Статья: Эффективность управления портфелями паевых инвестиционных фондов акций и ее оценка

^rpt+1 ^Ej = 1^(wjt^ajt + ^wjt fit ^ft+1 + ^Ej = 1 ^wjtЈjt+1 ^apt + ^ept^ft+1 + ^pt+1,

где Јpt = E^p= 1 WjtEjt, apt = E^p= i(Wjtajt), ept = E^p= dw^t). Зависимая переменная r* _t+₁, равна, как правило, избыточной доходности фонда r_pt+₁ по сравнению с безрисковой ставкой (r_p - r) или с доходностью выбранного бенчмарка (r_p - r_b).

Можно выделить четыре основных подхода к измерению эффективности фонда. Первый заключается в анализе стиля фонда. Зачастую при интерпретации параметра альфа в четырехфакторной модели для фондов избыточная доходность соотносится с факторами стиля фонда [Sharpe, 1992]. Если инвестор может повторить или сконструировать пассивную стратегию (например, близкую к составу индекса S&P 500), то он может самостоятельно заработать ожидаемую доходность (ipt E (ft+i). Положительная альфа из четырехфакторной модели, очищенная от всех вознаграждений, для активно управляемого фонда означает наличие выдающихся способностей и навыков управления по сравнению с пассивным повторением портфеля, доступного инвесторам напрямую. В идеальной модели пассивные факторы должны представлять собой торгуемые активы с доходностью, очищенной от любых издержек инвестора.

Второй подход заключается в оценке безусловных факторных моделей. Эмпирические исследования часто подразумевают, что факторная нагрузка не подвержена временным изменениям. Одной из наиболее популярных является четырехфакторная модель Кархарта [Carhart, 1997]:

^rpt+i ^ap + flip ^rm, t+1 + fa SMB t+1 + взр HML t+1 + @4p ^MOMt+1 + Јpt+1,

где r_m -- избыточная доходность рыночного портфеля, SMB, HML и MOM -- факторы, характеризующие портфели с эффектом размера, стоимости и моментума (инерции) соответственно. Если коэффициент при факторе инерции не значим, модель сводится к трехфакторной модели Фамы и Френча [Fama, French, 1993]. Альфа Дженсена [Jensen, 1968] является константой из однофакторной модели CAPM при измерении чувствительности лишь к доходности рыночного портфеля.

Третий подход заключается в оценке условных моделей. Выборка данных может разделяться на основе сигналов общедоступной информации (например, отдельные выборки для периодов рецессии или бума на рынке) или по разным периодам. Однако чаще разделяется влияние навыков, основанных на частной информации, и выгод от публично доступной информации Z_t на доходность фондов. В этом случае факторная модель расширяется до следующей формы:

^rp, t+1 ^a0p + ^ap ^Zt + ^e0p^fm, t+1 + ^e1p^(zt ^fm, t+1⁾ + &p, t+1

где z_t = Z_t - E(Z_t) [Christopherson et al., 1998; Ferson, Schadt, 1996]. Модель часто включает такие переменные, как доходность по одномесячным казначейским ценным бумагам, доходность по дивидендам, различие в сроке до погашения и кредитный спред.

Последний подход заключается в оценке эффективности с помощью фундаментальных характеристик фонда. Потенциальными факторами, влияющими на эффективность фонда, являются характеристики фонда (например, размер, возраст, соотношение расходов, оборот, чистый приток денежных средств, концентрация вложений, компенсационные выплаты менеджера, конкурентное давление, дискретная или ликвидная торговля, степень активности управления фондом и т. д.), характеристики или навыки менеджера (академическая квалификация, возраст, стаж работы в фонде, эффективность менеджера в прошлом, связь менеджера с руководством фонда и т. д.) или внутреннее управление и стратегические факторы (корпоративная культура, распределение инвестиционной возможности внутри семьи фондов, слияния и поглощения и т. д.).

Взаимосвязь между избыточной доходностью фонда a_i, _t и характеристиками фонда может изменяться, поэтому чаще всего применяется кросс-секционная регрессия, смещаемая во времени [Fama, MacBeth, 1973] вида:

^ai, t = dt + s;xt, t - k ,

где Xi, _t-k -- вектор длиной m из характеристик фонда и менеджера в период t - к.

Учесть влияние характеристик фонда на избыточную доходность позволяет также подход рекурсивного отбора портфелей. Предполагается, что в любой момент можно разбить выборку фондов на несколько портфелей, ранжируя их по некоторому выбранному фундаментальному параметру или другому показателю (например, по прошлой доходности или доле портфеля под активным управлением). После этого можно составить портфель из отобранных фондов с равными весами или путем применения любой схемы взвешивания внутри портфеля. В научной литературе, посвященной эффекту smart money, будущие доходности взвешиваются по чистым новым притокам по отношению к чистым активам для различения доходности от нового притока денег и доходности от «старых» активов фондов. Некоторые исследования отбирают фонды на основе прошлых значений альфы, коэффициента Шарпа и информационного критерия [Blitz, Huij, 2012]. Большое число подходов к схемам взвешивания описано в академической литературе по портфельной теории (например, в обзорной статье [DeMiguel et al., 2009]).

Период держания портфеля, как правило, устанавливается равным одному году, и для этого периода рассчитываются ежемесячные доходности портфелей. После этого производится формирование новых портфелей. Если фонд прекращает существование на рассматриваемом горизонте, он, как правило, включается в портфель до момента ликвидации. Это приводит к последовательности месячных прогнозных (или отсортированных по прошлым значениям) доходностей, которые затем используются для оценки будущей доходности.

Преимущество множественных регрессий в том, что большое количество независимых переменных может быть включено в модель и оценен предельный эффект каждой переменной. Недостатком является то, что такие результаты носят лишь ориентировочный характер и не гарантируют создания реализуемой и прибыльной инвестиционной стратегии. Например, в множественной модели регрессий высокие доходности в прошлом могут статистически значимо прогнозировать высокие доходности в будущем, то есть устойчивость в результативности. Однако сортировка фондов каждый месяц только на основе прошлых доходностей не приводит к выявлению фондов с высокой доходностью в будущем. В качестве примера можно привести фонд с высокой прошлой доходностью и высоким притоком денежных средств (по причине прошлой успешности), доходность которого в будущем будет снижена потерями от масштаба.

Независимо от критерия сортировки внутри каждого составленного портфеля фонды могут быть недостаточно гетерогенны (например, портфель с наилучшими фондами по прошлой доходности может содержать фонды с существенными различиями в размере фонда, оборачиваемости их портфеля, их стиля и т. д.). Сортировка и разбиение на большее число портфелей с малым составом фондов снижает вероятность размытия влияния остальных факторов. Чем большее количество портфелей используется, тем больше вероятность повышенного специфического риска.

2. Трудность первая: различия между категориями фондов

Выбор правильного бенчмарка для оценки портфеля ПИФа зависит от того, в какие классы инвестиционных активов вложены активы этого фонда. Анализируя состав и структуру активов конкретных ПИФов, мы сталкиваемся с первой трудностью для проведения объективной оценки результативности их деятельности -- с отсутствием простых бенчмарков, соответствующих портфелям фондов.

Одним из ключевых индикаторов для ориентирования инвестора в системе координат доходности/риска ПИФов является их категория, указывающая, какой класс инвестиционных активов преобладает в портфеле фонда. Зная категорию фонда, инвестор может сам решить, соответствует ли тот или иной паевой фонд его персональному инвестиционному профилю. Поэтому в законодательстве многих стран (например, в США и странах Европейского Союза) предусматривается, что название взаимного фонда должно включать указание на его категорию. На российском рынке коллективных инвестиций требование об обязательном указании категории открытых и интервальных ПИФов (акций, облигаций, смешанных инвестиций, денежного рынка и т. п.) было отменено

Примечание. График составлен на основе базы данных о ежемесячной доходности открытых ПИФов разных категорий, которые продолжили свою деятельность в 2017 году.

Источник: расчеты авторов по данным НАУФОР и investfunds.ru.

Рис. 1. Медианные доходность и риск по открытым ПИФам разных категорий в пятилетнем (2014-2018) и двенадцатилетнем (2007-2018) периодах (% годовых)

Банком России Указание Банка России от 05.09.2016 № 4129-У «О составе и структуре активов акционерных инвестиционных фондов и активов паевых инвестиционных фондов». http://www.consultant.ru/ document/cons_doc_LAW_204480/., однако фактически в данных информационноаналитических систем и сайтов управляющих компаний ПИФы следуют прежним вполне оправданным подходам, предполагающим сохранение категорий фондов. Ожидается, что стандарт НАУФОР как саморегулируемой организации управляющих активами в какой-то мере исправит эту неопределенность с отражением в названиях ПИФов указания на их категорию и преобладающий класс активов в портфеле.

На рис. 1 на примере пятилетнего (с 2014 по 2018 годы) и двенадцатилетнего (с 2007 по 2018 годы) периодов показаны медианные значения индикаторов риска и доходности портфелей открытых ПИФов разных категорий. Если в 2014-2018 годах расположение показателей фондов каждой категории имеет привычный вид начиная от ПИФов денежного рынка с самыми низкими значениями риска и доходности портфеля и заканчивая наиболее рискованными и доходными портфелями ПИФов фондов, инвестирующих в разнообразные активы, то на временном горизонте 2007-2018 годов, включающем финансовый кризис 2008 года, наблюдается совсем иное расположение фондов в системе координат доходность/риск. На более долгосрочном периоде в результате влияния кризиса была нарушена классическая в мире инвестиций закономерность, когда вложения в более рискованные активы приносили инвесторам не ожидаемую премию за риск, а, наоборот, дисконт к доходности менее рискованных активов После кризиса 2008 года из-за долгосрочных тенденций оттока иностранных портфельных инвестиций из акций российских компаний, медленного восстановления цен на сырьевые ресурсы и торможения роста российской экономики доходность акций была умеренно низкой, а доходность государственных и корпоративных облигаций при умеренно высокой ключевой ставке часто превышала среднюю доходность рынка акций. Например, 1000 руб., инвестированных до кризиса, в мае 2008 года, в 2018-м принесли бы 1300,9 руб. при вложениях в акции, 2557,0 руб. -- в корпоративные облигации и 1309,0 руб. -- в безрисковые ОФЗ.. Подобные закономерности в поведении доходности и рисков разных категорий ПИФов должны приниматься в расчет частными инвесторами, а для этого нужно, чтобы по названию фонда можно было однозначно идентифицировать категорию фонда и специфику инвестиционной стратегии внутри этой категории.

Помимо понимания, к какой категории относится открытый ПИФ, важно знать, насколько точно реальный портфель фонда соответствует критериям той или иной категории. Так, после кризиса 2008 года многие открытые ПИФы акций переориентировали часть своего портфеля на ценные бумаги иностранных эмитентов. Это создает серьезные проблемы при оценке эффективности управления портфелями тех фондов, у которых базовый бенчмарк может не соответствовать инвестиционной стратегии, публично заявленной для инвесторов.

До 2012 года объем инвестиций в иностранные акции и аналогичные инструменты был незначительным (рис. 2). Во второй половине 2012 года в базе указаны лишь два фонда со значимо отличным от нуля весом, однако общий объем их иностранных активов составлял лишь 0,05 млрд руб. Начиная с 2013 года объем инвестиций в иностранные активы быстро растет, средняя доля этих инструментов в портфеле ПИФов увеличилась до 19%. Среди их иностранных вложений преобладали акции крупнейших американских компаний и биржевые фонды (ETF). Пики роста иностранных активов пришлись на 2015-2016 годы, когда объем инвестиций превысил 10 млрд руб., и на конец 2017-го -- начало 2018-го с ростом активов до уровня, превышающего 20 млрд руб. Доля иностранных активов в портфелях ПИФов акций на конец 2018 года достигла 38%.

Объем инвестиций в иностранные акции Средняя доля иностранных акций в портфелях

Источник: расчеты авторов по данным Cbonds Investfunds.

Рис. 2. Объем иностранных акций (левая шкала, млрд руб.) и их доля в портфелях ПИФов акций и индексных ПИФов акций (правая шкала, %), 2012-2018 годы

Изменение распределения активов фондов между двумя классами активов, национальными акциями и ценными бумагами иностранных эмитентов можно наглядно показать на диаграмме boxplot, в которой линия внутри каждого бокса является медианой, размеры бокса и интервала характеризуют распределение наблюдений, а точки за пределами являются выбросами. При оценке доли иностранных активов не учитывались фонды, не имеющие таких активов в портфеле, а расчет медиан велся исключительно по отличным от нуля значениям. На рис. 3 показано распределение доли акций внутренних и иностранных эмитентов в ПИФах акций, на рис. 4 -- в индексных ПИФах.

Для ПИФов акций наблюдается высокая концентрация фондов в достаточно узком диапазоне с медианой 87-93%. Только у малого числа фондов доля акций в портфеле была ниже 80% (на рис. 3 они показаны как выбросы). Доля иностранных акций в отчетах не раскрывалась, что говорит о ее отсутствии или незначительности. Затем произошло существенное снижение доли акций: в 2013 году медиана составила 79,8% -- это подразумевает, что у половины ПИФов акций из выборки доля акций была меньше этого значения на фоне резкого роста иностранных активов с медианой 14%. Минимальная медианная доля национальных акций достигается в 2014 году (71,8%) при резком росте иностранных активов -- вплоть до 21,5%. Далее у ПИФов акций стабилизируется низкая доля акций, которая лишь немного растет (82,8% в 2017 году, 81,6% -- в 2018-м) на фоне всё большего распространения иностранных акций вплоть до наблюдений со значениями выше 50% (медиана составила 20,0% в 2017-м и 24,2% -- в 2018-м). Таким образом, произошло замещение национальных акций иностранными, и тренд сохраняется в течение уже шести лет.