CC BY
16
�чные данные, которые получаются за счёт выбора первой суточной нормы от повседневных данных, перепроверяются оценки параметров и доказывается сила объяснения. Ежемесячные данные охватывают период с 1 января 1975 года до 30 июля 2020 года. Предполагается, что это и есть 252 операционных дня и 52 торговых недели в год. Вся процентная ставка преобразована в годовой показатель (Таблица 2).
Таблица 2 — Средние значения, стандартные отклонения и автокорреляция ежедневной доходности, а также их изменения для 1-месячного LIBOR
Table 2 — Average values, standard deviations and autocorrelation of daily returns and their changes for 1 -month LIBOR
Переменная Rt (краткосрочная ставка) Rt - Rt-1 (изменение ставки наблюдения)
Среднее значение 8,310 1,082 x 10-3
Стандартное отклонение 3,980 0,180
Отклонение 0,300 17,000
Продолжежие таблицы 2
Переменная яг (краткосрочная ставка) яг - ЯЫ (изменение ставки наблюдения)
Эксцесс 2,300 1369,400
N — количество наблюдений 9282,000 9281,000
р1 — коэффициент автокорреляции порядка 1 0,999 - 0,046
р2 — коэффициент автокорреляции порядка 2 0,998 - 0,160
р3 — коэффициент автокорреляции порядка 3 0,997 - 0,008
р4 — коэффициент автокорреляции порядка 4 0,996 - 0,016
р5 — коэффициент автокорреляции порядка 5 0,995 0,018
Из таблицы видно, что отклонение данных от уровня краткосрочной ставки и его различия отличается от «0» и «+», поэтому данные ненормальны и перекошены вправо. Кроме того, эксцесс меньше чем 3, означает, что распределение более плоское, чем нормальное распределение. Рассмотрим результаты исследования предыдущей таблицы, где показывается, что р-значение для статис-тики во всей ограниченной модели больше, чем на 5 %. Другими словами, ни один из параметров а и в значительно не отличается от «0».
Это означает, что нулевая гипотеза ограничения параметров не может быть отклонена (принята). Как показано в третьей таблице, модели различаются в зависимости от изменения процентных ставок, для моделей коротких курсов, в основном, ниже 0,01 % и незначительно отличается от других, однако, показывает более высокое значение в диапазоне от 0,015 ^ВМ, Вгеппап-Schwartz, и СТЯ-"УЯ) до 0,13 (ОоШап). Этот результат также показывает, что для Dothan и С1Я-"УЯ уравнения уровня равен «0», так как а параметр и в для обеих математических моделей ограничен до «0». Таким образом, уравнение не может быть оценено. Ос_Педагогичес*ие жау*и
и
л *
а о г ж о ^ и о № а ж
I
ж
ж
*
о № О * о ц е ж
3 ж
о*
X О
3 а
№ о * о е О О и о ж §
о* ж
о е о
4 е ж и е
о «
ж
О
05
2> «
Ж
а
£
05 «
Ж Ж
а
новываясь на результате лучшая математическая модель — во-латильность Merton.
.':■.. тесты для подгонки также предполагают, что все математические модели указаны правильно. Данные математические модели коротких ставок имеют X значения ниже 6 и, следовательно, они не могут быть отвергнуты на уровне достоверности 95 %. Параметры получены путём проведения регрессии с использованием системы обобщённого метода моментов. Кроме того, статистика Щ вычисляется как доля общей вариации фактических изменений ставок (Г = 1) и волатильности (Г = 2), что объясняется соответствующей прогностической ценностью для каждой математической модели.
Статистика X сообщается соответствующей степенью свободы ^Г), и его значение р находится в скобках [9]. (Таблица 3).
Таблица 3 — Результаты регрессионного анализа для полного наблюдения Table 3 — Regression Results for Complete Observation
Model а в I?2 Y df хг R2 Я2
Merton -0,0010 (-1,0130) 0 / - 1,315 (1,760) 0 / - 2,0 2,645 (0,266) 0,00036 0,01527
Vasicek -0,0012 (-0,4700) 0,0003 (-0,0600) 1,319 (1,700) 0 / - 1,0 2,654 (0,103) 0,00036 0,01527
CIR-SR -0,0002 (-0,0800) -0,0001 (-0,2100) 0,302 (1,970) 0,5 1,0 1,893 (0,168) 0,00036 0,01526
Dothan 0 / - 0 / - 0,680 (2,350) 1,0 3,0 0,379 (0,944) 0,00000 0,13641
GBM 0 / - -0,0001 (-0,5700) 0,052 (2,100) 1,0 2,0 1,504 (0,470) 0,00036 0,01525
Brennan-Schwartz 0,0031 (-1,0500) -0,0005 (-1,2000) 0,068 (2,340) 1,0 1,0 0,376 (0,539) 0,00036 0,01525
CIR-VR 0 / - 0 / - 0,680 (2,350) 1,5 3,0 0,379 (0,944) 0,00000 0,01525
Примечание - 0 / — ограничения параметра выборки в компьютерном программном обеспечении Statistica 6.0; «0» — отсутствовал параметр выборки; «-» — стандартные ошибки выборки параметров; 0,379 — полученный итоговый показатель для выборки в компьютерном программном обеспечении Statistica 6.0.
Результат сравнения показывает, что между ограниченными математическими моделями и менее ограниченными математическими моделями используется Wald-тест [10]. Низкая вероятность в тесте Wald показывает, что нулевая гипотеза ограниченного параметра решительно отвергается. Таким образом, более ограниченные математические модели не являются предпочтительными, чем менее ограниченная математическая модель. Ограничение параметров выполняется с помощью теста Wald (Таблица 4).
Таблица 4 — Парные сравнения математических моделей коротких процентных ставок
Table 4 — Pairwise comparisons of mathematical models of short interest rates
Alternative Model Restricted Model Statistic Probability
Vasicek Merton 0,004 0,950
GMB Dothan 0,325 0,569
Brennan-Schwartz Dothan 1,453 0,484
Brennan-Schwartz GMB 1,119 0,290
Следующая таблица показывает результат испытания Chow, который измеряет значение структурного разрыва. Для выполнения теста Chow, выборка данных делится на две части, до и после 16 сентября 1992 года (явление «Чёрной среды» — когда произошло резкое удешевление фунта стерлингов). Затем регрессия оценивается и слева от периода, и по сравнению с использованием F-теста. Результат показывает, что есть смешанные доказательства относительно значения структурного разрыва. Например, в таблице 5 показано, что для уравнения уровня (уравнение (2)) большинство математических моделей отклонили структурный скачок, за исключением Vasicek, математические модели CIR-SR. Для уравнения дисперсии, однако, Merton, Vasicek, CIR-SR и Dothan поддерживаются структурные сдвиги (Таблица 5) [9; 10; 11; 12].
Таблица 5 — Chow испытания
Table 5 — Chow trials
Model F-statistic
Level Equation Variance Equation
Merton 0,88 3,34
Vasicek 3,43 4,98
CIR-SR 3,14 2,91
Dothan 0 / - 18411,00
GBM 1,77 -0,08
Продолжение таблицы 5
Model F-statistic
Level Equation Variance Equation
Brennan-Schwartz 1,49 0,58
CIR-VR 0 / - -1,23
Примечание - 0 / — ограничения параметра выборки в компьютерном программном обеспечении Statistica 6.04; «0» — отсутствовал параметр выборки; «-» — стандартные ошибки выборки параметров; 1,49 — полученный итоговый показатель для выборки в компьютерном программном обеспечении Statistica 6.0.
В дополнение к этому следующая таблица показывается, что для значения параметра для математических моделей коротких ставок используется поток выборочных данных до явления «Чёрная среда». Оба а параметра и в существенно не отличаются от «0» при уровне значимости 1% и 5 % для всех математических моделей. Перед явлением «Чёрная среда» значение параметра а составляет от -0,001 до 0,023. Значение в параметров находится в диапазоне от -0,002 до 0,001 (Таблица 6) [13].
х
и Т е к
I
1
ö
Таблица 6 — Результаты регрессии с использованием данных до «Чёрной среды» Table 6 — Regression results using pre-Black Wednesday data
Model а в I?2 Y df ж2 R2 R2
Merton 0,001 (-0,433) 0 / - 8,879 (6,487) 0,0 2,0 4,0000 (0,1350) 0,00033 0,01649
Vasicek 0,023 (-1,939) -0,002 (-1,892) 8,415 (6,092) 0,0 1,0 0,4210 (0,5160) 0,00033 0,01648
CIR-SR 0,019 (1,620) -0,002 (-1,667) 0,500 (5,806) 0,5 1,0 1,2190 (0,2690) 0,00033 0,01649
Dothan 0 / - 0 / - 0,320 (5,559) 1,0 3,0 1,7740 (0,6200) 0,00000 0,1651
GBM 0 / - -0,000 (-0,587) 0,033 (5,963) 1,0 2,0 3,9310 (0,1401) 0,00033 0,01651
Brennan-Schwartz 0,017 (1,468) -0,002 (-1,563) 0,032 (5,572) 1,0 1,0 1,7780 (0,1820) 0,00033 0,01650
CIR-VR 0 / - 0,000 0,032 (5,559) 1,5 3,0 1,7740 (0,6200) 0,00000 0,06515
Примечание - 0 / — ограничения параметра выборки в компьютерном программном обеспечении Statistica 6.0; «0» — отсутствовал параметр выборки; «-» — стандартные ошибки выборки параметров; 1,7740 — полученный итоговый показатель для выборки в компьютерном программном обеспечении Statistica 6.0.
Оценка горизонта для Rt в годовом исчислении на один месяц в качестве межбанковской ставки начинается с января 1975 года по сентябрь 2019 года (4619 наблюдений). Параметры оцениваются с использованием обобщённого метода моментов с ^статистики в скобках. Таблица № 6 показывает, что ни один из а параметров и в незначительно отличается от «0» в каждой математической модели, но параметр очень значим на 1 % уровне для всех математических моделей. В дополнение к этому лучшей математической моделью дисперсии на основе является GBM и Dothan. Оценка горизонта для Rt в годовом исчислении на один месяц в качестве межбанковской ставки осуществляется с сентября 1992 года по июль 2020 года (4662 наблюдения). Параметры оцениваются по системе обобщённого метода моментов с ^статистики в скобках. Следующая | таблица показывает, что среди всех параметров в математических § моделях коротких ставок (а, в, и ) единственный параметр является значимым на 1% (то есть МеЛоп и Vasicek модели). Кроме того, является значимым на 5 % за CIR-SR. Лучшим уравнением вола-
этом исследовании показывает, что один фактор приводит математические модели короткой ставки к чувствительности при выборе точки разрыва. В большинстве случаев, однако, волатильность
ж
3
о
г ж
о з
о
§
тильности на основе является Vasicek. Кроме того, результат в ж
ж
ж *
о
№
О *
остаётся важным элементом в объяснении динамики короткой О
ставки (Таблица 7) [14]. ж
ж
о*
X
О §
№ о
* з о ^
О О
ж о
ж §
о* ж
о
X о
ч
л
3 ж
ж 3
Таблица 7 — Результаты регрессии с использованием данных после явления «Чёрная среда» Table 7 — Regression results using post-Black Wednesday data
Model а в I?2 Y df х2 R2 Я2
Merton -0,001 (-1,774) 0 / - 0,810 (4,029) 0,0 2,0 1,091 (0,579) 0,0005 0,00904
Vasicek -0,002 (0,140) 0,00002 (0,00720) 0,844 (4,494) 0,0 1,0 1,422 (0,233) 0,0005 0,00904
CIR-SR -0,001 (-0,111) -0,00010 (-0,04400) 0,178 (2,247) 0,5 1,0 1,366 (0,242) 0,0005 0,00902
Dothan 0 / - 0 / - 0,033 (1,708) 1,0 3,0 1,091 (0,779) 0,0000 0,00902
GBM 0 / - -0,00040 (-1,67900) 0,330 (1,748) 1,0 2,0 1,142 (0,564) 0,0005 0,00897
Brennan-Schwartz -0,002 (-0,160) -0,00001 (-0,00500) 0,033 (1,896) 1,0 1,0 1,371 (0,241) 0,0005 0,00901
CIR-VR 0 / - 0 / - 0,033 (1,708) 1,5 3,0 1,091 (0,779) 0,0000 0,00902
Примечание - «0 /» — ограничения параметра выборки в компьютерном программном обеспечении Statistica 6.0; «0» — отсутствовал параметр выборки; «-» — стандартные ошибки выборки параметров; 1,142 — полученный итоговый показатель для выборки в компьютерном программном обеспечении Statistica 6.0.
Все математические модели вложены в простые рамки, что позволяет сравнить их непосредственно друг с другом. Также математические модели волатильности ставок в значительной степени зависят от уровня безрисковой ставки, не обязательно лучшим образом отображающим динамику короткой ставки. Отсюда видно, что волатильность уравнения является наиболее важной частью однофакторной прогнозирующей математической модели. Это согласуется как для всей выборки данных, так и для отдельного наблюдения. Также отмечается, что данные математические модели не подойдут для тех стран, где короткая ставка поддаётся обширному контролю со стороны государства [15]. Сравнивая различные х функции диффузии с единичным коэффициентом и линейным
смещением, волатильность является важной частью этих математи-
математической модели коротких ставок [16].
Параметры соизмерения рисковых факторов процентных
гласно общепринятому подходу. Кривая доходности делится на несколько сегментов (по времени погашения), для каждого из кото-
Количество и длина сегментов, как и количество факторов риска, должно определяться структурой операций банка. Чем более сложна структура операций (в частности — количество различных видов инструментов в портфеле банка), тем больше факторов риска должно рассматриваться. В качестве отдельных факторов риска
(вплоть до введения в математическую модель разных кривых до-
к
3 *
з
ческих моделей, но чувствительность волатильности не всегда а
3
пропорционально влияет на производительность однофакторной г
ж
о
з з
о
№ а
ж
ставок включают математические модели кривой доходности, со- §
ж
ж
* о
№ О
ж
рых определяется свой фактор риска (процентная ставка). X
з
о
-к е
ж
з
должны рассматриваться спреды между различными ставками О
е
О О
о
ходности для основных сегментов рынка) [17]. §
Традиционный и наиболее простой вариант — рассматри- жо
е
вать в качестве величины риска номинальные размеры позиций по ^
процентным инструментам. Оценка риска в данном случае сводит- че
ж
ся к построению таблицы, в которой активы, обязательства и вне- №
балансовые позиции банка разбиваются на определённое количество временных зон в зависимости от сроков погашения или сроков переоценки. В отсутствии точно определённого срока инструмент относится к той или иной временной зоне исходя из прогнозируемого (ожидаемого) периода до погашения, определяемого на основании существующего опыта, исторических наблюдений [18].
Не менее важны изменения в спросе и предложении заёмных средств. Со стороны спроса основными участниками рынка являются государство, фирмы и домашние хозяйства. Соответственно, увеличение дефицита государственного бюджета увеличит потребность в заимствованиях и будет способствовать росту процентных ставок. Рост доходности реальных инвестиций в экономике приведёт к росту процентных ставок, что будет способствовать также изменению предпочтений домашних хозяйств в пользу увеличения текущего потребления [19]. Предложения заёмных средств на рынке определяются, прежде всего, предпочтениями домашних хозяйств относительно текущего и будущего потребления. Эти предпочтения определяются размерами накопленного богатства, объёмом текущего дохода и ожиданиями относительно будущих доходов, возрастной структурой населения, традициями. В то же время важнейшую роль среди факторов предложения играет развитость финансовых рынков и институтов финансового посредничества, степень доверия домашних хозяйств к финансовым посредникам и особенности инфраструктуры рынка. Рынок заёмных средств ни в одной стране не является полностью нерегулируемым. Это §" означает, что цены на этом рынке определяются не только под воз-
I £
§ ж
О
сц
действием спроса и предложения, но и находятся под влиянием государственной политики. Изменение предложения денег, ставок рефинансирования банков, другие инструменты политики непо-
а
§ средственным или опосредованным образом влияют на рыночные
процентные ставки [20].
Таким образом, к временно с увеличенной ставкой, установленной Центральным
а
Таким образом, курс плавающего российского рубля одно-
банком РФ, делает рискованными стратегии перекупщиков, при этом риски для экономики также усиливаются многократно.
3 Результаты (Results)
Разработана математическая модель прогнозирования банковских процентных ставок.
Для сбалансированного, поступательного развития экономики одним из важных критериев является пропорциональное развитие динамики реального и финансового сектора. Ключевым макроэкономическим индикатором, от которого отталкивается государственная экономическая политика и на который ориентируется национальный рынок в целях подчинения финансовой сферы х реальному сектору экономики является процентная ставка. Основной показатель реального сектора ВВП в феврале 2020 года снизился на 1,5 % в годовом сопоставлении, то есть наблюдается снижение. На динамику ВВП также повлиял тот факт, что в феврале наблюдалось сокращение объёма внешней торговли, причём экспорт сократился больше импорта и, таким образом, вклад чистого экспорта был отрицателен.
ставки ЦБ РФ, имеет существенный долг, вследствие завершённого
способствует погашению долгов, хотя нужны средства и на производство. Программа льготного кредитования сельского хозяйства может быть свёрнута. В таком случае программа импортозамеще-ния будет сорвана.
В январе 2021 года объём грузоперевозок продемонстрировал негативную динамику, суммарно снизившись на 0,2 % за ноябрь-январь к уровню октября. Реальный сектор экономики РФ
приводят к нужному результату, уменьшению инфляции, так как
к
3
к
3 з
а 3 о г ж о и 3 о № а ж и
¡о
Сельское хозяйство, из-за резкого повышения ключевой аж
о
№ О
ки
усовершенствования рефинансирование (перекредитование) по- х
3
о
к е
ж
3 о е О О
ио
остро нуждается в финансовой поддержке со стороны государства жа
и частных инвесторов. Колебания ключевой процентной ставки не о
е
о
ч
растут издержки компаний вследствие падения курса рубля. Введён
запрет на импорт ряда продовольственных товаров из некоторых
стран. Растут тарифы на услуги компаний инфраструктурных отраслей. Повышены нагрузки по уплате страховых взносов для бизнеса. Растут процентные платежи вследствие повышения процентных ставок. Как следствие, идёт отражение на ценах. Сжатие спроса будет сдерживать рост цен сегодня, но подстегнёт инфляцию в долгосрочной перспективе, поскольку проблему роста издержек и убыточности бизнеса, падение спроса никак не решит. Также у компаний сокращаются объёмы продаж. Это влечёт за собой уменьшение валовой прибыли, но никак не влияет на объём выплат по кредитам. Компании будут вынуждены либо не исполнять в срок обязательства перед банками, либо брать новые кредиты на уплату процентов по старым. Данная ситуация ведёт к постоянному выведению ресурсов из экономики с целью погашения кредитов. Компании лишаются средств, которые могли бы использовать для обновления оборудования. Колебания процентных ставок представляют интерес для спекулянтов как зарубежных, так и российских фондовых рынков.
4 Обсуждение (Discussion)
Ключевым итогом данного исследования становится математическая модель прогнозирования банковских процентных ставок. Колебания процентных ставок являются одним из важнейших свойств современного финансового рынка, являющимся следствием воздействия множества факторов. Номинальную процентную ставку можно представить как сумму двух составляющих: во-первых, это реальная процентная ставка, выражающая относитель-
§ ную стоимость реальных ресурсов во времени, во-вторых, прогно-£
§ ж
сц
зируемое участниками рынка изменение реальной стоимости (по-сц купательной способности) денег — ожидаемая инфляция. Изменения в ожиданиях экономических агентов в отношении будущей инфляции является одной из важнейших причин, объясняющих колебания номинальных ставок.
а н
^ Делается акцент на поведении ключевой ставки, как факто-
ра, влияющего на состояние национальной экономики РФ.
Предлагаемая методология приводит к возникновению гибких процентных банковских ставок на основе инструментов регулирования банковского сектора. В основу методологии положена математическая модель эконометрического анализа и стратегического финансового управления по построению банковских процентных ставок.
5 Заключение (Conclusion)
Таким образом, мы рассмотрели оценку влияния банковских процентных ставок на состояние национальной экономики РФ. Реальный сектор экономики РФ остро нуждается в финансовой поддержке со стороны государства и частных инвесторов. Колебание ^
f
ключевой процентной ставки не приводит к нужному результату, и
е
уменьшению инфляции, потому что растут издержки компаний по | причине падения курса рубля. Выявлена оптимальная прогнозируе- а
мая математическая модель краткосрочных безрисковых банковских о
гн
процентных ставок, которая может быть рекомендована в целях о
практического применения. о
а
ни
Библиографический список ^
а
1. Vasicek O. (1977), "An equilibrium characterization of the term К
structure", Journal of Financial Economics, 5, 177-188. §
с
к f
о
е
nal of Financial Economics, 6, 59-69. |
4. Merton Robert C. (1973), "An intertemporal capital asset pricing g model", Econometrica, 3, 67-87. С
5. Brennan M.J. & Schwartz E.S. (1980), "Analyzing convertible а
о
bonds", Journal of Financial and Quantitative Analysis 3, 907-929. к
6. Колесник Н. Ф., Станчуляк Ю. Н. Особенности формирования оце- 3
2. Harvey Campbell R. (1988), "The real term structure and consumption growth", Journal of Financial Economics, 7, 305-333.
3. Dothan U.L. (1978), "On the term structure of interest rates", Jour-
ночных резервов и их влияние на показатели платежеспособности предприятия // ^ Финансовая аналитика: проблемы и решения. 2017. № 2 (332). С. 192-204.
7. John C. Cox, Jonathan E. Ingersoll Jr. & Stephen A. Ross (1980), "An
3
o o R
o
analysis of variable rate loan contracts", The Journal of Finance, 5, 389-403. g
с
8. Нагапетян А. С., Кулай С. В. Анализ платежеспособности предприя- о
тия // Экономика и социум. 2017. № 2 (33). С. 732-736.
о
X
о
9. Бигильдеева Т. Б., Постникова Е. А. Ширшикова Л. А. Эконометрика. ч Модели временных рядов. Система эконометрических уравнений. Москва : |
Центр оперативной полиграфии "'УюШрпШ". 2017. С.48-90. чЛ
10. Jonathan E.I., Stephen A.R. (1985 ), "The theory of the term structure of interest rates", Econometrica, 7, 385-407.
11. Крымова И. П., Дядичко С. П. Таргетирование инфляции в России: первые итоги // Азимут научных исследований: экономика и управление. 2019. № 3. С. 48-63.
12. Newey W., West K. (1987), "Hypothesis testing with efficient method of moments estimation", International Economic Review, 28, 777-787.
13. Сафонова Н. С., Блажевич О. Г., Бондарь А. П. Методические особенности оценки ликвидности и платежеспособности предприятия // Бюллетень науки и практики. 2016. № 5 (6). С. 434-440.
14. Ершов М. В. Мир и Россия: инфляция минимальна, экономический рост замедляется, риск повышаются // Вопросы экономики. 2019. № 12. С. 69-90.
15. Эюбов З. В. Современная денежно-кредитная политика и ее роль в формировании национальной рыночной экономики // Проблемы современной экономики. 1988. № 1. 305-333.
16. Leippold M., Wu L. (2011), "Asset pricing within the quadratic class", The Journal of Financial and Quantitative Analysis, 37, 271-295.
17. Hull J. & White A. (1990), " Pricing Interest-Rate-Derivative Securities", The Review of Financial Studies, 3 (4), 573-592.
18. Саркисянц М. К. Анализ методов оценки платежеспособности предприятия в России и за рубежом // Вопросы экономических наук. 2016. № 3 (79). С. 41-42.
19. Brenner R.J., Harjes R.H. & Kroner K.F. (2006), "Another look at models of the short-term interest rate ", The Journal of Financial and Quantitative Analysis, 7, 85-107.
20. Ершов М. В. 10 лет после глобального кризиса. Риски и перспективы // Вопросы экономики. 2019. № 1. С. 38-53.
Ye. A. Gnatyshina1, N. V. Uvarina2, Yu. V. Lysenko3
lORCID No. 0000-0002-6540-3535 Professor (Full), Doctor of Pedagogic Sciences,
South-Ural state Humanities-Pedagogical University, Chelyabinsk, Russia.
ÏORCID No. 0000-0002-6540-3535
R
^
^ Director of the Professional Pedagogical Institute
^
^ E-mail: mopr@cspu.ru
a s
§ 2ORCID No. 0000-0002-1490-3303
á Professor (Full), Doctor of Pedagogic Sciences,
^ Deputy Director of the Professional Pedagogical Institute,
^ South-Ural state Humanities -Pedagogical University,
J Chelyabinsk, Russia.
-Si
E-mail: unv@cspu.ru
a
tB 3ORCID No. 0000-0002-8173-4174
^ Professor (Full), Doctor of Economic Sciences,
¡^ Professor at the Department of of Economics, Management and Law,
South-Ural state Humanities -Pedagogical University, Chelyabinsk, Russia.
E-mail: lysenkoyuv@cspu.ru
ARCHITECTURE FOR FORECASTING BANK INTEREST RATES (PROFESSIONAL TRAINING)
Abstract
Introduction. The application of forecasting bank interest rates is justified by the current relevance, which is of particular importance in the context of financial instability and economic sanctions, quarantine, and an epidemic that the Russian banking sector has undergone during the post-COVID period. One of the main characteristics of the modern financial market is the fluctuation of market interest rates under the influence of various factors with a certain strength: inflationary expectations, government policy, supply and demand.
Materials and methods. The research toolkit is based on the provisions of econometric research and strategic financial x
o
management with the subsequent use of computer software: Sta-tistica 6.0. Used materials from specialized periodicals, international and Russian scientific and practical conferences, materials published on the Internet.
Results. Developed a mathematical model for forecasting bank interest rates. c^
o
Discussion. Particular attention is paid in the study to the §
behavior of the key rate as a factor affecting the state of the national economy.
s
s
o a
s
C6 >1 R
Conclusion. It is concluded that it is in modern conditions S.
f6
that it is precisely the forecasting of bank interest rates, built on ^
the basis of methodological (mathematical) models of short-term risk - free interest rates, that can be recommended for practical application.
Keywords: Interest rate; Mathematical model; Forecasting; Risk; Parameter; Central Bank of the Russian Federation. |
£
Highlights:
The impact of the interest rate on macroeconomic indicators and the real sector of the economy is considered;
A comparative analysis of mathematical models of short -term risk-free interest rates (spot rates);
Methodological (mathematical) models have been developed for forecasting the interest rates of bank rates of credit institutions, taking into account the current state of the Russian banking market.
References
1. Vasicek O. (1977), "An equilibrium characterization of the term structure", Journal of Financial Economics, 5, 177-188.
2. Harvey Campbell R. (1988), "The real term structure and consumption growth", Journal of Financial Economics, 7, 305-333.
3. Dothan U.L. (1978), "On the term structure of interest rates", Journal of Financial Economics, 6, 59-69.
4. Merton Robert C. (1973), "An intertemporal capital asset pricing model", Econometrica, 3, 67-87.
5. Brennan M.J. & Schwartz E.S. (1980), "Analyzing convertible bonds", Journal of Financial and Quantitative Analysis 3, 907-929.
6. Kolesnik N.F. & Stanchulyak Yu.N. (2017), Osobennosti formiro-vaniya otsenochnykh rezervov i ikh vliyaniye na pokazateli pla-tezhesposobnosti predpriyatiya [Features of the formation of estimated reserves and their impact on the indicators of the company's solvency], Fi-nansovaya analitika: problemy i resheniya, 2 (332), 192-204. (In Russian).
7. John C. Cox, Jonathan E. Ingersoll Jr. & Stephen A. Ross (1980), "An
r analysis of variable rate loan contracts", The Journal of Finance, 5, 389-403.
^ 8. Nagapetyan A.S., Kulai S.V. (2017), Analiz platezhesposobnosti
^ predpriyatiya [Analysis of the solvency of the enterprise], Ekonomika i sotsium, 2(33), 732-736. (In Russian).
9. Bigildeeva T.B., Postnikova E.A. & Shirshikova L.A. (2017), Ekonometrika. Modeli vremennykh ryadov. Sistema ekonometricheskikh uravneniy [Econometrics. Time series models. System of econometric equa-
^ tions.], Tsentr operativnoy poligrafii "Violitprint", Moscow, pp. 48-90. (In
^ Russian).
10. Jonathan E.I., Stephen A.R. (1985), "The theory of the term struc-
a in
ture of interest rates", Econometrica, 7, 385-407. a 11. Krymova I.P. & Dyadichko S.P. (2019), Targetirovaniye inflyatsii
O v Rossii: pervyye itogi [Features of the formation of estimated reserves and
^ their impact on the indicators of the company's solvency], Azimut nauchnykh
^ issledovaniy: ekonomika i upravleniye, 3, 48-63. (In Russian).
12. Newey W., West K. (1987), "Hypothesis testing with efficient method of moments estimation", International Economic Review, 28, 777-787.
13. Safonova N.S., Blazhevich O.G., & Bondar A.P. (2016), Metodicheskiye osobennosti otsenki likvidnosti i platezhesposobnosti predpri-yatiya [Methodological features of assessing the liquidity and solvency of the enterprise], Byulleten' nauki i praktiki, 5(6), 434-440. (In Russian).
14. Ershov M.V. (2019), Mir i Rossiya: inflyatsiya minimal'na, ekonomicheskiy rost zamedlyayetsya, risk po-vyshayutsya [World and Russia: inflation is minimal, economic growth slows down, risk increases], Voprosy ekonomiki, 12, 69-90. (In Russian).
15. Eyyubov Z.V. (1988), Sovremennaya denezhno-kreditnaya politika i yeye rol' v formirovanii natsional'-noy rynochnoy ekonomiki [The real term structure and consumption growth], Problemy sovremennoy ekonomiki, 1, 305333. (In Russian).
16. Leippold M., Wu L. (2011), "Asset pricing within the quadratic
class", The Journal of Financial and Quantitative Analysis, 37, 271-295.
17. Hull J. & White A. (1990), "Pricing Interest-Rate-Derivative Securities", The Review of Financial Studies, 3 (4), 573-592.
18. Sarkisyants M.K. (2016), Analiz metodov otsenki platezhesposobnosti predpriyatiya v Rossii i za rubezhom [Analysis of methods for assessing the solvency of an enterprise in Russia and abroad], Voprosy ekonomicheskikh nauk, 3(79), 41-42. (In Russian).
19. Brenner R.J., Harjes R.H. & Kroner K.F. (2006), "Another look at models of the short-term interest rate", The Journal of Financial and Quantitative Analysis, 7, 85-107.
20. Ershov M.V. (2019), 10 let posle global'nogo krizisa. Riski i per- f spektivy [10 years after the global crisis. Risks and prospects], Voprosy r
ekonomiki, 1, 38-53. (In Russian). r
e
ca
Статья поступила в редакцию 10.08.2021; одобрена послерецензиро- ^
вания 27.09.2021; принята к публикации 28.09.2021. g
ba
The article was submitted 10.08.2021; approved after reviewing s
27.09.2021; accepted for publication 28.09.2021.
A
rc h
л r
es R
a
Ppr
rofe e
о n
a T
ra
a
g
