Вестник_6_2021. Научный журнал
 Скачать 7.42 Mb.
|
|
Значения критериев «Доходность-риск», вычисленные для января 2017 г. 1 2 3 4 5 6 Название компании Доходность (Dx) x Риск (Rs) Отношение доходности к риску (Dx/Rs) ss Отношение Win/Loss для скользящей верификации Отношение Win/Loss для сквозной верификации Adobe Systems 2,4 5,5 0,4 3:1 3:1 Home Depot 1,7 4,6 0,4 2,7:1 3:1 3M Co 1,6 4,1 0,4 3:1 3:1 Johnson&Johnson 1,2 3,9 0,3 1:1 1:1 McDonalds 0,8 3,8 0,2 3,5:1 5:1 American Intel Group 1,4 5,2 0,3 0:3 1:2 Microsoft Corp 2,1 6,5 0,3 3:1 3:1 Applied Materials 2,6 8,1 0,3 3:1 3:1 Источник: расчеты авторов. 83 Пятый столбец табл. 1 представляет собой общепринятый в техниче- ском анализе критерий: отношение числа месяцев, в которых соответ- ствующая компания показала положительную доходность, к числу ме- сяцев, когда ее доходность оказалась отрицательной (ЛеБо, Лукас, 1999; Герцекович, 2012). Абсолютными лидерами, акции которых нашли отражение в каждом из построенных портфелей на протяжении всего инвестиционного гори- зонта, стали следующие компании: Adobe Systems Inc., 3M CO, Applied Materials Inc, Microsoft Corp. Что является закономерным, ведь: Adobe Systems Inc. — ведущий производитель программного обеспе- чения для графического дизайна, публикации, веб и продукции печати; 3M Co — диверсифицированная инновационно-производственная компания; Applied Materials Inc — американская корпорация, которая постав- ляет оборудование, услуги и программное обеспечение для производства полупроводниковых (интегральных) микросхем для электроники, пло- скопанельных дисплеев для компьютеров, смартфонов и телевизоров, а также солнечных устройств. Компания также поставляет оборудование для производства покрытий для гибкой электроники, упаковки и других применений; Microsoft Corp — является производителем широкого спектра про- граммного и аппаратного обеспечения, известность ей принесли в первую очередь операционные системы семейства Windows, а также программы для работы с документами семейства Microsoft Offi ce. После двенадцатикратного повторения вышеуказанного алгоритма было отмечено, что при помещении отобранных акций, входящих в ин- вестиционный портфель, на диаграмму рассеяния, в каждом испыту- емом месяце за исключением летних месяцев (июля, августа и сентя- бря), наблюдается выраженное разделение компаний-лидеров на два кластера (Дюран, Одедд, 1977; Ким, Мьюллер и др., 1989). В качестве иллюстрации к сказанному выше приведем результаты синтеза группы компаний-лидеров для марта и апреля 2017 г. (рис. 2, 3). Результаты та- кого разделения группы лидеров для марта 2017 г. представлены на рис. 4 и 5. Различие данных кластеров заключается в том, что первый кластер (или левый верхний): 1. Характеризуется значительно меньшей волатильностью по риску при сравнительно одинаковом интервале изменчивости доходно- сти, нежели второй (или правый нижний) (табл. 2). 2. Значительно большим углом наклона в модели «Доходность-риск». 3. Более высоким значением коэффициента детерминации по моде- ли «Доходность-риск». Наличие двух кластеров обуславливает необходимость строить модель «Доходность-риск» для каждого кластера отдельно (Герцекович, 2017). 84 Рис. 2. Диаграмма рассеяния для группы компаний-лидеров для марта 2017 г. («третий» портфель) Источник: расчеты авторов. Таблица 2 Сравнительная оценка кластеров по доходности и риску (для марта 2017 г.) Номер кластера Dx Rs Угол наклона Коэффициент детерминации min max min max 1 0,5 2,6 3,7 5,6 1,04 0,94 2 0,7 2,5 5,1 8,0 0,53 0,80 Источник: расчеты авторов. Рис. 3. Диаграмма рассеяния для группы компаний-лидеров для апреля 2017 г. («четвертый» портфель) Источник: расчеты авторов. После разделения групп компаний-лидеров соответственно на две под- группы были построены линии тренда для 1-го и 2-го кластера (рис. 4, 5). 85 Рис. 4. Модель «Доходность-риск» для первого кластера (март) Источник: расчеты авторов. Линия тренда для первого кластера: Dx = 1,04 x Rs – 3,11; R² = 0,94. Здесь R² — коэффициент детерминации. Рис. 5. Модель «Доходность-риск» для второго кластера (апрель) Источник: расчеты авторов. Линия тренда для второго кластера: Dx = 0,53 x Rs – 1,56; R² = 0,80. После тщательного анализа каждого из кластеров мы пришли к вы- воду, что первый кластер (левый верхний) включает в себя высокоди- версифицированные компании как по предлагаемым товарам, работам, услугам, так и по территориальному признаку (как, например, в случае с McDonalds), что позволяет значительно снизить ожидаемый риск. Бо- лее того, все компании предлагают товары массового потребления, т.е. 86 потенциальными клиентами являются как рядовые граждане, так и круп- ные организации. Таким образом, спрос на данную продукцию практиче- ски не зависит от экономической ситуации, покупательной способности, индекса потребительских цен, размера доходов граждан и др. экономи- ческих показателей. Второй кластер (правый нижний) также включает в себя крупные ин- тернациональные компании, занимающиеся различными сферами дея- тельности, которые можно объединить в такие группы, как разработка программного обеспечения, страхование, финансовые услуги, фарма- цевтика, обслуживание военных заказов, предоставление и обеспечение систем телекоммуникационных услуг. Данные компании имеют сравни- тельно больший риск по сравнению с первым кластером по той причине, что охватывают меньший диапазон предлагаемых товаров, работ, услуг, т.е. включают в себя меньшее число сфер деятельности, либо обслужи- вают лишь крупные государственные компании и заказы. Это означает, что спрос в данной ситуации более подвержен воздействию как эконо- мических, так и политических факторов, и, следовательно, рынок менее устойчив, а цены обладают большей волатильностью. Кроме того, значи- тельное количество компаний из данного кластера функционируют либо непосредственно на территории США, либо в ограниченном количестве других стран (Wells Fargo, Travelers Comp., American Intl Group Inc., United Technologies, American Tower Corp. Cl A и др.). Подтверждение теории, утверждающей, что диверсифицированный портфель, составленный из определенного количества акций, всегда (так называемое «чудо Марковица») будет находиться левее на оси риска абсцисс, чем любая отдельно взятая акция из этого портфеля, продемон- стрировано и в данной работе (рис. 6). Как можно увидеть из диаграммы Рис. 6. Сравнительная характеристика уровня риска отдельных активов, портфеля и индекса S&P (январь 2017 г.) Источник: расчеты авторов. 87 рассеяния, значение совокупного риска инвестиционного портфеля, со- ставленного на первый месяц (январь 2017 г.), намного ниже, чем ожида- емый риск каждой из отдельно включенных в него компаний-эмитентов. Доходность сформированного портфеля, в свою очередь, равна среднему значению доходностей всех акций, и это является закономерным, так как в работе рассматривается простейший портфель с равными весами. На рис. 7 представлены результаты количественной сравнительной оценки инвестиционных качеств индекса S&P и результатов сквозной и скользящей верификации. Сравнительные результаты накопления прибыли двух способов вери- фикации демонстрирует рис. 8. Рис. 7. Графическая визуализация результатов сквозной и скользящей верификации (2017 г.) Источник: расчеты авторов. Рис. 8. Графическая визуализация динамики накопленной прибыли с помощью сквозной и скользящей верификации (2017 г.) Источник: расчеты авторов. 88 Таким образом, совокупная годовая доходность, полученная по порт- фелю со сквозной верификацией (назовем его Портфель А), составила 25% с итоговым соотношением Winn/Loss 9:3, где 9 — количество месяцев, демонстрирующих положительную доходность по портфелю (по анало- гии с техническим анализом отнесем эти результаты к выигрышным), и 3 — отрицательную (табл. 3). В табл. 3 выделены те месяца, в которых итоговая доходность оказалась отрицательной. Значение риска данного портфеля составило 5,75 со средней доходностью в 2,08%. Динамический портфель (Портфель B), синтезированный с помощью сквозной верифи- кации, также показал 25,08% годовой доходности с итоговым соотноше- нием 11:1, продемонстрировав отрицательную доходность (0,63%) только в июне. В рассматриваемом году рынок в целом, представленный индек- сом Standard&Poor’s 500, зафиксировал отрицательное значение доход- ности на протяжении двух месяцев. Годовой доход с нарастающим ито- гом составил 15%. Таблица 3 Сводная таблица апробации инвестиционного портфеля и индекса широкого рынка Месяц Доходность индекса S&P 500 (%) Доходность портфеля А (сквозная верификация) (%) Доходность портфеля В (скользящая верификация) (%) январь 2017 г. 1,21 1,68 1,68 февраль 2017 г. 3,41 3,96 4,17 март 2017 г. –0,73 2,42 1,23 апрель 2017 г. 0,93 3,03 2,68 май 2017 г. 0,98 2,18 2,18 июнь 2017 г. 0,32 –0,9 -0,63 июль 2017 г. 1,60 1,63 1,60 август 2017 г. –0,22 0,55 1,35 сентябрь 2017 г. 1,82 2,46 1,52 октябрь 2017 г. 2,1 8,2 5,70 ноябрь 2017 г. 2,49 –0,08 2,15 декабрь 2017 г. 1,05 –0,13 1,45 Накопленная годовая доходность 15,00 25,00 25,08 Средняя доходность в месяц 1,25 2,08 2,09 Источник: расчеты авторов. 89 Пространственный и временной анализ результатов скользящей ве- рификации: 1) Из рассмотренных эмитентов наиболее стабильные результаты по критериям «доходность», «риск» и отношению доходности к риску показали следующие компании: Adobe Systems Inc., 3M Co, Applied Materials Inc, Microsoft Corp — эти компании вошли во все 12 синтезированных портфелей. Десять раз вошла в портфель Johnson & Johnson. Кроме того, компании Home Depot, McDonalds и Boeing отбирались в портфель 9 раз. 2) Во времени наиболее успешными оказались февраль (средняя до- ходность среди компаний-лидеров оказалась равной 4,17%) и ок- тябрь (5,70%), тогда как в июне и августе результаты оказались от- рицательными. На сегодняшний день все миллиардеры, лауреаты Нобелевских пре- мий (Г. Марковиц, У. Шарп и др.), авторы бестселлеров, профессоры, легенды финансового мира и титаны инвестирования (Арнольд, 2014) в один голос утверждают, что для тех, кто стремится к уменьшению риска при одновременном увеличении прибыли, мантрой является эффектив- ная диверсификация. Диверсификация не только снижает степень риска, но и позволяет получить максимально возможный (в таких условиях) до- ход. Справедливости ради необходимо отметить, что широко диверсифи- цированный инвестиционный портфель помогает свести к минимуму соб- ственный (несистематический), но не рыночный (систематический) риск. Джонатан Берк и Питер Демарсо, профессора Стэндфордского универси- тета, в своей книге «Корпоративные финансы» (2013) (вслед за Г. Марко- вицем) также отметили, что волатильность большей комбинации акций будет меньше, чем средняя волатильность этих акций, взятых по отдель- ности, именно поэтому диверсифицированный портфель почти всегда имеет меньшее значение уровня риска, чем любая отдельно взятая акция, включенная в портфель. Для объективной оценки уровня диверсифицированности синтезиро- ванных в режиме скользящей верификации портфелей (Герцекович, 2017) с помощью надстройки MS EXCEL «Анализ данных» был проведен корре- ляционный анализ динамики доходностей исследуемых акций фондового рынка США. Полученные результаты свидетельствуют о том, что синте- зированные портфели вполне могут рассматриваться как высокодиверси- фицированные, так как максимальный коэффициент корреляции среди всех вычисленных коэффициентов корреляции составляет только 0,56. Выводы. Предложенный алгоритм формирования инвестиционного портфеля с помощью модели «Доходность-риск» апробирован в ре- жиме скользящей верификации на независимом материале. Скольз- ящая верификация позволяет не только получить большую доходность по сравнению как с методом сквозной верификации, так и со средне- 90 рыночным показателем, отраженном индексом S&P 500, но и суще- ственно снизить волатильность рассматриваемых в настоящей статье критериев, показав при этом наименьшее значение отношения риска к доходности. Данные детерминанты являются одними из важнейших ключевых факторов при построении успешного портфеля, ведь практи- чески все инвесторы, нацеленные на получение прибыли в долгосрочной перспективе, обычно характеризуются низкой толерантностью к риску (risk averse) и стараются снизить его, сохранив при этом максимально возможную доходность. В дальнейшем предполагается, опираясь на исторические данные, оценить оптимальную длину обучающей выборки (Герцекович, 2018), а именно, рассматривая длину обучающей выборки как параметр модели «Доходность-риск», идентифицировать такую ее величину, по которой формируется наиболее эффективная инвестиционная политика на неза- висимом материале. Список литературы Алексеев, М. Ю. (1992). 2 Рынок ценных бумаг. Финансы и статистика. Алексеев, М. Ю., & Миркин, Я. М. (1992). Технология операций с ценными бумагами. Перспектива. Алехин, Б. И. (1992). Рынок ценных бумаг. Введение в фондовые операции. СамВен. Арнольд, Г. (2014). Великие инвесторы. Альпина Паблишер. Боди, З., & Мертон, Р. (2007). Финансы. Вильямс. Бочаров, В. В. (1993). Финансово-кредитные методы регулирования рынка инвести- ций. Финансы и статистика. Герцекович, Д. А. (2012). Финансовые рынки: система игры на противофазе. Изда- тельство Иркутского государственного университета. Герцекович, Д. А. (2017). Формирование оптимального инвестиционного портфе- ля по комплексу эффективных портфелей. Вестник Московского Университета. Се- рия 6: Экономика, 5, 86–101. Герцекович, Д. А., & Бабушкин, Р. В. (2019). Динамический портфельный анализ мировых фондовых индексов. Мир экономики и управления, 19, 4, 14–30. Герцекович, Д. А., Каэтано, Ж. С., & Змановская, О. С. (2020). Сравнительный анализ потенциальной предпочтительности различных направлений инвестирования. Вестник Московского университета. Серия 6: Экономика, 2, 62–76. Гибсон, Р. (2015). Формирование инвестиционного портфеля: Управление финансовы- ми рисками. Альпина Паблишер. Дамодоран, А. (2007). Инвестиционная оценка: Инструменты и методы оценки лю- бых активов. Альпина Паблишер. Дюран, Б., & Одедд, П. (1977). Кластерный анализ. УРСС. Зинин, А. Н. (2003). Прогнозирование доходности валют на рынке FOREX. Эконо- мические и институциональные исследования: Альманах научных трудов. 3(7). Издатель- ство Ростовского университета, 38–46. Ким, Дж.-О., Мьюллер, Ч. У. и др. (1989). Факторный, дискриминантный и кла- стерный анализ. Финансы и статистика. 91 ЛеБо Ч., & Лукас Д. В. (1999). Компьютерный анализ фьючерсных рынков. Альпина Паблишер. Миркин, Я. М. (1995). Ценные бумаги и фондовый рынок. Перспектива. Официальный сайт инвестиционной компании «ФИНАМ». Дата обращения 14.01.2018, http://www.fi nam.ru. Первозванский, А. А., & Первозванская, Т. Н. (1994). Финансовый рынок: расчет и риск. Инфра-М. Фельдман, А. А. (1995). Государственные ценные бумаги. Инфра-М. Ходак, И. В. (1996). Инвестиционная политика коммерческого банка (информа- ционно-аналитический обзор). Банковские услуги, 9, 42–50. Холт, Р. Н. (1993). Основы финансового менеджмента. Дело. Хорн, Ван Дж. К. (1996). Основы управления финансами. Финансы и статистика. Чекулаев, М. (2002). Риск-менеджмент: управление финансовыми рисками на основе анализа волатильности. Альпина-Паблишер. Чесноков, А. С. (1993). Инвестиционная стратегия, опционы и фьючерсы. Паимс. Четыркин, Е. М. (1995). Методы финансовых и коммерческих расчетов. Дело ЛТД. Шарп, У., Александер, Г., & Бэйли, Дж. (2016). Инвестиции. Инфра-М. Baillie, R. T., & Bollerslev, T. (1991). Intra Day and Inter Day Volatility in Foreign Exchange Rates. Review of Economic Studies, 58, 565–585. Berc, J., & DeMarzo, P. (2013). Corporate fi nance, Prentice Hall. Black, F. (1976). Studies of Stock Price Volatility Changes. Proceedings from the American Statistical Association, Business and Economic. Statistics Section, 177–181. Bollerslev, T. (1986) Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31 (3), 307–327. DeBondt, W., & Thaler, R. (1985). Does the stock market overreact? Journal of Finance, 40, 793–805. Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Infl ation. Econometrica, 50 (4), 987–1007. Fama, E. F. (1984). Forward and spot exchange rates. Journal of Monetary Economics, 14 (3), 319–338. Fama, E. F., & French, K. R. (1988). Permanent and temporary components. Journal of Political Economy, 96, 246–273. Geweke, J., & Feige, E. (1979). Some joint tests of markets of forward exchange. Review of Economics and Statistics, 61, 334–341. Hansen, L. P., & Hodrick, R. J. (1980). Forward exchange rate as optimal predictors of future spot rates: An econometric analysis. Journal of Political Economy, 88 (2), 829–853. Harvey, C. R., & Huang, R. D. (1991).Volatility in the Foreign Currency Futures Market. Review of Financial Studies, 4, 543–569. Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market effi ciency. Journal of Finance, 48 (1), 65–91. Jones, С. К. (2001). Digital Portfolio Theory. Computational Economics, 18, 287–316. Mandelbrot, B. (1963). The Variation of Certain Speculative Prices. Journal of Business, 36, 394–419. Markovitz, H. M. (1952). Portfolio selection. Journal of Finance, 7, 1, 77–91. O`Shaughnessy, J. (2005). What Works on Wall Street. McGraw-Hill, XVI, 273–295. |