CC BY
71
методологические аспекты оценки зависимости валютных и фондовых рынков в условиях кризиса
е. А. ФЕДОРОВА, кандидат экономических наук, доцент кафедры финансового менеджмента
Email: [email protected] Всероссийский заочный финансово-экономический институт, Москва
В статье рассматривается методологический аппарат оценки взаимозависимости валютных и фондовых рынков. Для выявления связи между рынками использовалось эконометрическое моделирование: казуальный анализ Грэнжера-Козалити, построение моделей векторной авторегрессии. Предлагаемый методологический аппарат может использоваться для оценки взаимозависимости временных рядов в краткосрочном и долгосрочном периодах.
Ключевые слова: эконометрическое моделирование, фондовые рынки, валютный курс, модель векторной авторегрессии, стационарность рядов, корреляционный анализ, анализ причинно-следственной зависимости.
Взаимосвязь между фондовыми ценами и обменными курсами является популярной темой в финансовой литературе. Некоторые гипотезы свидетельствуют о причинной связи между фондовыми ценами и валютными курсами. Например, гипотеза товарного рынка (например, Р. Дорнбуш и С. Фишер) [6] полагает, что изменения валютных курсов влияют на конкурентоспособность транснациональных компаний и, следовательно, на их доходы и цены на акции. Девальвация местной валюты позволяет экспортировать товары дешевле и может привести к увеличению внешнего спроса и продаж.
Однако из-за снижения иностранного спроса на продукцию фирмы-экспортера прибыль фирмы будет снижаться, а также будут снижаться цены на ее акции. Для фирм-импортеров, в свою очередь, чувствительность стоимости компании к изменениям обменного курса будет противоположенной. Девальвация курса местной валюты приводит к увеличению стоимости продукции фирм-импортеров.
Кроме того, колебания валютных курсов влияют на проведение сделок фирмы, т. е. движение обменного курса повлияет на будущую задолженность предприятия (или дебиторскую задолженность), выраженную в иностранной валюте. Кроме того, цены на акции могут пострадать от изменения обменного курса, поскольку такие движения будут вызывать фондовые потоки.
Авторы М. Адлер и В. Дюмас [2] указывают, что даже отечественные фирмы, которые ведут минимальную международную деятельность, могут столкнуться с воздействиями обменного курса, если их цены на ресурсы, цены на продукцию или спрос на их продукцию зависят от изменения обменных курсов. Таким образом, на макроуровне воздействие колебаний обменного курса на цены акций зависит от степени торгового дисбаланса.
И, наоборот, колебания стоимости акций могут оказывать влияние на колебания валютных курсов (курсы валют, как и все товары, определяются рыночным механизмом). Процветание фондового рынка будет привлекать поток капитала со стороны иностранных инвесторов и, следовательно, приведет к увеличению спроса валюты страны, и наоборот. Таким образом, рост (снижение) цен на акции связан с оценкой (девальвацией) обменных курсов. Кроме того, иностранные инвестиции в фондовые ценные бумаги страны могут возрасти с течением времени за счет увеличения прибыли от международной диверсификации, которую иностранные инвесторы будут зарабатывать. В дополнение к прибыли потоки капиталов могут быть вызваны менее рискованным инвестиционным климатом в стране. Улучшение инвестиционного климата в стране (например, стабильная политическая система, справедливая
правовая система, финансовая открытость и либерализация и т. д.) приведет к притоку капитала и росту валютного курса.
Кроме того, движение цен на акции может повлиять на обменные курсы, поскольку богатство инвесторов и спрос на деньги могут зависеть от производительности фондового рынка (М. Га-вин) [7]. Например, во время кризиса (например Азиатский финансовый кризис 1997 г.) внезапная дислокация спроса активов может произойти из-за стадного поведения инвесторов или потери уверенности в экономической и политической стабильности. Эта дислокация обычно приводит к сдвигу портфельного предпочтения от внутренних активов к активам, деноминированным в другой валюте (например в доллар США), что предполагает уменьшение спроса на деньги. Это приведет к снижению внутренних процентных ставок и, в свою очередь, к оттоку капитала. Следовательно, курс валюты будет падать.
Хотя теоретические выкладки предлагают причинно-следственные связи между фондовыми ценами и обменными курсами, полученные эмпирические данные являются довольно неубедительными. Авторы П. Джорион [9], Ж. Боднар и У. Джентри1, Е. Бартов и Г. Боднар [4] и другие не нашли зависимости между колебаниями доллара США и доходностью акций американских фирм. Авторы И. Хе и Л. Нг [8] считают, что только около 25 % выборок из 171 японской транснациональной корпорации имеют значительное воздействие обменного курса.
Эмпирические результаты авторов Ж. Гриф-фина и Р. Сталтза2 показывают, что еженедельные «потрясения» валютных курсов незначительно воздействуют на функционирование отрасли в шести промышленно развитых странах. Однако авторы С. Чемберлен, И. Хоу и Н. Поппер [5] считают, что доходность банковских ценных бумаг США очень чувствительна к колебаниям обменного курса. Хотя эти выводы существенно отличаются от тех, о которых говорилось в ходе проведенных ранее исследований, С. Чемберлен и другие использовали ежедневные данные, что, возможно, повлияло на результаты исследования.
На макроуровне авторы С. Ма и Г. Гао [10] считают, что повышение курса валюты отрицательно
1 Bodnar G. M, Gentry W. M. Exchange rate exposure and industry characteristics: Evidence from Canada, Japan, and the USA / Journal of International Money and Finance, 12, P. 29—45.
2 Griffin J. M, Stulz R. M. International competition and exchange rate shocks: A cross-country industry analysis of stock returns / Review
of Financial Studies, 14, P. 215-241.
сказывается на внутреннем фондовом рынке для экспортно доминирующей страны и положительно влияет на внутренний фондовый рынок для импортно доминирующей страны. Авторы Р. Аджайи и М. Мугу [3] находят значительное взаимодействие между ежедневными курсами валют и доходностью акций. Авторы И. Абдалла и В. Муринд [1] заявляют, что причиной изменения валютных курсов может быть изменение цены на акции, но не наоборот. Экономист Я. Вью [11] считает, что обменные ставки на сингапурский доллар являются причиной стоимости акций. Он также считает, что влияние обменных курсов на цены акций увеличилось с течением времени.
По результатам обзора экономической литературы можно отметить, что данная тема исследования является актуальной, однако нет единой концепции объяснения зависимости обменного курса и валютного рынка. Во-первых, для России валютный курс является плавающим, поэтому логично ожидать, что для страны, которая придерживается свободно плавающей обменной системы, обменные курсы могут в полной мере реагировать на изменение стоимости акций.
Финансовый кризис может изменить природу отношений стоимости акций — обменного курса. Если рассматривать предыдущий кризис (1998 г.), то считается, что обменные курсы и стоимость акции имеют тенденцию двигаться в тандеме, хотя не ясно, существует ли причинная связь между курсом обмена валюты и ценой на акции (или наоборот).
Хотя большинство предыдущих исследований опирается на ежемесячные данные, в данном анализе будут использоваться ежедневные данные, что может повысить эффективность результатов исследования.
Методология исследования. В исследовании использовались ежедневные данные с 05.01.2000 по 30.09.20 093. Анализ массивов ежедневных данных более точно отражает взаимосвязи фондовых рынков по сравнению с анализом недельных или месячных данных.
Анализируемый период был разделен на два временных интервала:
1) период относительно стабильного развития (с 05.01.2000 по 30.06.2008);
2) кризисный период (с 01.07.2008 по 30.09.2009).
Все временные ряды были трансформированы в логарифмические. Такая трансформация позволяет более наглядно представить связь
3 По данным РБК.
между рассматриваемыми показателями, так как логарифмические ряды расположены в пределах единого диапазона. Первые разности логарифмов являются аппроксимацией темпов прироста соответствующих переменных.
По существу, первым этапом любого экономического исследования являлся корреляционный анализ. Результаты проведенного автором корреляционного анализа послужили базой для дальнейшего выявления вида и математической формы существующих связей.
Следующим шагом было изучение причинно-следственных связей между рассматриваемыми показателями. Для этих целей был осуществлен казуальный анализ с помощью теста Грейнджера. Сущность теста Грейнджера на казуальность заключается в следующем: переменная х является каузальной по отношению к переменной у (обозначается как х ^ у), если при прочих равных условиях значения у могут быть лучше предсказаны с использованием прошлых значений х, чем без них. Иначе говоря, должны выполняться одновременно два условия:
1) переменная х должна вносить значимый вклад в прогноз у;
2) переменная у не должна вносить значимого вклада в прогноз х.
Если же каждая из этих двух переменных дает значимый вклад в прогноз другой, то, скорее всего, существует третья переменная г, влияющая на обе переменные.
В основе теста Грэйнджера лежит следующая регрессия:
т т
у,=+-1+Ер 1х-1 +' (1)
]= 1 1=1
где ст0, ст,, в, — оцениваемые коэффициенты;
е( — некоррелируемые остатки.
Нулевая гипотеза «х не влияет на у» заключается в одновременном равенстве нулю всех коэффициентов р. Для ее тестирования применяется обычный ^-тест. Альтернативная гипотеза «у не влияет на х» тестируется аналогично, только необходимо поменять местами х и у. Для того чтобы прийти к заключению, что «х влияет на у», необходимо, чтобы гипотеза «х не влияет на у» была отвергнута, а гипотеза «у не влияет на х» — принята. Если обе гипотезы отвергаются, то между рассматриваемыми переменными существует взаимосвязь, т. е. х ^ у. Если же нулевые гипотезы не отвергаются, то каузальная связь между переменными отсутствует. Кроме того, необходимо отметить, что тест Грэйнджера является очень чувствительным к ко-
личеству лагов m в уравнении регрессии, поэтому целесообразно проделать данный тест для разных значений параметра т.
Для установления причинно-следственной связи рассматриваются результаты казуального анализа (значения F-статистики и соответствующая вероятность p). Для отклонения нулевой гипотезы на 5 %-ном уровне значимости необходимо, чтобы значение p для соответствующей пары показателей находилось в пределах от 0 до 0,05. Таким образом, каузальный анализ позволил определить динамику взаимодействия, в частности направление причинно-следственных связей между изучаемыми показателями. По значению F-статистики судят о характере влияния между переменными.
В качестве инструмента оценки степени взаимного влияния изучаемых показателей в работе использовалась модель векторной авторегрессии (vector autoregression, VAR). Использование данной модели обусловлено тем, что изучение сводится к анализу взаимного влияния различных показателей друг на друга без выделения экзогенной переменной.
Модели векторной авторегрессии VAR представляют собой удобный инструмент для одновременного моделирования нескольких рядов. Векторная авторегрессия — это такая модель, в которой рассматриваются несколько зависимых переменных, и зависят они от собственных лагов и от лагов других переменных. В отличие от модели регрессии, в VAR-модели нет необходимости делить переменные на изучаемые переменные и независимые факторы. Любая экономическая переменная модели VAR по умолчанию включается в состав изучаемых величин (хотя существует и возможность часть переменных рассматривать как внешние по отношению к модели (экзогенные переменные).
Следует отметить, что используемый метод VAR имеет некоторое ограничение. Оно состоит в том, что использование данного вида моделирования требует стационарности исходных временных рядов. Таким образом, в рассматриваемом исследовании этапу построения модели векторной авторегрессии предшествует этап проверки временных рядов на стационарность.
Первый шаг при проверке временного ряда на стационарность заключался в его визуализации. График временного ряда очень часто делает очевидным наличие тренда или сезонной компоненты, что позволяет сделать вывод о нестационарности ряда. Далее сделанное в результате визуализации
заключение подтверждалось формализованными эконометрическими методами.
Одним из таких методов является построение графиков (коррелограммы) автокорреляционной и частной автокорреляционной функций временного ряда. Автокорреляционная функция показывает степень тесноты статистической связи между наблюдениями временного ряда, разнесенными по времени на / отсчетов. Она вычисляется по аналогии с парным коэффициентом корреляции по следующей формуле
П ___ -.
Е|_( х'- х')(х'-т- Х,)]
—-, т = 1,2...,
п __' ' '
Е(Х,- Х,)2
(2)
где х, — среднее значение переменной по выборке.
Частная автокорреляционная функция — это корреляция между х1 и х при исключении влияния промежуточных значений х—1, х—2,... х—т+1 и она вычисляется по аналогии с частным коэффициентом корреляции. Коррелограмм и график частной автокорреляционной функции в случае стационарного ряда должны быстро убывать с ростом / после нескольких первых значений.
Вторым способом проверки временного ряда на стационарность является тест на наличие единичных корней — тест Дики-Фуллера, DF или расширенный тест Дики-Фуллера, ADF. В основу указанного теста положена следующая регрессия:
Ду, + Ы + а у,-1 + Е в ДУ ,- + е,,
(3)
где Дуг = у1 - у _ 1;
8, а, Р;. — коэффициенты регрессии; / — временной тренд; е( — некоррелируемые остатки. Если Ер/ = 0, то это DF-тест, если же Ер/ ф 0, то — ADF-тест. В данном исследовании использовался ADF-тест, так как он позволяет тестировать гипотезу о наличии единичного корня в моделях, где количество лагов может быть больше одного. В ADF-тесте нулевая гипотеза заключается в наличии единичного корня, что на языке модели (3) интерпретируется как а = 0.
Проверка гипотезы осуществляется путем сравнения фактической величины /-статистики для а с соответствующим табличным значением. Если абсолютное значение фактического значения / превысит табличное значение, рассчитанное по формуле Маккиннона на установленном уровне значимости, то нулевая гипотеза должна быть отвергнута и принята альтернативная гипотеза, заключающаяся в отсутствии единичных корней и стационарности временного ряда.
Следует отметить, что классическим способом приведения нестационарных рядов к стационарным является процесс взятия последовательных разностей.
Таким образом, построение модели векторной авторегрессии осуществлялось только после приведения временных рядов к стационарным.
С математической точки зрения простейшая форма VAR-модели — это система п уравнений, которые можно записать в матричном виде следующим образом:
Г, = а + 47(_1 +... + Лр¥,-р + е,, (4)
где а — вектор констант;
А1, А2,... Ар — матрицы коэффициентов;
Y — переменная;
е1 — некоррелируемые остатки.
Оценить параметры данной модели можно с помощью обычного метода наименьших квадратов (МНК), примененного к каждому из уравнений. Матрицу ковариаций ошибок Ее можно состоятельно оценить выборочной ковариационной матрицей полученных из МНК остатков. Адекватность VAR-модели оценивалась путем проверки матричных коэффициентов на предмет выполнения условий стационарности VAR-модели:
1 - Л^-1 -... - Л/(-р
= 0. (5)
Для стационарной модели корни уравнения (5) должны лежать за пределами единичной окружности для стационарной модели.
Поскольку матрицы оцененных коэффициентов VAR затруднительно интерпретировать непосредственно, то результаты оценивания VAR обычно представляют некоторыми функциями этих матриц, в частности, с практической точки зрения в исследовании использовались функции реакции на импульсы.
Функция реакции на импульсы — это частная производная 7 /+к с временным горизонтом к по отдельному шоку (импульсу), т. е. импульсному изменению одной переменной в момент / по отношению к другим переменным. Функции реакции на импульсы связывают текущее значение ошибки с будущими значениями У.. Таким образом, осуществляется динамическая имитация внешнего шока в отношении каждой из эндогенных переменных, а затем рассматривается реакция системы на этот импульс.
Анализ реакции на импульсы производится с помощью графиков, по которым можно сделать вывод о влиянии единичного импульса одной переменной на другую. По устойчивости воздействия (продолжительность отклика) единичного
Гт =
=1
Таблица 1
Корреляционная матрица логарифмов фондовых индексов России, курсов доллара США и евро
Показатель LOG (RTSI) LOG (USD) LOG (EUR)
Относительно стабильный период
LOG (RTSI) 1,000000 -0,691473 0,786311
LOG (USD) -0,691473 1,000000 -0,312379
LOG (EUR) 0,786311 -0,312379 1,000000
Кризисный период
LOG (RTSI) 1,000000 -0,675609 -0,276348
LOG (SSEC) 0,536697 0,119027 0,510264
LOG (EUR) -0,276348 0,875184 1,000000
7-
6-
5-
4-
импульса судят о его долгосрочности. По времени затухания отклика можно сделать вывод о том, сколько времени требуется для стабилизации показателя.
Результаты исследования:
1) корреляционный анализ. Первым шагом исследования был корреляционный анализ, позволяющий определить существование линейной зависимости между рассматриваемыми показателями.
В качестве характеристики степени тесноты связи между показателями был использован парный коэффициент корреляции. Он позволил измерить степень тесноты статистической связи между парой переменных без учета опосредованного или совместного влияния других показателей и вычислялся только по результатам наблюдений анализируемой пары показателей.
Рассмотрим влияние исследуемых показателей друг на друга. Корреляционные матрицы логарифмов исследуемых показателей (фондовый индекс РТС и курс доллара США и евро) для относительно стабильного и кризисного периодов представлены в табл. 1. Положительное значение коэффициента корреляции свидетельствует о возрастающем характере парной связи факторов, а отрицательное значение — об убывающем характере этой связи.
Как в относительно стабильном, так и в кризисном периоде наблюдаются высокие значения парных коэффициентов корреляции некоторых переменных (табл. 1). Однако такие значения могут быть обусловлены не только тесной связью исследуемых величин, но и присутствием третьей переменной, которая оказывает сильное влияние на первые две, или наличием повышающего тренда, что и служит, в конечном счете, причиной высокой коррелированности.
Результаты классического корреляционного анализа, представленные в табл. 1, являются не сов-
ООч-ч-СМСМСОСО-сГ-сГ
оооооооооо оооооооооо
ю о
О т-
47
см см
Т- тт о
О О Т-
556677 о о о о о о о о о о о о
<N <N <N <N <N (N 3 СМ оЗ ^ CM ^ Т- СМ СМ СО Т- Т-
t-I^T-I^T-I^T-oocmoocmoocm ооооооооооооо
00 СО СП ООО
Т- см
см см
?! CD
о о
Динамика логарифмов РТС, курсов валют: 1 - LOG (RTSI); 2 - LOG (USD); 3 - LOG (EURO)
сем корректными, поскольку динамка логарифмов изучаемых показателей характеризуется наличием трендов (см. рисунок).
Одним из методов удаления тренда является использование первых разностей логарифмов показателей. Поэтому перейдем к рассмотрению первых логарифмических разностей данных показателей.
В табл. 2 представлена корреляционная матрица первых разностей логарифмов исследуемых показателей.
Значения парных коэффициентов корреляции не столь велики, как в случае с логарифмической шкалой. При этом в динамике первых разностей логарифмов показателей уже не прослеживается наличие трендовых участков.
Кроме того, важен тот факт, что не все зависимости между переменными являются статистичес-
Таблица 2
корреляционная матрица первых разностей логарифмов фондовых индексов России, курсов доллара сшА и евро
Показатель DLOG (RTSI) DLOG (USD) DLOG (EUR)
Относительно стабильный период
DLOG (RTSI) 1,000000
DLOG (USD) 0,033464 1,000000
DLOG (EUR) 0,055222 -0,088560 1,000000
Кризисный период
DLOG (RTSI) 1,000000
DLOG (USD) -0,028608 1,000000
DLOG (EUR) 0,059514 0,378594 1,000000
ки значимыми. При корреляционном анализе в стабильный период обнаружена обратная корреляция между фондовым рынком Российской Федерации и курсом доллара, взаимосвязь является средней, с курсом евро взаимосвязь слабая.
Что касается кризисного периода, то в этот период влияние курсов на фондовый рынок ослабевает. Классический корреляционный анализ дает лишь самые общие представления о связях рассматриваемых показателей. Он не позволяет, во-первых, определить направление причинно-следственных связей, во-вторых, затрагивает лишь краткосрочный аспект взаимодействия;
2) каузальный анализ. Следующий шаг исследования — анализ причинно-следственных связей с помощью теста Грэйнджера на каузальность. Как уже отмечалось ранее, тест Грэйнджера является очень чувствительным к количеству лагов m в уравнении регрессии (1), поэтому целесообразно провести данный тест для разных значений параметра m. Учитывая то, насколько быстро фондовые рынки реагируют на изменения в экономике, было принято решение ограничиться в исследовании длиной лага не более m = 6.
Были рассчитаны значения ^-статистики и соответствующая вероятность p. Для отклонения нулевой гипотезы на 5 %-ном уровне значимости необходимо, чтобы p-значение для соответствующей пары показателей находилось в пределах от 0 до 0,05. Интерпретации тестов Грэйнджера с точки зрения направления причинно-следственных связей представлены далее.
Тест Грэйнджера проводился по всем переменным, представленным в уровнях, и отражает долгосрочный аспект взаимодействия рассматриваемых показателей.
В докризисный период наблюдается вза-мосвязь изменения индекса RTSI и курса USD. Данная взаимосвязь объясняется тем изменением, что индекс RTSI участвует в формировании курса российской валюты, тем самым изменяется курс доллара США по отношению к рублю.
Для курса евро такой зависимости не выявлено. В кризисный период сохраняется зависимость влияния изменения курса доллара на изменение индекса фондового рынка.
Таким образом, каузальный анализ позволил определить динамику взаимодействия, в частности направление причинно-следственных связей фондового индекса и курса валют в относительно стабильном периоде и их изменение в период кризиса. Однако результаты теста Грейнджера на казуальность не содержат информации о степени их взаимодействия, о силе существующих связей. Поэтому следующий шаг исследования — оценка степени взаимного влияния изучаемых показателей.
В качестве инструмента оценки степени взаимного влияния изучаемых показателей в работе использовалась модель векторной авторегрессии. Как отмечалось ранее, VAR-модель позволяет проанализировать степень взаимодействия показателей, однако для получения несмещенных оценок коэффициентов в моделях необходимо использовать в качестве входных данных стационарные временные ряды;
3) проверка временных рядов на стационарность. Первый этап при проверке временного ряда на стационарность заключался в его визуализации. Анализ графиков временных рядов показывает наличие в них трендовых участков, что позволяет сделать вывод об их нестационарности.
Классическим способом приведения нестационарных рядов к стационарным является процесс взятия последовательных разностей. Динамика трансформированных временных рядов характеризуется постоянными колебаниями относительно нуля, что свидетельствует о стационарности трансформированных рядов.
Следующим этапом являлось построение графиков (коррелограммы) автокорреляционной и частной автокорреляционной функций для логарифмических временных рядов и временных рядов их первых разниц.
Таблица 3
Выбор максимального лага в модели векторной авторегрессии
Критерий Количество лагов
2 3 4 5 6
Относительно стабильный период
AIC -53,09590 -53,04182 -53,03369 -53,15096 -53,04443
SC -52,54788 -52,15782 -51,76328 -51,42948 -50,78882
Период кризиса
AIC -44,07008 -44,. 21365 -43,72179 -43,70124 -44,17429
SC -41,71147 -40,43333 -38,35122 -36,53791 -34,91983
Для всех временных рядов исследуемых переменных и для всех временных интервалов, относящихся к различным состояниям экономики (относительно стабильный период и период кризиса), получаются идентичные результаты.
Полученные для всех временных рядов результаты были подтверждены тестами на наличие единичных корней (расширенный тест Дики-Фул-лера, ADF).
При проведении теста использовалось автоматическое определение величины лага на основании информационного критерия Шварца (Schwarz Information Criterion, SIC) с ограничением максимальной величины лага до 25. Критические значения /-статистик в критериях Фуллера вычислялись по формуле Маккиннона.
Результаты показывают, что для временных рядов в логарифмической форме исследуемых показателей абсолютная величина ADF-статистики меньше критических значений /-статистик для различных уровней значимости. Это свидетельствует о том, что нулевая гипотеза о наличии единичных корней должна быть принята и ряд является нестационарным.
Для временного ряда разности логарифмов исследуемых показателей наблюдается обратная картина. Абсолютная величина ADF-статистики превышает критические значения /-статистик при всех уровнях значимости. Это означает, что нулевая гипотеза должна быть отвергнута и принята альтернативная гипотеза, заключающаяся в отсутствии единичных корней и стационарности временного ряда. Все временные ряды, используемые в исследовании, являются нестационарными в логарифмической шкале, но стационарными в шкале первых разниц.
Таким образом, как визуальный анализ, так и эконометрические методики позволяют сделать вывод о нестационарности логарифмических временных рядов и необходимости использования в дальнейшем эконометрическом моделировании рядов первых разниц;
4) построение модели векторной авторегрессии. К сожалению, в изученных автором источниках по тематике исследования не удалось найти четко определенного формального метода выбора VAR-модели. Общая рекомендация сводится к итерационному алгоритму выбора наиболее качественной модели, начиная с максимально разумного лага. Для выбора количества лагов в модели векторной авторегрессии с коррекцией ошибок были оценены варианты модели с количеством лагов от 2 до 6. Оценка производилась с помощью информационных критериев Акаике (Akaike information criterion, AIC) и Шварца (Schwarz criterion, SC). Критерии Акаике и Шварца являются попыткой свести в один показатель два требования: уменьшение числа параметров модели и повышения ее качества. Согласно упомянутым критериям, из двух моделей следует выбрать модель с наименьшим значением AIC и SC (табл. 3).
В табл. 3 показано, что согласно информационному критерию Шварца (как для относительно стабильного периода, так и для кризисного периода) наилучшие статистические качества имеют модели с максимальным количеством лагов, равным 2.
Критерий Акаике при этом не позволяет сделать однозначного вывода о статистических качествах модели с увеличением количества лагов.
Далее были рассмотрены результаты оценивания VAR при максимальной длине лага, равной 2. Анализ влияния изучаемых показателей друг на друга проводился на основе построения функций импульсного отклика векторной авторегрессионной модели.
В относительно стабильный период не выявлено заметного влияния курса доллара и евро на фондовый индекс. В кризисный период по результатам анализа было выявлено, что единичные импульсы со стороны курсов валют USD и EUR вызывают краткосрочное отрицательное влияние на RTSI, поскольку курс иностранной валюты по отношению к рублю означает ослабление рубля.
Другими словами, отрицательный отклик иностранной валюты соответствует положительному отклику национальной.
Результат исследования подтвердил кризисный период 1998 г. В кризисный период увеличивается взаимовлияние валютного и фондового рынков. Несмотря на то, что территориально для РФ более близкой является Европа, российский фондовый рынок в большей степени реагирует на изменение курса доллара. Это можно объяснить тем, что финансовый кризис начался с США и фондовый рынок больше реагировал на изменение курса доллара.
Предлагаемые методологические аспекты исследования можно использовать для выявления влияния различных факторов на фондовые рынки в краткосрочном периоде.
Список литературы
1. Abdalla I. S. A., Murinde V. Exchange rate and stock price interactions in emerging financial markets: Evidence on India, Korea, Pakistan, and Philippines / Applied Financial Economics, 7. Р. 25-35.
2. Adler M., Dumas B. Exposure to currency risk: Definition and measurement / Financial Management, 13. Р. 41-50.
3. Ajayi R. A., Mougoue M. On the dynamic relation between stock prices and exchange rates / Journal of Financial Research, 19.P. 193—207.
4. Bartov E, Bodnar G. M. Firm valuation, earnings expectations, and the exchange-rate exposure effect / Journal of Finance, 49.P. 1755-1785.
5. Chamberlain S, Howe J. S, Popper H. The exchange rate exposure of U. S. and Japanese banking institutions / Journal of Banking and Finance, 21. P. 871-892.
6. Dornbusch R, Fischer S. Exchange rates and current account / American Economic Review, 70. P. 960-971.
7. Gavin M. The stock market and exchange rate dynamics / Journal of International Money and Finance, 8. P. 181-200.
8. He J., Ng L. K. The foreign exchange exposure of Japanese multinational corporations / Journal of Finance, 53. P. 733-753.
9. Jorion P. The pricing of exchange rate risk in the stock market / Journal of Financial and Quantitative Analysis, 26. P. 363-376.
10. Ma C. K., Kao G. W. On exchange rate changes and stock price reactions / Journal of Business Finance and Accounting, 17. P. 441-449.
11. Wu Y. Stock prices and exchange rates in a VEC model - The case of Singapore in the 1990s / Journal of Economics and Finance, 24. P. 260-274.
Нужны статьи
в электронном виде?
На сайте Электронной библиотеки «dilib.ru» собран архив электронных версий журналов Издательского дома «ФИНАНСЫ и КРЕДИТ» с 2006 года и регулярно пополняется свежими номерами.
Доступ к ресурсам библиотеки осуществляется на платной основе: моментальная оплата электронными деньгами, банковской картой, отправкой SMS на короткий номер. Возможны и другие способы оплаты.
Подробности на сайте библиотеки: www.dilib.ru
lib
ДЕНЫ"И@ГТ1СИ1.ГиL II Mastü
V/SA
ÍIndex
money-yandex-ru
