Анализ финансовых временных рядов

  • 1.6 Описание выборки данных
  • Глава 2. Практические аспекты анализа временных рядов
  • 2.2 Корреляционный анализ данных

  • Скачать 89.89 Kb.


    Дата06.11.2018
    Размер89.89 Kb.
    Типдипломная работа

    Скачать 89.89 Kb.

    · Отраслевые индексы, ориентированные на внешний спрос, могут иметь более сильную положительную зависимость от динамики курса доллар-рубль, в отличие от отраслевых индексов, ориентированных на внутренний рынок;

    1.6 Описание выборки данных

    По сравнению с прошлогодним исследованием перечень входных факторов изменился не сильно и все основные экзогенные и эндогенные переменные остались прежними, хотя было добавлено достаточно большое количество новых параметров.

    В первоначальную выборку вошло 37 различных факторов, из которых 21 фактор является эндогенной или объясняемой переменной, а остальные 16 факторов представляют группу экзогенных объясняющих переменных. Максимальный диапазон выборки - с 6 января 1995 года по 24 апреля 2015 года, то есть наша база данных покрывает более 20 лет существования фондового рынка РФ. Периодичность данных - недельные. Были взяты недельные данные, также, как и в работе Анатольева, поскольку их проще собрать и проще привести к единому виду: дело в том, что в данной работе присутствует множество различных факторов, в том числе и из разных государств и в этом заключается особенность анализа временных рядов - разные факторы для разных стран будут иметь различные периоды данных.

    Это просто объяснить тем, что биржевые торги в разных странах идут в разное время и в разные дни. Из-за праздников могут выпадать данные в одной стране, тогда как в другом государстве в это время торги шли, и данные за эти даты имеются. Из-за этого в выборке появляется множество пробелов данных, которые приходится либо убирать, либо заполнять, чтобы сделать выборку однородной и привести все переменные к единому формату. Использование недельных данных отчасти решает эту проблему, поскольку пробелов становится значительно меньше, и выборка данных становится более сглаженной без большого числа случайных и чисто технических отклонений и выбросов. Подробное описание факторов было представлено в первой теоретической главе нашей работы, а сейчас мы больше внимания уделим статистическому аспекту исследования.

    Большая часть данных была получена из торгово-аналитического терминала Bloomberg, а также частично с информационно-аналитических ресурсов Investing.com (3.19), Investfunds (3.21), а также с сайта ЦБ РФ (3.14).

    Рассмотрим подробнее все переменные, которые будут использованы для построения моделей.

    Эндогенные переменные.

    Индекс ММВБ - один из основных фондовых индексов российского фондового рынка, рассчитываемый Московской Биржей на ежедневной основе с сентября 1997 года. Обозначение в нашей работе - «micex». Индекс ММВБ представляет собой ценовой, взвешенный по рыночной капитализации композитный индекс российского фондового рынка. Цена акций для расчета индекса берется в российских рублях. Формула для расчета индекса в n-ный момент времени: I =MC/D, где D - коэффициент делитель (константа), а MC- рыночная капитализация всех акций, входящих в расчет индекса. Формула MC = У (P * Q * FF * W), где P - цена акции в рублях в n-ный момент времени, Q- общее количество акций одной категории одного эмитента, FF - поправочный коэффициент, учитывающий количество ценных бумаг данного вида в свободном обращении (коэффициент free-float), W - коэффициент, ограничивающий долю капитализации данной Акции (весовой коэффициент). (3.9)

    В расчет индекса входит 50 наиболее ликвидных акций крупнейших публичных компаний РФ. Наибольший все в составе индекса принадлежит трем акциям, на долю которых приходится почти 40% от суммарной капитализации индекса- обыкновенная акция ОАО Газпром 15,66%, обыкновенная акция ОАО ЛУКОЙЛ 12,84%, обыкновенная акция ОАО Сбербанк 10,27%. Отраслевая диверсификация также выявлена не слишком хорошо, особенно, если сравнивать с фондовыми индексами развитых государств, хотя это является отражением низкой диверсифицированности всей российской экономики. Больше всего в составе индекса представителей нефтегазового сектора (11), суммарная капитализация которых составляет 51,06% от капитализации индекса, а также представителей металлургической отрасли - также 11 представителей с суммарной долей 11,9%. Представителей финансового сектора меньше (5), но их рыночная стоимость больше, чем у металлургических компаний - 17,16%. Также заметный вес в составе индекса имеют компании потребительского сектора (4 акции и 7,57% доля), телекоммуникационного сектора (4 акции и 5,22% доля), энергетические (5 и 2,15%) и химические компании (3 компонента и 2,63%). Оставшиеся 7 бумаг имеют долю в 2,3% от суммарной капитализации индекса и представляют абсолютно разные отрасли экономики. (3.9)

    Индекс РТС является «долларовым» клоном индекса ММВБ. Эти два индекса абсолютно идентичны по составу и методурасчета, а единственный исключением является то, что P- цена каждой отдельной акции, учитывается в составе индекса не в российских рублях, а в долларах США, то есть P = Pi/K, где Pi цена акции в рублях, а К - курс доллара США к российскому рублю в момент времени n. Индекс РТС рассчитывается с сентября 1995 года. Обозначение в работе - “RTS”. (3.9)

    Индекс MSCI Russia представляет из себя аналог индекса РТС, однако он имеет ряд существенных отличий. Во-первых, индекс рассчитывается американской аналитической компанией Morgan Stanley Capital International и входит в семейство широко известных и популярных индексов MSCI. На основании индексов MSCI ведется управление многими крупнейшими инвестиционными фондами мира. Во-вторых, состав индекса также отличается от индекса РТС - вместо 50 крупных и средних компаний РФ в состав индекса MSCI Russia входят лишь 22 акции. Также, в расчете участвуют не только торгуемые акции и депозитарные расписки Московской Биржи, но и акции и ДР, торгуемые на зарубежных площадках, в частности, на Нью-Йоркской фондовой бирже. Цены акций и ДР в составе индекса учитываются в долларах США. Индекс покрывает примерно 85% от общей рыночной капитализации российского фондового рынка. Обозначение в работе - “MSCIRU”. (3.17)

    Крупнейшие акции, входящие в состав индекса - Газпром 19,61% и ЛУКОЙЛ 16,42%. Крупнейшие отрасли - нефтегазовая (57,99%), финансовый сектор (13,4%), металлургический сектор (12,43%), потребительский сектор (9,2%), телекоммуникационный сектор (6,26%). (3.17)

    Отраслевые индексы российского фондового рынка, рассчитываемые Московской Биржей. Методика расчета аналогична методике расчетов основных индексов ММВБ и РТС, с той лишь разницей, что состав каждого отдельного индекса зависит от отраслевой направленности, входящих в него акций. Индексы рассчитываются в российских рублях и долларах США.

    Индекс «нефти и газа». В состав индекса входит 15 акций крупнейших нефтегазовых компаний РФ. Крупнейшие компании, входящие в состав индекса - Газпром ао (акция обыкновенная) (доля - 15,41%), НОВАТЭК ао (14,99%), Роснефть ао (14,83%), ЛУКОЙЛ ао (13,42%). Нефтегазовый сектор является крупнейшим и наиболее значимым для российской экономики, на долю которого приходится примерно 50% от экспорта и 50% от налоговых поступлений. Обозначение в работе - “micex_og”. (3.9)

    Индекс «банков и финансов» состоит из 7 акций крупнейших публичных финансовых корпораций страны. Крупнейшие компоненты: Московская Биржа ао (25,77%), ВТБ ао (25,16%), Сбербанк ао (24,69%), АФК Система (19,46%). Обозначение в работе - “micex_fnl”. (3.9)

    Индекс «металлов и добычи» представлен достаточно широким и разнообразным списком металлургических компаний, добывающих и обрабатывающих черные, цветные и драгоценные металлы и поставляющие их как на внутренний, так и на внешний рынки. В состав индекса входит 20 акций металлургических компаний. Крупнейшие компоненты: Алроса ао (18,2%), Нор Никель ао (15,8%), Северсталь (14,69%). Обозначение в работе - “micex_mm”. (3.9)

    Индекс «потребительских товаров и торговли» включает 9 бумаг публичных компаний, ориентированных на продажу товаров широкому кругу потребителей, в число которых входят крупнейшие производители продуктов питания и лекарств, а также крупнейшие ритейлеры страны. Крупнейшие элементы: М.Видео (19,05%), Протек (15,3%), Магнит (15%), Дикси (14,22%). Обозначение в работе - “micex_cgs”. (3.9)

    Индекс «телекоммуникаций» включает всего 4 бумаги трех крупнейших телекоммуникационных компаний страны - МТС, Мегафон и Ростелеком. Акции Вымпелком не входят в состав индекса, так как компания не имеет обращающихся на Московской Бирже бумаг, акции компании обращаются на Нью-Йоркской фондовой бирже. Обозначение в работе - “micex_tlc”. (3.9)

    Индекс «электроэнергетики» является самым «густонаселенным», так как в расчет данного индикатора входит сразу 25 акций крупнейших энергетических компаний страны, большая часть из которых являются частицами бывшей РАО ЕЭС. Теперь вместо одной РАО ЕЭС есть одна Федеральная сетевая компания, множество генерирующих компаний оптового рынка электроэнергии (ОГК), территориальных генерирующих компаний (ТГК), межрегиональных распределительных сетевых компаний (МРСК), а также РусГидро и ИнтерРАО. Крупнейшими компонентами индекса являются Э.Он Россия ао (16,3%), ИнтерРАО (15,65%), РусГидро (13,9%), ФСК ЕЭС (12,58%).Обозначение в работе - “micex_pwr”. (3.9)

    Индекс «химического производства» состоит из 7 бумаг химических компаний страны. Основную долю в составе индекса занимают производители химических удобрений - ФосАгро (24,32%), Уралкалий (23,17%), Акрон (22,06%). Обозначение в работе - “micex_chm”. (3.9)

    Индекс «транспорта» включает 5 акций авиакомпаний и морских торговых портов. Крупнейший компонент - Аэрофлот ао (58,65%). Обозначение в работе - “micex_trn”. (3.9)

    Индекс «машиностроения» включает 4 акции производителей автомобилей (АВТОВАЗ и Соллерс), а также акции Объединенной авиастроительной Компании. Обозначение в работе - “micex_mnf”. (3.9)

    Экзогенные переменные.

    Индекс S&P 500, представляет из себя ценовой взвешенный по капитализации индекс фондового рынка США, включающий в себя наиболее ликвидные акции крупнейших публичных компаний страны. Является одним из наиболее известных и популярных фондовых индексов США и мира. В состав индикатора входит 500 акций наиболее крупных публичных компаний США. Крупнейшие компоненты: Apple, Microsoft, Exxon Mobile, Johnson & Johnson, General Electric, Wells Fargo. В индекс входит 10 основных секторов экономики, наибольший вес среди них имеют - сектор информационных технологий (19,9%), финансовый сектор (16,1%), сектор здравоохранения (14,6%), потребительский сектор (12,5%). По глобальному стандарту классификации отраслей (GICS) в состав индекса S&P 500 помимо 10 основных секторов также входит 24 отраслевые группы, 67 отраслей и 156 подотраслей. Индикатор представляет отличную диверсификацию фондового рынка по отраслевому признаку. Обозначение в работе - “SPX”. Валюта индекса - доллар США. (3.18, 3.20)

    Американский фондовый рынок является крупнейшим в мире, суммарная капитализация компаний, входящих в расчет индекса S&P 500 или индекса MSCIUSA, которые покрывают около 85% общей капитализации фондового рынка США, превышает 19 триллионов долларов. Кроме того, американская экономика продолжает оставаться крупнейшей в мире по объему ВВП, который в 2014 году превысил 17 триллионов долларов. В состав индексных фондов, ориентированных на инвестирование в акции развитых государств, например, на основании индекса MSCI World, самая большая доля отдана именно под американские акции - в среднем 57% средств таких фондов вкладывается в акции США. Даже если брать фонды, ориентирующиеся на индекс MSCIACWI (развитые + развивающиеся рынки), представительство США будет на уровне 50% от общего объема активов таких фондов. Штаты имеют самое больше представительство в списках Forbes 2000 (крупнейшие компании мира) и Forbes Billionaires. США являются крупнейшим мировым экономическим и финансовым центром и его влияние на весь остальное мир очень велико, и именно поэтому необходимо особенно внимательно отнестись к анализу взаимосвязи динамики отечественного фондового рынка с фондовым рынком США. (3.20, 3.23, 3.25, 3.26)

    Индекс MSCI USA является очень близким аналогом индекса S&P 500, хотя состоит не из 500, а из 627 крупных и средних публичных компаний США. Крупнейшие компоненты те же, что и в индексе S&P 500- Apple (3,76%), Microsoft (1,95%), Exxon Mobile (1,9%), Johnson & Johnson (1,42%), General Electric (1,39%), Wells Fargo (1,39%). Обозначение в работе - «MSCIUS». Валюта индекса - доллар США. (3,17)

    Индекс Nikkei 225 является одним из ведущих фондовых индексов Японии и рассчитывается на основании стоимости акций 225 крупнейших компаний страны, торгуемых на Токийской фондовой бирже, которая на данный момент является второй по величине в мире, уступая лишь Нью-Йоркской фондовой бирже. Вычисляется с 1970 года. Крупнейшие компоненты индекса: Toyota Motor (6,37%), Mitsubishi UFJF Group (3,04%), Softbank Corp (2,01%). Крупнейшие сектора: потребительский (22,39%), финансовый (19,42%), промышленность и металлургия (19,36%). Доля в индексах MSCI World и MSCI ACWI - 8,73% и 7,78%, что соответствует второму месту, уступая лишь США. Суммарная рыночная капитализация индекс составляет почти 3 триллиона долларов. По размеру ВВП Япония занимает 4-ое место в мире.Обозначение в работе - “NKY”. Валюта индекса - японская йена. (3.20, 3.23, 3.25, 3.26, 3.10, 3.17)

    Индекс FTSE 100. Это ведущий фондовый индекс Великобритании, рассчитываемый на основании цен 100 наиболее ликвидных акций крупнейших компаний, торгуемых на Лондонской фондовой бирже. Крупнейшие компоненты: HSBC (6,98%), British Petroleum (4,84%), Royal Dutch Shell (4,54%), Glaxo Smith Kline (4,16%), British American Tobacco (3,78%), Vodafone Group (3,43%). Отраслевая диверсификация сохранена на хорошем уровне, также, как и в США, хотя крупнейшие отрасли в составе индекса немного отличаются от американского варианта: финансовый сектор (13,33%), потребительские товары (10,91%), энергетический сектор - нефть и газ (14,54%). Обозначение в работе - “FTSE”. Валюта индекса - британский фунт. (3.16, 3.4)

    Суммарная капитализация акций, входящих в состав индекса FTSE 100 превышает 2,7 триллиона долларов (85% от общей капитализации фондового рынка страны), что практически равно ВВП страны, который также составляет порядка 2,7 триллионов долларов (9-10 место в мире, по различным данным). В составах мировых индексов вроде MSCI World и MSCI ACWI Великобритании обычно отдается третье место после США и Японии - доля по 7,98% и 7,11% соответственно в каждом из индексов. Таким образом, фондовый рынок Великобритании также имеет очень важное значение в деятельности мировой финансовой системы. (3.17, 3.20, 3.23, 3.25, 3.26)

    Индекс DAX 30 является основным фондовым индексом германского фондового рынка и рассчитывается на основании стоимости 30 акций крупнейших компаний Германии, торгуемых на Франкфуртской фондовой бирже. Рассчитывается с 1988 года. Несмотря на небольшое число компонентов, индекс предоставляет достаточно хорошую диверсификацию по отраслям и отдельным бумагам. Самые крупные элементы: Bayer (9,77%), Daimler (7,56%), BASF (7,47%), Siemens (7,03%). Самые крупные отрасли: потребительский сектор (22,17%), финансовый сектор (17,12%), здравоохранение (14,81%), производство материалов (13,99%), промышленность и металлургия (12,25%). Обозначение в работе - “DAX”. Валюта индекса - евро. (3.12)

    По объему средств, инвестируемых в рамках фондов, ориентирующихся на индексы MSCI World MSCI ACWI, Германия обычно делит места с 4 по 7 вместе с Францией, Канадой и Швейцарией, имея долю от 3,3 до 3,6% в общем объеме активов. Общая капитализация индекса составляет порядка 1,2 триллионов долларов, а ВВП Германии равен примерно 3,7 триллионам долларов (5-6 места в мире, по различным данным). На Франкфуртской бирже также торгуется достаточно большое количество акций и депозитарных расписок российских компаний. (3.17, 3.20, 3.23, 3.25, 3.26)

    Индекс Shanghai Composite рассчитывается на основании стоимости всех акций, торгуемых на Шанхайской фондовой бирже, и входящих в котировальные списки A и B. Акции из списка А торгуются в китайских юанях, а акции из списка В торгуются в долларах США. В состав индекса входит несколько сотен акций и хотя он предоставляет неплохую диверсификацию по отдельным бумагам, в составе индекса есть две явно доминирующие отрасли - финансовый сектор (33%) и промышленность и металлургия (21%). Общая капитализация индекса составляет около 2 триллионов долларов, хотя общая капитализация фондового рынка Китая, с учетом Шэньчжэньской и Гонконгской бирж, а также с акциями из других котировальных списков, гораздо больше и составляет больше 4 триллионов долларов, что делает фондовый рынок Китая вторым по величине в мире, после рынка США. В состав индексных фондов MSCI World Китай не входит, так как он не считается развитым государством, а в фондах, основанных на индексе MSCIACWI, Китаю обычно отдается около 2,7% от общих активов (8-9 место). Китайская экономика является второй по величине в мире, уступая лишь США. Обозначение в работе - “SHCOMP”. (3.13, 3.17, 3.20, 3.23, 3.25, 3.26)

    Индекс Hang Seng отражает стоимость 34 наиболее ликвидных акций крупнейших компаний, торгуемых на фондовой бирже Гонконга. Рассчитывается с 1969 года в гонконгских долларах. Общая капитализация индекса составляет порядка 450 миллиардов долларов и 66% от этой величины приходится на сектор финансовых компаний, куда входят банки, страховые и инвестиционные компании. Обозначение в работе - “HANGS”.

    Нефть марки Brent (фьючерс на нефть марки Brent) является одним из двух основных торгуемых видов нефти, добываемых в мире (второй - WTI). Brent является эталонной маркой нефти, которая добывается в Северном море и используется для ценообразования других сортов нефти, в том числе, и для расчета основной экспортной российском марки - Urals. Так как торгуемые фьючерсы на нефть марки Urals имеют не слишком хорошую ликвидность и историю торгов, для исследования предпочтительнее использовать фьючерсы на нефть WTI или Brent, но так как нефть Brent больше походит по составу на российскую марку Urals, в нашем исследовании будет фигурировать именно она. Кроме того, в нашем прошлогоднем исследовании мы уже доказали, что взаимосвязь российского фондового рынка выше у сорта Brent, чем у сорта американской легкой нефти WTI. Фьючерс на нефть марки Brent торгуется на многих биржах мира и рассчитывается в долларах США. Обозначение в работе - “Brent”. (3.4, 3.6, 3.20)

    Индекс промышленных металлов UBS Bloomberg, рассчитываемый по ценам на фьючерсные контракты основных промышленных металлов, торгуемых на Лондонской товарной бирже. Является одним из наиболее популярных и известных индексов, отслеживающих композитную стоимость основных промышленных металлов. В состав индекса входят: медь (36,9% от стоимости индекса), алюминий (27%), высококачественная медь (13%), никель (9,1%), цинк (8,8%) и свинец (5,2%). Так как второй по величине экспортной статьей РФ, после нефти и газа, является экспорт промышленных металлов, изучение взаимосвязи динамики фондового рынка с динамикой цен на промышленные металлы является очень важным моментом в нашем исследовании. Цены в индексе выражены в долларах США. Обозначение в работе - “Metal”. (3.4)

    Ставка MosPrime сроком на 1 месяц представляет из себя индикативную ставку предоставления рублевых кредитов (депозитов) на московском денежном рынке. Данный показатель формируется Национальной валютной ассоциацией на основе ставок предоставления рублёвых кредитов (депозитов), объявляемых банками-ведущими участниками российского денежного рынка первоклассным финансовым организациям. Расчетным партнером НВА является компания Thomson Reuters. Список банков-участников MosPrime Rate формируется Национальной валютной ассоциацией. Индикативная ставка MosPrime Rate публикуется каждый рабочий день в 12:30 по московскому времени [3.14]. Данные с 2005 года. Является справочной рублевой процентной ставкой, отражающей текущий уровень ставок на денежном рынке. Непосредственно взаимосвязана с ключевой процентной ставкой, устанавливаемой ЦБ РФ. Уровень процентных ставок в стране отражает степень доступности кредитных ресурсов, что важно для фондового рынка, где многие сделки проходят с использованием заемных средств. Кроме того, уровень процентных ставок в стране непосредственно влияет н финансовое состояние компаний, в том числе и тех, что входят в состав основных фондовых индексов.

    Индекс государственных облигаций РФ. Индексы государственных облигаций представляют собой взвешенные по объемам выпусков индексы облигаций федеральных займов РФ (за исключением еврооблигаций), допущенных к обращению на Фондовой бирже ММВБ. (3.9) Расчеты в рублях с 2003 года.

    Курс доллара к рублю представляет собой отношение курса американского доллара к российскому рублю.

    девальвация валюта биржевой рынок

    Глава 2. Практические аспекты анализа временных рядов

    2.1 Статистический анализ первоначального набора данных

    В практической части нашего исследования, будет проведен статистических, корреляционных и регрессионных взаимосвязей между множеством временных рядов, которые мы анализируем. Напомним, что в данной работе будет проанализирована взаимосвязь динамики российского фондового рынка, который будет представлен множеством фондовых индексов, с динамикой различных экзогенных факторов, которые также представлены временными рядами.

    Перед тем, как перейти к оценке взаимосвязей, необходимо сначала проанализировать первоначальную выборку и представить основные статистики.

    В нашем исследовании, также, как и в прошлом году, анализироваться будут не сами значения временных рядов, а их натуральные логарифмы по формуле Xi = LN (Vi/Vi-t), где Xi представляет из себя новое значение переменной для временного ряда, Vi представляет из себя старое значение временного ряда для того же периода, а Vi-t представляет из себя старое значение временного ряда для предыдущего периода. Натуральный логарифм отражает темп прироста временного ряда от наблюдения к наблюдению. После вычисления логарифмов для каждой из переменных, будут получены уже новые временные ряды, с новыми значениями. (1.2, 1.3, 1.6, 1.7) Максимальное число наблюдений, таким образом, составило 1012, хотя для отдельных переменных это значение может быть значительно меньше, из-за того, что отдельные фондовые индексы начали рассчитываться не с 1995 года, а много позже.

    Целевая выборка очень разнородна: здесь есть переменные, относящиеся к различным государствам, различным отраслям и секторам экономики и финансовых рынков, с различными временными диапазонами, поэтому анализировать все факторы вместе и одновременно было бы не совсем корректно. Для удобства все факторы были разделены на несколько основных групп, в каждой их которых переменные связаны по определенному признаку.

    Ранее уже были выделены две основные группы факторов - 21 эндогенная переменная и 16 экзогенных переменных, однако внутри каждой из этих групп можно также провести деление по различным признакам.

    Все эндогенные переменные можно разделить на две основные группы - основные фондовые индексы, представленные переменными MICEX, MSCIRU и RTS, а также отраслевые индексы, представленные девятью индикаторами, чья стоимость выражена в рублях и столько же индикаторов представляют группу, чья стоимость выражена в долларах США.

    Таблица 2 Основные статистики группы эндогенных факторов «основные фондовые индексы».

    Statistics

    MSCIRU

    RTS

    MICEX

    Mean

    0.004314

    0.004496

    0.005058

    Median

    0.004552

    0.004998

    0.006028

    Maximum

    0.541788

    0.407586

    0.452158

    Minimum

    -0.380669

    -0.342847

    -0.350932

    Std. Dev.

    0.072912

    0.064730

    0.062973

    Skewness

    0.571721

    0.110720

    0.836669

    Kurtosis

    11.01794

    7.926043

    13.60215

    Jarque-Bera

    2768.647

    992.8598

    4205.004

    Probability

    0.000000

    0.000000

    0.000000

    Sum

    4.369590

    4.405699

    4.430626

    Sum Sq. Dev.

    5.379966

    4.102019

    3.469939

    Observations

    1013

    980

    876

    В данной группе наибольшее число наблюдений имеет переменная MSCIRU, чей расчет ведется с 1995 года.

    Индексы «химических компаний» и «транспортного сектора» начали рассчитываться значительно позже всех прочих отраслевых индикаторов - с 2007 и 2008 годов соответственно, против 2005 года у прочих индикаторов. Стоит также отметить, что все отраслевые индексы имеют значительно меньший диапазон доступных данных, чем прочие эндогенные и экзогенные факторы.

    Таблица 3 Основные статистики группы эндогенных факторов «рублевые отраслевые индексы 1».

    Statistics

    MICEX_ CSG

    MICEX_ FNL

    MICEX_ MM

    MICEX_ MNF

    MICEX_ OG

    MICEX_ PWR

    Mean

    0.004258

    0.004444

    0.004312

    0.002286

    0.004097

    0.001258

    Median

    0.005089

    0.003510

    0.004000

    0.000000

    0.004864

    0.001768

    Maximum

    0.215192

    0.383604

    0.459815

    0.339264

    0.511892

    0.283786

    Minimum

    -0.192807

    -0.338748

    -0.439545

    -0.292751

    -0.356620

    -0.282421

    Std. Dev.

    0.035995

    0.050651

    0.058854

    0.056103

    0.050911

    0.049586

    Skewness

    -0.039782

    0.040764

    0.820292

    0.345673

    1.199182

    -0.289946

    Kurtosis

    9.487009

    15.11213

    22.61696

    9.572311

    27.47580

    9.034828

    Jarque-Bera

    903.1301

    3148.158

    8315.460

    937.1548

    12978.36

    788.7102

    Probability

    0.000000

    0.000000

    0.000000

    0.000000

    0.000000

    0.000000

    Sum

    2.192796

    2.288431

    2.220551

    1.177358

    2.109827

    0.647742

    Sum Sq. Dev.

    0.665951

    1.318661

    1.780387

    1.617813

    1.332229

    1.263824

    Observations

    515

    515

    515

    515

    515

    515

    Таблица 4 Основные статистики группы эндогенных факторов «рублевые отраслевые индексы 2».

    Statistics

    MICEX_TLC

    MICEX_CHM

    MICEX_TRN

    Mean

    0.002200

    0.003788

    -0.002634

    Median

    0.001432

    0.003065

    -0.001155

    Maximum

    0.218236

    0.205401

    0.230962

    Minimum

    -0.318248

    -0.286832

    -0.191200

    Std. Dev.

    0.043811

    0.051127

    0.046168

    Skewness

    -0.582085

    -0.472957

    0.042976

    Kurtosis

    10.14065

    8.346708

    6.731234

    Jarque-Bera

    1123.220

    515.9358

    215.3268

    Probability

    0.000000

    0.000000

    0.000000

    Sum

    1.133046

    1.590829

    -0.977102

    Sum Sq. Dev.

    0.986560

    1.095247

    0.788648

    Observations

    515

    420

    371

    Таблица 5 Основные статистики группы эндогенных факторов «долларовые отраслевые индексы 1».

    Statistics

    CSG_USD

    FNL_USD

    MM_USD

    MNF_USD

    OG_USD

    PWR_USD

    Mean

    0.003372

    0.003635

    0.003361

    0.001527

    0.003252

    0.000501

    Median

    0.005290

    0.003576

    0.003202

    9.63E-05

    0.004140

    0.000919

    Maximum

    0.216062

    0.396866

    0.466826

    0.379450

    0.519152

    0.264934

    Minimum

    -0.228839

    -0.368266

    -0.464563

    -0.324322

    -0.385340

    -0.314453

    Std. Dev.

    0.043573

    0.057650

    0.062065

    0.063236

    0.056985

    0.057491

    Skewness

    -0.236852

    0.020498

    0.128089

    0.266833

    0.626884

    -0.253903

    Kurtosis

    7.686389

    11.77041

    17.21791

    8.511172

    20.12573

    7.092068

    Jarque-Bera

    476.0883

    1650.614

    4339.188

    657.8656

    6327.261

    364.8536

    Probability

    0.000000

    0.000000

    0.000000

    0.000000

    0.000000

    0.000000

    Sum

    1.736684

    1.872248

    1.730773

    0.786611

    1.674526

    0.257790

    Sum Sq. Dev.

    0.975864

    1.708282

    1.979944

    2.055403

    1.669113

    1.698905

    Observations

    515

    515

    515

    515

    515

    515

    Таблица 6 Основные статистики группы эндогенных факторов «долларовые отраслевые индексы 2».

    Statistics

    TLC_USD

    CHM_USD

    TRN_USD

    Mean

    0.001359

    0.002502

    -0.004200

    Median

    0.003934

    0.002694

    -0.000421

    Maximum

    0.224087

    0.259006

    0.213796

    Minimum

    -0.348681

    -0.318668

    -0.208685

    Std. Dev.

    0.050840

    0.056807

    0.054389

    Skewness

    -0.667530

    -0.436080

    -0.213604

    Kurtosis

    8.546801

    7.974184

    5.506367

    Jarque-Bera

    698.4556

    446.3054

    99.92859

    Probability

    0.000000

    0.000000

    0.000000

    Sum

    0.699945

    1.050942

    -1.558282

    Sum Sq. Dev.

    1.328540

    1.352127

    1.094512

    Observations

    515

    420

    371

    Экзогенные переменные в нашей работе гораздо более разнородны и здесь можно выделить множество различных групп, но мы попробуем объединить их все в несколько основных. Первая группа состоит из четырех факторов, которые представляют собой фондовый рынок США, который представлен индексами SPX и MSCIUS, а также их выраженными в рублях копиями SPXRUB и MSCIUSRUB, которые нам пригодятся для сравнения анализа динамики индексов, выраженных в рублях и индексов, выраженных в долларах США. Переход из долларовых индексов к рублевым мы осуществили путем простого умножения данных долларовых индексов на курс доллара США к рублю.

    Таблица 7 Основные статистики группы экзогенных факторов «фондовые индексы США».

    Statistics

    MSCIUS

    MSCIUSRUB

    SPX

    SPXRUB

    Mean

    0.001833

    0.004781

    0.001838

    0.004776

    Median

    0.002693

    0.003669

    0.002848

    0.003714

    Maximum

    0.122159

    0.628229

    0.120258

    0.626188

    Minimum

    -0.144983

    -0.215589

    -0.258687

    -0.224049

    Std. Dev.

    0.024745

    0.037678

    0.025472

    0.037935

    Skewness

    -0.301369

    5.510171

    -1.107456

    5.198188

    Kurtosis

    6.501338

    86.33305

    15.37827

    84.17030

    Jarque-Bera

    532.7815

    298237.5

    6674.291

    282656.6

    Probability

    0.000000

    0.000000

    0.000000

    0.000000

    Sum

    1.857221

    4.843347

    1.862246

    4.837807

    Sum Sq. Dev.

    0.619659

    1.436678

    0.656589

    1.456315

    Observations

    1013

    1013

    1013

    1013

    Вторая большая группа экзогенных переменных представлена основными фондовыми индексами других государств, которые имеются в нашей выборке. Среди них индексы FTSE, DAX, HANGS, SHCOMP и NKY. Цены для каждого из индексов были выражены в долларах США.

    Таблица 8 Основные статистики группы экзогенных факторов «фондовые индексы мира».

    Statistics

    DAX

    FTSE

    HANGS

    NKY

    SHCOMP

    Mean

    0.002277

    0.001138

    0.001889

    0.000539

    0.002646

    Median

    0.004720

    0.002574

    0.002840

    0.002079

    0.002133

    Maximum

    0.161162

    0.134106

    0.151835

    0.121309

    0.463323

    Minimum

    -0.250547

    -0.227261

    -0.207965

    -0.304102

    -0.202515

    Std. Dev.

    0.032976

    0.024834

    0.034818

    0.031673

    0.039212

    Skewness

    -0.504372

    -0.698628

    -0.229717

    -0.875823

    1.649557

    Kurtosis

    8.327892

    12.36882

    6.549625

    11.94879

    23.15038

    Jarque-Bera

    1241.094

    3787.235

    540.7274

    3509.586

    17597.59

    Probability

    0.000000

    0.000000

    0.000000

    0.000000

    0.000000

    Sum

    2.306316

    1.152857

    1.914057

    0.545631

    2.680297

    Sum Sq. Dev.

    1.100440

    0.624147

    1.226822

    1.015208

    1.556023

    Observations

    1013

    1013

    1013

    1013

    1013

    Еще одна заметная группа - цены на товарные фьючерсы, которая является очень важной для анализа данных в случае РФ. Данная группа представлена фьючерсом на нефть марки BRENT и индексом METAL, отражающим стоимость основных промышленных металлов. Также здесь отмечены их рублевые аналоги, то есть ряды данных, переведенные из долларов США в российские рубли, также, как это было сделано в случае американских индексов.

    Таблица 9 Основные статистики группы экзогенных факторов «товарные фьючерсы».

    Statistics

    BRENT

    BRENTRUB

    METAL

    METALRUB

    Mean

    0.002500

    0.005512

    0.001396

    0.004312

    Median

    0.003917

    0.004556

    0.001075

    0.003389

    Maximum

    0.222570

    0.752299

    0.141410

    0.710380

    Minimum

    -0.284431

    -0.264122

    -0.150344

    -0.248517

    Std. Dev.

    0.047573

    0.057568

    0.029711

    0.044435

    Skewness

    -0.452045

    2.671236

    -0.404696

    5.765496

    Kurtosis

    6.444433

    37.74794

    6.449080

    89.26174

    Jarque-Bera

    535.2647

    52167.87

    458.1214

    276452.9

    Probability

    0.000000

    0.000000

    0.000000

    0.000000

    Sum

    2.532185

    5.583341

    1.222498

    3.777084

    Sum Sq. Dev.

    2.290361

    3.353865

    0.772413

    1.727645

    Observations

    1013

    1013

    876

    876

    Последняя группа экзогенных переменных включает в себя мало связанные между собой и другими факторами переменные, и именно поэтому они были объединены в одну общую группу. Здесь - USDRUB, RUSBOND, MOSPRIME.

    Таблица 10 Основные статистики группы экзогенных факторов «прочие переменные».

    Statistics

    USDRUB

    RUSBOND

    MOSPRIME

    Mean

    0.003080

    0.000312

    0.028668

    Median

    0.000387

    8.53E-05

    0.000000

    Maximum

    0.711840

    0.105398

    15.06000

    Minimum

    -0.242496

    -0.072267

    -5.410000

    Std. Dev.

    0.033613

    0.011276

    0.955798

    Skewness

    11.34868

    1.003913

    7.903118

    Kurtosis

    225.5792

    24.16256

    131.3759

    Jarque-Bera

    2112810.

    11485.41

    350637.1

    Probability

    0.000000

    0.000000

    0.000000

    Sum

    3.120293

    0.190059

    14.42000

    Sum Sq. Dev.

    1.143370

    0.077436

    458.6024

    Observations

    1013

    610

    503

    Стоит отметить, что все переменные, которые были включены в исследование, отвечают критериям нормальности распределения, хотя не было проведено дополнительных фильтраций выборки на выбросы и отклонения, поскольку для более подробного и значимого анализа финансовых временных рядов именно резкие и неожиданные изменения значений данных, которые иногда называются «тяжелыми хвостами», а иногда «черными лебедями», являются очень важными.

    2.2 Корреляционный анализ данных

    На следующем этапе исследования, перейдем к анализу корреляционных взаимосвязей среди объясняющих и объясняемых переменных в данной модели. Рассмотрим таблицы с значениями коэффициентов корреляции и их p-value, которые мы также для удобства разбили на несколько основных групп.

    В первой группе были рассмотрены корреляции переменной MICEX, представляющей фондовый рынок РФ в рублях с объясняющими переменными, которые также выражены в российских рублях.

    Таблица 11 Корреляционные взаимосвязи между рублевыми переменными.

    MICEX

    BRENT RUB

    METAL RUB

    MSCIUSRUB

    SPXRUB

    USDRUB

    MOS PRIME

    BRENTRUB

    0.290721

    0.0000

    METALRUB

    0.310783

    0.615898

    0.0000

    0.0000

    MSCIUSRUB

    0.352956

    0.529611

    0.718750

    0.0000

    0.0000

    0.0000

    SPXRUB

    0.362443

    0.540498

    0.692086

    0.973603

    0.0000

    0.0000

    0.0000

    0.0000

    USDRUB

    0.118824

    0.570311

    0.743954

    0.769235

    0.754434

    0.0004

    0.0000

    0.0000

    0.0000

    0.0000

    MOSPRIME

    -0.211236

    0.035080

    -0.044874

    0.078683

    0.091724

    0.241743

    0.0000

    0.4265

    0.3090

    0.0741

    0.0373

    0.0000

    RUSBONDS

    -0.078550

    -0.012073

    -0.104148

    -0.211629

    -0.245988

    -0.294662

    -0.193105

    0.0746

    0.7844

    0.0180

    0.0000

    0.0000

    0.0000

    0.0000

    Обозначения цветовой шкалы: «зеленый», коэффициент корреляции по модулю от 0 до 20%, слабая связь; «желтый», коэффициент корреляции по модулю от 20 до 50%, средняя связь; «оранжевый» коэффициент корреляции по модулю от 50 до 70%, заметная связь; «красный», коэффициент корреляции по модулю от 70 до 90%, сильная связь; «темно красный», коэффициент корреляции по модулю от 90 до 100%, очень сильная связь.

    Главная объясняемая переменная имеет наиболее сильные положительные корреляционные взаимосвязи с тремя факторами - цены на промышленные металлы, а также индикаторы фондового рынка США. Чуть менее сильная взаимосвязь наблюдается с переменными Brent, и процентная ставка MosPrime, правда с последним факторов наблюдается отрицательная зависимость, что, однако, не противоречит фундаментальной логике такого наблюдения: высокие процентные ставки обычно свидетельствуют о кризисном периоде в экономике, так как повышение ставок является одним из инструментов ДКП, которая, в частности, направлена на стабилизацию валютного курса. Кроме того, высокие процентные ставки ухудшают положение компаний, для которых заемные средства становятся менее доступными и более дорогими, а также они негативно влияют непосредственно на активность инвесторов на фондовом рынке, заставляя многих из них покинуть его, так как многие трейдеры и инвесторы в торговле пользуются заемными средствами.

    С динамикой курса доллар-рубль наблюдается очень слабая, но все-таки положительная зависимость, что соотносится с одной из наших гипотез о том, что девальвация национальной валюты позитивно сказывается на динамике фондового рынка, чья стоимость выражена в национальной валюте, хотя делать окончательные выводы еще рано.

    Наименее сильная и практически не значимая зависимость наблюдается с фактором RUSBONDS, отражающим динамику цен на государственные облигации РФ. В остальном же наши первоначальные гипотезы подтверждаются - российский фондовый рынок в рублевом выражении имеет заметную взаимосвязь с такими факторами, как динамика цен на товарные фьючерсы, западные фондовые рынки и процентные ставки.

    Сильнейшая мултиколлинеарность наблюдается между факторами SPXRUB и MSCIUSRUB, что также логично, так как эти два индикатора являются практически полными аналогами ив большей степени состоят практически из одних и тех же компонентов. Основные тесты о равенстве двух выборок (t-критерий Стьюдента, Анова F-тест, Велш F-тест) дают 99,75%-ую вероятность выполнения гипотезы о равенстве средних этих двух переменных, а тесты на равенство дисперсий дают вероятность их равенства от 82,91% до 97,21%. Учитывая их практически полную идентичность, в дальнейшем мы откажемся от одного из этих двух факторов. (2)

    Также сильная взаимозависимость наблюдается между группой факторов USDRUB, METALRUB, BRENTRUB, SPXRUB, MSCIRUB, что можно объяснить сильным влиянием фактора динамики валютного курса доллар-рубль, который непосредственно влияет на каждую из этих переменных, так как он участвует в ценообразовании этих переменных. Это может несколько усложнить для нас этап регрессионной оценки взаимосвязей, так как нам либо придется убрать из рассмотрения большую часть факторов, чтобы избавиться от потенциального пагубного влияния мультиколлинеарности, либо же мы включим все основные переменные, но тогда нам придется мириться с возможным увеличением статистической неопределенности и дисперсии ошибок.

    Во второй группе будет проанализирована степень тесноты взаимосвязи между долларовыми индексами фондового рынка РФ и выраженными в долларах США объясняющими переменными, хотя строго говоря, цены фондовых индексов Германии, Китая, Японии, Гонконга и Великобритании выражены не в долларах США, а в национальных валютах этих стран. Это несколько усложняет процесс анализа взаимосвязи, но все же это не критичное обстоятельство. Дело в том, что доллар США, как известно, является основной мировой резервной валютой, и большая часть мировых финансовых трансакций проводится в долларах США. Это приводит к тому, что динамика практически всех мировых валют в большей или меньшей степени зависит от динамика доллара США, поэтому динамика, например, валютной пары GBP/RUB (британский фунт к рублю) или EUR/RUB (евро к рублю) крайне сильно зависит от динамики курса доллара и на 70-80% обеспечивается именно движением самого доллара, а не фунта или евро.

    Рис.1. Динамика основных мировых валют к рублю.

    На графике хорошо видно, что абсолютно разные валюты, такие как евро, доллар или фунт, на данном промежутке времени движутся к рублю практически идентично, но с разной бетой. Корреляционная зависимость между данными временными рядами достигает 78-86% и в основном она обеспечена именно динамикой курса доллара. Таким образом, когда мы будем анализировать зависимость российских фондовых индексов, выраженных в долларах США, с динамикой, например, немецкого индекса DAX, чья стоимость выражена в евро, мы можем допустить, что разница в динамике курсов евро и доллара не окажет сильного влияния на данную зависимость, так как в большей степени рубль зависит именно от доллара США.

    Для удобства корреляционный анализ данной группы переменных был разделен на две части, так как здесь гораздо больше анализируемых факторов. Стоит также отметить, что в качестве основной объясняемой переменной из двух (RTS и MSCIRU) нам необходимо было выбрать одну, так как обе переменные, также, как и SPX с MSCIUS, являются очень близкими аналогами и практически идентичны друг другу.

    Таблица 12 Корреляционные взаимосвязи между долларовыми переменными

    MSCIRU

    BRENT

    DAX

    FTSE

    HANGS

    METAL

    MSCIUS

    NKY

    SHCOMP

    SPX

    USDRUB

    MOSPRIME

    BRENT

    0,278

    0,000

    DAX

    0,516

    0,170

    0,000

    0,000

    FTSE

    0,528

    0,239

    0,831

    0,000

    0,000

    0,000

    HANGS

    0,477

    0,213

    0,585

    0,628

    0,000

    0,000

    0,000

    0,000

    METAL

    0,335

    0,348

    0,324

    0,327

    0,357

    0,000

    0,000

    0,000

    0,000

    0,000

    MSCIUS

    0,467

    0,179

    0,748

    0,777

    0,545

    0,356

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    NKY

    0,380

    0,196

    0,548

    0,556

    0,545

    0,275

    0,485

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    SHCOMP

    0,096

    0,058

    0,106

    0,081

    0,239

    0,182

    0,065

    0,151

    0,004

    0,087

    0,002

    0,017

    0,000

    0,000

    0,056

    0,000

    SPX

    0,469

    0,207

    0,792

    0,829

    0,569

    0,313

    0,942

    0,547

    0,078

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    0,000

    0,020

    USDRUB

    -0,292

    -0,053

    -0,161

    -0,145

    -0,103

    -0,101

    -0,173

    -0,116

    -0,073

    -0,181

    0,000

    0,114

    0,000

    0,000

    0,002

    0,003

    0,000

    0,001

    0,031

    0,000

    MOSPRIME

    -0,213

    -0,066

    -0,143

    -0,091

    -0,189

    -0,171

    -0,095

    -0,123

    -0,068

    -0,073

    0,242

    0,000

    0,136

    0,001

    0,039

    0,000

    0,000

    0,030

    0,005

    0,122

    0,097

    0,000

    RUSBOND

    0,014

    0,112

    -0,020

    -0,017

    0,004

    0,057

    -0,008

    -0,031

    0,017

    -0,049

    -0,295

    -0,193

    0,747

    0,011

    0,645

    0,701

    0,920

    0,197

    0,862

    0,475

    0,707

    0,266

    0,000

    0,000

    Корреляция между двумя переменными составляет порядка 96,5%, тест на равенство средних указывает на равенство двух выборок с вероятностью 95,3%, хотя отдельные тесты на равенство дисперсий указывают на то, что гипотеза о равенстве отклонений двух выборок может быть не верна. Из двух переменных мы решили выбрать MSCIRU, так как этот фактор имеет более сильную взаимосвязь с объясняющими переменными в 8 из 12 случаев по сравнению с переменной RTS, у которой лишь 4 из 12 «лучших» зависимостей. Представление взаимосвязей с переменной RTS было опущено, и сразу же был сделан переход к представлению корреляционной зависимости объясняющих переменных и фактора MSCIRU.

    Во второй группе факторов наиболее сильная взаимосвязь объясняемой переменной наблюдается с переменными, отражающими динамику мировых фондовых рынков - DAX, HANGS, MSCIUS, SPX, что подтверждает нашу гипотезу о том, что российский фондовый рынок сильно взаимосвязан с динамикой мировых фондовых рынков. Наиболее сильная взаимосвязь здесь наблюдается с переменными фондовых индексов Германии и Великобритании, что также можно достаточно просто объяснить: географически эти страны ближе к нам и с ними мы имеем более тесные экономико-финансовые отношения, чем, например, с США или Гонконгом, так что сильная зависимость от этих факторов вполне объяснима. Не стоит также забывать о том, что на биржах Лондона и Франкфурта торгуется большая часть иностранных депозитарных расписок российских эмитентов, что также говорит в пользу сильной взаимосвязи. Тем не менее, нельзя сказать, что связь с рынками США и Гонконга у фондового рынка РФ на порядок ниже, чем связь с Великобританией и Германией. Связь с рынком Японии хоть и ниже, чем с остальными площадками, все же является достаточно сильной и заметной.

    Далее по значимости стоит отметить взаимосвязь с такими факторами как цена на нефть, цены на промышленные металлы, а также динамика курса доллар-рубль и динамика процентных ставок в стране. Эти наблюдения подтверждают и наши гипотезы, и результаты прошлогоднего исследования, хотя немного удивительным может оказаться относительно невысокая, в сравнении с другими факторами, зависимость российского рынка от цен на нефть. Корреляция с факторами USDRUB и MOSPRIME является отрицательной, что также соотносится с фундаментальной логикой. Мы уже отмечали ранее, что растущий курс доллара к рублю оказывает негативное влияние на стоимость российских акций, выраженных в долларах США, что подтверждается статистическими взаимосвязями.

    Заметной остается, и отрицательная взаимосвязь российского рынка с процентными ставками. Объяснить это не так сложно: в случае использования индекса MSCI, на стоимость российских акций будет самым непосредственным образом влиять изменение курса валют, а изменение курса валют, в свою очередь, сильно связано именно с процентными ставками (мы видим, что корреляция между факторами USDRUB и MOSPRIME достаточно высока). Эта взаимосвязь объясняется следующей логикой: падение курса национальной валюты усиливает инфляцию в стране, так как импортные товары для внутреннего пользования становятся более дорогими. Для борьбы с инфляцией ЦБ использует инструменты ужесточения монетарной политики, в частности, он может повысить процентные ставки. Высокие процентные ставки повысят спрос на активы, выраженные в национальной валюте (например, на депозиты в рублях), что приведет к притоку денег в рублевые активы и, в конечном счете, к росту курса национальной валюты. Бывают и обратные случаи: слишком сильный курс национальной валюты приводит к замедлению темпов роста цен и создает угрозу дефляции, что может негативно сказаться на инвестиционной активности в стране и, в конечном итоге, негативно скажется на экономическом росте. Для борьбы с дефляцией и слишком высоким курсом национальной валюты, ЦБ наоборот начнет цикл монетарного ослабления путем снижения процентных ставок. Именно этот процесс сейчас наблюдается в Европе, где ЕЦБ использует различные методы монетарного ослабления, в том числе и путем снижения процентных ставок, для стимулирования роста цен в регионе. В конечном счете, изменение характера монетарной политики, вызванное определенными изменениями валютного курса, должно оказать обратный эффект на динамику курсов валют, так что взаимосвязь этих двух факторов (валюты и процентных ставок) оказывается очень сильной, что мы можем подтвердить статистически.

    Слабая и практически незаметная связь наблюдается у российского рынка с фондовым индексом Китая, что является несколько удивительным наблюдением. Взаимосвязь экономик Китая и РФ очень велика - «Поднебесная» является крупнейшим торговым партнером РФ в страновом разрезе: на долю Китая приходилось 88,8 млрд. долларов или 12,2% от совокупного внешнеторгового оборота РФ в 2013 году. Велика зависимость экономики РФ от цен на товарные фьючерсы, а они, в свою очередь, напрямую зависят от состояния экономика Китая, которая является крупнейшим мировым потребителем и источником спроса на сырье, металлы и полезные ископаемые. Падение и стагнация цен на промышленные металлы и снижение темпов роста обрабатывающих отраслей РФ после 2010 года напрямую зависит от постепенного замедления темпов роста экономики Китая. Несмотря на эти факторы, взаимосвязь фондовых рынков РФ и Китая на практике не наблюдается.

    Также, как и в первой группе факторов, практически нулевой оказалась взаимосвязь фондового и долгового рынка РФ.

    В рядах объясняющих переменных стоит отметить сильную зависимость факторов MSCIUS и SPX, что наблюдалось еще в первой группе факторов, а также можно заметить сильную мультиколлинеарность, которая наблюдается между индексами мировых фондовых рынков, особенно между переменными индексов США, Германии и Великобритании. Динамика мировых фондовых рынков сильно взаимосвязана и это можно легко объяснить тесными экономическими связями между развитыми странами, особенно теми, что находятся географически близко друг к другу (Германия и Великобритания), или имеют тесные исторические взаимосвязи, которые выражаются сильной культурной, социальной и политической близостью (США и Великобритания). Но также сильную зависимость можно объяснить доминированием США и доллара на мировой финансово-экономической арене из-за чего все прочие страны оказываются сильно зависимы от США и от процессов, которые происходят в экономике этого государства.

    Таким образом, из-за сильной мультиколлинеарности нам придется из множества переменных мировых фондовых индексов выбрать один основной, который в большей степени бы отражал взаимосвязь российского рынка с мировыми фондовыми рынками. Окончательный выбор мы сделаем на этапе регрессионного анализа данных, но уже сейчас можно сказать, что скорее всего наш выбор падет либо на фондовый индекс США, как доминирующей мировой экономики, либо на фондовый индекс Великобритании, которая имеет очень тесную связь с США и, судя по корреляционному анализу, имеет наиболее сильную связь с рынком РФ.

    На последнем этапе корреляционного анализа обратимся к оценке взаимосвязей отдельных отраслевых индексов фондового рынка РФ с объясняющими переменными. Мы отдельно провели анализ для индексов, выраженных в рублях, и индексов, выраженных в долларах США.

    Начнем с группы отраслевых индексов, выраженных в российских рублях. Анализ корреляции был проведен с основными факторами, которые участвовали в анализе для переменной MICEX, при этом была исключена переменная MSCIUSRUB, которая является прямым аналогом переменной SPXRUB.

    Таблица 13 Корреляционные взаимосвязи между рублевыми переменными по отраслям.

    CHM

    CSG

    FNL

    MM

    MNF

    OG

    PWR

    TLC

    TRN

    BRENTRUB

    0,33118

    0,23271

    0,23040

    0,39018

    0,18669

    0,40414

    0,23728

    0,32301

    0,27518

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    METALRUB

    0,31387

    0,25568

    0,17792

    0,47048

    0,18900

    0,36026

    0,21849

    0,29508

    0,21632

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    MOSPRIME

    -0,17556

    -0,23893

    -0,14496

    -0,15980

    -0,23689

    -0,19374

    -0,18367

    -0,24790

    -0,15985

    0,00030

    0,00000

    0,00100

    0,00030

    0,00000

    0,00000

    0,00000

    0,00000

    0,00200

    RUSBOND

    -0,12372

    0,07332

    -0,04614

    -0,11057

    0,02021

    -0,10673

    0,02024

    0,05287

    0,26321

    0,01120

    0,09620

    0,29550

    0,01200

    0,64700

    0,01540

    0,64680

    0,23110

    0,00000

    SPXRUB

    0,34012

    0,22529

    0,24832

    0,50122

    0,23690

    0,42120

    0,24531

    0,36712

    0,14036

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00000

    0,00680

    USDRUB

    -0,10287

    -0,20139

    -0,22510

    -0,05895

    -0,24848

    -0,18233

    -0,28106

    -0,21625

    -0,20561

    0,03510

    0,00000

    0,00000

    0,18120

    0,00000

    0,00000

    0,00000

    0,00000

    0,00010

    Напомним условные обозначения: CHM - химическая отрасль, CSG - потребительский сектор, FNL - финансовые компании, MM - металлургия, MNF - машиностроение, OG - нефть и газ, PWR - электроэнергия, TLC - телекоммуникации, TRN - транспортный сектор.

    Разберем каждую из отраслей по отдельности и по порядку, в котором они представлены в таблице. Химическая отрасль имеет наиболее сильную зависимость от факторов цены на нефть, цены на промышленные металлы и от динамики фондового рынка США. Последняя зависимость, так или иначе, проявляется во всех отраслях, что связано с тем, что весь российский фондовый рынок сильно зависим от динамики фондового рынка США. Связь с ценами на нефть и металлы понять сложнее, но объяснить все же можно: дело в том, что практически все цены товарных фьючерсов в мире тесно связаны друг с другом, не важно будет ли это цена на нефть, или цена на никель, так как спрос на эти категории товаров в основном формируется в быстрорастущей Азии, или, если конкретно, в Китае. Химическая отрасль, представленная на нашем фондовом рынке в основном компаниями-производителями удобрений, зависит, что логично, от цен на эти самые удобрения. К сожалению, в нашей работе нет переменной, которая отражала бы динамику цен на эту группу сырья, так как в мире сложно найти ликвидный и хорошо торгуемый фьючерс на удобрения, но зато есть переменные цен на нефть и цен на промышленные металлы, которые имеют определенную взаимосвязь с ценами на удобрения, почему мы и можем наблюдать взаимосвязь этих факторов. Мы также предполагали, что динамика цен на акции химических компаний будет положительно зависеть от динамики курса доллар рубль, однако статистически эта гипотеза не подтверждается: зависимость оказалось слабой и отрицательной. Взаимосвязь с факторами MOSPRIME и RUSBOND также оказалась достаточно слабой.

    Акции компаний потребительского сектора имеют заметную взаимосвязь практически со всеми переменными, кроме индекса ОФЗ. Динамика этой отрасли положительно зависит от цен на нефть, металлы и от фондового рынка США, а также отрицательно зависит от динамики курса доллар-рубль и от уровня процентных ставок в стране. Последние два вывода объяснить легко: компании этой отрасли часто сильно зависимы от импорта в РФ, поэтому рост доллара США к рублю увеличивает их издержки на приобретение импортных товаров, а рост процентных ставок в целом является негативным фактором для всей экономики. Объяснить взаимосвязь с ценами на нефть, металлы и фондовый рынок США труднее и выяснять это в данном случае малоперспективно, поскольку ответов здесь может быть очень много, ведь потребительский сектор представлен наиболее разнородным списком компаний, которые фактически можно отнести к разным отраслям экономики, и для каждой отдельной компании можно найти свое объяснение.