Построение стратегии риск-менеджмента на основе анализа кризиса в российской экономике 2014-2015 гг.

Размещено на http://www.allbest.ru/

Содержание

Ведение

1. Теория и гипотезы

2. Методология исследования

3. Результаты

4. Обсуждение

5. Ликвидный и финансовый каналы распространения финансового заражения

6. Приложение теории финансового заражения в менеджменте

Заключение

Литература

Executive summary

Приложения



Введение

В данной работе апробирован на данных по российскому рынку индикатор кризисной ситуации в экономике, который оказывается значимым в ситуации кризиса (финансового заражения, теоретически) и незначимым в ординарной ситуации.

Целью данной работы является выявление индикатора кризисной ситуации в экономике (теоретически называемой финансовым заражением), который позволяет компании корректировать свою стратегию в период кризиса.

Задачи данной работы включают:

1. анализ динамики доходностей облигаций компаний и агрегированных показателей финансового рынка России в предкризисный и кризисный периоды времени;

2. определение момента времени, в который ситуация изменилась от ординарной к кризисной на российском рынке;

3. построение алгоритма для выбора стратегии риск-менеджмента компании.

Специфический риск, которым компания может управлять, но который, тем не менее, связан с внешними рыночными факторами, сильнее всего проявляется в период кризиса. Кризисы, которыми так богата экономическая история, представляют удобную возможность для анализа управленческих решений, которые направлены на повышение вероятности выживания компании в условиях высокого специфического риска.

Управленческие решения в области риск-менеджмента касаются всех видов деятельности компании, но, прежде всего, инвестиционной деятельности. В процессе построения стратегии риск-менеджмента компания выполняет два шага. На первом шаге необходимо оценить ситуацию (угрозу) с которой компании предстоит столкнуться (чем раньше компания «увидит» возможную угрозу, тем больше у неё будет диапазон принятия управленческих решений в случае наступления неблагоприятного события, так как она сможет лучше подготовиться заранее). На втором шаге компания выбирает тип реакции на угрозу. При этом очень важно, чтобы реакция соответствовала «своему» типу угрозы, на который она отвечает.

В данной работе предлагается алгоритм построения стратегии риск-менеджмента на основе анализа кризиса в российской экономике 2014-2015 гг.



1. Теория и гипотезы

Для того, чтобы индентифицировать ситуацию в экономике как кризисную, компании требуется индикатор, показывающий «степень опасности». Такие индикаторы многократно предлагались и апробировались эмпирически в предыдущих исследованиях.

Финансовое заражение (определение F.A. Longstaff) - ситуация на финансовом рынке, в которой происходит значительное усиление взаимосвязей между разными показателями финансового рынка после шока, который происходит в динамике одного финансового показателя (Longstaff, 2010).

Финансовое заражение не является синонимом пониятия «кризис». Финансовое заражение выражается через кризис. Поэтому, присутствие финансового заражения на рынке ещё не означает наличие кризиса в экономике, однако, оно может свидетельсвовать о возможном приближении кризиса, таким образом, быть своеобразным его индикатором. То есть, финансовое заражение может присутствовать в экономике само по себе (в слабой степени), а может и сопутствовать кризису (как предварять его, так и завершать). Сигналом для компании о том, что кризис возможен, будет финансовое заражение без наличия кризиса (три описанные случая).

Финансовое заражение передаётся от одного рынка к другому при посредстве трёх механизмов (рис. 1). Например, вывод, что шоки передаются с определённым лагом от менее ликвидных рынков ABX (кредитные дефолтные свопы, в основе которых лежат облигации) к рынкам высоколиквидных акций и казначейских облигаций, свидетельствует против информационного канала распространения финансового заражения.

Можно ожидать, что ценовые эффекты одновременны на рынках высокодиквидных акций и казначейских облигаций, если финансовое заражение распространилось через информационный канал. Поэтому результаты более соответствуют или ликвидному каналу, представленному в работах F. Allen, D. Gale, L. Kodres, M. Pritsker, M. Brunnermeier и L. Pedersen, или финансовому каналу, представленному в работах D. Vayanos, V. Acharya, L. Pedersen и F.A. Longstaff (Allen, Gale, 2000; Kodres, Pritsker, 2002; Brunnermeier, Pedersen, 2005; Vayanos, 2004; Acharya, Pedersen, 2005; Longstaff, 2008).

F.A. Longstaff использует векторную авторегрессионную модель (VAR) для оценки взаимосвязи доходностью индексов ABX и различными мерами деловой активности и ликвидности. Согласно его выводам, шоки на рынке ABX могут служить индикатором деловой активности для рынка акций, прерывания торгов на рынках фиксированной доходности и доступности краткосрочного финансирования, обеспеченного активами, в течение кризиса. Эти выводы подтверждают концепцию о том, что эффекты ликвидности на рынке оказывают важнейшее влияние на передачу финансового заражения в течение ипотечного кризиса.

F.A. Longstaff рассматривает рынок ипотечных кредитных дефолтных облигаций для описания эффекта финансового заражения в период кризиса 2008-2009 годов. В тот период наиболее сильно в США несли убытки банки и финансовые компании. В данной работе рассматривается кризис 2014-2015 гг. на примере облигаций российских компаний. Так как наиболее сильно в период кризиса 2014-2015 гг. пострадали нефтегазовые российские компании (из-за значительного снижения цен на нефть), то в данной работе рассматриваются именно они.

В период кризиса 2008-2009 гг. выпуски кредитных дефолтных облигаций, основанных на денежных потоках от портфелей ипотечных займов были главным источником кредитных убытков для многих финансовых компаний.

Гипотеза, которую выдвигает F.A. Longstaff, состоит в том, что финансовое заражение распространялось преимущественно посредством ликвидного канала и финансового канала, чем посредством информационного канала. Его исследование подтвердило эти гипотезы.

В данном случае мы предполагаем:

Гипотеза H₁: в период кризиса 2014-2015 гг. в России финансовое заражение не распространялось посредством информационного канала.

В 2014-2015 гг. в России уменьшилось количество банков, так как многие банки были закрыты по причине финансовой несостоятельности. В то же время проценты по кредитам возрастали. Поэтому,

Гипотеза H₂: в период кризиса 2014-2015 гг. в России финансовое заражение распространялось посредством ликвидного канала.

Санкции западных государств против России привели к тому, что российские компании испытывают трудности с заключением контрактов с западными партнёрами, у которых они получали не только финансирование, но и, главным образом, технологии. В то же время, по причине ослабления курса рубля относительно бивалютной корзины, для российских компаний возросла стоимость товаров и услуг, закупаемых за рубежом. Следовательно,

Гипотеза H₃: в период кризиса 2014-2015 гг. в России финансовое заражение распространялось посредством финансового канала.

Графически полная теоретическая модель представлена на рис. 2.

Рис. 2 - Теоретическая модель и гипотезы

Источник: (Longstaff, 2010)

Рис. 1 - Каналы распространения финансового заражения между различными рынками

2. Методология исследования

Данные.

В исследовании использовались временные ряды индексов облигаций российских нефтегазовых компаний, полученные в базе данных Thomson Reuters Datastream. Данные были получены ежедневно в течение периода с 1.01.2010 до 8.06.2015. Это позволило получить выборку достаточной величины (1417 наблюдений) и охватить кризисный период 2014-2015 гг. Индексы измеряются в пунктах, для каждой компании пункты для индекса её облигаций имеют разную стоимость. Для облигаций различных компаний их индекс выражен в величинах различных порядков, поэтому сравнивать индексы по абсолютной величине не даёт смысла. Но имеет смысл сопоставлять изменения (приросты) индексов. Кроме того, визуальных анализ динамики индексов позволил выделить в рассматриваемом промежутке времени три периода, которые отличаются между собой по уровню финансового заражения, что было полезно с точки зрения цели исследования для сопоставления периодов.

Для данного исследования были отобраны компании, головные офисы которых расположены в России, и которые являются самостоятельными компаниями, а не подразделениями других компаний. Были отобраны компании с различными кредитными рейтингами. Так как не каждая компания из отобранных имеет кредитный рейтинг, данный ей рейтинговым агентством Moody's и S&P, то для сопоставления компаний по кредитному рейтингу использовались кредитные рейтинги, рассчитываемые с соответствии с моделью SmartRatios, представленной в Thomson Reuters Eikon. Результаты отбора компаний для анализа представлены в Таблице 1.



Таблица 1: Российские нефтегазовые компании, отобранные для анализа

Компания	Кредитный рейтинг в соответствии с моделью Smartratios
Лукойл	A-
Сургутнефтегаз	BBB+
Татнефть	BBB-
Башнефть	B
Роснефть	B-

Источник: Thomson Reuters Datastream

Переменные

При рассмотрении графиков с данными можно выделить три периода:

1. восстановление после кризиса 2008-2009 гг.: с 2010 по 2012 гг. (520 наблюдений; рис. 3);

2. переходный период: с 2012 по 2014 гг. (520 наблюдений; рис. 4);

3. кризис: с 2014 по 2015 гг. (374 наблюдения; этот период всего 1,5 года вместо 2 лет в предыдущих двух случаях, и, насколько можно судить, равновесие, которое достигнуто в российской экономике на данный момент, достаточно хрупкое, и кризис ещё не закончился; рис. 5).



Рис. 3 - Динамика индексов облигаций российских нефтегезовых компаний, выбранных для анализа, в течение период 2010-2012 гг.: восстановление после кризиса 2008-2009 гг.



Рис. 4 - Динамика индексов облигаций российских нефтегазовых компаний, выбранных для анализа, в течение 2012-2013 гг.: переходный период



Рис. 5 - Динамика индексов облигаций российских нефтегазовых компаний, выбранных для анализа, в течение периода 2014-2015 гг.:

Однако, может быть, наличие кризиса можно было установить раньше второй половины 2014 года (когда об этом стали говорить средства массовой информации в России), например, в 2013 году? Это исследовательский вопрос данной работы. Если наличие кризиса можно было установить раньше, то, компании могли бы скорректировать свою инвестиционную стратегию с учётом этой информации (подготовиться к тому, что кризис может наступить).

Независимые переменные: доходность индексов облигаций российских нефтегазовых компаний.

Значения индексов различных компаний несопоставимы (и временные ряды, построенные на их основе, нестационарны). Поэтому, для приведения переменных к сопоставимым значениям, потребовалось получить на основе динамики индексов облигаций динамику доходностей индексов (рис. 6).

На графиках динамики доходностей индексов облигаций можно отметить, что в первом периоде в первой половине 2010 года (на этапе восстановления после кризиса 2009-2010 гг.) происходили колебания доходности индексов, в течение 2012-2013 гг. колебания были относительно умеренными (переходный этап), а во второй половине 2014 года колебания доходностей индексов облигаций были особенно сильны (этап кризиса).

Рис. 6 - Графики динамики доходностей индексов облигаций



На рис. 7 изображены графики выборочных автокорреляционных функций для переменных - доходностей индексов облигаций.

Рис. 7 - Графики автокорреляционных функций для доходностей индексов облигаций

На основе визуального анализа графиков автокорреляционных функций временных рядов можно выдвинуть гипотезу, что ряды доходностей индексов облигаций компаний не содержат автокорреляцию.

Наличие автокорреляции: тесты Breusch-Godfrey, информационные критерии Акаике, Шварца и Хеннана-Куинна

Результаты теста Breush-Godfrey для временных рядов доходностей индексов всех облигаций представлены в Таблице 2.



Таблица 2: Результаты теста Breush-Godfrey для временных рядов доходностей индексов всех облигаций

Период	2014-2015	2012-2013	2010-2011
Переменная	chi2	Prob > chi2	chi2	Prob > chi2	chi2	Prob > chi2
bashneft_return	0.371	0.8308	0.01	0.9948	0.371	0.8308
rosneft_return	1.098	0.5775	7.694	0.0213	1.098	0.5775
lukoil_return	0.648	0.7232	3.043	0.2184	0.648	0.7232
surgutneftegas_return	3.82	0.1481	4.899	0.0863	3.82	0.1481
tatneft_return	0.656	0.7204	0.282	0.8683	0.656	0.7204

На основе результатов теста Breush-Godfrey можно сделать выводы:

1. Временные ряды доходностей индексов всех облигаций в периодах 2010-2011 гг. и 2014-2015 гг. можно считать очищенными от автокорреляции;

2. В периоде 2012-2013 гг. временной ряд доходностей индекса облигаций Роснефти содержит серийную автокорреляцию.

3. На основе теста Breush-Godfrey было принято решение взять первые разности временного ряда доходностей индекса облигаций Роснефти в периоде 2012-2013 гг. Были получены следующие результаты теста Breush-Godfrey и оценки информационных критериев для временного ряда rosneft_return и Drosneft_return Здесь и далее первая заглавная буква “D” в названии переменной означает, что временной ряд построен на первых разностях соответствующего временного ряда. Например, interest - средняя процентная ставка для межбанковских займов на 0,5 года Moscow Prime Rate, Dinterest - временной ряд, построенный на первых разностях (путём дифференцирования первого порядка) временного ряда interest, DDinterest - временной ряд, построенный на вторых разностях (путём дифференцирования второго порядка) временного ряда interest. (табл. 3).



Таблица 3: Характеристики временного ряда доходностей индекса облигаций Роснефти в периоде 2012-2013 гг. и временного ряда, построенного на первых разностях временного ряда доходностей индекса облигаций Роснефти

Характеристика	rosneft_return	Drosneft_return
Breush-Godfrey Prob > chi2	0.0213	0.0213
информационный критерий Акаике (0 лагов)	-11.5348	-11.5348
информационный критерий Акаике (1 лаг)	-92.4398	-45.7975
информационный критерий Акаике (2 лага)	-92.4447	-45.805
информационный критерий Шварца (0 лагов)	-11.5184	-11.5184
информационный критерий Шварца (1 лаг)	-92.3907	-45.7484
информационный критерий Шварца (2 лага)	-92.3793	-45.7395
информационный критерий Хеннана-Куинна (0 лагов)	-11.5284	-11.5284
информационный критерий Хеннана-Куинна (1 лаг)	-92.4206	-45.7783
информационный критерий Хеннана-Куинна (2 лага)	-92.4191	-45.7793

В данном случае величины информационных критериев Акаике, Шварца и Хеннана-Куинна для 1 лага совпадают. Вывод согласно тесту Breush-Godfrey одинаков как для временного ряда доходностей индекса облигаций Роснефти, так и для временного ряда первых разностей доходностей индекса облигаций Роснефти (H₀ об отсутствии серийной корреляции во временном ряде отвергнута на основании p-value). Однако, есть отличия в величинах информационного критерия Хеннана-Куинна для 2 и 3 лагов. V. Ivanov и L. Kilian показали, что для векторных авторегрессионных моделей, информационный критерий Шварца лучше работает, по сравнению с информационными критериями Акаике и Хеннана-Куинна (Ivanov, Kilian, 2005). Согласно критерию Шварца (как и критерию Акаике и критерию Хеннана-Куинна), временной ряд доходностей индекса облигаций Роснефти больше подходит для анализа (векторная авторегрессионная модель, построенная на его основе имеет меньшее значение критерия Шварца), чем временной ряд, построенный на первых разностях доходностей индекса облигаций Роснефти в 2012-2013 гг.

Следовательно, на основе информационных критериев можно сделать вывод, что дифференцирование временного ряда доходностей индекса облигаций Роснефти в 2012 2013 гг. не требуется, так как оно не улучшит ситуацию с точки зрения автокорреляции во временном ряду.

Стационарность: тесты Дикки-Фуллера и Филлипса-Перрона

Результаты теста Дикки-Фуллера и расширенного теста Дикки-Фуллера (для количества лагов 1-6) позволили принять гипотезу о наличии стационарности во всех временных рядах. В то же время, применение слишком большого количества лагов увеличивает стандартные ошибки модели, так как увеличение числа оцениваемых параметров увеличивает число степеней свободы.

Теория Филлипса-Перрона является более обоснованной по сравнению с теорией Дикки-Фуллера, так как включает корректировки для исключения автокорреляции в остатках модели. Однако, оба подхода достаточно схожи и имеют схожую интерпретацию. Результаты анализа временных рядов на стационарность по методу Филлипса-Перрона с количеством лаговых переменных 0-6 позволили принять гипотезу о наличии стационарности во всех временных рядах.

Описательная статистика переменных представлена в Таблице 1 Приложения 2. В Таблице 1 Приложения 2 видно, что в основном во время рассматриваемого периода доходности индексов облигаций были положительными. Стандартное отклонение (являющееся мерой единичного риска) доходностей индексов облигаций было больше в 2014-2015 гг. Волатильность доходностей индексов облигаций компаний не монотонно связана с их кредитными рейтингами: доходности индекса облигаций Роснефти (кредитный рейтинг Роснефти «B-») были наименее волатильными в период 2014-2015 гг., в то время как в течение периода 2012-2013 гг. наименее волатильны были индексы облигаций Татнефти (кредитный рейтинг Татнефти «BBB-»).

В Таблице 1 Приложения 2 также видно, что корреляция между доходностями индексов была выше в 2010-2011 гг. и 2014-2015 гг. (период восстановления после кризиса и период кризиса), чем в 2012-2013 гг. (переходный период).

Зависимые переменные: (1) доходности индексов государственных и (2) корпоративных облигаций, (3) индекса акций компаний нефтегазовой отрасли ММВБ, (4) доходность фьючерсов на сырую нефть Brent на российском фондовом рынке; (5) объём торгов фьючерсами на нефть на Московской фондовой бирже; (6) сумма открытых позиций по фьючерсам на нефть на конец дня на ММВБ; (7) средняя процентная ставка для межбанковских займов на 0,5 года Moscow Prime Rate

Для зависимых переменных требуется провести те же процедуры тестирования на личие автокорреляции и стационарности, что и для независимых переменных (кроме того, так как модель является векторной авторегрессионной, то зависимая переменная в предыдущие моменты времени выступает в качестве лаговой переменной). Все рассматриваемые переменные (зависимые и независимые) представлены в Таблице 4.

Таблица 4: Обозначения переменных, используемых в работе (только оригинальных временных рядов, без дифференцирования)

Обозначение	Название
независимые
bashneft_return	доходность индекса облигаций компании Башнефть
rosneft_return	доходность индекса облигаций компании Роснефть
lukoil_return	доходность индекса облигаций компании Лукойл
surgutneftegas_return	доходность индекса облигаций компании Сургутнефтегаз
tatneft_return	доходность индекса облигаций компании Татнефть
зависимые
treasury_return	доходность индекса государственных облигаций
corporate_return	доходность индекса корпоративных облигаций
industry_return	доходность отраслевого индекса акций нефтегазовых компаний на ММВБ
futures_return	доходность фьючерсов на нефть марки Brent
open	сумма открытых позиций по фьючерсам на нефть на конец дня на ММВБ
volumes	объём торгов фьючерсами на нефть на ММВБ
interest	средняя процентная ставка для межбанковских займов на 0,5 года Moscow Prime Rate



На рис. 8 представлены графики автокорреляционных функций для доходностей индекса (1) государственных и (2) корпоративных облигаций и (3) индекса акций компаний нефтегазовой отрасли ММВБ, (4) фьючерса на нефть марки Brent, (5) объёма торгов на Московской фондовой бирже фьючерсами на нефть марки Brent и роста объёма торгов фьючерсами на нефть.

Рисунок 8 - Автокорреляционная функция доходностей индекса государственных и корпоративных облигаций, индекса акций компаний нефтегазовой отрасли ММВБ, фьючерса на нефть марки Brent, объёма и роста объёма торгов фьючерсами на сырую нефть марки Brent

Обозначения:

1 - автокорреляционная функция временного ряда доходностей индекса государственных облигаций (treasury_return);

2 - автокорреляционная функция временного ряда доходностей индекса корпоративных облигаций (corporate_return);

3 - автокорреляционная функция временного ряда доходностей индекса акций компаний нефтегазовой отрасли (industry_return);

4 - автокорреляционная функция временного ряда доходностей фьючерса на нефть марки Brent на Московской фондовой бирже (futures_return);

5 - автокорреляционная функция временного ряда объёма торгов фьючерсами на нефть марки Brent на Московской фондовой бирже (volumes);

6 - автокорреляционная функция временного ряда роста объёма торгов фьючерсами на нефть марки Brent на Московской фондовой бирже (Dvolumes).

На рис. 9 представлены графики автокорреляционных функций для временных рядов (6) суммы открытых позиций по фьючерсам на нефть на конец дня на ММВБ; роста суммы открытых позиций по фьючерсам на нефть на конец дня на ММВБ; (7) средней процентной ставки для межбанковских займов на 0,5 года Moscow Prime Rate; роста средней процентной ставки для межбанковских займов на 0,5 года Moscow Prime Rate (временной ряд, построенный на первых разностях временного ряда interest); временного ряда, построенного на вторых разностях временного ряда interest. Визуальный анализ графиков автокорреляционных функций (рис. 8, 9) позволяет выдвинуть гипотезы (Таблица 5).



Рис. 9 - Автокорреляционная функция временных рядов переменных

1 - open;

2 - Dopen;

3 - interest;

4 - Dinterest;

5 - DDinterest.



Таблица 5: Гипотезы о «наличии/отсутствии/под вопросом» автокорреляции, которые можно выдвинуть на основе анализа графиков функции автокорреляции

Переменная	Гипотеза о «наличии/отсутствии/под вопросом» автокорреляции
	2010-2011	2012-2013	2014-2015
treasury_return	отсутствие	под вопросом	отсутствие
corporate_return	наличие	наличие	наличие
industry_return	отсутствие	отсутствие	отсвутствие
futures_return	отсутствие	отсутствие	под вопросом
volumes_increase	отсутствие	отсутствие	отсутствие
volumes	наличие	наличие	наличие
open	отсутствие	наличие	наличие
Dopen	отсутствие	отсутствие	отсутствие
interest	наличие	наличие	наличие
Dinterest	наличие	отсутствие	под вопросом
DDinterest	под вопросом	отсутствие	отсутствие

Результаты теста Breush-Godfrey для временных рядов зависимых переменных представлены в Таблице 6.

Таблица 6: Результаты теста Breush-Godfrey для временных рядов (1) доходностей индексов государственных и (2) корпоративных облигаций, (3) индексов акций компаний нефтегазовой отрасли, (4) доходности фьючерсов на нефть на Московской фондовой бирже и (5) объёмов торгов фьючерсами на нефть на московской фондовой бирже, (6) открытых позиций на фьючерсы на нефть марки Brent на Московской фондовой бирже, (7) средней процентной ставки для межбанковских займов на 0,5 года Moscow Prime Rate, а также первых и вторых разностей, построенных на некоторых из этих временных рядах

Период	2014-2015	2012-2013	2010-2011
Переменная	chi2	Prob > chi2	chi2	Prob > chi2	chi2	Prob > chi2
treasury_return	1.316	0.5179	8.046	0.018	5.872	0.053
Dtreasury_return	дифференцирование не требуется	7.694	0.021	дифференцирование не требуется
DDtreasury_return		130.404	0.000
corporate_return	10.741	0.0047	5.350	0.0689	8.393	0.0150
Dcorporate_return	97.063	0.0000	дифференцирование не требуется	85.888	0.0000
industry_return	0.372	0.8303	2.336	0.3110	0.713	0.7001
futures_return	3.574	0.1674	2.959	0.2278	1.378	0.5022
volumes	323.349	0.0000	151.639	0.0000	214.454	0.0000
Dvolumes	28.636	0.0000	69.804	0.0000	56.961	0.0000
open	5.178	0.0751	0.381	0.8266	2.646	0.2663
Dopen	3.327	0.1895	0.435	0.8047	83.119	0.0000
interest	63.080	0.0000	40.598	0.0000	2.596	0.2731
Dinterest	59.170	0.0000	2.734	0.2548	0.349	0.8399
DDinterest	1.244	0.5368	110.195	0.0000	86.818	0.0000

На основе теста Breush-Godfrey можно сделать вывод, что серийная корреляция присутствует во временном ряде treasury_return на промежутке 2012-2013 гг. и отсутствует на во временном ряде treasury_return на промежутках 2010-2011 гг. и 2014-2015 гг. (это поддерживает гипотезы, выдвинутые на основе визуального анализа автокорреляционной функции временного ряда). Следовательно, необходимо дифференцирование временного ряда treasury_return 2012-2013 гг.

Как видно из Таблицы 6, после дифференцирования первого порядка временного ряда treasury_return, для полученного в результате взятия первых разностей временного ряда Dtreasury_return, p-value, согласно тесту Breush-Godfrey, возросло, однако, по-прежнему меньше 0,05 (это значит, что нет оснований для принятия гипотезы H₀ об отсутствии серийной корреляции во временном ряду Dtreasury_return). После дифференцирования второго порядка p-value, согласно тесту Breush-Godfrey, снизилось до 0.00. На основании данных результатов можно выдвинуть гипотезу о том, что для последующего анализа более всего подходит временной ряд Dtreasury_return. Необходимо провести тестирование этой гипотезы при помощи информационных критериев.

Результаты теста Breush-Godfrey для corporate_return позволяют принять гипотезу о наличии серийной корреляции во временном ряду corporate_return в периодах 2010-2011 гг. и 2014-2015 гг. и отклонить гипотезу о наличии серийной корреляции в этом временном ряду в периоде 2012-2013 гг. Однако, временные ряды Dcorporate_return в 2014-2015 гг. и 2010-2011 гг. также несвободны от автокорреляции и, более того, их p-value, согласно тесту Breush-Godfrey, ниже, чем p-value для временных рядов corporate_return в 2014-2015 гг. и 2010-2011 гг. Следовательно, предпочтительнее использовать для построения модели временные ряды corporate_return в 2010-2011 и 2014-2015 гг., чем Dcorporate_return согласно тесту Breush-Godfrey.

Для industry_return и furutes_return во всех периодах времени результаты теста Breush-Godfrey позволяют приять гипотезу о отсутствии автокорреляции во временном ряду. Также подтверждается гипотеза о наличии серийной корреляции во временных рядах volumes и Dvolumes.

Тест Breush-Godfrey показывает, что может быть принята гипотеза об отсутствии серийной корреляции для open и временного ряда Dopen в 2014-2015 и 2012-2013 годах, а также для временного ряда open - в 2010-2011 гг. В то же время, для временного ряда Dopen не может быть принята гипотеза об отсутствии серийной корреляции в периоде 2010-2011 гг.

Тест Breush-Godfrey также показывает, что для переменной interest предпочтительнее является использование первых разностей временного ряда. доходность облигация кризис финансовый

Информационные критерии Акаике, Шварца и Хеннана-Куинна.

Результаты оценки информационных критериев Акаике, Шварца и Хеннана-Куинна для временных рядов представлены в Таблице 1 Приложения 3.

На основе анализа информационных критериев можно сделать вывод, что предпочтительнее использовать для анализа временной ряд treasury_return (так как сопоставление значений информационных критериев, рассчитанных для линейных моделей, построенных по временному ряду treasury_return, а также по временным рядам Dtreasury_return и DDtreasury_return позволяют принять гипотезу о меньшей автокорреляции во временном ряду treasury_return, чем во временных рядах Dtreasury_return и DDtreasury_return).

Для corporate_return в 2010-2011 гг., согласно информационный критериям для модели линейной регрессии по временному ряду с 0 количеством лагов, лучше использовать для дальнейшего анализа временной ряд corporate_return, а согласно информационным критериям для модели линейной регрессии с 1 и 2 лагами, лучше использовать Dcorporate_return. Однако, подводя общий итог анализа временного ряда corporate_return с учётом результатов теста Breush-Godfrey, можно сделать вывод, что предпочтительнее использовать для дальнейшего анализа временной ряд corporate_return.

Для временного ряда corporate_return в 2014-2015 гг. все информационные критерии (и это совпадает с результатами теста Breush-Godfrey) показывают, что для дальнейшего анализа предпочтительнее использовать временной ряд corporate_return. Для временного ряда open в сравнении с временным рядом Dopen информационные критерии показывают, что временной ряд open предпочтительнее использовать для моделирования в периоде 2010-2011 гг. В 2012-2013 гг. результаты теста Breush-Godfrey не дают однозначного ответа на вопрос, какой именно временной ряд использовать (open или Dopen). В 2014-2015 гг. вывод однозначный: временной ряд Dopen.

Информационные критерии для временных рядов interest, Dinterest и DDinterest показывают, что предпочтительнее использовать Dinterest.

Тест Дикки-Фуллера.

Результаты теста Дикки-Фуллера для некоторых из зависимых переменных представлены в Таблице 2 Приложения 3.

Тест Дикки-Фуллера показывает, что, с точки зрения наличия автокорреляции, временной ряд Dvolumes более подходит для построения модели, чем временной ряд volumes.

Результаты теста Дикки-Фуллера и Филлипса-Перрона позволяют принять гипотезу о наличии стационарности во временных рядах treasury_return во всех периодах и временных рядах Dtreasury_return и DDtreasury_return в 2012-2013 гг., а также временных рядах futures_return во всех периодах. Следовательно, обобщив выводы по тестам на стационарность и наличие автокорреляции во временных рядах, можно в заключение сказать, что временной ряд treasury_return предпочтительнее для моделирования, чем Dtreasury_return и DDtreasury_return, а временные ряды futures_return могут быть использованы для дальнейшего моделирования.

Для временного ряда corporate_return и industry_return тесты Дикки-Фуллера и Филлипса-Перрона показывают стационарность как самих временных рядов, так и временных рядов, построенных на первых разностях. Следовательно, обобщив все результаты тестов на наличие автокорреляции и стационарность можно сделать вывод, что предпочтительнее использовать для анализа во всех трёх периодах времени временные ряды corporate_return, а не Dcorporate_return, а также что временные ряды industry_return подходят для дальнейшего анализа.

Для временного ряда volumes в периоде 2014-2015 гг. тест Дикки-Фуллера показывает следующие результаты (Таблица 2 Приложения 3), а тест Филлипса-Перрона показывает похожие результаты с результатами теста Дикки-Фуллера.

Гипотеза о наличии стационарности может быть принята только в ограниченном количестве случаев, в то время как для временного ряда, задаваемого переменной Dvolumes, она может быть принята во всех случаях.

Результаты теста Дикки-Фуллера для временного ряда open неоднозначны (Таблица 2 Приложения 3). А после дифференцирования временного ряда open и проверки по тесту Дикки-Фуллера временного ряда Dopen, гипотезу о присутствии стационарности во временном ряду Dope можно принять. В 2010-2011 гг. временной ряд суммы open, согласно гипотезе, которую можно принять на основе теста Дикки-Фуллера.

Тест Филлипса-Перрона.

То же самое было сделано для рассмотрения проверки на стационарность по методу Филлипса-Перрона. Тест Филлипса-Перрона показывает похожие результаты: в некоторых случаях для переменной volumes можно отвергнуть гипотезу о наличии стационарности. В противоположность, для переменной Dvolumes гипотеза о наличии стационарности может быть принята для всех случаев. Таким образом, тесты Дикки-Фуллера и Филлипса-Перрона на наличие стационарности во временном ряду показывают, что временной ряд Dvolumes больше подходит для моделирования, чем временной ряд volumes. Рассмотрев эти результаты совместно с результатами теста Breush-Godfrey можно сделать вывод, что временной ряд, который задаётся переменной Dvolumes (рост объёмов торгов фьючерсами на нефть на Московской бирже) лучше подходит для моделирования.

Для временных рядов, задаваемых переменной open, согласно тесту Филлипса-Перрона, можно получить неоднозначные результаты. Однако, для переменной Dopen все модели, согласно тесту Филлипса-Перрона, позволяют принять гипотезу о наличии стационарности во временном ряду.

Таблица 7: Список переменных

Обозначение	Название выбранной переменной	Переменные, которые были отвергнуты в пользу выбранной (если есть)
независимые
bashneft_return	доходность индекса облигаций компании Башнефть	нет
rosneft_return	доходность индекса облигаций компании Роснефть	нет
lukoil_return	доходность индекса облигаций компании Лукойл	нет
surgutneftegas_return	доходность индекса облигаций компании Сургутнефтегаз	нет
tatneft_return	доходность индекса облигаций компании Татнефть	нет
зависимые
Treasury return	доходность индекса государственных облигаций	Dtreasury_return, DDtreasury_return
corporate_return	доходность индекса корпоративных облигаций	Dcorporate_return
industry_return	доходность отраслевого индекса акций нефтегазовых компаний на ММВБ	нет
futures_return	доходность фьючерсов на нефть марки Brent	нет
Dvolumes	рост объёмов торгов фьючерсами на нефть марки Brent	volumes
Dopen	сумма открытых позиций по фьючерсам на нефть на конец дня на ММВБ	open
Dinterest	прирост процентной ставки межбанковских кредитов на 6 месяцев Moscow Prime Rate	interest, DDinterest

Выводы по выбору переменных для моделирования.

Не в каждом случае результаты всех тестов на отсутствие автокорреляции и наличие стационарности (проводились тесты Breush-Godfrey, Дикки-Фуллера, Филлипса-Перрона, рассчитывались информационные критерии) говорят в пользу выбора переменных для анализа однозначно (результаты некоторых тестов могут отличаться с точностью до наоборот). Но, задачей является выбор переменной, которая более подходит для моделирования. С другой стороны, невозможно использовать разные временные ряды для построения моделей с одной и той же независимой переменной (речь идёт о случаях, когда, согласно тестам, временной ряд подходит для моделирования в одном периоде, например, 2010-2011 гг., а в остальных периодах для моделирования больше подходит дифференцированный временной ряд. На основе этих соображений были отобраны переменные, на основе которых будут строиться дальнейшие модели (табл. 7)



3. Результаты

Как отмечает F.A. Longstaff, при изучении природы финансового заражения полезно учесть два основных элемента. Первый - определить окно события (в данном случае период кризиса 2014-2015 гг.). Второй - определить вектор финансового заражения, который может быть использован для тестирования изменений взаимосвязей между рынками, связанными с кризисным событием [Longstaff, 2010].

Кризис в российской экономике 2014-2015 годов был вызван (причины):

- чрезмерно высокой долей добывающей отрасли в ВВП,

- большой зависимостью экономики России от импорта (и готовой продукции, и технологий).

Справедливо то, что обе эти причины многократно обсуждались в российской научной литературе, риски рассматривались, и причины эти не являются новыми. Однако, поводом, спровоцировавшим кризисное событие, стали санкции США, Евросоюза, Австралии, Новой Зеландии и Канады против России, введённые в марте 2014 года.

Санкции содаржади в себе в том числе запрет компаниям этих стран поддерживать деловые отношения с лицами и организациями, которые были включены в соответствующие списки. То есть, санкции привели к затруднению отношений российских компаний со своими зарубежными партнёрами. Это сказалось на ценах закупаемых товаров и услуг зарубежом. Так как нефтегазовые российские компании при заключении проектов по разработке месторождений в России и зарубежом используют закупаемые у своих партнёров из западных стран технологии, что привело к тому, что их расходы на разработку новых месторождений возросли.

Во время текущего кризиса достаточно сильно упали цены на нефть и курс рубля относительно доллара и евро. Хотя наличие одновременности не означает причинно-следственную связь, но, так как в экономике России нефегазовая отрасль играет большую роль (не только сама по себе, но как источник сырья для строительной, жилищно-коммунальной, транспортной и других отраслей, и особенно экспорта).

Падение цен на нефть в 2014 году вызвано рядом причин (поличитическими, экономическими, природными):

- цена на нефть до 2014 года была во многом спекулятивно завышена (вследствие роста цен на фьючерсы на нефть), в 2014 году деньги начали выводиться из нефтяных фьючерсов (снижения нефтяных спекуляций);

- с 1975 года запрещён экспорт нефти из США (импорт нефти в США снизился);

- укрепление доллара (большинство нефтяных контрактов оформляются в долларах);

- политические события (войны в Ираке, Иране, Ливии, Сирии), которые привели к нестабильности [Кузнецов, Савельев, Бахтизина, 2012].

Таким образом, санкции не являются причиной кризиса в России 2014-2015 гг., однако, они послужили поводом, который усугубил действие вышеназванных причин, что и выразилось в наступлении кризиса.

Поэтому первыми на себе «ощутили» кризис нефтегазовые компании, которые получают доходы от продажи углеводородного сырья. Но, с другой стороны, доходы нефтегазовых компаний в рублях возросли за счёт падения курса рубля (и роста курса доллара). Этим может объясняться рост индексов облигаций нефтегазовых компаний с начала 2015 года (во всё ещё продолжающийся период кризиса). В то время, как экономике погружается в кризис, нефтегазовые компании оказались в несколько лучшем положении относительно остальных за счёт получения высоких (относительно всей экономики) доходов. Однако, индексы облигаций нефтегазовых компаний достаточно сильно снизились во второй половине 2014 года (но быстро возросли потом).

В литературе по эмпирическом исследованию финансового заражения достаточно широко используется индикатор финансового заражения как возрастание взаимосвязей между различными рынками. Этот подход объясняется наиболее широко используемым в литературе определением финансового заражения как возникновением и возрастанием взаимосвязей между рынками вследствие кризисного события. Вектроная авторегрессионная модель, которую использовал F.A. Longstaff, позволила оценить взаимосвязь между раныками отдельно во время трёх периодов в рассматриваемом промежутке времени. Такой подход позволяет определить, отличались ли взаимосвязи между рынками во время кризиса и других двух периодов (Longstaff, 2010).

В качестве меры доходности на пострадавшем от кризиса секторе нефтегазовых компаний использовались доходности индексов облигаций нефтегазовых компаний. Точнее, использовались ежедневные (за исключением праздничных и выходных дней) доходности. Также, рассматривались облигации компаний, имеющих разный кредитный рейтинг.

Для учёта тенденция на рынке государственных облигаций использовались ежедневные доходности (за тот же период, что и доходности индексов облигаций нефтегазовых компаний) индекса обсударственных облигаций Московской Биржи. Как и все индексы доходности, рассчитываемые на Московской Бирже, индекс доходности государственных облигаций рассчитывается ежедневно в момент зарктия торгов на основе средневзвешенных цен выпусков облигаций, включённых в базу расчёта для индикаторов доходности. Формула расчёта индекса государственных облигаций Московской Биржи:

где P_i,t - средневзвешенная цена облигации i-ого выпуска в день t, выраженная в рублях;

N_i,t-1 - размещённый объём i-ого выпуска облигаций, определённый в день t-1, выраженный в количестве ценных бумаг (единиц) Сайт Московской Межбанковской Валютной Биржи http://www.micex.com/marketdata/indices/state/profit/calculations_method .

Для ответа на вопрос, присутствует ли взаимосвязь между кризисными событиями в российской экономике и усилением зависимости между доходностью индексов облигаций российских компаний, была оценена следующая теоретическая модель:

где Y_t - доходность индекса государственных облигаций Московской Биржи. Четыре лага в авторегрессионной модели были выбраны на основе того, что информационный критерий Акаике показывает более точные оценки для периодов в 4 недели, по сравнению с информационными критериями Шварца и Хеннана-Куинна [Ivanov, Kilian, 2005; Longstaff, 2010]. B_t-k - доходность индекса облигаций компании (для каждого индекса, то есть для каждой компании, такое уравнение оценивалось отдельно); - случайная ошибка.

VAR (векторная авторегрессионная модель) оценивалась отдельно для доходности индекса каждой облигации и для каждого этапа (2010-2011 гг., 2012-2013 гг., 2014-2015 гг.).

В Таблице 1 Приложения 2 представлены результаты оценивания VAR. Для каждого из рассматриваемых периодов представлена t-статистика Newey-West для коэффициентов в формуле (2) и R² для моделей VAR. Таблица 1 Приложения 2 также показывает p-value для F-теста о том, что коэффициенты одновременно нулевые. F-тест можно рассматривать как тест гипотезы о том, что доходности индексов облигаций нефтегазовых компаний являются причиной по Гренджеру для последующих изменений в доходностях на других финансовых рынках. Эти тесты также позволяют определить, существует ли значимая разница во взаимосвязи между доходностями индексов облигаций нефтегазовых компаний и другими финансовыми рынками во время кризиса.

Обращаясь сначала к результатам моделей VAR для государственных облигаций, Таблица 1 Приложения 2 показывает, что присутствует финансовое заражение во время кризиса. В частности, только одна из индивидуальных t-статистик для лаговых переменных - доходностей индексов нефтегазовых компаний является значимой для моделей 2010-2011 и 2012-2013 гг. Соответственно, только две из пяти F-статистик значимы в период 2010-2011 гг. (восстановление после кризиса 2008-2009 гг.) на 5%-ом уровне значимости, и одна F-статистика значима на 10%-ом уровне. Это можно объяснить тем, что рынок корпоративных облигаций менее ликвиден, чем рынок государственных облигаций (согласно теории). Поэтому, при прочих равных условиях, можно утверждать, что будет достаточно слабая взаимосвязь между динамикой доходности индекса государственных облигаций и динамикой доходности индексов нефтегазовых компаний.

Напротив, в 2012-2013 гг. все F-статистики для моделей VAR являются значимыми на 5%-ом уровне значимости, что говорит о том, что доходности индексов нефтегазовых компаний являются причиной по Гренджеру для доходностей индексов государственных облигаций. Однако, наличие причинности по Гренджеру не означает, что между временными рядами существует причинно-следственная связь. Однако, если одна переменная, задающая временной ряд, не является причиной по Гренджеру для переменной, задающей другой временной ряд, то можно отвергнуть гипотезу о том, что между ними может существовать причинно-следственная связь (то есть, между ними точно не существует причинно-следственной связи).

В дополнение, в 2012-2013 гг. только одна из индивидуальных t-статистик в моделях VAR для государственных облигаций была значима (у доходностей индекса облигаций Лукойла, имеющего самый высокий кредитный рейтинг из рассмотренных компаний). Это может свидетельствовать о том, что доходность индексов облигаций Лукойла может быть причиной по Гренджеру для доходностей индекса государственных облигаций. При этом лаг переменной, регрессионный коэффициент при которой обладает значимостью на 10%-ом уровне, является 1 лаг. Этот коэффициент обладает положительным знаком, что означает, что отрицательная динамика доходности индекса облигаций Лукойла совпадает с отрицательной динамикой доходности индекса государственных облигаций, что подразумевает возрастание стоимости государственных облигаций. Коэффициенты R² для моделей в 2012-2013 гг. также выше коэффициентов R² для моделей в 2011-2011 гг.

Наконец, таблица 8 показывает, что в 2014-2015 гг. модели в целом значимы и одновременно несколько индивидуальных t-статистик Newey-West показывают высокую значимость коэффициентов регрессии. Подводя итог, несмотря на то, что в 2012-2013 гг. о кризисе не говорилось в средствах массовой информации в России, санкции были приняты в марте 2014 года, но модели в целом являются значимыми (хотя и коэффициенты регрессий относительно малы, и индивидуальные значения t-статистик являются незначимыми для всех, за исключением одного, коэффициентов). Это говорит о том, что кризиса, конечно, ещё не было видно фактически, однако, модели показывают присутствие финансового заражения. Может ли это отвечать на исследовательский вопрос утвердительно и свидетельствовать о том, что в 2013 году, оценив динамику рыночных индексов, можно было «предсказать» наступление кризиса в 2014 году? Предсказать невозможно, так как данное исследование не способно ответить на такой вопрос (это является ограничением исследования и вызвано спецификой применяемого метода), однако, используя такой индикатор, руководство компании могло бы более осторожно принимать инвестиционные решения (так как в целом стратегия компании в области риск-менеджмента более всего пересекается с её инвестиционной стратегией).

Сосредоточившись далее на корпоративном рынке облигаций, Таблица 1 Приложения 2 показывает, что присутствует причинность по Гренджеру и коэффициенты с высокой значимостью в уравнениях VAR в периоде 2010-2011 гг. Также в течение периода 2012-2013 гг. доходности индексов облигаций нефтегазовых компаний являлись причиной по Гренджеру для доходностей индекса корпоративных облигаций ММВБ, однако, во втором периоде наблюдается гораздо меньше значимых индивидуальных t-статистик Newey-West, чем в 2010-2011 гг. Большая часть значимых коэффициентов в моделях VAR положительны по знаку, что значит, что снижение доходности индексов облигаций компаний совпадало преимущественно с понижением доходности индекса корпоративных облигаций. В течение периода 2014-2015 гг. модели взаимосвязи доходности индекса корпоративных облигаций и доходностей индексов нефтегазовых компаний по-прежнему значимы (однако, как и в случае с VAR для государственных облигаций, наименьшие значения p-value для F-статистики и, соответственно, наибольший уровень значимости, имеют модели для периода 2012-2013 гг.). То есть, индикатор финансового заражения в экономике показывает наличие определённой степени эффекта финансового заражения в период, который не считался кризисным (2012-2013 гг.) в российской экономике.

Переходя к результатам для модели VAR для доходностей индекса акций нефтегазовых компаний ММВБ, Таблица 1 Приложения 2 показывает, что только одна модель из пяти была значима в периоде 2010-2011 гг. (с кредитным рейтингом компании BBB-). В периоде 2012-2013 гг. также была значима единственная модель (с кредитным рейтингом компании А- и уровнем значимости 5%). Значимые на 10%-ом уровне коэффициенты имеют положительные знаки, говоря о том, что отрицательный шок в доходности индексов облигаций нефтегазовых компаний совпадает обычно с отрицательным шоком в доходности индекса акций нефтегазовых компаний ММВБ). Достаточно странно, что в моделях с индексом нефтегазовых компаний ММВБ наблюдается гораздо более низкая значимость, так как практически все из рассмотренных в исследовании компаний входят в базу расчёта индекса акций нефтегазовых компаний ММВБ Описание базы расчёта индекса акций нефтегазовых компаний Московской Биржи http://www.micex.com/articles/file/3281/MICEX_OG_eng.pdf (за исключением Башнефти). Пока результаты расчёта моделей показывают, что кризис распространился (если верить гипотезе о том, что кризис пришёл на российский рынок через падение курса нефти) от рынка облигаций нефтегазовых компаний на рынок государственных и корпоративных облигаций, но не на рынок акций нефтегазовых компаний. Рынок акций в теории считается более большим по объёму и более ликвидным рынком, чем рынок облигаций. Получается, что кризис распространился с рынка корпоративных облигаций нефтегазовых компаний на рынок государственных и корпоративных облигаций в целом, но не на рынок акций нефтегазовых компаний. С одной стороны, следует задать вопрос, почему в качестве независимых переменных использовались не курсы акций, а курсы облигаций нефтегазовых компаний? Курс акций компании показывает рыночную стоимость её активов (собственный капитал), а курс облигаций компании показывает рыночную стоимость её заимствований (заёмный капитал). Акции более подвержены спекуляциям, чем облигации (в которые инвестируют преимущественно более консервативные инвесторы, чем инвесторы, вкладывающие в акции). Поэтому облигации представляются более «достоверным» индикатором кризисности экономики, чем акции (они менее волатильны). Это одна из причин выбора именно облигаций компаний в качестве независимых переменных. Вторая причина заключается в том, что используемая в исследовании методология позаимоствована у F.A. Longstaff, который использовал доходность индексов облигаций.

Результаты оценки VAR для доходности индекса акций нефтегазовых компаний также показывают, что отсутствует или очень слаба взаимосвязь между доходностями индексов облигаций нефтегазовых компаний и доходностью индекса акций нефтегазовых компаний. R² для всех моделей VAR с доходностью индекса акций нефтегазовых компаний относительно малы. Однако, если в 2010-2011 гг. и 2012-2013 гг. хотя бы одна из пяти моделей была значима для доходностей индекса акций нефтегазовых компаний, то в 2014-2015 гг. уже все модели являются незначимыми, согласно p-value для F-критерия (при этом два из коэффициентов регрессии в модели значимы на 10%-ом уровне, и один из коэффициентов регрессии значим на 5%-ом уровне значимости).

Наконец, Таблица 1 Приложения 2 показывает, что результаты оценки моделей для доходности фьючерсов на нефть свидетельствуют о значимости модели в период кризиса 2014-2015 гг., модель в 2012-2013 годах была значима только для отдельных облигаций нефтегазовых компаний, а в 2010-2011 годах модель была незначима для всех облигаций нефтегазовых компаний. Отрицательные знаки для всех значимых коэффициентов регрессии в периоде 2012-2013 гг. свидетельствуют о том, что доходность фьючерсов на нефть возрастает в случае отрицательной динамики доходности индексов облигаций нефтегазовых компаний. Это можно объяснить тем, что цены фьючерсов на нефть на российском рынке отражают «опасения» инвесторов; негативные финансовые новости часто совпадают с ростом волатильности на рынках, которая сказывается на доходности фьючерсов н...