Friedmann A., Telang R., Is there a cost to privacy breaches? An Event

Study // Proceedings of the Twenty Seventh International Conference on Information Systems and Workshop on the Economics of Information Security, Milwaukee, WI, pp. 1 - 2006.

6. Bharadwaj A., Keil M. The effects of Information technology failures on the market value of firms: an empirical examination // Working paper, Emory University - 2001.

7. Bowman R. Understanding and Conducting Event Studies // Journal of Business Finance and Accounting 10, pp 561-84 - December 1983

8. Campbell K., Gordon L.A., Loeb M.P., Zhou L., The economic cost of publicly announced information security breaches: empirical evidence from the stock market, Journal of Computer Security 11 (3), pp. 431-448 - 2003. URL:// https://pdfs.semanticscholar.org/44bb/ffcb013753851e24d8fd19fa787e19be094f.pdf

9. Corrado J., Charles Event Studies: A Methodology Review // Accounting and Finance Journal №51207-234, 10.2139/ssrn.1441581 - 2010

10. Cost of Data Breach Study - Ponemon Institute LLC - 2017.[электронный ресурс] URL: // https://www-01.ibm.com/common/ssi/cgi-bin/ssialias?htmlfid=SEL03130WWEN (дата обращения: 09.02.2018).

11. Dos Santos, B. L., Peffers, D. C. and Mauer D. C. The Impact of Information Technology Investment Announcements on the Market Value of the Firm // Information Systems Research, 4, 1, pp. 1-23 - 1993.

12. Dyckman, T., Philbrick, D., & Stephan, J. A Comparison of Event Study Methodologies using Daily Stock Returns: A Simulation Approach // Journal of Accounting Research, 1-30 - 1984 URL:// http://dx.doi.org/10.2307/2490855

13. Fama, E. F. Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417. - 1970

14. Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. The Adjustment of Stock Prices to New Information // International economic review, 10(1), 1-21 - 1969 http://dx.doi.org/10.2307/2525569

15. Fama, E. F.; French, K. R. The Cross-Section of Expected Stock Returns // The Journal of Finance. 47 (2): 427 - 1992.

16. Fama, E. F. Market e?ciency, long-term returns, and behavioral ?nance - // Graduate School of Business, University of Chicago, Chicago, IL 60637, USA Received 17 March 1997; received in revised form 3 October 1997 Journal of Financial Economics 49 p. 283--306 - 1998. URL:// http://ww.e-m-h.org/Fama98.pdf

17. Gatzlaff, K. M. and McCullough, K. A. The Effect of Data Breaches on Shareholder Wealth. Risk Management and Insurance Review, 13: 61-83. doi:10.1111/j.1540-6296.2010.01178.x - 2010.

18. Gyхzх G. Using News Articles to Predict Stock Price Movements // Working Paper Department of Computer Science and Engineering, University of California, San Diego 2001, June 15, 2001 URL:// http://cseweb.ucsd.edu/~elkan/254spring01/gidofalvirep.pdf

19. Goel S., Hany A. Shawky Estimating the market impact of security breach announcements on firm values // Journal Information and Management Volume 46 Issue 7, Pages 404-410 - October, 2009 URL: // http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.456.8937&rep=rep1&type=pdf .

20. IT Security Spending Trends, SANS Institute // Сайт SANS [Электронный ресурс]. URL: https://www.sans.org/reading-room/whitepapers/analyst/security-spending-trends-36697 Дата обращения 10.01.2018)

21. Introduction to Return on Security Investment, ENISA // Сайт ENISA [Электронный ресурс]. URL: https://www.enisa.europa.eu/publications/introduction-to-return-on-security-investment/at_download/fullReport (Дата обращения 10.01.2018)

22. Information Security Risk Analysis by James Maniscalchi ,17 May 2010 // Сайт digitalthreat.net [Электронный ресурс]. URL: https://web.archive.org/web/20100519131418/http://www.digitalthreat.net/2010/05/information-security-risk-analysis/ (Дата обращения 12.02.2018)

23. Hovav A., D'Arcy J. The Impact of Virus Attack Announcements on the Market Value of Firms, Information Systems Security, 13:3, 32-40 - 2006, DOI: 10.1201/1086/44530.13.3.20040701/83067.5.

24. Huseyin Cavusoglu, Birendra Mishra, Srinivasan Raghunathan The Effect of Internet Security Breach Announcements on Market Value: Capital Market Reactions for Breached Firms and Internet Security Developers // International Journal of Electronic Commerce - Fall 2004, Vol. 9, No. 1, pp. 69-104.1086-4415/2004.

25. Kothari, S. P., & Warner, J. Econometrics of Event Studies // Handbook of Empirical Corporate Finance, 1, 3-36 - 2006.

26. Kotulic A., Clark J.G., Why there aren't more information security research studies // Journal of Information and Management 41, pp. 597-607 - 2004

27. Mark S. Johnson, Min Jung Kang and Tolani Lawson Stock Price Reaction to Data Breaches // Journal of Finance Issues - 2017.

28. Masulis R.W. Does Market Structure Affect the Immediacy of Stock Price Responses to News? // Journal of Financial and Quantitative Analysis, Vol. 37, No. 4, pp. 617-648 - 2002

29. Mьller S. Significance Tests for Event Studies // веб-сайт eventstudytools.com [Электронный ресурс]. URL: https://www.eventstudytools.com/significance-tests (Дата обращения 13.02.2018)

30. Official (ISC)2® Guide to the CISSP®-ISSMP® CBK®, Second Edition May 14, 2015 by Auerbach Publications Reference - 456 Pages - 68 B/W Illustrations ISBN 9781466578951 - CAT# K16839 - 2015.

31. Schweitzer R. How do stock returns react to special events? // Publication for Federal Reserve Bank of Philadelphia - 2010. URL:// https://www.phil.frb.org/research-and-data/publications/business-review/1989/brja89rs.pdf (дата обращения: 09.02.2018).

32. Subramani, M and Walden, E., “The Impact of E-Commerce Announcements on the Market Value of Firms,” Information Systems Research, 12, 2, pp. 135-154 - 2001.

...