CC BY
282(353) - 2014
Инновации и инвестиции Innovations and investments
УДК 330.43
ИДЕНТИФИКАЦИЯ КРИЗИСНЫХ ПЕРИОДОВ В СТРАНАХ СНГ НА БАЗЕ ИНДЕКСА ДАВЛЕНИЯ
НА ВАЛЮТНЫЙ РЫНОК (EMPI) И МОДЕЛИ С МАРКОВСКИМИ ПЕРЕКЛЮЧЕНИЯМИ MS-DR*
IDENTITY CRISIS PERIODS IN CIS COUNTRIES BASED INDEX OF PRESSURE ON FOREIGN EXCHANGE MARKET (EMPI) AND MODEL WITH MARKOV SWITCHING MS-DR*
Елена Анатольевна Федорова,
доктор экономических наук, профессор кафедры финансового менеджмента, Финансовый университет при Правительстве РФ E-mail: ecolena@mail.ru Дмитрий Олегович Афанасьев, руководитель направления SAP NetWeaver дирекции информационных технологий, ООО «М. видео Менеджмент» Е-mail: dmafanasyev@gmail.com
Проведено исследование по идентификации кризисных периодов на примере стран СНГ на основе индекса давления на валютный рынок. Предлагается использовать динамическую регрессионную модель с марковскими переключениями MS-DR, позволяющую определять критические границы индекса валютного давления. Полученные в работе результаты можно использовать для прогнозирования кризиса для стран СНГ, в том числе и для России.
Ключевые слова: кризис, период, индекс давления на валютный рынок EMPI, динамическая регрессионная модель, модель MS-DR, СНГ.
ElenaA. fedoroya,
Doctor of Economic Sciences, Professor of the Department of the Financial management, Financial University under the Government of the Russian Federation Е-mail: ecolena@mail.ru Dmitry O. AFANASEY area manager of SAP NetWeaver of management of Information Technologies, JSC «M. Video Management» E-mail: dmafanasyev@gmail.com
Research on identification of the crisis periods on the example of CIS countries on the basis of an index of pressure upon the currency market is conducted. It is offered to use dynamic regression model with Markov switching of MS-DR, allowing to define critical borders of an index of currency pressure. The results received in work can be used for crisis forecasting for CIS countries, including for Russia.
Keywords: crisis, period, index of pressure upon the currency market of EMPI, dynamic regression model, model MS-DR, CIS.
* Работа выполнена в рамках прикладной НИР по Государственному заданию Правительства РФ на 2013 г.
* Work is performed within applied NIR on the State task of the Government of the Russian Federation for 2013.
Прогнозирование экономических кризисов -сложная, а может быть, и нерешаемая задача. Однако стремление предсказать кризисные ситуации никогда не оставляло экономистов и исследователей в области эконометрики. Перечень различных методов, которые используются для этого, действительно обширен, а объем эмпирических исследований -велик. Их наиболее полный обзор можно найти в работах [7, 11].
Вместе с тем основные подходы, которые применялись для решения задачи прогнозирования кризисных ситуаций в мировой практике, реализуются в несколько этапов. Первым и наиболее важным из них является решение задачи об определении отрезков времени исследуемого периода, в которые наблюдается кризисное состояние экономики.
В исследованиях таких ученых, как Г. Камин-ски и К. Рейнхарт [19], для решения данной задачи предложено использовать индекс давления на валютный рынок EMPI (Exchange Market Pressure Index). Этот показатель может быть рассчитан разными методами, но в общем случае представляет собой средневзвешенное значение темпа обесценения национальной валюты (как правило, по сравнению с долларом США в номинальном или реальном выражении), ежемесячного изменения величины золотовалютных резервов (в процентном выражении) и ежемесячного изменения процентной ставки. В исходном предложенном значении данного индекса предлагалось понимать его как инструмент определения именно валютных кризисов. Однако в настоящее время EMPI приобрел гораздо более широкое значение и трактуется в ряде исследований как индекс финансового давления (например, в работе Е. А. Федоровой и О. А. Безрук [3]). Причинами этого являются, во-первых, что валютные кризисы зачастую возникают вместе с другими видами кризисных ситуаций (примером могут служить «кризисы-близнецы» - валютный и банковский - в исследованиях Г. Камински и К. Рейнхарта [19]), во-вторых, что в составе EMPI используются характеристики не только валютного рынка, но и финансового. Таким образом, становится ясно, что EMPI может быть использован для идентификации кризисных ситуаций в экономике вообще, а не только для выявления валютных кризисов. Индекс EMP также важен для проведения анализов, которые используют данную концепцию для изучения других важных явлений. Некоторые авторы используют EMPI для оценки региональной
уязвимости к кризисам. Международный валютный фонд предлагает использовать индекс финансового стресса для стран с развивающейся экономикой, который также содержит индекс ЕМР.
Для решения задачи идентификации кризисных периодов с помощью ЕМР1 необходимо ответить на два вопроса: каким образом определять индекс ЕМР и какова критическая граница, в пределах которой анализируемый период признается как кризисный.
В настоящее время можно выделить два основных подхода для вычисления индекса ЕМР, которые дают ответ на первый вопрос.
Первый подход. В работе [18] Г. Камински и К. Рейнхарт предлагают рассчитывать индекс ЕМР следующим образом:
Де с —* ЕМР1, =-!---,
е с к
где ЕМР1 ( - индекс давления на валютный рынок
в период времени Р;
—- - относительное изменение обменного
курса национальной валюты ' в период времени Р;
С' - стандартное отклонение изменения обА' -
менного курса - за исследуемый период
е
времени;
сг - стандартное отклонение изменения ва-
—;
лютных резервов —- за исследуемый период
к
времени;
—к
— - относительное изменение валютных
к
резервов г ( в период времени Р.
Второй подход. В работе [17] Г. Камински, С. Лизондо и К. Рейнхарт используют модификацию, которая включает номинальную процентную ставку, т. е.
Де с Ак с ЕМРГ = —--+ —\,
где с. - стандартное отклонение величины изменения номинальной процентной ставки —г за исследуемый период времени; —Р - абсолютное изменение номинальной процентной ставки 1 за период времени Р При использовании такой методологии расчета очевидно, что индекс ЕМР увеличивается с обесцениванием национальной валюты, уменьшением иностранных резервов и ростом номинальных процентных ставок.
В предлагаемом исследовании для определения индекса EMP будет использован второй подход как хорошо зарекомендовавший себя на практике и наиболее часто встречающийся в исследованиях отечественных и зарубежных ученых.
Для ответа на второй вопрос о величине критической границы индекса EMP, в пределах которой анализируемый период признается кризисным, также можно использовать несколько подходов. Согласно традиционному или уже ставшему классическим подходу экономика страны находится в кризисном состоянии, если индекс ЕМР превышает определенную границу, определяемую как [4]
X если ЕМ.Р, > ^EмPв^EMp = < ,
I0, еСЛи ЕМР < ЦЕМРР°ЕМР
где ЦЕМР - среднее значение индекса ЕМР;
в - коэффициент;
сЕМР - стандартное отклонение индекса ЕМР.
Другими словами, финансовый кризис наблюдается, когда давление на финансовом рынке «аномально высокое». Основная проблема данной методологии заключается в нахождении границы, определяющей критическое значение индекса, или определении величины коэффициента в, которая позволит выявлять кризисные периоды в экономике. Например, Б. Айхенгрин [9] предлагал в качестве границы использовать среднее значение индекса, увеличенное на 1,5 стандартных отклонения, т. е. в = 1,5 (этот подход использовался в работе Е. Федоровой и О. Безрук [3]). В работе [20] Г. Камински и К. Рейнхарт использовали среднее значение индекса, увеличенное на 3 стандартных отклонения (в = 3). Авторы работы [10] приняли в = 1,2, хотя, как отмечают сами, данный подход определяет падение валюты, что не обязательно означает валютный кризис.
Вместе с тем использование классического подхода для определения границы индекса ЕМР далеко не всегда оправдано и дает качественные результаты, так как выбор порогового значения в обозначенных исследованиях носит недостаточно научно обоснованный подход, а делается, как правило, на основании умозрительных заключений. Поэтому в качестве альтернативной методологии может быть предложено использование модели с марковскими переключениями, которая в силу своих особенностей способна улавливать структурные сдвиги, чем по сути и является кризис с точки зрения поведения индекса ЕМР. Именно такой подход
будет использован в предлагаемом исследовании.
В исследовании экономических временных рядов, в особенности макроэкономических и финансовых, традиционный способ с использованием фиксированной функции плотности распределения вероятностей или единственным множеством параметров модели может быть неприменимым, поэтому появляется необходимость включения в анализ возможных структурных изменений, используя обширный класс моделей с переключением режимов. Данные модели позволяют уловить феномены, связанные со стихийными рыночными изменениями и другими непредвиденными явлениями, приводящими к значительным структурным сдвигам в исследуемом стохастическом процессе.
Модели с переключением режимов имеют очень продолжительную историю в эмпирических экономических исследованиях. Первые исследования в этой области были выполнены учеными в 1960-1970-х гг. в работах [12, 23]. Дальнейшее развитие данные модели получили в работах Д. Гамильтона [13-16], в которых предлагается рассматривать в качестве ненаблюдаемого процесса St цепочку Маркова первого порядка. В этом случае вероятность пребывания системы в состоянии i в момент времени t является функцией только состояния j в момент времени t - 1, т. е. текущее состояние системы зависит только от состояния в предыдущий момент времени. Это в свою очередь позволяет построить эффективный сходящийся алгоритм оценки параметров модели, решая проблему зависимости вероятности текущего состояния от всей истории протекания скрытого процесса. Именно с момента применения данного подхода модель с переключениями становится наиболее полезным инструментом для описания временных рядов, которые подвержены структурным изменениям, позволяя оценивать не только параметры уравнения модели, но и вероятности переходов между состояниями системы. Впоследствии появляется целый класс динамических регрессионных моделей с переключениями Маркова, обозначаемый как MS (k)-DR (Markov Regime Switching Dynamic Regression), где k - число состояний системы. Технические аспекты данной модели подробно исследованы в работах таких ученых, как К. Александер [5], К. Броокс [6], Д. Ким и Р. Нельсон [21], Р. Тцэйя [24], Д. Гамильтон [14] и многих других.
Будем рассматривать EMPI как непосредственно наблюдаемый стохастический процесс. Введем
два состояния исследуемого процесса, которые не можем идентифицировать непосредственно, а лишь косвенно можем обнаружить их по поведению ЕМР1: спокойное состояние и состояние кризиса. Эти два режима могут быть представлены в виде скрытой переменной Б,:
Г1, спокойное состояние
Б 42 •
[2, кризисное состояние
С учетом введенных режимов предполагаем, что поведение ЕМР1 моделируется следующим уравнением:
ЕМР1 , ) + вР ^) (1)
при 6, ~ N[0, с2(Б,)], Б е {1,2}, где ц(Б,) - среднее значение индекса ЕМР;
6, (Б,) - случайные некоррелированные инновации, распределенные по нормальному закону с нулевым средним значением и дисперсией с2(Б,);
Б{ - бинарная скрытая переменная, отражающая текущее состояние системы. В соответствии с общим подходом к выявлению кризисных состояний по индексу давления на валютный рынок можно предположить, что среднее значение индекса ЕМР для кризисного состояния ц (Б, = 2) будет выше, чем ц (Б, = 1) для спокойного состояния. Таким образом, использование данной формы модели с марковскими переключениями позволяет решить вопрос о пороговом значении индекса ЕМР, достижение и превышение которого и является признаком кризисной ситуации в экономике: среднее значение индекса ЕМР, соответствующее кризисному состоянию исследуемого процесса ц (Б, = 2), и будет являться пороговым значением.
Так как для кризисного состояния характерна повышенная волатильность обменного курса валюты, то стоит ожидать (это видно из определения индекса ЕМР), что и волатильность индекса ЕМР о2(Б, = 2) будет превосходить волатильность а2(Б, = 1), т. е. а2(Б, = 2) > а2(Б, = 1).
Стоит отметить, что приведенная форма записи уравнений модели (1) эквивалентна следующей: ЕМР1 ^ [ц (Б,), а2(БД (2)
Форма записи (2) несколько чаще встречается в зарубежных исследованиях, но просто является нецентрированной формой записи спецификации (1).
Для моделей с переключениями режимов не только основной исследуемый процесс ЕМР1( яв-
ляется стохастическим, но и скрытый процесс Б по своей природе также предполагается вероятностным. Ввиду этого нельзя априори утверждать, будет ли в следующий момент времени наблюдаться тот или иной режим, а для описания характера скрытого процесса Б необходимо использовать вероятностные характеристики. Так как Б является в случае модели MS-DR цепью Маркова первого порядка, то в качестве такой характеристики используют матрицу вероятностей переключений Р, которая определяется как
Г Р11 Р12
P =
(3)
где Р„
_ p21 p22_
вероятность переключения системы из со-
стояния] в момент времени , — 1 в состояние г в момент времени , которая определяется как:
р. = Pr(Бí = /|Б,_1 = Д (4)
Из определения матрицы Р следует, что если экономика в момент времени , — 1 находится в кризисном состоянии 2, то вероятность в момент времени , перейти в спокойное состояние 1 будет определяться элементом матрицы вероятностей переключения Р12, а вероятность остаться в кризисном состоянии 2 - элементом р22.
Очевидно, что для вероятностей переключения состояний р .. для любого г выполняется равенство
Ip = 1
(5)
так как вероятность перейти из состояния i в какое-либо состояние в следующий момент времени априори равна 1.
Таким образом, уравнения (1) - (4) и дополнительное условие (5) определяют спецификацию модели с марковскими переключениями MS (2) -DR для исследуемого стохастического процесса изменения EMPI. Данная модель будет полностью определена, если удастся найти значения всех входящих в нее параметров 9 = [^(St), с2 (St), P ].
Для этого в исследовании был использован хорошо зарекомендовавший себя и подробно изученный метод максимального правдоподобия (MLE, Maximum Likelihood Estimation) - метод оценивания неизвестного параметра путем максимизации функции правдоподобия, основанный на предположении, что вся информация о статистической выборке содержится в функции правдоподобия.
Зная величины элементов матрицы вероятностей переключения P, можно определить условные
вероятности того, что система находится в состоянии i в заданный момент времени t, т. е.
= Pr(St = i pt; e), где nt = {EMPIt,EMPIt_1,...,EMPI0} - история
процесса EMPI до момента времени t;
9 - параметры модели.
В данном исследовании авторы предлагают все те периоды времени, для которых вероятность кризисного состояния пи > 0,5, идентифицировать как кризисные. Это позволяет в соответствии с результатами моделирования индекса EMP посредством динамической регрессионной модели с марковскими переключениями MS(2)-DR однозначно выделить те временные отрезки исследуемого периода, которые должны быть признаны кризисными.
В рамках исследования были выполнены идентификация кризисных периодов и определение порогового значения индекса EMP для девяти стран СНГ: Азербайджана, Армении, Белоруссии, Казахстана, Кыргызстана, Молдовы, России, Таджикистана и Украины (статистические данные для Туркмении и Узбекистана найти не представилось возможным). Все необходимые данные о значениях экономических и финансовых показателей изучаемых стран были получены с официальных сайтов Статкомитета СНГ и аналитического агентства Bloomberg [1, 2]. Статистическая выборка включала в себя ежеквартальные значения за период 2003-2012 гг. При расчете EMPI в качестве процентной ставки использовалась ставка по банковским кредитам.
Все расчеты были выполнены в среде Matlab™ с использованием программной библиотеки MS_Regress_tvtp, реализованной в работе [11], на базе исходного кода библиотеки MS_Regress [22]. Для этого был написан ряд программных модулей, реализующих расчеты параметров описанной модели.
Кризисные периоды, полученные по стандартной методологии в = 1,5, как это предложено в работе [9], и с применением модели MS(2)-DR для всех исследуемых стран, а также пороговые значения индекса EMP, полученные по данным методологиям, представлены в таблице. Для Азербайджана и Молдовы периоды и границы не указаны, так как модель с марковскими переключениями не показала для этих стран удовлетворительных результатов.
Анализ данных (см. таблицу) показывает, что исследуемые страны показывают как весьма сильно различающиеся пороговые значения индекса EMP,
так и существенно разнесенные во времени периоды кризисных явлений. Это позволяет утверждать, что, несмотря на достаточно тесные экономические отношения, географическую близость и национальные предпосылки, страны СНГ по-прежнему обладают специфическими чертами развития экономики и во многом по-разному реагируют на нестабильности в мировой экономике, а также в экономике стран Содружества.
Кризисные периоды, идентифицированные по модели MS (2)-DR, в среднем оказываются длиннее, чем периоды, которые дает стандартная методология. Например, валютный кризис Белоруссии в 2011-2012 гг. по стандартной методологии идентифицируется только в IV квартале 2011 г. и I квартале 2012 г., а модель с марковскими переключениями показывает в качестве кризисного период с II квартала 2011 г. по I квартал 2012 г.
Можно отметить, что модель MS(2)-DR в среднем показывает большее число кризисных периодов, чем стандартный подход для их определения. Все это является следствием того, что для всех исследованных стран пороговое значение индекса ЕМР, полученное по методологии модели с марковскими переключениями, оказывается меньше значения, полученного при стандартном подходе. При этом, если для Белоруссии, России, Таджикистана и Украины данное различие не столь существенно, то для Армении, Казахстана и Кыргызстана критические значения ЕМР1 различаются более чем в два раза.
Анализ таблицы также позволяет сделать вывод, что модель MS(2)-DR показывает хорошую прогностическую способность для кризисных явлений в странах СНГ. Так, согласно стандартной методологии выявления кризисных ситуаций по индексу ЕМР, в России идентифицируем только два кризисных квартала за исследуемый период: IV квартал 2008 г. и I квартал 2009 г. В свою очередь модель с марковскими переключениями показывает кризисные периоды с III квартала 2008 г. по IV квартал 2009 г., а также с IV квартала 2011 г. по II квартал 2012 г. Таким образом, в случае мирового финансового кризиса 2008-2009 гг. модель MS(2)-DR прогнозирует кризисную ситуацию за один квартал до ее наступления согласно стандартной методологии.
Из полученных результатов также следует, что предлагаемая методология исследования для Азербайджана и Молдовы не показывает качественных
Кризисные периоды и пороговые значения индекса ЕМР для исследуемых стран снГ
страна стандартный метод модель MS (2) -DR-TVTP
период пороговое значение период пороговое значение
Армения I квартал 2009 г, I квартал 2012 г 0,2065 I квартал 2003 г. -IV квартал 2003 г, I квартал 2008 г. - II квартал 2012 г. 0,0901*
Азербайджан I квартал 2005 г, I квартал 2011 г. 0,2270 - -
Белоруссия IV квартал 2011г. -I квартал 2012 г 0,8771 II квартал 2011 г -I квартал 2012 г. 0,8455*
Казахстан III квартал 2007 г., I квартал 2009 г - II квартал 2009 г 0,1846 II квартал 2007 г. - I квартал 2010 г., II квартал 2012 г. 0,0436*
Кыргызстан I квартал 2009 г, III квартал 2009 г. - IV квартал 2009 г, II квартал 2010 г 0,1368 IV квартал 2003 г -II квартал 2004 г., IV квартал 2008 г -II квартал 2012 г. 0,0463**
Молдова I квартал 2009 г, II квартал 2010 г 0,1093 - -
Россия IV квартал 2008 г -I квартал 2009 г 0,2873 III квартал 2008 г. - IV квартал 2009 г, IV квартал 2011 г. -II квартал 2012 г. 0,2494*
Таджикистан I квартал 2009 г, IV квартал 2009 г 0,1991 I квартал 2009 г. - I квартал 2010 г., IV квартал 2011 г. - II квартал 2012 г. 0,1708*
Украина IV квартал 2008 г -I квартал 2009 г, IV квартал 2009 г 0,4972 IV квартал 2008 г - I квартал 2010 г., II квартал 2011 г -II квартал 2012 г. 0,3691*
* Уровень значимости р = 1 %. ** Уровень значимости р = 5 %.
результатов. Объяснением этому может служить то, что эти страны весьма слабо интегрированы в пространство СНГ, имеют слабые партнерские отношения с другими государствами, а также не соответствуют общепринятой рыночной модели развития.
Результаты моделирования индекса ЕМР для России представлены на рис. 1. Полученная модель обладает достаточно высоким коэффициентом детерминации Я2 = 55,5 %.
Среднее значение индекса ЕМР и его волатиль-ности для кризисного состояния превосходят эти же характеристики для спокойного состояния, т. е. ц(Б, = 2) > ц(Б, = 1) и о2(Б, = 2) > о2(Б, = 1), что соответствует предположениям, которые были выдвинуты при обосновании методологии исследования (см. рис. 1). Это подтверждает, что используемая модель с марковскими переключениями MS(2)-DR является адекватной и позволяет получить эконо-
мически обоснованные результаты, сопоставимые с теоретическими предпосылками.
Результаты моделирования индекса ЕМР для шести исследуемых стран СНГ представлены на рис. 2.
Как было отмечено ранее, используемая модель MS(2)-DR имеет хорошую прогностическую способность: в среднем идентификация кризисных ситуаций происходит за один - два квартала, по сравнению со стандартной методологией (см. рис. 2). Также видно, что не только для России, но и для остальных исследуемых стран СНГ кризисные периоды по модели MS (2)-DR оказываются в среднем длиннее, чем периоды, которые дает стандартная методология. На рис. 3 показано изменение во времени вероятностей состояния экономики исследуемых стран СНГ.
Анализ графиков переключения состояний экономики исследуемых стран (см. рис. 2, 3) позволяет
0,80,60,40,20-0,2-0,4 -0,6 -0,8
2003
0,35 0,30,25' 0,2' 0,15
0,1
2003
1
0,80,60,40,2' 0-1 2003
_1_1_М|
ЕС
рпр
|пП^у
2004 2005 2006 2007 2008 2009 2010
---Стандартный порог ЕМР1 (среднеквадратнческое отклонение равно 1,5)
□ Расчетный ЕМР1
2011
Смоделированный ЕМР1
2004
2005
2006
2007
2008
2009
2010
2004 2005 2006 2007
Кризисное состояние
2008
2009
2010
2011
2012
2011
2012
2012
Рис. 1. Результаты моделирования индекса давления на валютный рынок ЕМР для экономики России посредством модели MS (2) ^ в 2003-2012 гг.: а - индекс давления на валютный рынок ЕМР; б - условное стандартное отклонение; в - сглаженные вероятности состояния экономики
---Спокойное состояние
0,4 -. 0,20
Я
-0,2 -0,4-0,6
□
Р (
рВз
—I-1-1-1-"т-1-1-1-1—
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
20 ................ г-Л........ / 'ГН-ГГ-- Т^ л 1 ¿1II ^
246--,- и ! ' № 1у —и
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
р
чЛ ги гГи_гЛ1 _ „ / гп пЛ1
и И]} У "
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
1,5 "1 1
0,5 0
-0,5 -1 --1,5
£
д*
р
Т"
Т"
т
-г
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
б
0,4 0,20-0,2-0,4
П С" 1|"П-1 п ^
и и1 у" 1 |и цщичГ
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 1,5т г
1
Чт щи ииц И и НГ^'
-|-1-1-1-1-1-1-1-1—
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
д е
■--Стандартный порог ЕМР1 (среднеквадратнческое отклонение равно 1,5)
О Расчетный ЕМР1 —— Смоделированный ЕМР1
Рис. 2. Результаты моделирования индекса давления на валютный рынок ЕМР для стран СНГ посредством модели MS (2) -DR в 2003-2012 гг.: а - Армения; б - Белоруссия; в - Казахстан; г - Кыргызстан; д - Таджикистан; е - Украина
0
7>/ . I V
■^ч-1-1-1— 1 ■¿"Ч-г —1-г
1
0,8. 0,6. 0,4. 0,2 0
2003 2004 2005 2006 2007
а
2008 2009 2010 2011 2012
0,2 0. 2003
1
0,8' 0,6' 0,40,2.
0. 2003
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
б
2009 2010 2011 2012
Кризисное состояние
Спокойное состояние
рис. 3. Изменение вероятностей состояний экономик стран СНГ в 2003 - 2012 гг.: а - Армения; б - Белоруссия; в - Казахстан; г - Кыргызстан; д - Таджикистан; е - Украина
сделать ряд выводов. Четко прослеживается, что для Армении, Казахстана и Кыргызстана (во второй половине исследуемого периода времени) характерны достаточно затяжные кризисные периоды от двух до трех лет. В то же время в Белоруссии, России, Таджикистане и Украине длительность периодов финансовой нестабильности не превышает 1-1,5 года.
Также можно отметить, что в Кыргызстане до 2009 г. регулярно наблюдается нестабильное состояние экономики, что видно из постоянно изменяющейся во времени вероятности кризисного состояния, которая в течение данного периода практически никогда не была нулевой.
Идентификация кризисных периодов в экономике как развивающихся, так и развитых стран является одной из важнейших задач в рамках работ по прогнозированию кризисных ситуаций. Для ее решения могут быть использованы различные методы, каждый из которых обладает рядом своих особенностей.
Использование классического подхода для определения критической границы индекса ЕМР и выявления кризисных периодов в экономике далеко не всегда оправданно и дает качественные результаты. В качестве альтернативной методологии предлагается использовать динамическую регрессионную модель с марковскими переключениями MS(2)-DR, которая, как показано в исследовании, позволяет более качественно оценивать критические значения индекса ЕМР и более точно идентифицировать кризисы в экономике стран СНГ.
В работе показано, что даже при условии наличия достаточно тесных экономических отношений страны СНГ принципиально по-разному реагируют на нестабильности в мировой экономике, а также в экономике стран Содружества. Для всех исследованных стран пороговое значение индекса ЕМР, рассчитанное по методологии модели с марковскими переключениями MS(2)-DR, оказывается меньше, чем рассчитанное с использованием стандартного подхода.
Список литературы
1. Аналитическое агентство Bloomberg. http:// www. bloomberg. com.
2. База данных Статкомитета СНГ. http://www. cisstat. com/0base.
3. ФедороваЕ. А., Безрук О. А. Анализ и оценка каналов распространения финансовых кризисов на развивающихся рынках // Вопросы экономики. 2011. № 7.
4. Федорова Е. А., Лукасевич И. Я. Индекс давления на валютный рынок (EMP): особенности развивающихся рынков // Журнал новой экономической ассоциации. 2012. № 2. С. 51-66.
5. Alexander C. Market Risk Analysis: Practical Financial Econometrics, Wiley, 2008.
6. Brooks C. Introduction to Econometrics, Cambridge University Press, 2002.
7. Demirgbc-Kunt A., Detragiache E. Crosscountry Empirical Studies of Systemic Bank Distress: A Survey, IMF Working Paper, 2005, no. 05/96.
8. Ding Zhuanxin. An Implementation of Markov Regime Switching Model with Time Varying Transition Probabilities in Matlab. Available at: http://ssrn. com/ abstract=2083332.
9. Eichengreen B., Rose A., Wyplosz C. Contagious Currency Crises: First Tests, Scandinavian Journal of Economics, 1996, no. 98, pp. 463-484.
10. Frankel J. A., Rose A. K. Currency crashes in emerging markets: An empirical treatment, Journal of International Economics, 1996, no. 41, pp. 351-366.
11. Gaytan A., Johnson C. 2002. A review of the literature on early warning systems for banking crises, Central Bank of Chile Working Papers, 2002, no. 183.
12. Goldfeld S. M., Quandt R. E. A Markov Model for Switching Regressions, Journal of Econometrics, 1973, по. 1, pp. 3-16.
List of references
1. Analytical Agency Bloomberg. http://www. bloomberg. com.
2. Database Statkomiteta ofthe CIS. http://www. cisstat. com/0base.
3. Fedorova E. A., Bezruk O.A. Analysis and evaluation of distribution channels of financial crises in emerging markets [Analiz i otsenka kanalov raspros-traneniia finansovykh krizisov na razvivaiushchikhsia rynkakh], Voprosy ekonomiki - Economy questions, 2011, no. 7.
13. Hamilton J. D. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle, Econometric, 1989, no. 57, pp. 357-384.
14. Hamilton J. D. Regime Switching Models, Palgrave Dictionary of Economics, 2005.
15. Hamilton J. D. Time Series Analysis, Princeton University Press, 1994.
16. Hamilton J. D., Lin G. Stock Market Volatility and the Business Cycle, Journal of Applied Econometrics, 1996, no. 11, pp. 573-593.
17. Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crises, IMF Staff Paper, 1998, no. 45, pp. 1-48.
18. Kaminsky G. L., Reinhart C.M. On Crises, Contagion, and Confusion, Journal of International Economics, 2000, no. 51, pp. 145-168.
19. Kaminsky G. L., Reinhart C.M. The twin crises: causes of banking and balance-of-payments problems, American Economic Review, 1999, no. 89, pp. 473-500.
20. Knedlik T., Scheufele R. Three methods of forecasting currency crises: Which made the run in signaling the South African currency crisis of June 2006? IWHDiscussion Papers, 2007, no. 17.
21. Kim J., Nelson R. State Space Model with Regime Switching: Classical and Gibbs-Sampling Approaches with Applications, The MIT Press, 1999.
22. Perlin M. MS_Regress - The Matlab Package for Markov Regime Switching Models. Available at: http://ssrn. com/abstract=1714016.
23. Quandt R. E. The Estimation of Parameters of Linear Regression System Obeying Two Separate Regimes, Journal of the American Statistical Association, 1958, no. 55, pp. 873-880.
24. Tsay R. Analysis of Financial Time Series, John Wiley and Sons, 2002.
4. Fedorova E. A., Lukasevich I. Ia. Index of pressure upon the currency market (EMP): features of emerging markets [Indeks davleniia na valiutnyi rynok (EMP): osobennosti razvivaiushchikhsia rynkov], Zhur-nal novoi ekonomicheskoi assotsiatsii - Magazine of new economic association, 2011, no. 2, pp. 51-6.
5. Alexander C. Market Risk Analysis: Practical Financial Econometrics, Wiley, 2008.
6. Brooks C. Introduction to Econometrics, Cambridge University Press, 2002.
7. Demirgbc-Kunt A., Detragiache E. Crosscountry Empirical Studies of Systemic Bank Distress: A Survey, IMF Working Paper, 2005, no. 05/96.
8. Ding Zhuanxin. An Implementation of Markov Regime Switching Model with Time Varying Transition Probabilities in Matlab. Available at: http://ssrn. com/abstract=2083332.
9. Eichengreen B., Rose A., Wyplosz C. Contagious Currency Crises: First Tests, Scandinavian Journal of Economics, 1996, no. 98, pp. 463-484.
10. Frankel J. A., Rose A. K. Currency crashes in emerging markets: An empirical treatment, Journal of International Economics, 1996, no. 41, pp. 351-366.
11. Gaytan A., Johnson C. 2002. A review of the literature on early warning systems for banking crises, Central Bank of Chile Working Papers, 2002, no. 183.
12. Goldfeld S. M., Quandt R. E. A Markov Model for Switching Regressions, Journal of Econometrics, 1973, no. 1, pp. 3-16.
13. Hamilton J. D. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle, Econometric, 1989, no. 57, pp.357-384.
14. Hamilton J. D. Regime Switching Models, Palgrave Dictionary of Economics, 2005.
15. Hamilton J. D. Time Series Analysis, Princeton University Press, 1994.
16. Hamilton J. D., Lin G. Stock Market Volatility
and the Business Cycle, Journal of Applied Econometrics, 1996, no.11, pp. 573-593.
17. Kaminsky G., Lizondo S., Reinhart C. Leading Indicators of Currency Crises, IMF Staff Paper, 1998, no. 45, pp. 1-48.
18. Kaminsky G. L., Reinhart C. M. On Crises, Contagion, and Confusion, Journal of International Economics, 2000, no. 51, pp. 145-168.
19. Kaminsky G. L., Reinhart C. M. The twin crises: causes of banking and balance-of-payments problems, American Economic Review, 1999, no. 89, pp. 473-500.
20. Knedlik T., Scheufele R. Three methods of forecasting currency crises: Which made the run in signaling the South African currency crisis of June 2006? IWHDiscussion Papers, 2007, no. 17.
21. Kim J., Nelson R. State Space Model with Regime Switching: Classical and Gibbs-Sampling Approaches with Applications, The MIT Press, 1999.
22. Perlin M. MS_Regress - The Matlab Package for Markov Regime Switching Models. Available at: http://ssrn. com/abstract=1714016.
23. Quandt R. E. The Estimation of Parameters of Linear Regression System Obeying Two Separate Regimes, Journal of the American Statistical Association, 1958, no. 55, pp. 873-880.
24. Tsay R. Analysis of Financial Time Series, John Wiley and Sons, 2002.
