Диссертация: Поведение толпы и ликвидность на российском рынке акций

Наличие автокорреляции в исследуемых величинах может привести к несостоятельности стандартных ошибок будущей модели. Следовательно, уже на этой стадии следует отметить необходимость использования стандартных ошибок устойчивых к автокорреляции и гетероскедастичности.

Результаты

В Таблице 6 представлены результаты оценки эффекта поведения толпы всего рынка и портфелей согласно уравнению (1) на всех временных промежутках. Как уже было отмечено ранее, отрицательный коэффициент перед , согласно методологии, идентифицирует наличие эффекта толпы. Все оценки коэффициентов имеют стандартные ошибки, устойчивые к автокорреляции и гетероскедастичности (Newey & West, 1987).

На основании результатов, можно сделать вывод о наличии строгой отрицательной зависимости между и CSADt в портфелях средней (MC) и малой (SC) капитализации на всём промежутке исследования (2011-2019 гг.) и в период нестабильной геополитической ситуации и наложения секторальных санкций (2014-2016 гг.).

Также следует отметить, что на рыночном, агрегированном уровне, взаимосвязь между данными показателями также отрицательная, однако, оценки коэффициентов незначимы. Этот же вывод можно сделать относительно портфеля малой капитализации (SC) на промежутке 2017-2019 гг. Что касается портфеля компаний крупной капитализации (LC), то на всех временных интервалах мы видим строгую (за исключением периода 2011-2013 гг.) положительную зависимость между и CSADt. Это говорит нам о том, что в периоды резких ценовых колебаний инвесторы, которые предпочитают инвестировать в более устойчивые, с точки зрения капитализации компании, не склонны имитировать общее настроение рынка или других инвесторов, увеличивая рыночную дисперсию (CSAD).

Таблица 6 - Результаты оценки эффекта толпы без влияния факторов

Примечание: (*) - уровень значимости. ***, ** и * означают статистическую значимость коэффициентов на

0.1%, 1% и 5% соответственно.

Результаты, в целом, коррелируют с полученными ранее в исследовании по российскому рынку Indars, Savin & Lubloy (2019), в котором был обнаружен эффект толпы на агрегированном уровне в период присоединения Крымского полуострова (2014). В то же время, если сравнивать полученные результаты с исследованием по развитым рынкам (Galariotis, Krokida & Spirou, 2016), то здесь эффект толпы не был выявлен до тех пор, пока спецификация регрессионного уравнения не была расширена введением дамми-переменных ликвидности, тогда как в данной работе по российскому рынку эффект обнаружен уже на этой стадии.

В Таблице 7 представлены результаты модели уравнения (3), где спецификация модели дополнена показателями ликвидности. На основании полученных результатов можно сделать вывод, что использование показателя ликвидности (MAMI) способствует выявлению эффекта толпы на агрегированном, рыночном уровне (период 2014-2016 гг.), в портфеле крупной капитализации (LC, период 2011-2013 гг.), в портфеле средней капитализации (MC, период 2017-2019 гг.). Последнее может быть спровоцировано резким ростом объёма торгов в данном сегменте относительно предыдущих периодов (Приложение 4).

Основной же вывод заключается в том, что ликвидность усиливает эффект толпы, что объясняется отрицательным знаком перед коэффициентом взаимодействия факторов (), в тех случаях, где идентифицирован эффект толпы. Это означает, что рост ликвидности усиливает отрицательную взаимосвязь между и . Стоит подчеркнуть незначимость данного коэффициента, а значит, и влияния ликвидности на поведение толпы в портфеле малой капитализации (SC) на всех периодах (за исключением 2014-2016 гг.), а также в портфеле средней капитализации (MC) в период 2014-2016 гг.

Также стоит отметить, что несмотря на введение в уравнение показателей ликвидности, портфель крупной капитализации (LC) на всех подвыборках (за исключением периода 2011-2013 гг.) демонстрирует обратное эффекту толпы поведение. Отрицательный знак перед коэффициентом взаимодействия факторов () подчёркивает ослабление в индивидуальности принятия решений при росте ликвидности.

Таблица 7 - Результаты оценки эффекта толпы с учётом ликвидности

Примечание: (*) - уровень значимости. ***, ** и * означают статистическую значимость коэффициентов на

0.1%, 1% и 5% соответственно.

Основываясь на полученных результатах, а также, принимая во внимание данные о кумулятивной доходности портфелей (Рисунок 3), можно сделать вывод о том, что эффект толпы в портфеле крупной капитализации проявлялся в период падения средней доходности входящих в него активов (период 2011-2013 гг.), в то время как в остальные периоды, характеризующиеся ростом средней доходности, наблюдалось обратное “стадному” поведение.

Действительно увеличение ликвидности ассоциируется с увеличением объёмов торгов по конкретным инструментам. Это может усилить эффект толпы. Высокая ликвидность также может повлиять на настроение инвесторов. Например, повышенная ликвидность может создать ощущение благоприятной торговой среды (Gelos & Wei, 2002). Неосведомлённые об истинных причинах возросшей ликвидности участники рынка могут поспособствовать ещё большему её росту.

С другой стороны, низкие объёмы торгов сами по себе с меньшей вероятностью могут стать причиной, способствующей нелинейному движению цены актива (Indars, Savin & Lubloy, 2019).

Полученные результаты согласуются с предыдущим исследованием Arjoon, Bhatnagar & Ramlakhan (2020) по сингапурскому рынку (SGX), использующим схожую методологию. Yan et al. (2014) в своём исследовании по китайскому рынку также пришли к выводу, что ликвидность способствует усилению эффекта толпы, в особенности это касалось периодов макроэкономической, информационной нестабильности.

На Рисунке 4 изображены гистограммы распределения доходностей нескольких активов, участвующих в исследовании (гистограммы доходностей всех активов расположены в Приложении 7). На их примере видно, что распределения доходностей активов смещены относительно центра. Данная особенность справедлива для большинства активов, что стало основной причиной включения спецификаций GARCH-моделей со смещённым распределением Стьюдента в общий список для выбора наилучшей модели. На основании Приложений 5, 6 можно сделать вывод о том, что в подавляющем большинстве случаев наилучшей по обоим критериям (максимальному значению Loglikelihood, минимальному значению AIC) моделью оценки волатильности является спецификация E-GARCH со смещённым распределением Стьюдента. В дальнейшем именно она была использована для оценки волатильности всех активов, входящих в выборку исследования.

Рисунок 4 - Гистограмма распределения доходности активов

В Таблице 8 представлены результаты модели уравнения (6), где спецификация модели дополнена показателями волатильности.

В первую очередь, стоит отметить, что дополнение уравнения (3) показателями волатильности приводит к идентификации значимого эффекта толпы: на рыночном уровне (2014-2016 гг.), в портфеле, состоящем из компаний крупной капитализации (LC) (на всём промежутке исследования, в период 2014-2016 гг.), а также в портфеле средней капитализации (МС) (2017-2019 гг.).

Таблица 8 - Результаты оценки эффекта толпы с учётом волатильности

Примечание: (*) - уровень значимости. ***, ** и * означают статистическую значимость коэффициентов на

0.1%, 1% и 5% соответственно. , где рассчитан с помощью оценки волатильности моделью E-GARCH (модификация со смещённым распределением Стьюдента (sstd)).

Как и в случае ликвидностью, волатильность не оказывает значимого влияния на эффект толпы в портфеле компаний малой капитализации (SC) на всех подвыборках, в портфеле средней капитализации (MC) в период 2014-2016 гг.

Ключевой вывод заключается в том, что увеличение волатильности приводит к ослаблению эффекта толпы на всех периодах, на которых был идентифицирован значимое проявление данного поведения. Об этом говорит положительный знак перед коэффициентом , который определяет взаимосвязь между факторами . Это может быть интерпретировано следующим образом. Во время резкого изменения цены актива и возросшей неопределённости, склонность репрезентативного инвестора имитировать текущее поведение рынка ослабляется, хоть и остаётся. Данное поведение может быть провоцировано ожиданием скорой коррекции, или желанием выждать снижения волатильности, совершив сделку позже.

С другой стороны, снижение волатильности может способствовать усилению данного эффекта. Данный вывод можно сделать на основании Приложения 4 в отношении портфеля компаний средней капитализации (MC). Период 2017-2019 гг. для данного портфеля характеризуется наиболее низкой среднедневной волатильностью и наибольшим объёмом торгов на актив по сравнению с остальными периодами. Полученные результаты соотносятся с исследованием Kabir & Shakur (2018), где авторы пришли к аналогичному выводу уже на примере Гонконгской биржи (HKE). Тем не менее, абсолютно противоположный вывод был сделан в работе Arjoon, Bhatnagar & Ramlakhan (2020). На примере Сингапурской биржи (SGX) авторы показали, что увеличение неопределённости приводит к усилению эффекта толпы.

В данной работе также исследуется двунаправленная взаимосвязь между дисперсией доходности (CSAD) и характеристиками рынка. В Таблице 9 приведены p-value из теста причинности Грейнджера. Выбор оптимального лага происходил на основании информационного критерия Акаике. Тест не декларирует, что одна переменная непосредственно влияет на другую, а проясняет, содержит ли она информацию об изменении другой.

Таблица 9 - Результаты теста Грейнджера на причинность переменных