Вестник_6_2021. Научный журнал
 Скачать 7.42 Mb.
|
|
Гипотезы о влиянии факторов на спред на макроэкономическом уровне: Гипотеза 6 об обратной зависимости спреда доходности от динами- ки изменения ИПП и темпа роста ВВП. Показатели характеризу- ют текущую макроэкономическую ситуацию в стране, определяют стадию экономического цикла. В период экономического подъема снижается риск дефолта эмитента и спред доходности. Гипотеза 7 о прямой зависимости спреда доходности от уровня ин- фляции. Показатель характеризует степень успешности проводимой монетарной политики. С ростом инфляции инвесторы требуют бо́льшую доходность по облигациям с целью обеспечить для себя ожидаемую реальную доходность. Гипотеза 8 о прямой зависимости спреда доходности от ключевой ставки, являющейся важным инструментом денежно-кредитной политики, играющей ключевую роль в процессе формирования процентных ставок по кредитам банков и оказывающей влияние на ставки на долговом рынке. Гипотеза 9 о прямой зависимости спреда доходности от ставки Ruonia, индикативной взвешенной ставки по однодневным рубле- вым кредитам overnight, отражающей стоимость рублевого необе- спеченного заимствования для российского банка с минимальным кредитным риском. На основании данного индикатора можно су- 61 дить о ценах заимствования в текущий момент на межбанковском рынке. Гипотеза 10 о прямой зависимости между спредом доходности и ин- дексом IFX-Cbonds. Показатель средневзвешенной эффективной доходности по индексу российского рынка корпоративных обли- гаций, рассчитывается на основе цен сделок на бирже, включает 30 бумаг, рыночная капитализация которых не менее 5% общей рыночной стоимости облигаций, включенных в котировальные листы. Гипотеза 11 об обратной зависимости спреда доходности от индек- са MSCI Russia . Индекс Morgan Stanley Capital International Russia — фондовый индекс российского рынка, входит в группу индексов развивающихся рынков MSCI Emerging Markets, служит ориенти- ром инвесторам, вкладывающим деньги в российские активы. Гипотеза 12 об обратной зависимости между спредом доходности и ценой на нефть. Российская экономика сырьевая, в большей степени зависит от уровня цен углеводородов на мировом рынке. В случае роста мировых цен на нефть доходность крупнейших не- фтяных компаний России возрастает, вследствие чего улучшаются показатели национальной экономики. Гипотеза 13: с ростом курса валюты и ослаблением рубля спред доход- ности увеличивается. Валютный курс — показатель, отражающий текущее состояние экономики страны. Ослабление национальной валюты способствует росту доходности рублевых облигаций. Гипотеза 14 о прямой зависимости спреда доходности от курса зо- лота, характеризующей настроение инвесторов. Золото принято считать наиболее защищенным активом, во времена нестабиль- ности инвесторы покидают рынки капитала и долговой с целью вложиться в золото. Состав переменных, их описание и гипотезы о характере зависимости с объясняемой переменной кратко изложены в табл. 1. С целью выявления переменных, наиболее значимо влияющих на объ- ясняемую переменную, спред доходности, были построены и протести- рованы однофакторные модели, проанализирована корреляционная матрица, выполнен графический анализ. Важно было учесть не только статистическую значимость моделей и показателей в моделях, но и эко- номический смысл выбранных ключевых объясняемых переменных. В ко- нечную модель включены показатели, обладающие высокой объясняющей способностью и внятной экономической интерпретацией. Описание данных и эмпирическая часть исследования Сформированная на российском рынке статистика по присвоенным рейтингам и историческим данным о частоте дефолтов эмитентов позво- 62 лила взаимоувязать уровень рейтинга эмитента с вероятностью дефолта PD, определив количественную оценку меры риска. Количественная оценка кредитных рисков, методы и подходы к оценке рисков стали актуальной темой мирового финансового сообщества после прошедших мировых фи- нансовых кризисов. Таблица 1 Краткое описание рассматриваемых в модели переменных 63 В рамках Базельских соглашений были разработаны документы, от- ражающие более жесткие требования к оценке рисков, что в последую- щем было учтено и в международных стандартах финансовой отчетно- сти (IFRS 9). Банк России разработал ряд документов в качестве реко- мендаций по применению Базельских требований. Один из них «Сценарии стресс-тестирования финансовой устойчивости негосудар- ственных пенсионных фондов» (Приказ от 16.09.2020 № ОД-1495, с. 6) 1 В документе отражена некая систематизация рейтингов международных и российских рейтинговых агентств во взаимоувязке со средней истори- ческой годовой частотой дефолтов, что обосновано историческими дан- ными по уровню дефолтов каждой рейтинговой группы на российском рынке. Попытки систематизировать и привести в соответствие рейтин- говые оценки различных агентств уже были предприняты в ряде иссле- дований, анализ и ссылки на которые отражены в работе (Ерофеева, 2020). В текущем исследовании мы опирались на вариант, предложен- ный регулятором (табл. 2), рассматривая его как один из вариантов, за- служивающих доверия. Таблица 2 Распределение рейтингов различных агентств по группам риска (кредитного качества эмитента) Источник: сайт банка России http://cbr.ru В соответствии с представленной таблицей проведена систематиза- ция рейтинговых оценок эмитентов из выборки. В выборке представлены рейтинги эмитентов международных и российских рейтинговых агентств в национальной валюте. Источником послужила база данных информационного агентства по финансовому рынку www.cbonds.ru. Рассмотрены рублевые корпо- 1 Документ доступен: https://www.cbr.ru/Collection/Collection/File/29325/16092020_ OD-1495.pdf 64 ративные облигации реального сектора экономики. Так как ключевой объясняющей переменной выбран рейтинг эмитента, в выборку вклю- чены наблюдения по тем выпускам, которые имели рейтинг эмитента в момент наблюдения спреда. Сначала учитывался рейтинг эмитента при размещении, указанный на сайте Cbonds, далее на протяжении вре- мени обращения облигации отслеживалось изменение рейтинга, в том числе с привлечением других официальных источников (сайты рейтин- говых агентств, ежеквартальный отчет эмитента и др.). Если рейтингов у эмитента было несколько от разных агентств в одно время и они су- щественно отличались, не попадая в одну агрегированную группу риска, учитывался рейтинг большинства; если нет большинства, учитывается рейтинг, по которому среднее значение спреда по группе риска наибо- лее близко к значению наблюдаемого спреда. Таких случаев в выборке не более 5%, в большинстве случаев спорных моментов в учете рейтинга не возникало. Российский рынок небольшой, низколиквиден, в силу отсутствия торгов недостаточно информации о доходности облигаций на каждый день и месяц, в исследовании рассчитывался средний за квартал спред доходности по имеющимся данным о торгах в течение квартала. Период каждого квартала равен календарному: 1-й квартал — первые три месяца года с января по март, 2-й — с апреля по июнь и т.д. Так же рассчиты- валось среднее за квартал значение дюрации и макропоказателей, вклю- ченных в модель. В первоначальную выборку вошло 688 выпусков облигаций на сумму 7174,5 млрд руб. Из первоначальной выборки были исключены нерыноч- ные выпуски, если доходность по ним была значительно выше или ниже доходности рыночных бумаг с сопоставимыми параметрами эмиссии. Исключались также конвертируемые облигации, с амортизируемым но- миналом и обеспеченные облигации с государственной поддержкой. Конечная выборка включала 631 выпуск на сумму 5563,8 млрд руб., по этим бумагам зафиксировано 7635 наблюдений спреда. Исследуемая выборка составила порядка 92% от первоначальной по количеству эмис- сий и 78% — по объему размещений. При разбивке наблюдений в соот- ветствии с группой риска (рейтинговой группой) получено следующее распределение (рис. 1). Текущая выборка существенно обогатилась в сравнении с предыду- щим исследованием (Ерофеева, 2019) на основе данных только первич- ного рынка. Здесь наблюдаем спреды по облигациям с высокой степенью вероятности дефолта и в преддефолтной стадии (7 и 8-я группы риска), что невозможно зафиксировать в момент размещения облигации. Среднее значение спреда в этих группах риска существенно возрастает, но и раз- брос значений велик. Анализ данных показал: спред доходности увели- чивается по мере роста уровня риска (табл. 3). 65 Рис. 1. Распределение выборки по группам риска Таблица 3 Среднее значение спреда по категориям риска Источник: информационный сайт cbonds.ru и авторские расчеты. При построении модели для объяснения спреда доходности с помо- щью одного фактора — уровня рейтинга получен значимый результат (табл. 4). Ключевая гипотеза о значимости рейтинга в объяснении спреда доходности подтвердилась уже в ходе построения однофакторной модели (R 2 = 0,57%). Важно отметить, что ранее проводившиеся на российском облигаци- онном рынке исследования зависимости доходности / спреда доходности от уровня рейтинга эмитента не позволяли получить подобные результаты. Причины этого заключаются как в недостаточности данных для исследо- вания на российском рынке, так и в отсутствии некоего подхода, позво- ляющего систематизировать данные по рейтингам различных агентств. Так, в исследовании (Милицкова, 2013) автор рассматривает рейтинги эмитентов, присвоенные иностранными рейтинговыми агентствами, од- нако в выборку входили облигации эмитентов с рейтингом и без рейтинга, что значительно снизило качество полученных результатов исследования. 66 Таблица 4 Результаты однофакторного анализа В исследовании (Задорожная, 2015) в выборке облигаций по тем же при- чинам учитываются лишь два уровня рейтинга: «ниже инвестиционного» и «инвестиционный», исключая при этом возможность оценить поведе- ние спреда в зависимости от рейтинга более детально. На следующем этапе исследования последовательно выявляем осталь- ные существенно влияющие на спред факторы. При проверке первоначаль- ных гипотез сделаны нижеследующие выводы. Дюрация. Гипотеза о прямой зависимости доходности от дюрации подтвердилась, однако показатель спред доходности с увеличени- ем дюрации сужается, демонстрируя отрицательную зависимость. Объясняется это тем, что доходность по госбумагам с течением вре- мени возрастает стремительнее доходности корпоративных бумаг. На рис. 2 это видно наглядно. Данная особенность отмечалась так- же в исследовании (Берзон, Милицкова, 2013). В работе (Теплова, Соколова, 2017) в объяснении спреда доходности дюрация имела отрицательный знак зависимости, в объяснении доходности — не- значима. В наших моделях показатель дюрации незначим. Рис. 2. Изменение спреда доходности в зависимости от дюрации 67 Масштаб компании и объем эмиссии. Показатели значимы в моде- лях на 1%-ном уровне, подтвердились гипотезы об обратной зави- симости спреда от данных показателей. Отраслевая принадлежность эмитента. Выборка из 7635 наблю- дений спреда по 631 выпуску облигаций 120 эмитентов отнесены к 16 промышленным отраслям (табл. 5). В таблице для каждой от- расли отражены разбивка наблюдений спреда по категориям риска и величина среднего значения спреда по отрасли (значение зави- сит от набора бумаг). Отраслевую структуру исследуемой выборки в разрезе по выпускам облигаций можно увидеть на рис. 3. Рис. 3. Отраслевая структура исследуемой выборки Источники: информационный сайт cbonds.ru и авторские расчеты. Введение в модель 16 отраслевых dammy-переменных в соответствии с количеством отраслей значительно снижает качество модели, не позво- ляя получить значимый результат. С целью повышения качества модели путем сокращения размерности регрессоров было решено разбить эми- тентов выборки на четыре крупных отраслевых сегмента с учетом среднего по отрасли значения спреда и уровня отраслевого риска. В процессе разбивки эмитентов на отраслевые сегменты учитывались исторические данные по количеству дефолтов в каждой отрасли за пред- шествующий период 2013–2018 гг. (табл. 6). В большей степени вероят- ность дефолта эмитента зависит от уровня рейтинга, но есть определенный 68 риск, присущий конкретной отрасли. По сути, чем выше доля дефолтов в отрасли, тем выше риск отрасли. Отчасти отраслевой риск уже учтен в рейтинге, что также можно видеть по распределению выборки каждой отрасли по рейтинговым категориям (табл. 5). Т аблица 5 Распределение исследуемой выборки по отраслям и рейтинговым группам Источник: информационный сайт cbonds.ru и авторские расчеты. Таблица 6 Исторические данные по количеству дефолтов по отраслям Источник: информационный сайт cbonds.ru и авторские расчеты. В составе dammy-переменных отраслевой сегмент с самым низким уровнем риска принят за базу, I сегмент — со средним уровнем риска, II — риск выше среднего, III — высокий риск. Включение в модель отраслевых dammy-переменных позволило сделать вывод о значимости показателя 69 на 1%-ном уровне в оценке кредитного риска и его влиянии на спред до- ходности. С ростом риска отраслевого сегмента увеличивается стоимость привлечения средств, а наибольшая стоимость достигается в самом ри- сковом сегменте: отрасли «АПК и сельское хозяйство», «Строительство и девелопмент». В отраслях, где были единичные выпуски бумаг, отсут- ствует информация о дефолтах, результат не показателен. Макропоказатели. Подтвердились все первоначальные гипотезы. По- строена и проанализирована корреляционная матрица (табл. 7) с целью исключить мультиколлинеарность в модели, финальная модель прошла проверку на правильность спецификации. Таблица 7 Корреляционная матрица регрессоров модели Так как данные охватывают длительный десятилетний период, то в вы- борку вошли наблюдения спреда доходности как в относительно стабиль- ное время (2010–2013 гг.), так и кризисное (2014–2015 гг.). Включенные в модель макропоказатели позволяют учесть в модели разную экономи- ческую ситуацию различных временных периодов. MSCI Russia показал самую высокую из макропоказателей объясняющую способность и был включен в финальную модель. Темп роста ВВП и динамика ИПП значимы на 1%-ном уровне, ги- потезы подтвердились. В модель вошел второй, как имеющий бо- лее высокую объясняющую способность. Показатель инфляции подтвердил прямую зависимость, ввиду вы- сокой корреляции с MSCI Russia в финальную модель не включен. Индекс IFX-Cbonds YTM eff , ставка Ruonia и индекс MSCI Russia по- казывают высокую корреляцию между собой. Ключевая ставка кор- релирует со ставкой Ruonia. Все гипотезы подтвердились. Во избе- жание корреляции в конечную модель включен только MSCI Russia. 70 Показатели валютного курса, курса золота и цены на нефть демон- стрируют очень высокую корреляционную зависимость между со- бой (0,6–0,9). Наибольшую объясняющую способность из них име- ет курс золота, включен в модель. Гипотеза подтвердилась для курса золота в долларах. Курс золота в рублях демонстрировал «неверный знак» зависимости, что объясняется высокой волатильностью курса рубля и дает смешанный эффект в действии показателя. Финальная модель приняла следующий вид: LnGspread Rating LnScale LnVolume MSCI = + + + + + + α β β β β β 1 2 3 4 5 IIPP GoldD IND IND IND + + + + + β β β β ε 6 7 8 9 1 2 3 , где LnGspread — спред доходности (логарифм); d Rating — рейтинг эмитента (от 1 до 8), чем больше значение, g тем ниже надежность эмитента; LnScale — масштаб эмитента (логарифм); LnVolume — объем эмиссии (логарифм); MSCI — индекс MSCI Russia; I IPP — динамика изменения ИПП; GoldD — курс золота в долларах; IND1, IND2, IND3 — dammy-переменные по отраслевым сегментам. Разработка модели велась в пакете Stata 16 и параллельно в Python. В та бл. 8 отражены результаты построения финальной регрессионной модели. Она выбрана из промежуточных моделей как наилучшая, исходя из заявленных целей. Из представленных результатов следует, что по мере возрастания рей- тинга на одну следующую ступень снижается надежность эмитента, и спред увеличивается на 20%. Таблица 8 Финальная регрессионная модель 71 Анализ вариации Анализ вариации модели позволяет оценить степень влияния на объ- ясняемую переменную каждого фактора (или группы факторов), вошед- шего в модель. Для этого рассчитывают отношение полученных ковари- аций к дисперсии спреда (табл. 9). Таблица 9 Анализ вариации факторов (группы факторов) На основе полученных результатов можно вынести обоснованное суж- дение: наибольшее влияние на формирование спреда доходности среди других показателей оказывает рейтинг, он дает 43,5% объясненной регрес- сии, все остальные показатели в сумме — 24,8%. Внутренние (эндогенные) факторы, к которым относим рейтинг, мас- штаб компании, объем эмиссии и отраслевую принадлежность эмитента, составляют 57,8% объясненной регрессии. Внешние (экзогенные) факторы, представленные в финальной модели тремя макропоказателями, всего 10,5%. Существенный вес в состав объясненной регрессии также вно- сят факторы: отраслевая принадлежность эмитента, масштаб компании и фондовый индекс MSCI. Результаты кросс- валидации В результате проведенной по К блокам (К = 10) кросс-валидации на об- учающих и тестовых выборках получены значения R 2 по всем блокам (табл. 10), затем рассчитано по ним среднее значение R 2 Таблица 10 |