Методы прогнозирования валютных курсов. Прогнозирование процентных ставок

ВВЕДЕНИЕ.

ГЛАВА 1. ПОРТФЕЛЬНОЕ ИНВЕСТИРОВАНИЕ. СОВРЕМЕННОЕ ПРЕДСТАВЛЕНИЕ И ПРОБЛЕМЫ.

Параграф 1.1. Инвесторы и их цели. Инвестиционные институты и процентные ставки.

1.1.1. Инвестиционные цели. Субъекты инвестиционной деятельности.

1.1.2. Этапы осуществления инвестиционной деятельности.

Параграф 1.2. Обзор ценных бумаг с фиксированным доходом.

1.2.1. Классификация ценных бумаг.

1.2.2. Бумаги, составляющие временную структуру процентных ставок.

Параграф 1.3. Обзор стратегий управления портфелем ценных бумаг с фиксированным доходом. Смещения процентных ставок. Стратегии иммунизации.

1.3.1. Стратегии структурирования портфеля.

1.3.2. Классификация стратегий управления активами.

1.3.3. Виды смещений временной структуры процентных ставок.

1.3.4. Проблемы непараллельных смещений. Принятые решения проблемы.

Параграф 1.4. Методы анализа и прогнозирования финансовых рынков. Инструментарий прогнозирования финансовых рынков.

1.4.1. Виды анализа финансовых рынков.

1.4.2. Выбор вида анализа для решения задачи прогнозирования типов смещений кривой доходности.

1.4.3. Использующиеся модели временной структуры процентных ставок.

1.4.4. Прогнозирование финансовых рынков на основе использования методов индукции правил и нейронных сетей.

1.4.5. Системы, основанные на методах индукции правил.

1.4.6. Нейронные сети.

1.4.7. Особенности прогнозирования финансовых рынков с использованием нейронных сетей.

1.4.8. Выбранный инструментарий прогнозирования.

Параграф 1.5. Факторы, определяющие временную структуру процентных ставок.

1.5.1. Экономические и неэкономические факторы, влияющие на изменение временной структуры процентных ставок.

1.5.2. Наклон кривой доходности. Модель Франкеля.

ГЛАВА 2. РАЗРАБОТКА МЕТОДИК УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ С ФИКСИРОВАННЫМ ДОХОДОМ.

Параграф 2.1. Общие принципы построения нейронных сетей при решении задачи прогнозирования уровня процентной ставки и непараллельного смещения.

Параграф 2.2. Моделирование связи основных фундаментальных факторов и уровня процентных ставок.

Параграф 2.3. Моделирование структуры процентных ставок.

Параграф 2.4. Разработка методики иммунизации портфеля ценных бумаг с фиксированным доходом.

Параграф 2.5. Прогнозирование непараллельных смещений.

ГЛАВА 3. РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО РАБОЧЕГО МЕСТА УПРАВЛЯЮЩЕГО ПОРТФЕЛЕМ ОБЛИГАЦИЙ.

ПараграфЗ.1. Концепция АРМ. Цели разработки АРМ.

Параграф 3.2. Технологическая архитектура АРМ.

Параграф 3.3. Функциональная структура АРМ.

3.3.1. Блок определения инвестиционных целей.

3.3.2. Блок подготовки информации о состоянии рынков и истории макроэкономических показателей.

3.3.3. Блок анализа данных о состоянии рынков и прогноза рынков.

3.3.4. Блок анализа текущей структуры портфеля, выбора инвестиционной стратегии и определения детальной структуры инвестиционного портфеля.

3.3.5. Блок оценки деятельности по управлению портфелем.

Параграф 3.4. Техническая и программная компонента АРМ.

Параграф 3.5. Нейронная сеть как компонент АРМ.

Параграф 3.6. Базовые регламенты и процедуры. Информационное обеспечение.

3.6.1. Регламент определения системы инвестиционных целей.

3.6.2. Регламент определения системы ограничений клиента/компании.

3.6.3. Регламент определения системы законодательных ограничений в отношении управления активами.

3.6.4. Регламент определения системы инфраструктурных ограничений.

3.6.5. Регламент информационно-аналитического обеспечения. Внешняя информация.

3.6.6. Регламент информационного обеспечения. Информация о структуре портфеля.

3.6.7. Регламенты разработки и сопровождения технологий.

3.6.8. Регламент формирования инвестиционной стратегии и определения детальной структуры портфеля.

3.6.9. Регламент оценки деятельности по управлению портфелем.

Параграф 3.7. Оценка эффективности функционирования АРМ.

Введение диссертации (часть автореферата) на тему "Модели и методы прогнозирования процентных ставок в информатизации управления ценными бумагами"

Заключение диссертации по теме "Математические и инструментальные методы экономики", Шкрапкин, Алексей Вадимович

Список литературы диссертационного исследования кандидат экономических наук Шкрапкин, Алексей Вадимович, 2000 год

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.

Для того, чтобы спрогнозировать дальнейшую динамику валютной пары разработано огромное количество методик. Тем не менее, количество не перешло в качество, и получить довольно эффективный прогноз – не самая простая задача. Рассмотрим четыре самых распространенных метода прогноза курсов валютных пар.

Теория паритета покупательной способности (ППС)

Паритет покупательной способности (ППС) – возможно, самый популярный метод. Он чаще остальных упоминается в учебниках по экономике. В основе теории ППС лежит принцип «закона одной цены», который утверждает, что стоимость идентичных товаров в разных странах должна быть одинаковой.

Например, цена на шкаф в Канаде должна быть аналогичной цене на такой же шкаф в США, принимая в учет обменный курс и без учета транспортных и обменных затрат. То есть, для спекуляции повода быть не должно, чтобы дешево купит в одной стране и продать дороже в другой.

Согласно теории ППС, изменения обменного курса должны компенсировать . Например, в текущем году цены в США должны вырасти на 4%, в Канаде за аналогичный период – на 2%. Таким образом, инфляционный дифференциал составляет: 4% — 2% = 2%.

Соответственно, цены в США будут расти быстрее, чем в Канаде. Согласно теории ППС, доллар США должен потерять в цене около 2%, чтобы цена на один и тот же товар в двух странах оставалась приблизительно одинаковой. К примеру, если обменный курс составлял 1 CAD=0,9 USD, то по теории ППС прогнозируемый курс рассчитывается следующим образом:

(1 + 0,02) x (0,90 USD за 1 CAD) = 0,918 USD за 1 CAD

То, есть, для соблюдения ППС канадский доллар должен подорожать до 91,8 американских центов.

Самым распространенным примером использования принципа ППС является индекс «Биг Мака», в основе которого лежит сравнение цены на него в разных странах, и который демонстрирует уровень заниженности и завышенности стоимости валюты.

Принцип относительной экономической стабильности

Методика этого похода описана в самом названии. В качестве основы берутся темпы роста экономики разных стран, которые дают возможность спрогнозировать динамику обменного курса. Логично предположить, что стабильный экономический рост и здоровый бизнес климат будет привлекать больше иностранных инвестиций. Для инвестирования необходима покупка национальной валюты, что, соответственно, приводит к росту спроса на национальную валюту и ее последующее укрепление.

Такой метод подходит не только при сравнении состояния экономики двух стран. С его помощью можно составить мнение о наличии и интенсивности инвестиционных потоков. Например, инвесторов привлекают более высокие процентные ставки, позволяющие получить от своих инвестиций максимальную доходность. Соответственно, опять растет спрос на национальную валюту и происходит ее укрепление.

Низкие процентные ставки могут сократить поток иностранных инвестиций и стимулировать внутреннее кредитование. Такое положение имеет место в Японии, где процентные ставки снижены до рекордных минимумов. Существует торговая стратегия , основанная на разнице процентных ставок.

Отличием принципа относительной экономической стабильности от теории ППС является то, что с его помощью невозможно сделать прогноз размера курса валюты. Он дает инвестору лишь общее представление о перспективах усиления или ослабления валюты и силе импульса. Чтобы получить более полную картину, принцип относительной экономической стабильности комбинируется с другими методами прогнозирования.

Построение эконометрической модели

Большой популярностью для прогнозирования курсов валют пользуется метод создания модели, описывающие связь курса обмена валюты с факторами, которые, по мнению инвестора или трейдера, влияют ее движение. При составлении эконометрической модели, как правило, применяют величины из экономической теории, однако при расчетах могут использоваться любые другие переменные, оказывающие на обменный курс существенное влияние.

Возьмем, для примера, составление прогноза на ближайший год для пары USD/CAD. Ключевыми факторами для динамики пары выбираем: разницу (дифференциал) процентных ставок США и Канады (INT), разница в и разницу между темпами роста личных доходов населения США и Канады (IGR). Эконометрическая модель в этом случае будет иметь следующий вид:

USD/CAD (1 год) = z + a(INT) + b(GDP) + c(IGR)

Коэффициенты a, b и c могут быть как отрицательными, так и положительными, и показывают, насколько сильное влияние имеет соответствующий фактор. Стоит отметить, что метод является довольно сложным, однако при наличии готовой модели, для получения прогноза достаточно просто подставить новые данные.

Анализ временных рядов

Метод анализа временных рядов является исключительно техническим и не принимает в расчет экономическую теорию. Самой популярной моделью при анализе временных рядов является модель авторегресионного скользящего среднего (ARMA). В основе метода лежит принцип прогнозирования ценовых моделей валютной пары на основании прошлой динамики. Расчет проводится специальной компьютерной программой на основе введенных параметров временного ряда, результатом которого является создание индивидуальной ценовой модели конкретной валютной пары.

Несомненно, прогнозирование валютных курсов – задача крайне сложная. Многие инвесторы попросту предпочитают страховать валютные риски. Другие инвесторы осознают всю важность прогнозирования валютных курсов и стремятся к понимаю факторов, влияющих на них. Приведенные выше методы могут стать хорошим подспорьем именно для таких участников рынка.

Многие участники рынка заинтересованы в том, чтобы уметь предсказывать дальнейшее направление валютного курса. Будь то крупная компания или индивидуальный трейдер, прогноз по валюте крайне важен для минимизации рисков и повышения прибыли.

Существует огромное число методов, которые позволяют предугадать поведение валютной пары. Однако столь большая численность, скорее всего, связана с относительно равной эффективностью каждого из способов. Именно поэтому получить действительно качественный прогноз крайне сложно. Тем не менее, в данной статье речь пойдет о четырех наиболее популярных методах прогнозирования валютных курсов.

Теория паритета покупательной способности (ППС)

Паритет покупательной способности (ППС) – это, пожалуй, наиболее популярный способ ввиду постоянного упоминания в учебных пособиях по экономике. Принцип ППС основан на теоретическом “законе одной цены”, согласно которому идентичные товары в разных странах должны иметь одинаковую цену.

К примеру, согласно данному правилу, карандаш в Канаде должен стоить столько же, сколько стоит такой же карандаш в США, с учетом обменного курса и исключая затраты на обменную операцию и транспортировку. Другими словами, не должно быть повода для спекуляции, когда кто-то будет “по дешевке” покупать карандаши в одной стране с тем, чтобы выгодно продать в другой.

Исходя из этого теории ППС, обменный курс должен изменяться таким образом, чтобы компенсировать рост цен из-за инфляции. К примеру, предположим, что цены в США в ближайший год должны вырасти на 4%, в то время как в Канаде всего на 2%. Инфляционный дифференциал составит:

Это означает, что темпы роста цен в США окажутся быстрее, чем таковые в Канаде. Согласно принципу паритета покупательной способности, американский доллар должен обесцениться приблизительно на 2% для того, чтобы цены на товары в двух странах оставались относительно одинаковыми. Например, если обменный курс равнялся 90 американским центам за канадский доллар, то согласно методу ППС, прогнозируемый курс составит:

(1 + 0,02) x (0,90 долл США за 1 канадский долл) = 0,918 долл США за 1 канадский долл

Это означает, что курс канадского доллара должен вырасти до 91,8 американского цента за доллар.

Наиболее популярное применение метода ППС проиллюстрировано на примере индекса “Биг Мак”, составленного и опубликованного в британском журнале The Economist. “Веселый” индекс – это попытка определить, занижена или завышена стоимость валюты в зависимости от цены на Биг Мак в разных странах. Поскольку Биг Мак – это универсальный продукт, одинаковый во всех странах, где продается, то сравнение цен на него и легло в основу индекса.

Принцип относительной экономической стабильности

Название данного подхода говорит само за себя. За основу берутся темпы экономического роста в разных странах, что позволяет предугадать направление движения обменного курса. Логическое обоснование данного метода заключается в том, что здоровый экономический климат и потенциально более высокие темпы роста с большей вероятностью привлекут инвестиции из-за рубежа. А для вложения средств иностранному инвестору придется покупать национальную валюту, что приведет к повышению спроса и, соответственно, подорожанию валюты.

Однако подобный подход основывается не только на соотношении относительной экономической стабильности двух стран. Он позволяет получить представление и об инвестиционных потоках. Например, привлечь инвесторов в страну, помимо прочего, может определенный уровень процентных ставок. Так, более высокие процентные ставки становятся заманчивыми для тех инвесторов, которые пытаются достичь максимальной доходности своих инвестиций. В результате, спрос на национальную валюту растет, а это увеличивает ее стоимость.

И наоборот, низкие процентные ставки в некоторых случаях могут отпугнуть инвесторов, сократив приток инвестиций, или даже стимулировать кредитование в национальной валюте для осуществления других инвестиций. Подобная ситуация сложилась в Японии, когда процентные ставки опустились до рекордных минимумов. Подобная торговая стратегия известна под названием «керри-трейд».

В отличие от теории ППС, принцип относительной экономической стабильности не поможет спрогнозировать размер курса валюты. Данный метод дает инвесторам скорее общее представление о направлении движения валюты (усиление или ослабление), а также о силе импульса. Чаще всего для получения более полной картины описанный принцип используется в комбинации с другими методами прогнозирования.

Построение эконометрической модели

Еще одним популярным способом прогнозирования валютных курсов является создание модели, которая связывает обменный курс конкретной валюты со всеми факторами, влияющими, по мнению трейдера, на ее движение. Обычно при построении эконометрической модели используются величины из экономической теории. Однако в подсчеты может быть добавлена любая переменная, которая, как считается, оказывает сильное влияние на обменный курс.

Предположим, разработчику прогнозов для одной из канадских компаний было поручено составить прогноз курса USD/CAD на ближайший год. После тщательных исследований и анализа в качестве ключевых отбираются следующие факторы: дифференциал процентных ставок США и Канады (INT), разница между темпами роста ВВП (GDP) и разница между темпами роста доходов населения в обеих странах (IGR).Тогда эконометрическая модель будет выглядеть следующим образом:

USD/CAD (1 год) = z + a(INT) + b(GDP) + c(IGR)

Не вдаваясь в подробности касательно принципов построения уравнения, после получения модели можно просто подставить переменные INT, GDP и IGR и получить необходимый прогноз. Коэффициенты a, b и c определяют, насколько сильно каждый из перечисленных факторов влияет на обменный курс и направление движение (в зависимости от того, значение коэффициента отрицательное или положительное). Данный метод, пожалуй, самый сложный и длительный из всех описанных выше. Тем не менее, когда уже имеется готовая модель, можно с легкостью получать быстрые прогнозы, подставляя новые данные.

Анализ временных рядов

Последний из рассматриваемых способов – это анализ временных рядов. Данный метод исключительно технический и не связан с экономической теорией. Одной из наиболее популярных моделей в анализе временных рядов является модель авторегресионного скользящего среднего (ARMA). Согласно данному методу, прошлое поведение и ценовые модели могут использоваться для прогнозирования будущего поведения и ценовых моделей конкретной пары. Для этого в специальную компьютерную программу вводятся временные ряды данных, после чего программа оценивает все параметры и создает индивидуальную модель.

Заключение

Прогнозирование валютных курсов – это крайне сложная задача. Именно по этой причине многие компании и инвесторы попросту страхуют валютные риски. Другие же понимают важность предугадывания валютных курсов и пытаются разобраться в факторах, которые на них влияют. Вышеописанные 4 метода станут хорошим стартом именно для этой категории участников рынка.

На правах рукописи Галкин Дмитрий Евгеньевич ПРОГНОЗИРОВАНИЕ ПРОЦЕНТНЫХ СТАВОК НА ОСНОВЕ ТЕОРИИ ДЕТЕРМИНИРОВАННОГО ХАОСА КАК МЕТОД УПРАВЛЕНИЯ ПРОЦЕНТНЫМ РИСКОМ В КОММЕРЧЕСКИХ БАНКАХ Специальность 08.00.13 – математические и инструментальные методы экономики АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук Пермь 2012 Работа выполнена на кафедре прикладной математики ФГБОУ ВПО «Пермский национальный исследовательский политехнический университет» (ПНИПУ) Научный руководитель: доктор технических наук, профессор Первадчук Владимир Павлович Официальные оппоненты: доктор физико-математических наук, профессор Румянцев Александр Николаевич кандидат экономических наук, доцент Ивлиев Сергей Владимирович Ведущая организация: ФГБОУ ВПО «Ижевский государственный технический университет», г. Ижевск Защита состоится «29» марта 2012 года в 14 часов на заседании диссертационного совета ДМ 212.189.07 при ФГБОУ ВПО «Пермский государственный национальный исследовательский университет» по адресу: 614990, г. Пермь, ул. Букирева, 15, 1 корпус, зал заседаний Ученого совета. С диссертацией можно ознакомиться в библиотеке Пермского государственного национального исследовательского университета. Автореферат размещен на официальном сайте ВАК Министерства образования и науки РФ: http://vak.ed.gov.ru/ и на сайте Пермского государственного национального исследовательского университета www.psu.ru Автореферат разослан 28 февраля 2012 года. Ученый секретарь диссертационного совета, доктор экономических наук, доцент Т.В. Миролюбова 2 ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы исследования. Задача управления рисками в банковском секторе является нетривиальной на всем протяжении ведения банковской деятельности. Проблема банковских рисков в современности приобретает все большую актуальность в свете увеличения влияния финансового сектора на мировую экономику. Так, к примеру, в США, в крупнейшей экономике мира, в 1970-х годах доля доходов финансового сектора в общем объеме доходов корпораций не превышала 16%, а в 2000-х достигла уже 41%. Принимая во внимание колоссальную роль банков в мировом финансовом кризисе 2008 года и набирающем обороты кризисе 2011 года, проблема управления и контроля за рисками в банковском секторе требует пристального внимания и изучения. Среди всех видов риска, свойственных банковской деятельности, процентный риск занимает особое место, уступая лидирующие позиции по степени влияния лишь кредитному риску. Однако одним из существенных отличий процентного риска от кредитного является тот факт, что область, подверженная его влиянию, много шире. Вследствие этого, значимость процентного риска является высокой не для одного отдельного направления бизнеса, а для банка в целом. Кроме этого, принимая во внимание высокую волатильность финансовых рынков, в том числе и рынка процентных ставок, в период экономической нестабильности, управление процентным риском должно осуществляться взвешенно, учитывая возможные варианты развития событий, влияющих на уровень процентного риска. Упомянутые выше обстоятельства обуславливают актуальность исследования. Степень научной разработанности темы. Изучением понятия процентного риска и исследованием различных аспектов проблем оценки и управления данным видом риска занимались такие ученые как Maсaulay F., Redhead K., Hughes S., Entrop O., Cade E., Helliar C., Fabozzi F., Gardener E., Mishkin F., van Greuning H., Patnaik I., Madura J., Amadou N. Современный уровень разработки данной проблемы в нашей стране отражены в работах отечественных ученых и специалистов, среди которых следует выделить Севрук В.Т., Ларионову И.В., Виниченко И.Н., Лаврушина О.И., Соколинскую Н.Э., Валенцеву Н.И., Хандруева А.А. 3 Одним из динамично развивающихся направлений в исследовании экономических объектов и систем является использование математических методов. Среди них отдельно следует отметить подходы, позволяющие широко использовать в исследовании концепции синергетики, детерминированного хаоса, фрактальной геометрии. Разработкой и развитием таких методов занимались следующие ученые: Takens F., Sornette D., Peters E., Bachelier L., Mandelbrot B., Gilmore R., Kantz H., Grassberger P., Procaccia I., Fama E., Lorenz E., Ruelle D., Casdagli M., Cao L., Haken H., Lefranc M. В российской науке значительный вклад в развитие этого направления внесли Курдюмов С.П., Малинецкий Г.Г., Безручко Б.П., Лоскутов А.Ю., Шумский С.А., Куперин Ю.А. Целью диссертационного исследования является разработка теоретических и методологических основ для управления процентным риском в коммерческих банках на базе прогнозирования процентных ставок с помощью теории детерминированного хаоса. Для достижения поставленной цели решены следующие задачи: 1. Исследование существующих подходов для прогнозирования финансовых временных рядов и оценки процентного риска с целью использования имеющегося опыта в разработке нового метода. 2. Выбор эффективного инструментария для исследования нелинейных динамических систем на основе порожденных временных рядов. 3. Исследование связи рынка процентных ставок и процентного риска в коммерческих банках. 4. Адаптация одномерной математической модели прогнозирования к рынку процентных ставок с учетом ограниченной детерминированности и предсказуемости. 5. Разработка многомерной математической модели прогнозирования процентных ставок. 6. Создание методики управления процентным риском на основе разработанных моделей прогнозирования. Объектом исследования выступают коммерческие банки, подверженные процентному риску в результате осуществления операций с процентными продуктами. Предметом исследования является методы и инструменты для управления процентным риском в коммерческих банках, а также методы и алгоритмы, обеспечивающие моделирование связанных с процентным риском систем. 4 Область исследования соответствует паспорту специальности ВАК РФ 08.00.13 «Математические и инструментальные методы экономики» по следующим пунктам: 1.1. Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании. 1.6. Математический анализ и моделирование процессов в финансовом секторе экономики, развитие метода финансовой математики и актуарных расчетов. 2.3. Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях. Теоретической и методологической основой являются научные труды отечественных и зарубежных ученых в области оценки и управления процентным риском в банках, теории детерминированного хаоса, нелинейной динамики, математических методов и моделей финансовых рынков, фрактальной геометрии, синергетики, опубликованные в российской и зарубежной печати, а также в сети Интернет. Практические расчеты в рамках настоящего исследования производились с использованием таких прикладных программных средств как MS Excel, MathWorks Matlab, Fractan, Tisean. Информационную базу исследования составили: – данные информационно-аналитических материалов по исследуемой проблеме, представленные в научной литературе, периодической печати и сети Интернет; – статистические источники в виде котировок ставок межбанковского кредитования LIBOR и EURIBOR на различные сроки. Наиболее существенными результатами, полученными лично автором, имеющими научную новизну и выносимыми на защиту, являются: 1. Установленная с помощью статистических методов нелинейность и детерминированность рынка процентных ставок LIBOR и EURIBOR. 2. Модифицированная математическая модель для прогнозирования процентных ставок на основе одномерного временного ряда, учитывающая детерминированность исследуемых 5 систем, а также разработанный подход для определения области применимости данной модели. 3. Математическая модель для прогнозирования процентных ставок на основе многомерного временного ряда, учитывающая детерминированность исследуемых систем и позволяющая использовать при построении прогноза динамику нескольких систем. 4. Методика управления процентным риском в коммерческих банках, в основе которой лежит математическая модель прогнозирования процентных ставок на базе методов теории детерминированного хаоса, позволяющая производить сценарное моделирование с помощью прогностических данных. Теоретическая значимость результатов. Сформулированные в диссертационном исследовании положения и выводы развивают теоретико-методологическую базу анализа и прогнозирования рынка процентных ставок, а также методов управления процентным риском. Практическая значимость результатов. Разработанный методологический подход предоставляет коммерческим банкам корректный инструмент, позволяющий в задаче управления процентным риском перейти от гипотетического сценарного моделирования к сценарному моделированию, основанному на более вероятных прогнозных данных. Апробация результатов исследования. Основные положения диссертационной работы докладывались на научно-технической конференции студентов и молодых ученых ПГТУ (г. Пермь, 2007 г.), на XV Международной научно-технической конференции «Информационно-вычислительные технологии и их приложения (г. Пенза, 2011 г.), на XII Международной научно-технической конференции «Кибернетика и высокие технологии XXI века (г. Воронеж, 2011 г.), на семинаре Лаборатории конструктивных методов исследования динамических моделей ПГНИУ (г. Пермь, 2011 г.). Результаты исследования нашли практическое применение в ЗАО ЮниКредит Банк. В работе данной организации используется методология управления процентным риском, а также применяется описанная в исследовании модель прогнозирования процентных ставок. Также материалы, методы и результаты диссертации используются на кафедре Прикладной математики Пермского национального исследовательского политехнического университета при чтении курса «Математический анализ динамических моделей в экономике» по направлению подготовки 010500.68 «Прикладная 6 математика и информатика» в рамках магистерской программы «Математические методы в управлении экономическими процессами» и при чтении курса «Математический анализ динамических процессов в экономике» по направлению подготовки 080100.68 - «Экономика» в рамках магистерской программы «Математические методы анализа экономики». Внедрение результатов исследования в указанных организациях подтверждено соответствующими документами. Публикации. По теме диссертации автором опубликовано восемь работ общим объемом 3,72 п. л., в том числе две работы в изданиях, рекомендованных ВАК для публикации результатов диссертации (1,16 п. л.). Объем и структура диссертационной работы. Работа изложена на 147 страницах машинописного текста. Основные результаты исследования проиллюстрированы в 26 таблицах и на 77 рисунках. Список использованной литературы составляет 108 наименований. Структура диссертации обусловлена целью, задачами и логикой исследования. Работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложений. Во введении обосновывается актуальность темы, производится постановка цели и задач научного исследования, освещаются наиболее существенные достижения в области исследования, и приводится новизна полученных результатов. В первой главе «Применение математических методов в исследовании финансовых временных рядов» рассматриваются существующие методы и подходы к прогнозированию финансовых временных рядов, дается оценка их эффективности, определяются предпосылки для использования нелинейных методов к моделированию финансовых временных рядов. Во второй главе «Выбор и обоснование методов исследования нелинейных динамических систем на основе временных рядов» определяются основные подходы к изучению динамических систем с помощью теории детерминированного хаоса, производится критическая оценка и выявляются наиболее оптимальные и корректные инструменты для исследования систем на основе временных рядов. В третьей главе «Оценка и исследование процентного риска в банковской деятельности» изучается роль процентного риска для коммерческих банков. Исследуется классификация процентного риска и основных факторов, порождающих процентный риск, с целью 7 выявить характер связи между рынком процентных ставок и процентным риском. В четвертой главе «Разработка метода управления процентным риском на основе прогнозирования процентных ставок» производится исследование рынка процентных ставок на предмет нелинейности и детерминированности. Осуществляется адаптация модели прогнозирования на основе одномерного временного ряда к рынку процентных ставок; разрабатываются модели прогнозирования на основе многомерного временного ряда. На базе полученных моделей создается методика управления процентным риском в коммерческом банке. В заключении содержатся основные результаты и выводы диссертационного исследования, оценка практического значения работы. ОСНОВНЫЕ ПОЛОЖЕНИЯ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ 1. Установленная с помощью статистических методов нелинейность и детерминированность рынка процентных ставок LIBOR и EURIBOR. Данное положение основано на исследовании процентных ставок LIBOR на срок 3 месяца и EURIBOR на срок 1, 3 и 6 месяцев, которые являются наиболее популярными справочными плавающими ставками и к которым привязывается ценообразование по кредитам с плавающей ставкой в долларах США и евро. Данные ставки отражают стоимость денежных средств на рынке межбанковского кредитования для первоклассных заемщиков с кредитным рейтингом АА и выше на соответствующий срок и в определенной валюте. В диссертации была установлена качественная связь между рынком процентных ставок и уровнем процентного риска для коммерческих банков. В результате этого процентные ставки LIBOR и EURIBOR, как наиболее популярные при ценообразовании ставки на мировых финансовых рынках, были исследованы на предмет нелинейности и детерминированности. Предварительно для получения квазистационарности исследуемые временные ряды были трансформированы на основе преобразования x (1) y t log(xt) log(x t 1) log(t) , t 2, n x t 1 8 Для исследования признаков нелинейности систем использовался BDS тест, предложенный Броком, Дехертом и Шенкманом, идея которого заключается в расчете статистики, основанной на разнице корреляционных интегралов (2) для размерностей вложения m и 1. 2 (2) C N (l , T) I t (xtN , xsN , l) TN (TN 1) t s где и xtN (xt , xt 1 ,..., xt N 1) xsN (x s , x s 1 ,..., x s N 1) представляют собой исторические данные, TN T N 1 , а 1, при x N x N l , t s где – супремум-норма. , l) N N 0, при xt x s l Полученная статистика (3) должна иметь нормальное распределение N (0,1) , если исследуемый процесс является белым шумом. T (C N (l , T) C1 (l , T) N) (3) wN (l , T) N (l , T) В случае если значение статистики для различных значений l превышает критическое значение, то отвергается гипотеза о том, что процесс представляет собой белый шум. BDS статистики были рассчитаны для каждого исследуемого процесса для различных значений l и размерностей вложения m. Полученные результаты позволили отвергнуть нулевую гипотезу для каждого процесса, т.е. отсчеты не являются независимыми и равномерно распределенными. Кроме этого, BDS статистики были рассчитаны для остатков авторегрессионной модели AR(1), по результатам чего нулевая гипотеза для каждого процесса была также отвергнута, что в свою очередь позволило сделать вывод о нелинейности исследуемых процессов. Другим этапом в исследовании систем на предмет детерминированности был расчет показателя Херста для исследуемых систем с целью выявить насколько исследуемые объекты имеют долгосрочную память. Оценка производилась на основе расчета нормированного размаха временного ряда: R / S cN H (4) I t (xtN , x sN 9 где R max(x tn) min(x tn) – размах временного ряда, N – число наблюдений, H – показатель Херста, S – среднеквадратическое отклонение ряда xtn . На основе лог-лог графика зависимости нормированного размаха R / S от числа наблюдений N значение показателя Херста определяется как угол наклона аппроксимирующей прямой. Для исследуемых систем результаты расчета приведены в табл. 1 (3mLIBOR – ставки LIBOR на срок 3 месяца, 1mEURIBOR – ставки EURIBOR на срок 1 месяц, 3mEURIBOR – ставки EURIBOR на срок 3 месяца, 6mEURIBOR – ставки EURIBOR на срок 6 месяцев): Таблица 1 Значение показателей Херста для исследуемых систем Система 3mLIBOR 1mEURIBOR 3mEURIBOR 6mEURIBOR H 0.7007 0.7493 0.7863 0.7791 Полученные результаты (H 0.5) свидетельствуют о том, что исследуемые системы являются персистентными, т.е. имеют долгосрочную память и стремятся к сохранению тренда. На основе этого, а также результатов BDS теста для этих систем, можно сделать вывод о детерминированности исследуемых процессов. 2. Модифицированная математическая модель для прогнозирования процентных ставок на основе одномерного временного ряда, учитывающая детерминированность исследуемых систем, а также разработанный подход для определения области применимости данной модели. При исследовании временного ряда процентных ставок, его можно рассматривать как реализацию более сложного процесса большей размерности. При этом можно осуществить реконструкцию аттрактора и, тем самым, исследовать сам порождающий временной ряд процесс. Реконструкция аттрактора осуществляется с помощью метода задержки координат: x(t) (s (t), s (t),..., s (t (m 1))) (5) где m – размерность вложения, причем m 2d 1 , d – размерность Минковского. Проекция реконструированного аттрактора системы 3mLIBOR в пространство R2 представлена на рис. 1, где диагональные структуры являются подтверждением детерминированности системы. 10 s (t m) h(f (m) (x t) Fm (x t) (8) В результате можно все m значений временного ряда выразить через значение xt с помощью набора функций F1,…,Fm. Произведя 0.04 0.03 замену переменных z t 1 (s (t 1), s (t 2),..., s (t m)) и введя векторфункцию, которая зависит от t и от f, (8) можно переписать как z t 1 (x t) (9) 0.02 0.01 В соответствии с теоремой Такенса, если: M d R m диффеоморфно, то можно осуществить вложение M d в R m без самопересечений. Т.к. имеет гладкую обратную функцию, равенство (9) можно записать в виде x t 1 (z t 1) (10) Подставив (10) в s (t m 1) Fm 1 (x t) , получим, что 0 -0.01 -0.02 -0.03 s (t m 1) Fm 1 (1 (z t 1) Fm 1 (1 (s (t 1), s (t 2),..., s (t m))) -0.04 -0.04 -0.03 -0.02 -0.01 0 0.01 0.02 0.03 0.04 Рис. 1. Реконструированный аттрактор 3mLIBOR Рассмотрим дискретную динамическую детерминированную систему, динамика которой определяется как xt 1 f (xt) (6) Пусть s (t) h(xt) – временной ряд, который является реализацией динамической системы (6); применительно к объектам изучения временной ряд представляет собой трансформированный ряд значений процентных ставок. Можно отметить, что значение временного ряда, порожденного детерминированной системой, в определенный момент времени можно представить как s (t) h(f (t) (x 0)) (7) Данное представление справедливо для любой точки временного ряда s (t) в любой период времени, при этом единственным отличием будет количество воздействий системы f на начальное условие. Т.е. рассмотрев m подряд идущих значений временного ряда, можно их выразить как s (t 1) h(f (x t) F1 (xt) s (t 2) h(f (xt 1) h(f (f ((x t)))) F2 (xt) … 11 (s (t 1), s (t 2),..., s (t m)) (11) Таким образом, следующее значение временного ряда определяется через m его предыдущих значений, где m имеет топологический смысл размерности вложения. Ввиду того, что функция не задана аналитически, ее аппроксимация производилась с помощью трехслойной нейронной сети, где количество нейронов на входном слое равно m, а на выходном слое – 1. Для увеличения эффективности данной модели максимальный показатель Ляпунова, обуславливающий прогнозируемость системы, и показатель Херста H, обуславливающий детерминированность системы, были рассмотрены как функции от времени. Для этого было использовано окно w, длина которого выбиралась индивидуально для каждого исследуемого временного ряда, и с движением окна производилось вычисление указанных характеристик. На основании этого для применения модели была выделена область, где 0 и H 0.5 . На рис. 2 представлен временной ряд процентной ставки 3mLIBOR совместно с максимальным показателем Ляпунова и показателем Херста как функции от времени, на основании чего была определена область применимости модели. Итеративный прогноз следующего значения строился на основе предыдущих исторических данных. 12 Оригинальный временной ряд 10 5 0 0 1000 2000 3000 4000 5000 6000 7000 6000 7000 Динамика максимального показателя Ляпунова 0.1 0.05 0 -0.05 -0.1 0 1000 2000 3000 4000 5000 Динамика показателя Херста 3. Математическая модель для прогнозирования процентных ставок на основе многомерного временного ряда, учитывающая детерминированность исследуемых систем и позволяющая использовать при построении прогноза динамику нескольких систем. При наличии информации о процентных ставках в одной валюте на различные сроки можно рассмотреть данные временные ряды как реализации одного процесса, т.е. как проекции одного процесса на три оси координат. Однако в данном случае сложность заключается в корректном восстановлении аттрактора: каждый временной ряд обладает различными метрическими характеристиками. Для преодоления этой проблемы предусмотрено создание расширенного пространства вложения: {xn , xn , xn 2 ,..., xn (m 1) , (12) z n yn , yn , yn 2 ,..., yn (m 1) , z n , z n , z n 2 ,..., z n (m 1) } 1 1 2 1 2 3 0.5 0 0 1000 2000 3000 4000 5000 6000 7000 Рис.2. Идентификация области применимости модели для 3mLIBOR Результаты прогнозирования следующего значения временного ряда 3mLIBOR представлены на рис. 3. Данный подход к прогнозированию на 25% времени был более эффективным чем метод, использующий в качестве прогнозного значения текущее значение (наиболее оптимальный метод прогнозирования для случайного блуждания). 13 3 1 2 3 где i – параметр задержки координат, определенный для i-той системы; mi - размерность вложения i-той системы; xn, yn, zn – отчеты соответствующих временных рядов. При рассмотрении аттрактора, вложенного в пространство размерности D m1 m2 m3 , теорема Такенса будет также справедлива, т. к. соблюдение требований к минимальной размерности вложения будет заранее соблюдено «подвложениями», размерность которых изначально обеспечивала выполнение теоремы Такенса. В таком виде искусственно увеличенная размерность вложения за счет других временных рядов позволит учесть дополнительную информацию о системе, в т.ч. о временной структуре процентных ставок. В этой математической модели для прогноза использована непараметрическая модель в форме ядерного сглаживания координат следующих точек для k-ближайших соседей точки траектории в восстановленном фазовом пространстве. Тогда прогнозная точка траектории будет иметь вид: zt 1 Рис. 3. Оригинальный (сплошная линия) и прогнозный (пунктирная линия) временной ряд 3mLIBOR 3 1 2 N n (zt) (yk 1 yk zt)wk (zt , yk) (13) k 1 где N n (z t) – количество соседей для точки zt , а wk (zt , yk) – весовые коэффициенты. 14 Согласно формуле Надарая-Ватсона веса wk (zt , yk) можно определить как K h (zt y k) (14) wk (z t , y k) N (z) p1 K h (zt y p) n t x2 () x 1 1 где функция ядра K h (x) K () e 2h . h h 2 h Вообще говоря, вид ядра в (13), а также ширина окна ядерной функции определяется экспериментальным путем. В данном случае ядерная функция – функция Гаусса, а ширина окна h 0.5 . Согласно Кантцу Х. и Шрайбергу Т., такой подход к моделированию хаотических временных рядов является достаточно устойчивым к зашумленным данным и эффективным для экспериментальных систем. Кроме этого, данная модель является представителем класса смешанных моделей, т.е. определенным образом объединяет в себе черты локальных и глобальных моделей, что находит отражение в ее особенностях: с одной стороны она учитывает глобальное поведение и направленность системы, с другой – удачно моделирует локальную динамику. На рис. 4 представлен долгосрочный прогноз процентной ставки 1mEURIBOR значений с 1703 по 1751 как результат применения данной математической модели к набору процентных ставок EURIBOR на срок 1, 3 и 6 месяцев. В качестве исходных для прогноза данных выступали предыдущие значения. более 15 значений, при этом прогнозирование может осуществляться для любой компоненты набора процентных ставок. Данный подход к прогнозированию временных рядов был сопоставлен с другими популярными методами прогнозирования: с моделями ARIMA, ARIMA-GARCH и радиально-базисной нейронной сетью. На рис. 5 изображены результаты прогнозирования с использованием указанных моделей для определенного участка процентной ставки 1mEURIBOR. 0.53 0.52 Оригинальный ряд Модель на основе ТДХ ARIMA ARIMA-GARCH RBF-Сеть 0.51 0.50 0.49 0.48 0.47 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Рис. 5. 1mEURIBOR и его прогнозные значения на основе различных моделей В табл. 2 представлены результаты численного сравнения эффективности прогнозирования на основе нормированного среднеквадратического отклонения (НСКО) 1 N НСКО N (x пр x реал) 2 i 1 2 (15) где 2 – дисперсия тестового множества и средней абсолютной погрешности (x): x 1 N N x пр x реал (16) i 1 Таблица 2 Сравнение эффективности моделей прогнозирования Модель на ARIMAоснове ТДХ ARIMA GARCH RBF-сеть 0.375 1.262 0.808 0.699 НСКО 0.006 0.021 0.013 0.011 Δx Рис. 4. Оригинальный (сплошная линия) и прогнозный (пунктирная линия) временной ряд 1mEURIBOR Предложенная математическая модель прогнозирования осуществляет корректное прогнозирование с горизонтом прогноза не 15 Из представленного набора моделей и приведенной сводной таблицы эффективности результатов прогнозирования можно сделать вывод о том, что предлагаемая модель на основе теории детерминированного хаоса (ТДХ) является наиболее эффективной. 16 4. Методика управления процентным риском в коммерческих банках, в основе которой лежит математическая модель прогнозирования процентных ставок на базе методов теории детерминированного хаоса, позволяющая производить сценарное моделирование с помощью прогностических данных. На основе предложенных математических моделей была разработана методика для управления процентным риском в коммерческом банке (рис. 6). начало А Оценка чувствительности доходности к изменению процентных ставок Идентификация наиболее рискованных позиций и выявление определяющих процентных ставок Реконструкция и расчет инвариант для основных систем ставок Принятие риска Да Гэп-анализ Да Да Повышательная динамика Положительная риск-позиция Увеличение активов Да Нет Нет Отрицательная риск-позиция Увеличение пассивов Оценка параметров модели Прогнозирование процентных ставок Нет Нет Увеличение активов Оценка эффективности прогнозирования Корректировка параметров модели А конец Рис. 6. Методика управления процентным риском Так, первый этап заключается в анализе текущей позиции, подверженной процентному риску, с помощью гэп-анализа и оценки чувствительности доходности к изменению процентных ставок в разрезе интервалов репрайсинга. Благодаря этому происходит выявление процентных ставок, в наибольшей степени определяющих изменение доходности. На основе выбранного набора процентных ставок производится реконструкция аттрактора и расчет инвариант, затем осуществляется прогнозирование. Результаты прогноза интерпретируется в ключе принятия риска или его снижения. При снижении риска в зависимости от прогнозируемой динамики и текущей рисковой позиции предпринимаются действия: в случае прогнозирования повышательной динамики на рынке процентных 17 ставок при положительной рисковой позиции по ним или понижательной динамики при отрицательной рисковой позиции увеличиваются чувствительные к процентному риску активы, что осуществляется за счет следующих действий: приобретение ценных бумаг с плавающей ставкой; конвертация ставок по кредитам с фиксированных в плавающие; замена фондирования по кредитам с плавающей процентной ставкой на фондирование с фиксированной процентной ставкой; В противном случае увеличиваются чувствительные к процентному риску пассивы. Выводы 1. Критически оценен существующий набор инструментов теории детерминированного хаоса для исследования систем на основе временных рядов и на основе этого, а также сравнительного подхода, определены наиболее эффективные методы для реконструкции аттрактора, расчета корреляционной размерности и характеристических показателей Ляпунова. 2. Выявлена качественная связь между процентным риском и рынком процентных ставок, причем последний объект был определен как один из главных причинных факторов возникновения процентного риска в коммерческих банках. нелинейность и детерминированность 3. Установлена процентных ставок LIBOR на срок 3 месяца и EURIBOR на срок 1, 3 и 6 месяцев. Произведена реконструкция динамических систем на основе временных рядов, осуществлена оценка метрических и динамических инвариант, результаты чего еще раз подтвердили гипотезу о детерминированности исследуемых систем. 4. К рынку процентных ставок адаптирована математическая модель прогнозирования на основе одномерного временного ряда; разработаны критерии ее применимости на основе определения области детерминированности и прогнозируемости. 5. Для рынка процентных ставок разработана новая математическая модель прогнозирования на основе многомерного временного ряда процентных ставок с использованием расширенного пространства вложения и ядерного сглаживания соседних точек траекторий, эффективность которой превышает эффективность классических подходов к прогнозированию финансовых рынков. 18 6. Создана методика для управления процентным риском в коммерческих банках на основе разработанной модели прогнозирования рынка процентных ставок. Первадчук В.П., Галкин Д.Е. Роль ставки межбанковского 8. кредитования LIBOR в мировой экономике // Вестник Перм. гос. техн. ун-та. – сер. Социально-экономические науки. – Пермь, 2011. – с. 101105. ПУБЛИКАЦИИ ПО ТЕМЕ ИССЛЕДОВАНИЯ Публикации в изданиях, рекомендованных ВАК: 1. Первадчук В.П., Галкин Д.Е. Применение методов теории детерминированного хаоса для прогноза динамики ставки межбанковского кредитования LIBOR // Вестник Ижевск. гос. техн. ун-та. – №2 (46). – Ижевск, 2010. – c.45-49. 2. Галкин Д.Е. Прогнозирование многомерных финансовых временных рядов на основе методов теории детерминированного хаоса // Вестник Инжэкона. – 2011. – №3(46). – Сер. Экономика. – СПб., 2011. – 359-363 c. В других изданиях: 3. Галкин Д.Е., Первадчук В.П. Фрактальный анализ динамики курсов валют // Тезисы докладов научно-технической конференции студентов и молодых ученых Пермск. гос. техн. ун-та. – сер. Прикладная математика и механика, 2007. – с. 26-27. 4. Первадчук В.П., Галкин Д.Е. Обоснование применения методов теории детерминированного хаоса для прогноза экономических систем // Вестник Перм. гос. техн. ун-та. – сер. Математика и прикладная математика. – Пермь, 2008. – с. 15-24. Первадчук В.П., Галкин Д.Е. Применение фракталов в 5. исследовании финансовых временных рядов // Вестник Перм. гос. техн. ун-та. – №14. – сер. Математика и прикладная математика. – Пермь, 2008. – с. 8-15. В.П., Галкин Д.Е. Моделирование 6. Первадчук экономических систем с использованием методов теории детерминированного хаоса // Кибернетика и высокие технологии XXI века: сборник докладов XII международной научно-технической конференции. – Том 1. – Воронеж, 2011. – с. 277-282. 7. Галкин Д.Е. Особенности восстановления фазового аттрактора для прогнозирования экономических систем // Информационно-вычислительные технологии и их приложения: сборник статей XV Международной научно-технической конференции. – Пенза: РИО ПГСХА, 2011. – с.27-31 19 _______________________ Подписано в печать 20.02.2012. Формат 60х84/16 Усл. печ. л. 1,45. Тираж 100 экз. Заказ ___ . Типография ПГНИУ. 614990. Пермь, ул. Букирева, 15 20

Для того, чтобы результаты работы на рынке облигаций были лучше среднерыночных, простого приобретения облигаций с наибольшей доходностью к погашению недостаточно. Для того, чтобы работать лучше рынка, необходимо знать, каким образом будет изменяться требуемая инвесторами от конкретного выпуска облигаций доходность (ожидаемое изменение уровня ликвидности и кредитного качества выпуска), и, что еще более важно, какой будет ситуация с уровнем процентных ставок в экономике в целом.

Это позволит держать в портфеле преимущественно короткие бумаги в ожидании повышения процентных ставок (снижение их стоимости будет меньше, чем у длинных). В случае же ожидаемого понижения уровня процентных ставок в портфеле преимущественно будут находиться облигации с большей дюрацией (рост их стоимости окажется существеннее, чем коротких).

Для того, чтобы определить вектор уровня процентных ставок в экономике в целом, УК «Арсагера» использует 5 моделей. Все эти модели основаны на арбитражном принципе.

Вектор уровня процентных ставок

Для определения того, каким будет уровень процентных ставок в будущем, УК «Арсагера» использует несколько экономических моделей, каждая из которых описывает поведение различных групп экономических агентов в тех или иных экономических условиях.

Инфляционная модель

Инфляционная модель учитывает поведение внутренних инвесторов. В рамках этой модели уровень процентных ставок в стране сравнивается с уровнем инфляции в этой же стране (прогноз инфляции по России базируется на прогнозах МЭРТ). Основная предпосылка данной модели заключается в том, что инвесторы в разных странах ориентируются на один и тот же уровень реальной доходности (доходность, уменьшенная на уровень инфляции в стране) при осуществлении инвестиций в инструменты с одинаковым уровнем риска. Таким образом, зная какую реальную доходность, ожидают инвесторы в различных странах от инвестиций с определенным уровнем риска, мы, прогнозируя уровень инфляции в России, можем сказать, какой должна быть доходность конкретных инструментов, чтобы инвесторам было интересно вкладывать средства внутри страны, а не за ее пределами.

Пример. Средний уровень доходности наиболее надежных корпоративных облигаций в России составляет 7,5%. Ожидается, что уровень инфляции составит в течение ближайшего года 9,9%. В США средний уровень доходности наиболее надежных корпоративных облигаций составляет 5%, а ожидаемая инфляция - 2,2%. Таким образом, получается, что в России реальная доходность инвестиций составит -2,4%, а в США - +2,8%. Мы видим, что инвесторам интереснее вкладывать средства в рынок США до тех пор, пока реальная доходность инструментов с одинаковым уровнем риска не выровняется. Вектор уровня процентных ставок в России по этой модели составляет +520 п.п.

Модель паритета денежных ставок

Данная модель учитывает поведение глобальных игроков, занимающихся трансграничным инвестированием капитала. Поскольку инвестирование средств на иностранных (по отношению к такому инвестору) рынках предполагает перевод средств в валюту другой страны, то на итоговую доходность, которую ожидает такой инвестор, влияет ожидаемое изменение валютных курсов. Наличие большого числа инвесторов, занимающихся трансграничными инвестициями, приводит к выравниванию (в мировом масштабе) доходностей инструментов с одинаковым уровнем риска.

Таким образом, имея прогноз по будущему обменному курсу валют и зная уровень процентных ставок в одной из этих стран, мы можем сказать, какой уровень процентных ставок ожидают увидеть инвесторы во второй стране.

Пример. Предположим, что текущий курс рубля к доллару США составляет 50 рублей за доллар. Курс, ожидаемый через год - 55. Поэтому если текущая доходность инструментов с определенным уровнем риска в США составляет 10% годовых, то ожидаемая инвесторами доходность российских инструментов с таким же уровнем риска через год составляет 21% годовых (чтобы компенсировать ожидаемое снижение курса рубля). Поскольку прогнозные значения валютных курсов озвучиваются не только МЭР, но и ведущими инвестиционными институтами Запада, то мы можем рассчитать, какую доходность они ожидают от российских активов.

Кредитно-депозитная модель

Кредитно-депозитная модель состоит из трех подмоделей. Эти модели учитывают поведение различных групп внутренних инвесторов:

• Заемщиков (юридических лиц) , которые выбирают способ привлечения средств для развития предприятия.

Предприятие выбирает из двух альтернатив: либо привлечь средства путем размещения облигационного выпуска, либо взять кредит в банке. Более «дешевый» способ будет более востребованным и со временем ставки (с учетом всех затрат) на обоих рынках - облигационном и кредитном - выровняются.

• Банков , выбирающих способ размещения средств, который принесет им большую доходность.

Размещая средства, банки выбирают между выдачей кредита предприятию и приобретением корпоративных облигаций. Расхождение доходностей на этих рынках неизбежно приведет к перетоку капитала и доходности выровняются. При этом ликвидность для банка кредита и облигации разная, что также учитывается в модели в виде премии за ликвидность.

• Предприятий и населения , которые пытаются разместить временно свободные средства с наибольшей доходностью.

Размещая временно свободные средства, предприятия и население выбирает между приобретением облигаций и открытием депозита в банке. Как и в предыдущей модели, действия участников, стремящихся максимизировать свою доходность, будут выравнивать доходность на этих рынках.

Описанные выше модели позволяют понять, какими инструментами будет пользоваться каждая из рассмотренных групп для достижения своих целей, и каким образом это повлияет на уровень процентных ставок на различных рынках. Результаты всех описанных выше моделей взвешиваются в зависимости от значимости группы экономических агентов, ориентирующихся на ту или иную модель.

Получив вектор процентных ставок, мы можем сказать, под какую доходность инвесторы через год будут готовы купить любой из обращающихся сейчас на рынке облигационных выпусков. Далее дисконтируя купонные платежи и выплаты тела облигаций по ставке, которую будут требовать инвесторы через год от вложений в подобные бумаги мы рассчитываем будущую стоимость облигаций.

Например , результаты расчетов по моделям говорят о том, что в ближайший год средний уровень требуемой инвесторами доходности увеличится на 0,5% по отношению к текущему уровню. При этом нам необходимо выбрать, какой из двух облигационных выпусков приобретать:

• Компания-1 - дюрация 1 год, ставка купона 10%, выплаты производятся раз в квартал;
• Компания-5 - дюрация 5 лет, ставка купона 10%, выплаты производятся раз в квартал.

Если в течение пяти лет процентные ставки и, как следствие, требуемая инвесторами доходность будут оставаться на текущих уровнях, то можно покупать любой из двух выпусков облигаций. Доходность обоих вложений будет одинаковой и составит 10% годовых.

В рассматриваемом же случае, когда мы ожидаем увеличения уровня процентных ставок на 0,5%, неправильный выбор может существенно снизить эффективность инвестиций.

В случае с выпуском Компания-1, несмотря на то, что требуемая доходность от этих облигаций будет составлять 10,5% годовых, в то время как купонные выплаты по этим облигациям будут составлять 10% годовых, инвестор после погашения облигационного выпуска полностью получит его номинальную стоимость. Полученные средства он сможет вложить в облигации компании с таким же кредитным качеством и ликвидностью, но ставка купона по ним уже будет 10,5%.

Если же у инвестора средства будут инвестированы в облигации Компании-5 , погашение которых произойдет только через пять лет, то доходность его вложений будет ниже.

Приведенный пример показывает всю важность правильного прогнозирования уровня процентных ставок при выборе облигаций.

Купонные выплаты составляют 10% годовых, в то время как требуемая доходность от инвестиций в облигации, обладающими таким же кредитным качеством и ликвидностью, будет составлять 10,5% годовых.