CC BY
81
ISSN 2311-8709 (Online) Рынок ценных бумаг
ISSN 2071-4688 (Print)
КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ ПУЗЫРЕЙ НА ПРИМЕРЕ ЭКОНОМИКИ США
Александр Александрович БОРОЧКИН^, Дмитрий Юрьевич РОГАЧЕВь
а кандидат экономических наук, доцент кафедры финансов и кредита,
Нижегородский государственный университет им. Н.И. Лобачевского - Национальный исследовательский университет,
Нижний Новгород, Российская Федерация
borochkin@yandex.ru
ь магистр кафедры финансов и кредита,
Нижегородский государственный университет им. Н.И. Лобачевского - Национальный исследовательский университет,
Нижний Новгород, Российская Федерация
rogistyle@mail.ru
• Ответственный автор
История статьи:
Принята 18.03.2016 Принята в доработанном виде 01.04.2016 Одобрена 20.04.2016
УДК 336.761
JEL: Е31, Е32, Е37, G31
Ключевые слова: финансовые пузыри, смешанные модели, корпоративные финансы
Аннотация
Предмет. Прогнозирование «вздутия» фондовых рынков. Данная тема приобретает популярность в свете последних экономических кризисов, причиной которых было схлопывание финансовых пузырей.
Цели и задачи. Составление моделей, с помощью которых возможно предсказать зарождение и прогнозирование развития финансового пузыря в краткосрочном периоде. Разработать теоретическое обоснование взаимосвязей между динамикой цен акций, входящих в состав индекса Доу-Джонса с фондовыми и национальными экономическими показателями, а также определить сдвиги, произошедшие в результате финансовых кризисов. Выявить микро- и макроэкономические факторы, оказывающие влияние на изменение цен акций в краткосрочном периоде и выполнить оценку состоятельности полученных моделей. Методология. Использованы методы эконометрики (смешанные модели) для анализа квартальных панельных данных по бухгалтерской отчетности компаний в их взаимосвязи с макроэкономическими индикаторами.
Результаты. Составлены четыре модели, с помощью которых возможен анализ фондового рынка на присутствие в нем финансовых пузырей.
Выводы и значимость. Предложенные модели проясняют взаимосвязь между инновационной активностью компании, общим состоянием экономики и тенденциями на фондовом рынке, дают возможность анализа фондового рынка на присутствие в нем финансовых пузырей. Данное исследование может представлять интерес для индивидуальных трейдеров, управляющих паевыми инвестиционными фондами при разработке торговых стратегий, хеджировании рисков и диверсификации портфельных инвестиций, а также для регуляторов финансовых рынков.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2016
Введение
Мировая финансово-экономическая система и экономика любой страны на современном этапе не является совершенной и подвержена кризисным состояниям. Периоды финансовой нестабильности, предшествующие кризису, могут иметь общие основные элементы. Потери инвесторов во время кризисных ситуаций стали одной из причин научных исследований в области финансово-экономических моделей, помогающих распознать нарастание предкризисных явлений. Составление таких моделей помогает предотвратить развертывание кризиса или дает время на преодоление кризисных ситуаций.
Исследования макроэкономических шоков и их последствий провели Camelia Minoiu и Luis-Felipe Zanna, авторы оценивают влияние иностранной помощи на местные макроэкономические условия
[1]. Ученые Weixian Cai, Jian Chen, Jimin Hong, Fuwei Jiang исследуют вопросы прогнозирования волатильности на фондовом рынке Китая с помощью макроэкономических переменных [2]. J.A. Tenreiro Machado в своей статье объясняет влияние времени на динамику финансовых показателей [3].
Вклад настоящей работы в теоретическую литературу по финансовым кризисам состоит в разработке обоснования взаимосвязей между динамикой цен акций крупнейших компаний из основных отраслей экономики с индивидуальными фундаментальными характеристиками компаний, макроэкономическими показателями, а также в определении сдвигов, произошедших в результате финансовых кризисов. В качестве эмпирической базы для построения моделей выбраны акции компаний, входящие в состав индекса Доу-Джонса
и макроэкономические показатели США. Регулирующие органы, в том числе центральные банки, могут быть заинтересованы в прогнозировании на краткосрочную перспективу возможных финансовых пузырей. Похожим прогнозированием и изучением финансовых пузырей в своих трудах занимались: М.Ю Малкина, Л.Л. Грищенко, объяснившие принцип формирования финансового пузыря и предоставившие возможность идентификации новых [4]; Е.В. Чиркова, показавшая возникновение финансовых пузырей через рациональное и иррациональное поведение инвесторов [5]; С.А. Толкачев, А.К. Попов, посвятившие свое исследование изучению связей финансовых пузырей с необоснованным ростом фондовых индексов [6]. Е.В. Байдин и О С. Байдина объясняют причины появления пузыря, проблемы его предотвращения и предлагают новые методы государственного регулирования экономики [7]. Среди иностранных исследователей, которые внесли большой вклад в изучение причин, оказывающих влияние на причину пузыря, можно выделить H.D. Liang, K.K. Lai, J. Yen. Их научный труд объясняет существование целой системы, стоящей у истоков финансовых пузырей [8].
Современные способы предсказания кризиса в экономике несовершенны, поэтому государственным регулирующим органам не всегда удается своевременно сформировать ответные
антикризисные меры, подготовить и реализовать их. Одна из причин такого положения состоит в том, что государство реагирует на уже возникший кризис, не уделяя внимания своевременному предкризисному мониторингу. В связи с этим для прогнозирования ситуаций на финансовых рынках в условиях нестабильности требуется разработка новых моделей, с помощью которых можно обнаружить новые корреляционные зависимости и использовать их для прогноза будущих процессов на основе предыдущих наблюдений.
Фондовый рынок очень чутко реагирует на множество изменений, которые происходят как внутри фирм-эмитентов ценных бумаг, так и в национальной экономике в целом.
Данные и методология исследования
Для настоящего исследования были использованы квартальные данные о ценах акций компаний США, входящих в индекс Доу-Джонса, фундаментальные показатели деятельности этих компаний, взятые из их бухгалтерских отчетов, а также макроэкономические показатели США за
I квартал 1995 г. - II квартал 2015 г. Макроэкономические данные взяты с сайта Федерального банка Сент-Луиса в США1 .
Влияние внутренних и внешних факторов на стоимость акций компаний измеряется с помощью смешанных моделей, являющихся одним из наиболее распространенных методов анализа кривых роста, построенных на основе панельных данных2. Смешанные модели учитывают как индивидуальные характеристики объектов наблюдения, так и общие свойства, присущие всей группе. Это дает возможность сделать обобщающие выводы относительно взаимосвязи результирующей переменной и предикторов, и исключить при этом особенности, присущие только отдельным объектам наблюдений. Другой способ выявления общих закономерностей - это усреднение индивидуальных характеристик и построение регрессионной модели по средним значениям предикторов, что в настоящее время считается некорректным, поскольку простое усреднение может нивелировать важные общие закономерности, заметные только при изучении больших объемов детализированных данных. Таким образом, последние разработки в области эконометрики позволяют получить максимально точные оценки моделей на основе расчетов не по усредненным, а по панельным данным.
В общем виде смешанная модель регрессии выглядит следующим образом:
Уу =[пш +п]+[£„■ ] - модель первого уровня;
Пог = Уоо+У01 Рг г - модель второго уровня;
п 1г =у10 + УпРу + - модель второго уровня.
где Уц - результирующий показатель, например, котировка акций компании;
г и ■ - индексы, показывающие соответственно отдельные компании и наблюдения (время);
Пог и п,ц - коэффициенты регрессии модели первого уровня (константа и угловой коэффициент прямой соответственно);
уоо и ую - коэффициенты регрессии для константы прямой из модели первого уровня;
уо1 и уп - коэффициенты регрессии для углового коэффициента прямой из модели первого уровня;
1 URL: https://research.stlouisfed.org
2 Judith D., Willett J.B. Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence (Kindle Location 4). Oxford University Press. Kindle Edition.
Ру - предикторная переменная, например расходы /-ой компании на исследования и разработки в у-ый момент времени и т.п., причем в одной модели может быть несколько предикторных переменных;
е,у - случайные остатки модели первого уровня, например отклонения котировок акций отдельной компании от линейной траектории в зависимости от времени;
Си и - случайные остатки коэффициентов регрессии линейной модели второго уровня; моделей второго уровня строится такое же количество, какое имеется индивидуальных объектов наблюдений, например 30 прямых по числу компаний в индексе Доу-Джонса.
Если уравнения моделей второго уровня подставить в уравнение модели первого уровня и раскрыть скобки, то получится функция регрессии, которую можно оценить с помощью специальных статистических процедур (предусмотренных в соответствующих статистических пакетах программ).
В настоящей работе результирующей переменной во всех предлагаемых моделях является цена акции (в логарифмической форме) отдельно взятой компании в следующем квартале. В моделях проверяются гипотезы о взаимосвязи цены акций компаний в следующем квартале с внутренними показате лями их де яте льности и макроэкономическими переменными за текущий квартал. Время в моделях измеряется в кварталах, начиная с единицы.
В теоретических работах не дается однозначного определения финансовых пузырей, однако большинство авторов указывают на отрицательные последствия их возникновения для экономики. Поэтому в настоящем исследовании мы полагаем, что ускоренный рост курсов акций в краткосрочном периоде может свидетельствовать о зарождении финансового пузыря, негативным последствием которого будет прежде всего инфляционное давление в экономике. Данный подход позволяет связать надувание финансовых пузырей с экономическим циклом (деловой конъюнктурой), поскольку макроэкономическая политика государства обычно меняется с проциклической на контрциклическую при обнаружении проблем в экономике. Например, всплески инфляции в большинстве случаев купируются ужесточением денежно-кредитной политики.
Целью построения моделей является выявление наилучших факторов, позволяющих спрогнозировать
направление и величину изменения цен акций в следующем квартале. Горизонт планирования в один квартал актуален для управляющих паевых инвестиционных фондов и макроэкономических регуляторов рынка. Большинство переменных используется нами в логарифмической форме. Взятие натурального логарифма позволяет изменить масштаб изучаемых данных таким образом, чтобы слишком крупные значения переменных не скрывали мелкие. Эта процедура особенно полезна при работе с экспоненциально растущими показателями, такими как стоимость компаний, индекс волатильности и т.д. Данная процедура делает возможным применение линейных моделей для данных, изменяющихся в зависимости от времени по экспоненте.
Макро- и микроэкономические переменные в моделях прогнозирования финансовых пузырей
Факторы, влияющие на состояние экономического цикла, предлагается начать рассматривать с индекса деловой активности в непроизводственном секторе (макроэкономический показатель), и анализа расходов на научно-исследовательские и опытно-конструкторские работы (микроэкономический показатель).
Индекс деловой активности считается опережающим индикатором и исследуется многими авторами. Так, например, О.В. Мясникова деловую активность рассматривает с трех позиций: индивидуума; предприятия (микроуровень); страны (макроуровень)3.
Первой гипотезой настоящего исследования является утверждение, что значение индекса деловой активности выше ожидаемого отображает экономический подъем, что может указать на «бычье» поведение и образование нового финансового пузыря.
Следующим инструментом прогнозирования финансовых пузырей является изучение индивидуальных расходов компаний на научно-исследовательские и опытно-конструкторские разработки (далее - НИОКР), которые в настоящее время являются основным двигателем экономического роста и необходимым условием развития производственного процесса.
Стимулирование корпоративных НИОКР повышает глубину инновационных процессов,
3 Мясникова О.В. Статистическое изучение деловой активности предприятий (на примере розничной торговли и транспорта): автореф. дис. ... канд. экон. наук. Спб., 2007. С. 13.
переориентирует их со скромных поверхностных нововведений на радикальные.
Вторая гипотеза настоящего исследования состоит в том, что инновационная активность фирм является фактором кризисного эффекта. В случае стимулирования инноваций на этапе спада экономики начавшийся кризис оказывает усиленный негативный эффект на предприятия, которые начали модернизацию оборудования и товарной линейки.
С учетом сложности оценки ответного поведения котировок ценных бумаг при принятии той или иной инновационной политики современные способы прогнозирования, например
использование индекса деловой активности, позволяют сформировать реалистичные ожидания у большинства инвесторов. Это исключает возможность появления финансового пузыря на ранней стадии на основании исключительно уровня индекса и мнений инвесторов. Изучением методологий оценки эффективности НИОКР и путей совершенствования учета затрат в своем исследовании занимались Л.Э. Миндели и В.Е. Чистякова. В своей статье они объясняют важность перехода к новой системе учета НИОКР [9]. Ученый Е.Б. Николенко в своих статьях предлагает новую методику оценки эффективности НИОКР для повышения эффективности инноваций [Ю], а также проводит анализ инновационной деятельности и выводит закономерности, определяющие особенности формирования инвестиционного обеспечения [11].
Для объяснения экономических причин реакции рынка на непредвиденные события и оценки мнения рынка на ожидания будущих доходов от ценных бумаг необходимо рассмотреть индекс волатильности.
Это величина подразумеваемой волатильности фондового рынка, которая определяется математически из цены опционов на акции. Периоды очень высокой и растущей волатильности фондового рынка сопровождаются снижением фондовых цен. Прохождению «дна» фондового рынка сопутствует уменьшение волатильности, которая во время рыночных спадов выше, чем во время роста рынка [12]. Волатильность является статистическим показателем, который характеризует изменчивость рыночных цен или дохода во времени.
При рассмотрении индекса волатильности нельзя не обратить внимане на научный труд Роберта Шиллера. Он утверждал, что большие наблюдаемые флуктуации цен акций, например
крахи на биржевых рынках, такие как Великая депрессия в 1929-1932 гг., не могут быть объяснены ошибками прогнозирования
рациональных инвесторов. Доходности акций обычно значительно колеблются в краткосрочной перспективе, однако на рынке наблюдается тенденция «возвращения к среднему», что делает доходности прогнозируемыми в долгосрочной перспективе.
Шиллер внес вклад в литературу, относящуюся к долгосрочной прогнозируемости доходностей, показав, что отношения текущих дивидендов к цене являются хорошим предсказателем доходности на горизонте в один год [13].
Другим показателем, предсказывающим перегрев экономики и надувание финансового пузыря, считается Индекс Кейса-Шиллера цен на недвижимость (The S&P Case-Shiller Composite-20 Home Price Index).
Индекс составляется на основе цен на недвижимость. Разработанный Р. Шиллером новый подход к описанию и объяснению процессов и аномалий финансовых рынков строится на междисциплинарном взаимодействии психологии, социологии и экономики. В основе данной концепции лежит представление, что оперирующие на рынке инвесторы не являются полностью рациональными индивидами, а подвержены когнитивным ошибкам, эмоциям, ограниченности в информации, неосведомленности и прочее. Это может приводить к множеству отклонений, которые после работ Р. Шиллера на данную тему стали активно выявляться и фиксироваться другими исследователями и учеными. Теория поведенческих финансов, предложенная Р. Шиллером, продвинула понимание механизма образования пузырей и их устойчивости во времени. Так, оперируя методологией неоклассического подхода (яркими приверженцами которой были: П. Самуэльсон, М. Фелдстайн, Р. Холл), невозможно непротиворечиво и убедительно показать, почему на тот или иной актив образуется неадекватный спрос. Одновременно Р. Шиллер описал класс пузырей, которые он назвал «отрицательные пузыри», имея в виду такую ситуацию, когда актив должен был бы пользоваться спросом, но этот спрос на деле неадекватно низкий [14].
Для прогнозирования финансовых пузырей необходимо рассмотреть также факторы, показывающие фазу делового цикла.
Средняя продолжительность рабочей недели. Индикатор показывает среднюю продолжительность
рабочей недели в течение месяца. Используется для долгосрочного анализа состояния занятости в стране. Он является «хорошим» показателем состояния рынка труда на разных стадиях экономического цикла. Рост продолжительности рабочей недели на начальной стадии экономического цикла свидетельствует о том, что работодатели готовятся к найму новых сотрудников.
В тесной связи со средней продолжительностью рабочей недели также находится количество новых рабочих мест, созданных вне сельского хозяйства - показатель служит индикатором здоровья экономики Соединенных Штатов, влияет на курс доллара, а тем самым и на все мировые рынки. Публикация этого отчета приводит финансовые рынки к высокой волатильности и формированию сильного тренда.
Индекс потребительских цен для всех городских потребителей. Инфляция оказывает
двойственное влияние на фондовый рынок. С одной стороны, рост инфляции вызывает рост процентных ставок в экономике, и, как следствие, растет требуемая доходность от вложений в акции и снижается коэффициент Цена акции / Прибыль (т.е. капитализация должна падать). С другой стороны, рост инфляции приводит к номинальному увеличению прибыли компаний, что в свою очередь должно повысить курс акций. Как правило, первой реакцией на увеличение инфляции является снижение котировок на фондовом рынке. Это связано с тем, что рынок начинает ожидать немедленной реакции национальных регулирующих органов в виде увеличения процентных ставок, поскольку борьба с инфляцией является одним из направлений денежно-кредитной политики любого
центрального банка. Исследованием факторов, влияющих на индекс потребительских цен, занимались такие авторы, как Т.И. Белых, А.В. Бурдуковская, Д.И. Гутник [15]. Погрешности в расчете индекса цен исследуются Т.И. Гордиевич, которая предлагает направления совершенствования статистических методов наблюдения и оценки инфляции [16].
Индекс потребительских цен для всех городских потребителей представляет собой индекс цен на потребительскую корзину жителей городов и охватывает примерно 80% населения. С помощью данного индекса нельзя непосредственно измерить инфляцию, но он позволяет ответить на вопрос: в каком периоде - инфляции или дефляции -находится государство.
На основании проведенного теоретического анализа экономических показателей нами предлагаются четыре модели для проверки их взаимосвязи с котировками акций компаний, формирующих структуру экономики США.
Модель А
Цена акции в зависимости от времени, индекса Кейса-Шиллера и индекса деловой активности.
lnpriceij=[ yoo+ y01 sPcs20 rsai +у02lnnmfcii+ y10timeij + + y11 (spcs 20 rsa/time^) + y12(innmfci ■ timej) ] +
+ [ei/+z0 i + z1 itimeij ]-
где Innmfcii - логарифм индекса деловой активности;
spcs20rsai - индекс рынка недвижимости Кейса-Шиллера.
Цикл деловой активности охватывает три отдельных цикла: процентных ставок, капитала и золота (товаров), каждый из которых находится под влиянием одних и тех же экономических и финансовых факторов, но при этом реагирует на них по-своему. Длительность периодов опережения и запаздывания меняется от цикла к циклу, прогнозировать их затруднительно4. Для корректировки индекса деловой активности (ln nmfci) в модели используется индекс Кейса-Шиллера, показывающий с поправкой на инфляцию стоимость жилья однородного качества, проданного за определенный период в США. Стоимость жилья находится под влиянием экономических циклов.
Модель B
Цена акции в зависимости от времени, индекса потребительских цен и средней
продолжительности рабочей недели:
Inprice у=[ y00+ у 01 cpiaucns+ y02 awhaetp + y10 time ¡+ + y11 (cpiaucns .■ time j) + y 12 (awhaetp ■ time j) ] + + [ei/+z0 i + z1 itimeij] -
где awhaetpi - средняя продолжительность рабочей недели;
cpiaucnsi - логарифм индекса потребительских цен.
Если исследовать индекс потребительских цен, можно определить уровень реальной заработной платы, которая в свою очередь включается в расчет индекса стоимости рабочей силы. Индекс стоимости рабочей силы имеет связь с показателем
4 Плотинский Ю.М. Модели социальных процессов: учеб. пособие. M.: Логос, 2001. 296 с.
продолжительности рабочей недели, так как его прирост характеризует увеличение занятости.
Модель С
Цена акции в зависимости от времени, индекса волатильности и расходов на НИОКР:
lnpricey == у00 + y01 lnvixclsi + y02 lnrdi + y10 time у + + y11( lnvixclsi time у )+y12 (lnrd ¡cdottime ij.) ] +
+ Uy + Z0i + Z1itimei, ],
где lnvixclsi - логарифм индекса волатильности;
lnrdi - логарифм расходов на НИОКР.
Исходя из наблюдений других исследователей, компании, не занимающиеся или не выделяющие большие затраты на НИОКР, имеют меньшую доходность, но обеспечивают устойчивость доходов. Индекс волатильности постепенно возрастает по мере отдаления по времени от группы уровня расходов на НИОКР. С увеличением затрат на НИОКР возрастает доходность компаний, а следовательно, и цена акций. Доходность и волатильность достигают своего максимума во временном промежутке, где компания выделяла большие средства на НИОКР. Данная ситуация проявляется и при исследовании компаний, входящих в индекс DJIA.
Модель D
Цена акций в зависимости от времени, количества новых рабочих мест и индекса Кейса-Шиллера:
lnpriceij == у00 + y01 lnpayemsi+y02 lnrdi+y10 timey + + y11(lnpayemst ■timeij) +y12(lnrdi ■timeij)] +
+ Uy + Z0i + Z1itime,J ]>
где lnpayemsi - логарифм количества новых рабочих мест, созданных вне сельского хозяйства;
lnrdi - логарифм расходов на НИОКР.
Рост производительности труда и зарплаты возможен при выборе инновационного пути развития и создании новых высокопроизводительных рабочих мест, как на действующих предприятиях, так и на вновь создаваемых объектах малого и среднего бизнеса [17].
Результаты
В модели A исследовано влияние циклических переменных на котировки акций: индекса рынка недвижимости и индекса деловой активности. Нами обнаружена положительная связь (табл. 1) между ценами на рынке недвижимости (очищенными от инфляции) и котировками акций
в следующем квартале (коэффициент регрессии 1,о74 и при взаимодействии со временем о,999, в обоих случаях /-значение < о,1%). Индекс деловой активности также оказывает положительное влияние на котировки акций компаний, однако эта связь выражена слабее в среднесрочной перспективе, коэффициент регрессии о,156, /-значение < 1,о% (табл. 1). Это связано с тем, что рынок акций реагирует немедленно на изменение деловой активности, поэтому реакция рынка произойдет уже в текущем квартале. Предлагаемая модель предсказывает поведение фондового рынка на один квартал вперед, поэтому синхронные рыночные индикаторы не являются для нее наилучшими. Вместе с тем взаимодействие индекса деловой активности со временем дает нам положительное и статистически значимое влияние на котировки акций в перспективе одного квартала. Это позволяет утверждать, что если на рынке наблюдается устойчивый подъем деловой активности на протяжении нескольких кварталов, то это вызовет подъем фондового рынка и может свидетельствовать об образовании пузыря.
В модели В проверяется взаимосвязь между уровнем инфляции, продолжительностью рабочей недели и котировками акций компаний. Здесь присутствуют только макроэкономические переменные, которые оказывают влияние на котировки акций отдельной компании. На первый взгляд модель дает противоречивые данные. Повышение индекса потребительских цен приводит к положительной динамике курсов акций в следующем квартале (прямая связь о,943, при взаимодействии со временем 1,оо1, /-значение < о,1% для обоих коэффициентов), т.е. оказывается, что центральный банк не обращает внимания на инфляционный рост фондового рынка (табл. 1). Здесь нужно указать на ограничение данной модели: интервал прогноза -один квартал - слишком большой, чтобы корректно учесть инфляционный шок. На практике при появлении инфляции центральный банк реагирует немедленно ужесточением денежно-кредитной политики, поэтому коррекция на фондовом рынке будет в том же квартале, что и всплеск инфляции. В следующем квартале, скорее всего, возобновится рост котировок акций, что и подтверждает настоящая модель.
Продолжительность рабочей недели - это показатель рынка занятости, поэтому не удивительно, что его улучшение приводит к краткосрочному росту котировок акций в следующем квартале, коэффициент регрессии 1,683, /»-значение < о,1% (табл. 1). Рост, впрочем,
не удается удержать в дальнейшем, коэффициент регрессии для продолжительности рабочей недели при взаимодействии со временем получился статистически незначимым.
В модели С проверяется, как связаны волатильность фондового рынка в целом, индивидуальные расходы компании на НИОКР с ее стоимостью. Нами обнаружена значительная (р < 0,1%) краткосрочная связь между волатильностью рынка и котировками акций компаний, коэффициент регрессии 2,688, которая быстро затухает при взаимодействии со временем, коэффициент регрессии 0,968 (табл. 2). Как правило, рост волатильности рынка происходит при падающих котировках акций, но в нашей модели показывается значительная положительная связь. Это связано с тем, что в настоящей модели исследуется влияние микро- и макроэкономических переменных на будущую (в следующем квартале) стоимость акций. В связи с тем что рынок обычно успокаивается в течение трех месяцев, коррекция сменяется восходящим трендом и акции показывают хорошую положительную динамику. Это объясняет, среди прочего, и затухающий эффект волатильности рынка в отношении котировок акций в последующие кварталы: отскок после коррекции также быстро завершается. В то же время на спокойном рынке котировки акций в меньшей степени подвержены влиянию психологии и больше определяются фундаментальными факторами, поэтому низкие значения индекса волатильности рынка не обязательно означают обвал котировок в следующем квартале.
Модель указывает на значительное влияние расходов на исследования и разработки в текущем квартале на стоимость компании в следующем квартале: коэффициент регрессии составил 2,296 (р-значение менее 0,1%). Кроме того, расходы на НИОКР в сочетании со временем также оказывают небольшое влияние 0,994 (р-значение менее 5%) на котировки акций (табл. 2).
Модель D показала слабую зависимость цен акций от времени (0,17, р < 0,1%), что позволяет утверждать, что общая тенденция на рынке (восходящая или нисходящая) несильно влияет на котировку отдельно взятой акции (табл. 2). Вместе с тем в данной модели расходы на НИОКР оказывают значительное влияние (р-значение менее 0,1%) на стоимость компании с коэффициентом регрессии 0,989 (табл. 2). Последний факт, возможно, даже важнее
предыдущего, поскольку позволяет утверждать, что по мере роста и развития компании значимость старых достижений снижается. Компания может по-прежнему получать значительную прибыль, эксплуатируя прежнюю бизнес-модель, однако все эти результаты по истечении нескольких кварталов будут учтены рынком и перестанут влиять на изменение стоимости компании. Без новых инвестиций котировка будет колебаться в узком боковом диапазоне под влиянием
макроэкономических шоков. Для того чтобы стимулировать новые переходы к более высоким уровням стоимости, компании необходимо наращивать объемы расходов на НИОКР вплоть до изменения прежней бизнес-модели. Именно эта стратегия обеспечивает устойчивый тренд на увеличение стоимости акций компании. В модели C эффект волатильности рынка столь силен, что подавляет действие всех других переменных, поэтому в предыдущей модели расходы на НИОКР показали меньшую значимость.
Модель D также подтверждает положительную связь между макроэкономической переменной -количеством вновь созданных рабочих мест вне сельского хозяйства - и стоимостью акций компаний в следующем квартале. Непосредственная связь здесь составляет 0,8 (при слабом уровне значимости для большой выборки p<5%), однако связь через взаимодействие со временем на высоком уровне значимости составляет 1,172 (табл. 2). Слабая непосредственная связь между этими переменными позволяет сделать вывод лишь о том, что дополнительный наем работников позволяет компаниям увеличить объемы производства, возможно, несколько снизить издержки за счет экономии на масштабах, в результате чего рынок заметит перспективы роста доходов компании и оценит ее выше. Основной эффект в этой модели, на наш взгляд, дает положительная динамика занятости во взаимодействии со временем. Ускоренное создание рабочих мест оказывает макроэкономический эффект - увеличение доходов населения и, соответственно, спроса на товары и услуги. Те компании, которые смогут предложить потребителю что-то новое или улучшенного качества, окажутся главными бенефициарами на фондовом рынке.
Оценка предлагаемых моделей проводилась в статистической программе STATA с помощью процедуры mixed методом максимального
правдоподобия (англ. maximum-likelihood estimation, MLE).
Для проверки состоятельности смешанных моделей обычно используется статистика Вальда (англ. Wald test) и тест отношения правдоподобия (анг. likelihood ratio test, LR). Как правило, расчет этих статистик производится статистической программой непосредственно в момент оценки модели и выводится вместе с остальными результатами. Все четыре модели, приведенные в настоящей статье, прошли проверку состоятельности с положительной оценкой по этим тестам.
Качество смешанных моделей обычно оценивают с помощью статистики отклонений (англ. Deviance statistics) и связанных с ней статистически более качественных информационных критериев Акаике (англ. Akaike information criterion) и Байеса (англ. Bayesian information criterion). Указанные информационные критерии показывают, насколько сильно предсказанные значения отклоняются от истинных значений модели. Следовательно, модель, которая абсолютно точно описывает выборку, должна иметь значения информационных критериев, равные нулю. На практике, разумеется, такую модель построить невозможно, однако чем меньше будут данные показатели, тем лучше модель описывает действительность.
Наилучшие показатели качества по информационным критериям Акаике и Баеса у моделей A и B. Анализ случайных эффектов, т.е. коэффициентов s,j, Zoi и Zi, timetj, которые оказались статистически значимыми (p < 0,1%) для всех моделей, позволяет утверждать, что выбранный набор переменных не полностью описывает зависимую переменную и модели могли бы быть улучшены за счет добавления новых переменных.
Заключение
Согласно результатам настоящего исследования, для прогнозирования вздутия фондового рынка с горизонтом в один квартал наилучшие результаты дают такие макро- и микроэкономические переменные, как индекс деловой активности, индекс потребительских цен, средняя продолжительность рабочей недели, число вновь созданных рабочих мест в сельском хозяйстве, индекс волатильности рынка, а также индивидуальные расходы компаний на исследования и разработки.
Применение настоящих моделей на практике имеет ряд ограничений. Во-первых, модели тестировались на данных по рынку США, который является широко диверсифицированным и поэтому более устойчивым к резким изменениям в отдельных отраслях экономики (например, колебаниям цен на сырье). Во-вторых, некоторые показатели, такие как индексы инфляции, вызывают немедленную реакцию рынка и властей в момент публикации. Кроме того, не следует забывать о существовании формальных и неформальных институтов, адаптация которых привела к формированию соответствующей общей логики экономического развития институциональной архитектуры, которая демонстрирует временную ограниченность. Поэтому при горизонте прогнозирования в один квартал реальное движение котировок акций может иметь направление, противоположное ожидаемому. Для устранения этой проблемы при прогнозировании нужно проверять, не учтены ли рынком опубликованные данные к текущему моменту? Если это произошло, то в следующем квартале следует ожидать коррекции в противоположном направлении.
Таблица 1
Котировки акций в зависимости от деловой активности, состояния рынка недвижимости, инфляции и средней продолжительности рабочей недели
Показатель Модель A Модель B
spcs20rsa 1,074*** (0,0145)
Innmfci 0,156** (0,0916)
time 0,91*** (0,0208) 0,696*** (0,0489)
spcs20rsa#time 0,999*** (0,000205)
lnnmfci#time 1,079*** (0,0102)
cpiaucns 0,943*** (0,0144)
awhaetp 1,683*** (0,165)
cpiaucns#time 1,001*** (0,000288)
awhaetp#time 1,004 (0,00357)
Zc- 2,326** (0,643) 1,839* (0,505)
Zii -0,94*** (0,0228) -0,916*** (0,0308)
0,0802*** (0,00391) 0,106*** (0,00462)
Deviance 491,7 869,2
AIC 509,7 887,2
BIC 552,9 932,3
Примечание. В скобках показано стандартное отклонение ошибок коэффициентов регрессии.
* p < 0,05, ** p < 0,01, *** p < 0,001;
time - время, измеряемое в количестве кварталов, начиная с первого момента наблюдения, рассматриваемый период - I квартал 1995 г. - II квартал 2015 г.;
# - означает взаимодействие двух переменных, в смешанных моделях значения соответствующих переменных для компании перемножаются для каждого момента времени;
spcs20rsa - индекс рынка недвижимости Кейса-Шиллера; Innmfci - логарифм индекса деловой активности; cpiaucns - логарифм индекса потребительских цен; awhaetp - средняя продолжительность рабочей недели; - случайные остатки линейной модели первого уровня; Z0i , z1i - случайные остатки коэффициентов регрессии линейной модели второго уровня; Deviance - статистика отклонений; AIC - информационный критерий Акаике; BIC - Баесовский информационный критерий.
Таблица 2
Котировки акций в зависимости от волатильности рынка, расходов на НИОКР и числа новых рабочих мест вне сельского хозяйства
Показатель Модель C Модель D
time 1,141*** (0,0217) 0,170*** (0,0582)
Invixcls 2,688*** (0,616)
lnrd 2,296*** (0,281) 3,619*** (0,547)
lnvixcls#time 0,968*** (0,00445)
llnrd#time 0,994* (0,00258) 0,989*** (0,00288)
Inpayems 0,800* (0,0700)
lnpayems#time 1,172*** (0,0344)
Zc- 3,087 (2,764) 0,758 (0,307)
Z1i -0,881** (0,107) -0,636* (0,174)
0,257*** (0,0121) 0,270*** (0,0124)
Deviance 1569,3 1599,4
AIC 1587,3 1617,4
BIC 1631,3 1661,4
В скобках показано стандартное отклонение ошибок коэффициентов регрессии.
* p < 0,05, ** p < 0,01, *** p < 0,001;
time - время, измеряемое в количестве кварталов, начиная с первого момента наблюдения, рассматриваемый период - I квартал 1995 г. - II квартал 2015 г.;
# - означает взаимодействие двух переменных, в смешанных моделях значения соответствующих переменных для компании перемножаются для каждого момента времени;
Invixcls - логарифм индекса волатильности; lnrd - логарифм расходов на НИОКР;
Inpayems - логарифм количества новых рабочих мест, созданных вне сельского хозяйства;
- случайные остатки линейной модели первого уровня; Z0i , Z i - случайные остатки коэффициентов регрессии линейной модели второго уровня; Deviance - статистика отклонений; AIC - информационный критерий Акаике; BIC - Баесовский информационный критерий.
Список литературы
1. Dabla-Norris E., Minoiu C., Zanna L.F. Business Cycle Fluctuations, Large Macroeconomic Shocks, and Development Aid // World Development. 2014. Vol. 69. P. 44-61.
2. Cai W. et al. Forecasting Chinese Stock Market Volatility with Economic Variables // Emerging Markets Finance and Trade. 2015. P. 1-13.
3. Machado J.A.T. Relativistic Time Effects in Financial Dynamics // Nonlinear Dynamics. 2014. Vol. 75. № 4. P. 735-744.
4. Малкина М.Ю., Грищeнко Л.Л. Механизмы формирования, способы идентификации и регулирования финансовых пузырей // Финансовый журнал. 2013. № 2. С. 35-44.
5. Чиркова Е.В. Предпосылки возникновения финансового пузыря // Вестник Финансового университета. 2012. № 1. С. 79-88.
6. Толкачeв С.А., Попов А.К. Формирование финансовых пузырей на стадии роста экономической системы // Научно-практический журнал. 2015. № 2. С. 84-95.
7. Байдин Е.В., Байдина О.С. О проблеме предотвращения «финансовых пузырей» // Деньги и кредит. 2009. № 6. С. 31-33.
8. Liang H.D., Lai K.K., Yen J. Analysis of Shadows behind Financial Bubbles // Business Intelligence and Financial Engineering (BIFE), Third International Conference. IEEE, 2010. P. 274-278.
9. Mиндeли Л.Э., Чистякова В.Е. Совершенствование методологии учета затрат и измерения результатов НИОКР // Инновации. 2013. № 9. С. 36-42.
10. Николeнко Е.Б. Критерии эффективности инвестиционного обеспечения НИОКР // Инновации и инвестиции. 2012. № 2. С. 235-239.
11. Николeнко Е.Б. Факторы, влияющие на формирование инвестиционного обеспечения НИОКР // Актуальные вопросы экономических наук. 2010. № 17-1. С. 176-179.
12. Апжль Д. Технический анализ. Эффективные инструменты для активного инвестора. СПб.: Питер, 2013. 304 с.
13. Ульман C.B., Шпрeнгeр К. Сколько должны стоить финансовые активы? Нобелевские премии по экономике 2013 г. // Экономический журнал ВШЭ. 2014. Т. 18. № 1. С. 160-172.
14. Симочкин Д.И. Юджин Фама: эмпирический анализ изменения цены активов (Нобелевская премия по экономике 2013 г.) // Научные исследования экономического факультета. Электронный журнал. 2015. Т. 6. № 2. С. 143-177. URL: http://urlid.ru/ai4s.
15. Бeлых Т.И., Бурдуковская A.B., Гутник Д.И. Исследование влияния различных экономических показателей на индекс потребительских цен средствами эконометрического анализа // Известия Иркутской государственной экономической академии. 2014. № 3. С. 91-103.
16. Гордшвич Т.И. «Проблемы искажений» при расчете индекса потребительских цен // Вестник Омского университета. Сер. Экономика. 2011. № 1. С. 197-206.
17. Cmрeлкова Л.В., Кабанов С.С. О влиянии инноваций на рост производительности труда и занятость в российской экономике // Вестник Нижегородского университета им. Н.И. Лобачевского. Сер. Социальные науки. 2011. № 1. С. 147-150.
ISSN 2311-8709 (Online) ISSN 2071-4688 (Print)
Securities Market
SHORT-TERM FORECASTING OF STOCK MARKET BUBBLES: EVIDENCE FROM THE U.S. ECONOMY Aleksandr A. BOROCHKINa\ Dmitrii Yu. ROGACHEVb
a National Research Lobachevsky State University of Nizhny Novgorod, Nizhny Novgorod, Russian Federation borochkin@yandex.ru
b National Research Lobachevsky State University of Nizhny Novgorod, Nizhny Novgorod, Russian Federation rogistyle@mail.ru
• Corresponding author
Article history:
Received 18 March 2016 Received in revised form 1 April 2016 Accepted 20 April 2016
JEL classification: E31, E32, E37, G31
Keywords: financial bubble, mixed model, corporate finance
Abstract
Subject The article addresses the stock market bubbles forecasting. The subject is gaining popularity in view of recent economic crises caused by financial bubble busting.
Objectives The objectives of the study are to devise models to predict the emergence and development of financial bubbles in the short term; to identify micro- and macroeconomic factors affecting the short-term changes in stock prices (stocks included in the Dow Jones Industrial index); and to assess the consistency of the models in question.
Methods The study employs econometric techniques (mixed models) to analyze quarterly panel data on financial statements of companies in their relations with macroeconomic indicators. Results We developed four models, which may help analyze the stock market from the perspective of financial bubble presence.
Conclusions and Relevance The proposed models clarify the relationship between the innovative activity of a company, overall condition of the economy and trends in the stock market. The paper may be of interest to individual traders and mutual fund managers for trading strategies development, risk hedging and portfolio diversification, as well as to financial market regulators.
© Publishing house FINANCE and CREDIT, 2016
References
1. Dabla-Norris E., Minoiu C., Zanna L.F. Business Cycle Fluctuations, Large Macroeconomic Shocks, and Development Aid. World Development, 2014, vol. 69, pp. 44-61.
2. Cai W. et al. Forecasting Chinese Stock Market Volatility with Economic Variables. Emerging Markets Finance and Trade, 2015, pp. 1-13.
3. Machado J.A.T. Relativistic Time Effects in Financial Dynamics. Nonlinear Dynamics, 2014, vol. 75, no. 4, pp. 735-744.
4. Malkina M.Yu., Grishchenko L.L. [Mechanisms of formation, methods of identification and regulation of financial bubbles]. Finansovyi zhurnal =Financial Journal, 2013, no. 2, pp. 35-44. (In Russ.)
5. Chirkova E.V. [Prerequisites for financial bubbles]. Vestnik Finansovogo universiteta = Bulletin of Financial University, 2012, no. 1, pp. 79-88. (In Russ.)
6. Tolkachev S.A., Popov A.K. [Formation of financial bubbles at the stage of economic system's growth]. Nauchno-prakticheskii zhurnal = Scientific and Practical Journal, 2015, no. 2, pp. 84-95. (In Russ.)
7. Baidin E.V., Baidina O.S. [About problems of preventing financial bubbles]. Den'gi i kredit = Money and Credit, 2009, no. 6, pp. 31-33. (In Russ.)
8. Liang H.D., Lai K.K., Yen J. Analysis of Shadows behind Financial Bubbles. Business Intelligence and Financial Engineering (BIFE), Third International Conference. IEEE, 2010, pp. 274-278.
9. Mindeli L.E., Chistyakova V.E. [Improving the methodology for cost accounting and measuring the R&D results]. Innovatsii = Innovation, 2013, no. 9, pp. 36-42. (In Russ.)
10. Nikolenko E.B. [Criteria of efficiency of investment support to R&D]. Innovatsii i investitsii = Innovation and Investment, 2012, no. 2, pp. 235-239. (In Russ.)
11. Nikolenko E.B. [Factors influencing the formation of investment support to research and development]. Aktual'nye voprosy ekonomicheskikh nauk = Topical Issues of Economic Science, 2010, no. 17-1, pp. 176-179. (In Russ.)
12. Appel' D. Tekhnicheskii analiz. Effektivnye instrumenty dlya aktivnogo investora [Technical analysis. Effective tools for active investors]. St. Petersburg, Piter Publ., 2013, 304 p. (In Russ.)
13. Gel'man S.V., Shprenger K. [How much should financial assets cost? Nobel Prize in Economics 2013]. Ekonomicheskii zhurnal VShE = HSE Economic Journal, 2014, vol. 18, no. 1, pp. 160-172. (In Russ.)
14. Simochkin D.I. [Eugene Fama: An empirical analysis of changes in asset prices (Nobel Prize in Economics 2013)]. Nauchnye issledovaniya ekonomicheskogo fakul'teta, 2015, vol. 6, no. 2, pp. 143-177. (In Russ.) Available at: http://urlid.ru/ai4s.
15. Belykh T.I., Burdukovskaya A.V., Gutnik D.I. [Research of various economic indicators impact on the consumer price index by means of econometric analysis]. Izvestiya Irkutskoi gosudarstvennoi ekonomicheskoi akademii = Izvestiya of Irkutsk State Economics Academy, 2014, no. 3, pp. 91-103. (In Russ.)
16. Gordievich T.I. ['Problems of distortions' in consumer price index calculation]. Vestnik Omskogo universiteta. Ser. Ekonomika = Herald of Omsk University. Series Economics, 2011, no. 1, pp. 197-206. (In Russ.)
17. Strelkova L.V., Kabanov S.S. [On the effect of innovation on productivity growth and employment in the Russian economy]. VestnikNizhegorodskogo universiteta im. N.I. Lobachevskogo. Ser. Sotsial'nye nauki = Vestnik of Lobachevsky State University of Nizhny Novgorod, 2011, no. 1, pp. 147-150. (In Russ.)
