авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |

Статистический анализ рынка паевых инвестиционных фондов россии

-- [ Страница 2 ] --

В работе рассмотрены основные принципы функционирования ПИФов. Управление активами фонда и контроль за ним должны осуществляться разными организациями. Например, функция управления имуществом ПИФа возложена на управляющую компанию, а функции хранения активов фонда и контроля за распоряжением имущества – на специализированный депозитарий. Регулирование управления активами ПИФа, призванное обеспечить профессиональное управление имуществом ПИФа, достигается путём лицензирования, регулирования и контроля. Эти функции осуществляются государством, в частности – Федеральной службой по финансовым рынкам, часть контрольных функций возложена на специализированный депозитарий и прочие организации; для хранения активов фонда должны быть предусмотрены отдельные счета в его депозитарии.

В диссертации указаны организации и лица, так или иначе связанные с управлением и обслуживанием ПИФов в России, и их основные функции. Среди них можно выделить: управляющие компании, специализированные депозитарии, специализированных регистраторов, агентов по выдаче, погашению и обмену инвестиционных паёв, аудиторов.

Была проанализирована динамика развития и становления российского рынка ПИФов с начала его формирования в России. По данным на март 2011 г. стоимость чистых активов российских ПИФов составила 446 млрд. руб. Наибольший объём СЧА наблюдается у следующих категорий фондов: акций, смешанных инвестиций, недвижимости, венчурных.

В диссертационной работе уделено внимание статистическому анализу влияния мирового финансового кризиса на рынок ПИФов. Отметим, что для сравнения стоимости рынка паевых инвестиционных фондов с фондовым рынком России была определена суммарная капитализация акций и облигаций, торгуемых в режиме основных торгов на фондовой бирже ММВБ.

Рис. 1. Динамика стоимости чистых активов ПИФов России

В марте 2011 г. она составляла 33 603 млрд. руб., т.е. в 75 раз больше, чем СЧА паевых фондов.

На рис. 1 видно, что после бурного развития российского рынка ПИФов последовало падение, вызванное мировым финансовым кризисом. Однако после выхода из кризиса стоимость чистых активов вновь возросла, почти достигнув докризисного уровня.

Было проанализировано влияние финансового кризиса на динамику стоимости чистых активов и объёмов инвестиций в российские ПИФы. Развитие российского рынка ПИФов сменилось на падение в период кризиса 2008-2009 гг. Последовавший восстановительный рост происходил в основном за счёт роста стоимости активов фондов, так как больших привлечений средств в ПИФы не наблюдалось. Возможно, это было связано с отсутствием свободных средств у потенциальных инвесторов ПИФов, вложениями в другие инструменты финансовых рынков (например, в операции на фондовом рынке через брокеров), опасениями второй волны кризиса.

Проведённое сопоставление российских и зарубежных ПИФов показывает, что в период кризиса российский рынок падал значительно сильнее, чем наиболее развитые мировые рынки паевых фондов, но с первого квартала 2009 г. началось его устойчивое восстановление. На рис. 2 изображёна динамика стоимости чистых активов в разных странах мира в процентах к 4 кварталу 2006 года.

Рис. 2. Базисный индекс стоимости чистых активов паевых фондов в странах мира, 4 кв. 2006 г. = 100% (на конец квартала)

Учитывая зависимость финансовых рынков от состояния доллара США и евро, в диссертации были исследованы темпы роста государственного долга и ВВП США и ряда ведущих стран Европейского Союза (Германия, Великобритания, Франция). Проведенный анализ показал, что с середины 2008 года темпы роста государственного долга у этих стран устойчиво опережают темпы роста ВВП, что не может не вызывать опасений у инвесторов по поводу возможности второй волны мирового финансового кризиса.

Во второй группе вопросов, посвященных статистическому анализу доходностей, объёмов и рисков на фондовом рынке и рынке паевых инвестиционных фондов, выполнено сопоставление российского рынка ПИФов с аналогичными рынками других стран. Подавляющую долю мирового рынка паевых фондов по чистым активам занимают США – 49%. В Европе наиболее значительные доли рынка паевых фондов составляют такие страны, как Люксембург (31% от стоимости чистых активов европейских паевых фондов), Франция (22%), Ирландия (12%), Великобритания (11%).

В России доля СЧА от общеевропейских активов меньше 1%, т.е. одна из самых низких. Это частично объясняется тем, что в России рынок ПИФов появился гораздо позже, чем на Западе. Для России характерна большая доля СЧА фондов, инвестирующих в акции, низкая доля СЧА фондов облигаций и практически полное отсутствие фондов денежного рынка. Прослеживается сходство со структурой фондов Китая, Швеции и Великобритании. В целом, это означает достаточно большую склонность инвесторов к высокой доходности и рискам.

Выполнен статистический анализ влияния мировых цен нефти на российский фондовый рынок, тесно связанный с рынком ПИФов. Выявлено, что между месячными доходностями инвестиций в нефть и в индекс ММВБ существует прямая связь с коэффициентом корреляции 0,59. Этот вывод может быть учтён при разработке инвестиционных стратегий.

Были рассчитаны месячные доходности индекса ММВБ и выделены три временных периода, значимо различающиеся уровнем волатильности: с января 2007 г. до августа 2008 г. (докризисный период), с августа 2008 г. по февраль 2009 г. (активная фаза кризиса), с марта 2009 г. по ноябрь 2010 г. (период выхода из кризиса). Дисперсии доходностей индекса ММВБ, оцененные по 3-месячным скользящим окнам, показывают существенную динамику. Различия в уровнях волатильности (измеряемых стандартными отклонениями доходности) по периодам можно визуально оценить по рис. 3.

Проведен анализ и сравнение различных подходов к статистической оценке рыночного риска, под которым понимается величина и вероятность потерь инвестора от неблагоприятной конъюнктуры. Получены оценки рыночных рисков акций в различные временные периоды.

Рис. 3. 21-дневные непрерывные (логарифмические) доходности фондового индекса ММВБ и их волатильность

Для изучения рыночного риска на горизонте в один месяц сравнивались различные функции плотности распределений доходностей фондового индекса: эмпирическое распределение, аппроксимация распределения с помощью нормального и обобщённого гиперболического законов.

Эмпирические распределения доходностей в разных временных периодах различаются своей формой. Во втором периоде вероятность отрицательных доходностей намного выше (толстый и длинный левый «хвост»). В частности, расчеты показали, что эмпирические 5-процентные квантили месячных непрерывных доходностей составляют: в первом периоде: -0,1400; во втором периоде: -0,5352; в третьем периоде: -0,1172.

На рис. 4 для трёх периодов, определённых выше, представлены распределения месячных непрерывных доходностей, рассчитанных как логарифм отношения значений индекса ММВБ:, где – значение индекса ММВБ в торговый день t. Во втором периоде времени даже из визуального анализа графиков эмпирической плотности распределения месячных доходностей ясно, что закон распределения не нормален. Статистические тесты, проведённые для первого и третьего периодов, показывают, что и на них нормальный закон распределения недостаточно точно аппроксимирует месячные доходности фондового индекса. Однако, подогнанное обобщенное гиперболическое распределение в первом и третьем периодах хорошо соответствует эмпирическому распределению доходностей за счёт большего числа параметров и сложной формы, что подтверждает тест Колмогорова-Смирнова.

Рис. 4. Эмпирические распределения непрерывных (логарифмических) доходностей индекса ММВБ

По этому распределению был оценен риск как 5-процентный квантиль распределения месячных доходностей индекса ММВБ: в первом периоде: -0,1418, что приблизительно соответствует эмпирическому квантилю -0,1400; в третьем периоде: -0,1119, что также примерно равно эмпирическому квантилю -0,1172.

Было проведено сравнение методов оценивания рисков для различных горизонтов (k дней, k=1,2,..,30) для всех трёх периодов: на основе эмпирического распределения, на основе нормального закона с выборочной оценкой дисперсии k-дневных доходностей и с оценкой дисперсии однодневных доходностей, умноженной на k. Сделан вывод, что в первом (докризисном) и третьем (послекризисном) периодах приемлемым методом оценивания 5-процентных квантилей доходностей для разных горизонтов риска оказался тот, который предполагает оценивание выборочной дисперсии доходностей за k дней. Именно этот метод даёт результаты, близкие к эмпирическим. А во втором (кризисном) периоде лучшую аппроксимацию эмпирических оценок 5-процентных квантилей для разных горизонтов риска дал метод оценивания на основе дисперсии однодневных доходностей, умноженной на k.

Для горизонта риска в один день были рассмотрены адаптивные методы оценки риска, основанные на взвешивании информации. Оценка риска как 5-процентного квантиля доходностей на основе экспоненциального взвешивания в период кризиса возрастает, а на выходе из кризиса – снижается.

Исследованы предпосылки для оценки риска (волатильности) на основе модели GARCH, в частности, сделан вывод о случайном характере колебаний однодневной доходности, т.е. об отсутствии значимой автокорреляции однодневных доходностей индекса ММВБ, но обнаружена значимая автокорреляция квадратов доходностей. Наличие эффекта ARCH было подтверждено проведёнными статистическими тестами Льюнга-Бокса-Пирса и Энгла. Производился поиск оптимального числа параметров обобщенной авторегрессионной модели условной гетероскедастичности GARCH с использованием информационного критерия Акайка и байесовского критерия Шварца. В результате была выбрана модель GARCH(1,1). Как и при применении модели экспоненциального взвешивания (EWMA), наибольшая оценка риска, полученная с помощью GARCH(1,1), наблюдается в кризисном периоде с конца августа 2008 г. до конца 2008 года, после чего постепенно снижается. В докризисном (первом) и послекризисном (третьем) периодах кривые 5-процентных квантилей, полученных двумя методами, практически совпадают. В кризисный (второй) период модель GARCH(1,1) более высокочастотна.

Полученная модель GARCH(1,1) выглядит следующим образом:

;

где – ежедневная доходность;

;

где – оценка дисперсии по модели GARCH,

– ошибка регрессионной модели в момент.

Модель экспоненциального взвешивания выглядит как:

,

где коэффициент взвешивания

Полученные результаты отражены на рис. 5.

Расчеты показывают, что при оценке рыночного риска как наименьшей доходности с доверительной вероятностью 0,95, оценку стандартного отклонения следует умножить не на 1,645, как в нормальном законе распределения, а на скорректированный коэффициент, полученный нами эмпирически. Исходя из того, что число фактических ошибок модели оценки риска на историческом интервале не должно превышать 5% от общего числа дней, этот коэффициент для модели экспоненциального взвешивания определен как 1,7, а для модели GARCH(1,1) он равен 1,72.

Рис. 5. Оценка 5-процентного квантиля по модели GARCH(1,1) и EWMA для ежедневных доходностей индекса ММВБ

По результатам сравнительного анализа сделаны выводы и практические рекомендации по применению рассмотренных методов оценки рисков. В частности, были рассчитаны скорректированные коэффициенты для использования на практике дельта-нормального подхода.

В третьей группе вопросов, посвященных статистическому анализу результатов управления паевыми инвестиционными фондами, исследованы статистические связи доходностей инвестиций в различные категории ПИФов и их связь с доходностью фондового рынка в целом. ПИФы ранжированы по их привлекательности для инвесторов, проведён анализ устойчивости рангов, получена классификация ПИФов с помощью кластерного анализа. С целью выработки рекомендаций по управлению диверсификацией инвестиций на разных временных интервалах были построены оптимальные портфели из паёв ПИФов, исследована стабильность их состава и структуры, оценены доходности и риски потерь в доходности портфелей.

Для оценки синхронности в движении доходностей паёв был проведен корреляционный анализ, который выявил тесные связи, характерные для различных категорий открытых ПИФов. Анализ проводился на основе доходностей 335 инвестиционных паёв на интервале с января 2007 года по 2010 год (737 торговых дня).

Таблица 1

Доля тесных связей (коэффициент корреляции больше 0,75) между

21-дневными непрерывными доходностями паёв ПИФов разных категорий

Катего- рия ПИФа

Число фон-

дов, шт.

Доля тесных связей по категориям ПИФов, % от числа связей

индекс ММВБ

ак-ций

индек-

сный

обли-

гаций

сме-шан

ный

ден-ежн-ый

фон дов

акций

158

98,1

47,0

 

 

 

 

 

индек-

сный

32

96,9

94,7

46,8

 

 

 

 

обли-

гаций

47

12,8

20,6

16,4

7,4

 

 

 

смешан-

ный

88

92,0

87,4

88,8

17,9

41,1

 

 

денежный

5

0,0

6,2

0,0

7,2

5,7

0,0

 

фондов

5

100,0

98,5

96,9

19,6

91,8

4,0

50,0



Pages:     | 1 || 3 | 4 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.