Диссертация: Поведение толпы и ликвидность на российском рынке акций

(11)

(12)

где k - оптимальная по байесовскому критерию длина лага.

Для каждой регрессии нулевая гипотеза заключается в том, что коэффициенты при лагах второй переменной одновременно равны нулю:

Если коэффициенты изменения показателей ликвидности (волатильности) с лагом значимы, делается вывод о том, что ликвидность (волатильность) является причинной по Грейнджеру для дисперсии доходности (CSAD). Для проверки двунаправленности причинности производится симметричный тест.

Глава 3. Анализ поведения толпы на Московской бирже

3.1 Данные и описательная статистика

Для анализа эффекта толпы на Московской бирже было отобрано в общей сложности 60 наиболее торгуемых акций в период с 2011 по 2020 год. 49 из них торговались в течение всего периода, ещё 11 добавлялись по мере их вхождения в индекс Мосбиржи. В выборку вошли все бумаги из индекса, а также несколько бумаг из второго котировального списка (см. Приложение 1).

Исследование проводится на дневной частоте. Также стоит отметить, что для расчёта дневных доходностей были взяты цены последней совершённой сделки в торговую сессию.

Таблица 1 - Количество наблюдений по годам

Для того, чтобы удостовериться в стабильности полученных результатов, а также рассмотреть эффект на разных временных промежутках, весь период анализа был разделён на три промежутка, характеризующихся разными внешними условиями для российской экономики (рис 1.):

Рисунок 1 - Темп роста ВВП РФ, % квартальный (moex.ru)

2011-2013 гг. - период, характеризующийся замедлением экономического роста, высокими мировым спросом и ценами на нефть, стабильной инфляцией;

2014-2016 гг. - падение цен на нефть, наложение санкций на определённые сектора экономики в связи с присоединением Крымского полуострова. Совокупность данных событий привела к выраженному падению экономики. Данный период также характеризуется резким ростом инфляции, переходом к плавающему валютному курсу, введению Центральным Банком РФ режима таргетирования инфляции.

2017-2019 гг. - адаптация российской экономики к новым условиям: низким ценам на нефть относительно периода 2011-2014 гг., санкционному давлению. Данный период характеризуется снижением инфляции, планомерным выходом экономики из кризисного состояния, ростом экономической активности и российского фондового рынка - за обозначенный период индекс Московской биржи вырос на 38.6% (с 2 232 п. до 3 050 п.) (рис 2.).

Рисунок 2 - Индекс Московской биржи (2011 - 2020) (moex.ru)

В 2018 году было введено бюджетное правило, согласно которому нефтегазовые доходы от цен на нефть выше базового значения, заложенного в бюджете, используются для покупки валюты Министерством Финансов РФ для размещения в Фонде Национального Благосостояния (ФНБ). Стоит отметить, что в бюджет РФ 2018 года цена на нефть марки Urals была заложена на уровне 40$ за баррель. Впоследствии данный уровень подлежал ежегодной индексации на 2%.

В дополнение к вышеуказанному разделению данных на периоды, в данной работе также проводится разделение всех активов, входящих в работу на три (одинаковых по количеству входящих в них активов) портфеля в соответствии с капитализацией компаний: портфель с компаниями наибольшей капитализации (Large Cap - LC), средней (Mid Cap - MC) и портфель, состоящий из компаний малой капитализации (Small Cap - SC). Данное разделение позволит избежать получения ограниченных выводов относительно результатов, полученных на агрегированном, рыночном уровне, а также выявить, компании какого размера более подвержены проявлению эффекта толпы. К тому же, согласно исследованиям Lo & Mackinlay (1995) и Chordia & Swaminathan (2000), компании разной капитализации имеют разную степень информационного покрытия. Например, компании более крупной капитализации могут привлечь к анализу деятельности их компании больше количество аналитиков, чем малой. Это уменьшает информационную асимметрию, делая информационный фон вокруг деятельности компании более прозрачным для инвесторов, а как уже было обозначено ранее, информационный фон является одним из ключевых параметров, который влияет на инвесторов или трейдеров при принятии решений о сделке. Подобное разделение также способствует выявить, ввиду изменения какой из характеристик рынка эффект толпы может быть выявлен.

Портфели строятся путём ранжирования всех фирм по рыночной капитализации ежегодно, в соответствии со значением капитализации на конец предыдущего года. Затем, все компании разбиваются на три равные квантильные группы и остаются неизменными до ребалансировки в конце текущего года. Впоследствии производится расчёт дневных доходностей портфелей как средняя доходность входящих в них активов. Показатель CSADt рассчитывается для каждого портфеля в соответствии с уравнением (1), где Ri,t - доходность i-го актива в конкретном портфеле и Rm,t - средневзвешенная доходность соответствующего портфеля. На Рисунке 3 представлена кумулятивная доходность сформированных портфелей.

Рисунок 3 - Кумулятивная доходность портфелей

На основании Рисунка 3 можно сделать вывод о том, что только портфель крупной капитализации (LC) имеет положительную кумулятивную доходность, если рассматривать весь период исследования, в то время как все остальные портфели характеризуются отрицательной кумулятивной доходностью. Наибольшее снижение за весь период происходит в портфеле малой капитализации (SC) (снижение почти вдвое по отношению к начальной точке 11.01.2011). Стоит отметить, что период 2011-2013 гг. характеризуется поступательным снижением кумулятивной доходности. Данное утверждение относится ко всем портфелям. Портфели малой (LC) и средней (MC) демонстрирую схожую друг с другом динамику: рост в период 2014-2016 гг., и плавное снижение в промежуток с 2017 по 2019 гг. Портфель крупной компаний крупной капитализации характеризуется устойчивым ростом средней доходности входящих в него активов в аналогичные периоды.

В Таблицах 2, 3 представлена описательная статистика, в разбивке на обозначенные временные интервалы, для Rm и CSAD для каждого портфеля и рынка в целом.

На основании Таблицы 2 можно сделать вывод относительно характеристик портфеля на каждом временном промежутке. Портфелем, показавшим наивысшую среднюю дневную доходность (0.009%) и стандартное отклонение (1.218%) на всём промежутке анализа, стал портфель, состоящий из бумаг крупной капитализации (LC). Традиционное убеждение, что компании крупной капитализации более стабильны, с точки зрения приносящей инвесторам доходности, в данном случае не оправдывается. Портфель, состоящий их активов малой капитализации (SC), показал самую низкую среднюю дневную доходность как на всём промежутке анализа (-0.025%), так и среди всех портфелей в разрезе по периодам (-0.136% за период 2011-2013 гг.) Также, следует отметить, что несмотря на события, произошедшие в 2014 году, повлёкшие значительные негативные последствия для российской экономики на несколько лет вперёд, промежутком, характеризующимся наименьшей средней дневной доходностью (-0.091%) и наибольшим стандартным отклонением (1.313%) для всего рынка, является период с 2011 по 2013 годы. В то же время период 2014-2016 гг. характеризуется наивысшей средней рыночной доходностью среди всех периодов, если речь идёт про рыночный портфель (0.067%). Период с наименьшим стандартным отклонением доходности - 2017-2019 гг. Данное утверждение относится ко всем портфелям. За указанный промежуток только портфель, состоящий из компаний крупной капитализации (LC), показал положительную среднюю доходность (0.028% против -0.002% и -0.009% у портфелей с компаниями средней (MC) и малой (SC) капитализации соответственно).

Показатели коэффициента скошенности (skewness) и островершинности (kurtosis) позволяют сделать вывод о ненормальности распределения доходности портфелей и рынка в целом (skewness ? ~0, kurtosis ? ~3).

Таблица 2 - Описательная статистика (Rm)

На основании Таблицы 3 можно сделать аналогичный вывод относительно распределения показателя средней дисперсии доходности (CSAD). Данная величина не распределена нормально. Наибольшим средним CSAD (1.385% за весь период) обладает портфель с компаниями малой капитализации (SC), наименьшим - портфель крупной капитализации (LC, 0.979%).

В Таблицах 4 и 5 представлены результаты тестов на автокорреляцию временного ряда Бокса-Льюнга (LB), а также теста на стационарность Дики-Фуллера (ADF). Для проведения теста на стационарность оптимальный лаг был подобран на основании байесовского критерия (BIC).

Таблица 4 - Результаты теста Бокса-Льюнга и теста Дики-Фуллера (Rm)

Таблица 5 - Результаты теста Бокса-Льюнга и теста Дики-Фуллера (СSAD)

По результатам теста Бокса-Льюнга (Таблица 4) можно сделать вывод о том, что только портфель крупной капитализации не подвержен автокорреляции. Результаты применения расширенного критерия Дики-Фуллера (ADF) позволяют сделать вывод о том, что все исследуемые ряды являются стационарным. Как уже было отмечено ранее, это является необходимым условием для проведения теста Грейнджера.