Анализ факторов премии за риск корпоративных облигаций

Included observations: 679

Variable

Coefficient

Std. Error

t-Statistic

Prob.

PERIOD

-0.464252

0.048002

-9.671539

0.0000

PERIOD^2

0.011310

0.001348

8.387553

0.0000

LOG(EMISSION_VOL)

-0.470637

0.072219

-6.516825

0.0000

RATING_INTER

0.159979

0.033468

4.780001

0.0000

TYPE_BOND

-0.477368

0.215455

-2.215634

0.0271

TYPE_ORGANISER

-0.939571

0.233826

-4.018254

0.0001

CALL

0.942421

0.192854

4.886718

0.0000

C

10.21405

0.508146

20.10064

0.0000

R-squared

0.477761

Mean dependent var

2.367726

Adjusted R-squared

0.472313

S.D. dependent var

3.061158

S.E. of regression

2.223689

Akaike info criterion

4.447924

Sum squared resid

3317.955

Schwarz criterion

4.501186

Log likelihood

-1502.070

F-statistic

87.69313

Durbin-Watson stat

1.641631

Prob(F-statistic)

0.000000

Согласно построенной модели, принятые меры способствовали улучшению качества исследуемой регрессии. Переменные PERIOD^2 и LOG(EMISSION_VOL) оказались значимыми для премии за риск корпоративных облигаций на уровне значимости 1%. Стоит отметить, что коэффициент детерминации данной модели значительно выше, чем в прошлой модели и составляет 47,8%.

После того, как была выбрана наилучшая функциональная взаимосвязь между премией за риск и характеристиками облигационного займа, можно приступить к рассмотрению макроэкономических факторов.

На следующем этапе дополним получившуюся регрессионную модель макроэкономическими факторами (таблица 3.3).

Таблица 3.3

Модель зависимости премии за риск от характеристик облигационного займа и макроэкономических факторов

Dependent Variable: SPREAD
Method: Least Squares
Date: 05/05/20 Time: 13:14
Sample: 1 782 IF SPREAD<29 AND DEFAULT_RATE<0.3 AND
EMISSION_VOL<175000 AND PERIOD<47.5
Included observations: 679
Variable	Coefficient	Std. Error	t-Statistic	Prob.
PERIOD	-0.415512	0.047507	-8.746284	0.0000
PERIOD^2	0.009990	0.001335	7.483529	0.0000
LOG(EMISSION_VOL)	-0.483666	0.071259	-6.787400	0.0000
RATING_INTER	0.161486	0.032643	4.947070	0.0000
TYPE_BOND	-0.830097	0.222280	-3.734469	0.0002
TYPE_ORGANISER	-0.932615	0.234005	-3.985455	0.0001
CALL	0.753102	0.191086	3.941177	0.0001
BRENT_GROWTH	0.024470	0.011547	2.119068	0.0345
EXCH_RATE	-0.155754	0.103432	-1.505857	0.1326
GDP_GROWTH	-0.083946	0.015470	-5.426464	0.0000
C	11.03468	0.528982	20.86024	0.0000
R-squared	0.506130	Mean dependent var	2.367726
Adjusted R-squared	0.498737	S.D. dependent var	3.061158
S.E. of regression	2.167297	Akaike info criterion	4.400906
Sum squared resid	3137.714	Schwarz criterion	4.474142
Log likelihood	-1483.108	F-statistic	68.45838
Durbin-Watson stat	1.722750	Prob(F-statistic)	0.000000

Как мы видим, включение в модель макро-факторов оказало положительное влияние на исследуемую регрессию. Стандартные ошибки уменьшились, коэффициент детерминации увеличился и достиг 50,6%.

Далее перейдем к рассмотрению отраслевых переменных. На основе последней модели проведем тест Чоу, для того, чтобы понять каким образом следует включать в модель отраслевые переменные.

Данный тест проводится для выявления структурных сдвигов в регрессионной модели, что позволит выяснить, есть ли различие между той или иной отраслью. Проведем тест отдельно для каждой отраслевой переменной. Таким образом, будет проведено 8 тестов. Рассмотрим тест Чоу на примере нефтегазовой отрасли.

Сначала необходимо отсортировать значения бинарной переменной OIL_GAS от 0 к 1. Затем можно приступать к тестированию. Переходная точка от 0 к 1 находится в 653 наблюдении. Данное тестирование проводится на основе скорректированной модели.

Таблица 3.4

Тест Чоу для нефтегазовой отрасли

Chow Breakpoint Test: 653
F-statistic	1.369869	Probability	0.182463
Log likelihood ratio	15.39385	Probability	0.165167

H0: структурные изменения отсутствуют

Hа: есть структурные изменения в модели

Благодаря данному тесту было выявлено, что Prob (Fst) = 0,18 (0,18 > 0,05). Следовательно, нет оснований отклонять гипотезу H0, из чего следует, что в модели отсутствуют структурные изменения и нет необходимости в построении отдельной регрессии для нефтегазовой отрасли. Аналогичным образом был проведен тест Чоу для остальных отраслевых переменных. Согласно проведенным тестам, было выявлено, что построение отдельных регрессий для каждой отрасли не требуется. Результаты проведенного тестирования для всех исследуемых отраслей отражены в Приложении 3.

Таким образом, мы можем дополнить имеющуюся модель отраслевыми переменными. Среди восьми отраслевых переменных было выбрано пять основных переменных, которым принадлежит наибольшая часть рынка обращающихся корпоративных облигаций нефинансового сектора: нефтегазовая отрасль, строительная отрасль, энергетическая отрасль, отрасль торговли и транспортная отрасль. Вместе с тем, было принято решение не использовать в регрессии нефтегазовую отрасль, поскольку в модели уже присутствует такой макроэкономический фактор, как цена на нефть, который содержит в себе тенденции нефтяного рынка. Остальные переменные были включены в модель. Используемые в модели отрасли охватывают более 50% рынка обращающихся корпоративных облигаций.

Получившаяся регрессионная модель отражена в таблице 3.5.

Таблица 3.5

Модель зависимости премии за риск от характеристик облигационного займа, макроэкономических и отраслевых факторов

Dependent Variable: SPREAD
Method: Least Squares
Date: 05/05/20 Time: 13:15
Sample: 1 782 IF SPREAD<29 AND DEFAULT_RATE<0.3 AND
EMISSION_VOL<175000 AND PERIOD<47.5
Included observations: 679
Variable	Coefficient	Std. Error	t-Statistic	Prob.
PERIOD	-0.441471	0.047522	-9.289808	0.0000
PERIOD^2	0.010714	0.001340	7.994663	0.0000
LOG(EMISSION_VOL)	-0.487893	0.070035	-6.966451	0.0000
RATING_INTER	0.121116	0.032973	3.673229	0.0003
TYPE_BOND	-0.946508	0.219507	-4.311964	0.0000
TYPE_ORGANISER	-0.856934	0.230738	-3.713881	0.0002
CALL	0.904562	0.189213	4.780664	0.0000
BRENT_GROWTH	0.021477	0.011295	1.901481	0.0577
EXCH_RATE	-0.172856	0.101258	-1.707086	0.0883
GDP_GROWTH	-0.074462	0.015228	-4.889717	0.0000
BUILDING	1.127356	0.247447	4.555948	0.0000
ENERGETICS	-0.716467	0.298522	-2.400047	0.0167
TRADE_RETAIL	0.534650	0.314685	1.698998	0.0898
TRANSPORT	0.669979	0.281557	2.379548	0.0176
C	10.76037	0.532757	20.19752	0.0000
R-squared	0.531664	Mean dependent var	2.367726
Adjusted R-squared	0.521789	S.D. dependent var	3.061158
S.E. of regression	2.116876	Akaike info criterion	4.359603
Sum squared resid	2975.492	Schwarz criterion	4.459470
Log likelihood	-1465.085	F-statistic	53.84178
Durbin-Watson stat	1.724360	Prob(F-statistic)	0.000000

Представленная регрессия в целом значима и имеет наименьшее значение стандартных ошибок, и это свидетельствует о том, что прогнозное значение данной регрессии в наименьшей степени отлично от истинного значения по сравнению с другими моделями. Кроме того, положительным аспектом является то, что значение суммы квадратов остатков также уменьшилось по сравнению с исходной регрессией.

Более того, данная модель характеризуется наивысшим значением коэффициента детерминации (53%), следовательно, 53% изменений зависимой переменной объясняются включенными в модель факторами.

Следующий этап состоит в проверке выбранной регрессионной модели на наличие гетероскедастичности и автокорреляции.

Построим график зависимости остатков модели от исследуемых регрессоров с целью выдвинуть предположение о наличии гетероскедастичности.

Рис. 3.9 Графики функциональной связи остатков модели и регрессоров

Представленные диаграммы рассеивания указывают на неоднородность данных, что может свидетельствовать о наличии гетероскедастичности в модели. Проверим данное предположение с помощью теста Уайта, который представлен в таблице 3.6.

Таблица 3.6

Тест Уайта (проверка гетероскедастичности)

White Heteroskedasticity Test:
F-statistic	13.72084	Probability	0.000000
Obs*R-squared	199.8345	Probability	0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/05/20 Time: 13:34
Sample: 1 782 IF SPREAD<29 AND DEFAULT_RATE<0.3 AND
EMISSION_VOL<175000 AND PERIOD<47.5
Included observations: 679
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	59.20257	4.830787	12.25526	0.0000
PERIOD	0.841338	0.497226	1.692064	0.0911
PERIOD^2	-0.015570	0.027234	-0.571713	0.5677
(PERIOD^2)^2	4.72E-06	1.39E-05	0.340204	0.7338
LOG(EMISSION_VOL)	-12.19316	1.310625	-9.303322	0.0000
(LOG(EMISSION_VOL))^2	0.637209	0.096256	6.619926	0.0000
RATING_INTER	0.359396	0.679920	0.528585	0.5973
RATING_INTER^2	0.021115	0.089125	0.236917	0.8128
TYPE_BOND	-2.603202	1.162037	-2.240205	0.0254
TYPE_ORGANISER	0.295364	1.254838	0.235380	0.8140
CALL	-3.430008	1.038529	-3.302755	0.0010
BRENT_GROWTH	0.032268	0.064970	0.496664	0.6196
BRENT_GROWTH^2	-0.000371	0.005131	-0.072247	0.9424
EXCH_RATE	0.650604	0.548865	1.185364	0.2363
EXCH_RATE^2	0.173266	0.185816	0.932459	0.3514
GDP_GROWTH	-0.016952	0.244605	-0.069305	0.9448
GDP_GROWTH^2	-0.005070	0.007717	-0.656971	0.5114
BUILDING	-2.956664	1.337496	-2.210596	0.0274
ENERGETICS	0.115731	1.634983	0.070784	0.9436
TRADE_RETAIL	-1.915593	1.700131	-1.126733	0.2603
TRANSPORT	-3.065657	1.542884	-1.986965	0.0473
R-squared	0.294307	Mean dependent var	4.382168
Adjusted R-squared	0.272857	S.D. dependent var	13.00641
S.E. of regression	11.09091	Akaike info criterion	7.680569
Sum squared resid	80939.48	Schwarz criterion	7.820382
Log likelihood	-2586.553	F-statistic	13.72084
Durbin-Watson stat	1.876123	Prob(F-statistic)	0.000000

Гипотеза: H0 - модель является гомоскедастичной, Ha - модель является гетероскедастичной.

Согласно проведенному тесту, Prob (F-st) = 0 (0 < 0.05), следовательно, нулевая гипотеза о гомоскедастичности модели отклоняется, что подтверждает выдвинутые предположения о наличии гетероскедастичности.

Далее проверим исследуемую модель на автокорреляцию. Построим коррелограму остатков модели для того, чтобы выдвинуть предположение о наличии автокорреляции в данных (рис. 3.10).

Рис. 3.10 Коррелограма остатков регрессионной модели

Результаты построения коррелограммы свидетельствуют о наличии автокорреляции в исследуемой модели, что подтверждает автокорреляционная функция, выходящая за пределы пунктирной линии.

Для того, чтобы протестировать гипотезу о наличии автокорреляции необходимо использовать тест Бреуша Годфри, который представлен в таблице 3.7.

Таблица 3.7

Тестирование Бреуша Годфри

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	11.09855	Probability	0.000912
Obs*R-squared	11.17925	Probability	0.000827
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 05/05/20 Time: 13:58
Presample and interior missing value lagged residuals set to zero.
Variable	Coefficient	Std. Error	t-Statistic	Prob.
PERIOD	0.008694	0.047237	0.184045	0.8540
PERIOD^2	-0.000297	0.001333	-0.222941	0.8237
LOG(EMISSION_VOL)	-0.015736	0.069668	-0.225870	0.8214
RATING_INTER	0.001366	0.032727	0.041735	0.9667
TYPE_BOND	0.034594	0.218104	0.158614	0.8740
TYPE_ORGANISER	0.008562	0.229018	0.037388	0.9702
CALL	-0.021140	0.187897	-0.112509	0.9105
BRENT_GROWTH	6.24E-05	0.011210	0.005569	0.9956
EXCH_RATE	0.009795	0.100539	0.097427	0.9224
GDP_GROWTH	-0.001123	0.015118	-0.074271	0.9408
BUILDING	-0.080083	0.246760	-0.324539	0.7456
ENERGETICS	0.035476	0.296469	0.119661	0.9048
TRADE_RETAIL	-0.043741	0.312595	-0.139927	0.8888
TRANSPORT	0.015801	0.279480	0.056536	0.9549
C	0.088635	0.529420	0.167419	0.8671
RESID(-1)	0.135604	0.040704	3.331449	0.0009
R-squared	0.016464	Mean dependent var	1.84E-15
Adjusted R-squared	-0.005788	S.D. dependent var	2.094906
S.E. of regression	2.100960	Akaike info criterion	4.345948
Sum squared resid	2926.503	Schwarz criterion	4.452472
Log likelihood	-1459.449	F-statistic	0.739904
Durbin-Watson stat	2.021145	Prob(F-statistic)	0.744457

H0: с=0 (автокорреляция отсутствует)

Ha: с ? 0 (автокорреляция присутствует)

Проведенное тестирование показывает, что Prob (Fst) < 0,05, следовательно, нулевая гипотеза об отсутствии автокорреляции отклоняется, что подтверждает выдвинутые ранее предположения о наличии автокорреляции в модели.

Для того, чтобы избавиться от нежелательных последствий автокорреляции и гетероскедастичности, необходимо применить к исследуемой модели поправки Newey-West, что позволит исправить стандартные ошибки модели и даст возможность проводить тестирование гипотез. Скорректированная модель представлена в таблице 3.8.

Таблица 3.8

Регрессионная модель с поправками Newey-West

Dependent Variable: SPREAD
Method: Least Squares
Date: 05/05/20 Time: 14:13
Sample: 1 782 IF SPREAD<29 AND DEFAULT_RATE<0.3 AND
EMISSION_VOL<175000 AND PERIOD<47.5
Included observations: 679
Newey-West HAC Standard Errors & Covariance (lag truncation=6)
Variable	Coefficient	Std. Error	t-Statistic	Prob.
PERIOD	-0.441471	0.094566	-4.668390	0.0000
PERIOD^2	0.010714	0.002684	3.991703	0.0001
LOG(EMISSION_VOL)	-0.487893	0.163887	-2.977004	0.0030
RATING_INTER	0.121116	0.034422	3.518549	0.0005
TYPE_BOND	-0.946508	0.309693	-3.056273	0.0023
TYPE_ORGANISER	-0.856934	0.230677	-3.714866	0.0002
CALL	0.904562	0.265914	3.401713	0.0007
BRENT_GROWTH	0.021477	0.012440	1.726395	0.0847
EXCH_RATE	-0.172856	0.139567	-1.238514	0.2160
GDP_GROWTH	-0.074462	0.020675	-3.601644	0.0003
BUILDING	1.127356	0.241475	4.668616	0.0000
ENERGETICS	-0.716467	0.290683	-2.464771	0.0140
TRADE_RETAIL	0.534650	0.307371	1.739428	0.0824
TRANSPORT	0.669979	0.276041	2.427096	0.0155
C	10.76037	1.176426	9.146662	0.0000
R-squared	0.531664	Mean dependent var	2.367726
Adjusted R-squared	0.521789	S.D. dependent var	3.061158
S.E. of regression	2.116876	Akaike info criterion	4.359603
Sum squared resid	2975.492	Schwarz criterion	4.459470
Log likelihood	-1465.085	F-statistic	53.84178
Durbin-Watson stat	1.724360	Prob(F-statistic)	0.000000

После применения данных поправок можно перейти к тестированию гипотез. Используем тест Вальда для того, чтобы проверить гипотезу о том, что биржевые облигации влияют на премию за риск так же, как облигации, размещенные организаторами первого эшелона.

Гипотеза H0: в(TYPE_BOND) = в (TYPE_ORGANISER) > c (5) = с (6).

Таблица 3.9

Тестирование Вальда

Wald Test:
Equation: EQ_BESTBEST
Test Statistic	Value	df	Probability
F-statistic	0.074522	(1, 664)	0.7849
Chi-square	0.074522	1	0.7849
Null Hypothesis Summary:
Normalized Restriction (= 0)	Value	Std. Err.
C(5) - C(6)	-0.089574	0.328124

Согласно результатам тестирования, Prob(Fst) = 0,785 (0,785 > 0.05), следовательно, на уровне значимости 5% основания отклонять нулевую гипотезу отсутствуют. Таким образом, можно сделать вывод о том, что исследуемые переменные (вид облигации и тип организатора) оказывают одинаковое влияние на премию за риск корпоративных облигаций.

На заключительном этапе регрессионного анализа проведем интерпретацию коэффициентов исследуемой модели и найдем прогнозное значение премии за риск.

Стоит отметить, что прогнозирование и интерпретация проводятся на основе модели без поправок Newey-West, которая представлена в таблице 3.10.



Таблица 3.10

Модель зависимости премии за риск от исследуемых факторов

Dependent Variable: SPREAD
Method: Least Squares
Date: 05/05/20 Time: 13:15
Sample: 1 782 IF SPREAD<29 AND DEFAULT_RATE<0.3 AND
EMISSION_VOL<175000 AND PERIOD<47.5
Included observations: 679
Variable	Coefficient	Std. Error	t-Statistic	Prob.
PERIOD	-0.441471	0.047522	-9.289808	0.0000
PERIOD^2	0.010714	0.001340	7.994663	0.0000
LOG(EMISSION_VOL)	-0.487893	0.070035	-6.966451	0.0000
RATING_INTER	0.121116	0.032973	3.673229	0.0003
TYPE_BOND	-0.946508	0.219507	-4.311964	0.0000
TYPE_ORGANISER	-0.856934	0.230738	-3.713881	0.0002
CALL	0.904562	0.189213	4.780664	0.0000
BRENT_GROWTH	0.021477	0.011295	1.901481	0.0577
EXCH_RATE	-0.172856	0.101258	-1.707086	0.0883
GDP_GROWTH	-0.074462	0.015228	-4.889717	0.0000
BUILDING	1.127356	0.247447	4.555948	0.0000
ENERGETICS	-0.716467	0.298522	-2.400047	0.0167
TRADE_RETAIL	0.534650	0.314685	1.698998	0.0898
TRANSPORT	0.669979	0.281557	2.379548	0.0176
C	10.76037	0.532757	20.19752	0.0000
R-squared	0.531664	Mean dependent var	2.367726
Adjusted R-squared	0.521789	S.D. dependent var	3.061158
S.E. of regression	2.116876	Akaike info criterion	4.359603
Sum squared resid	2975.492	Schwarz criterion	4.459470
Log likelihood	-1465.085	F-statistic	53.84178
Durbin-Watson stat	1.724360	Prob(F-statistic)	0.000000

Интерпретация:

1. При увеличении срока до погашения облигаций на 1 год, премия за риск корпоративных облигаций уменьшается в среднем на 0,44% (учитывая, что другие регрессоры остаются неизменными). При этом на каждый год приходится ускорение сокращения премии за риск в среднем на 0,011%.

Кроме того, поскольку премия за риск и срок до погашения находятся в параболической зависимости, есть возможность определить значение срока до погашения, которое соответствует минимальному/максимальному значению премии за риск посредством нахождения координаты X вершины параболы.

Функция параболы имеет следующий вид:

Коэффициенты регрессионной модели будут использованы для нахождения координаты X вершины параболы: a = 0,010714, b = -0,441471.

Поскольку коэффициент a >0, ветви рассматриваемой параболы направлены вверх. Исходя из этого, найдем значение X, которому соответствует минимальное значение Y.

Координата X определяется согласно следующей формуле:

Следовательно, можно утверждать, что при сроке погашения, равном 21 году, премия за риск достигает своего минимального значения.

Таким образом, если срок до погашения конкретной облигации близок к полученному значению, можно судить о том, что данная ценная бумага обладает наименьшей премией за риск.

2. Увеличение объема облигационного выпуска на 1% приводит к сокращению спреда доходности корпоративных облигаций на 0,005%.

3. При повышении значения переменной рейтинга на 1 ед. по шкале (а именно при ухудшении рейтинга), спред доходности корпоративных облигаций увеличивается на 0,12%. Как было указано ранее, чем выше компании присваивается рейтинг, тем ниже значение переменной, включенной в модель.

4. Премия за риск биржевых облигаций в среднем на 0,95% меньше, чем премия за риск классических облигаций.

5. Премия за риск корпоративных облигаций, размещенных организаторами первого эшелона в среднем на 0,86% меньше, чем премия за риск прочих облигаций.

6. Премия за риск облигаций со встроенным call-опционом в среднем на 0,9% выше, чем облигаций без опциона call.

7. При повышении темпа прироста цены на нефть на 1%, премия за риск корпоративных облигаций увеличивается в среднем на 0,02%.

8. При увеличении темпа прироста валютного курса на 1%, премия за риск корпоративных облигаций сокращается в среднем на 0,17%.

9. Увеличение темпов прироста ВВП на 1% приводит к падению премии за риск корпоративных облигаций на 0,07%.

10. Премия за риск корпоративных облигаций, принадлежащих отрасли "Строительство и девелопмент" в среднем на 1,13% выше премии за риск корпоративных облигаций других отраслей.

11. Премия за риск облигаций энергетической отрасли в среднем на 0,72% ниже, чем премия за риск облигаций прочих отраслей.

12. Спред доходности по облигациям, принадлежащим отрасли "Торговля и ритейл" в среднем на 0,53% выше спреда доходности облигаций прочих отраслей.

13. Премия за риск облигаций транспортной отрасли в среднем на 0,67% выше, чем премия за риск облигаций иных отраслей.

В заключении перейдем к нахождению прогнозного значения премии за риск корпоративных облигаций, принимая во внимание, что все объясняющие переменные будут принимать средние значения.

Для того, чтобы найти средние значения переменных, следует обратиться к описательной статистике, которая представлена в таблице 3.11 и таблице 3.12.



Таблица 3.11

Средние значения объясняющих переменных

	PERIOD	EMISSION_VOL	RATING_INTER	TYPE_BOND	TYPE_ORGANISER	CALL	BRENT_GROWTH
Mean	8.809147	8785.036	-3.483446	0.733432	0.690722	0.403535	0.140029
Median	9.972603	5000.000	-4.000000	1.000000	1.000000	0.000000	0.300000
Maximum	34.90411	100000.0	0.000000	1.000000	1.000000	1.000000	18.22000
Minimum	0.997260	0.090000	-8.000000	0.000000	0.000000	0.000000	-22.10000

Таблица 3.12

Средние значения объясняющих переменных

	EXCH_RATE	GDP_GROWTH	BUILDING	ENERGETICS	TRADE_RETAIL	TRANSPORT
Mean	-0.006859	7.836112	0.150221	0.100147	0.079529	0.106038
Median	0.000000	6.306671	0.000000	0.000000	0.000000	0.000000
Maximum	5.037914	31.92216	1.000000	1.000000	1.000000	1.000000
Minimum	-6.902319	2.406842	0.000000	0.000000	0.000000	0.000000

Далее увеличиваем исследуемую выборку на 1 наблюдение и во всех объясняющих переменных заполняем возникшие пропуски их средними характеристиками. Затем в оцененной регрессии с помощью команды «forecast» получаем прогноз премии за риск корпоративных облигаций, значение которой представлено в последнем наблюдении (таблица 3.13).

Таблица 3.13

Прогноз премии за риск корпоративных облигаций, в %

776	6.763826
777	1.786571
778	1.393892
779	1.724203
780	7.653258
781	2.964224
782	2.308458
783	1.372274

Подводя итоги регрессионного анализа, стоит отметить, что большинство выдвигаемых теоретических гипотез подтвердились в эмпирической части исследования.

Рассмотрим сравнительную таблицу, в которой отражены выдвигаемые гипотезы и результаты итоговой регрессионной модели (таблица 3.14).

Таблица 3.14

Уровень значимости переменных

Регрессор	Коэффициент	Уровень значимости	Фактическое влияние согласно модели	Предполагаемое влияние
Срок до погашения	-0,44	1%	«-»/«+»	«-»/«+»
Срок до погашения в квадрате	0,01	1%
Логарифм объема эмиссии	-0,49	1%	«-»	«-»
Рейтинг	0,12	1%	«-»	«-»
Вид облигаций	-0,95	1%	«-»	«-»
Тип организатора	-0,86	1%	«-»	«-»
Опцион колл	0,90	1%	«+»	«+»
Цена на нефть	0,02	6%	«+»	«-»
Валютный курс	-0,17	9%	«-»	«+»
Прирост ВВП	-0,07	1%	«-»	«-»
Строительная отрасль	1,13	1%	«+»	x
Энергетическая отрасль	-0,72	2%	«-»	x
Отрасль торговли	0,53	9%	«+»	x
Транспортная отрасль	0,67	2%	«+»	x

Относительно характеристик облигационного займа, подтвердились абсолютно все выдвигаемые гипотезы. Отдельного внимания заслуживает срок до погашения облигации. Предполагалось, что в случае линейной взаимосвязи срок до погашения отрицательно влияет на премию за риск корпоративных облигаций. Однако, в ходе исследования было выявлено, что между премией за риск и сроком до погашения существует параболическая взаимосвязь. Стоит отметить, что выявленный в практической части исследования факт может быть теоретически обоснован. С ростом продолжительности жизни премия за риск сужается, так как при увеличении срока погашения доходность облигаций федерального займа растет более быстрыми темпами, чем доходность корпоративных облигаций. Однако, при достижении определенного срока (например, 20 лет), характер влияния меняется. Облигации, имеющие срок более 20 лет, несут в себе существенный риск для инвестора в силу высокого уровня неопределенности в отношении будущего финансового состояния эмитента. Следовательно, в данном случае между премией за риск и сроком до погашения наблюдается положительная зависимость.

Отрицательная зависимость премии за риск от срока до погашения также была доказана научными исследователями Кавалло и Валенсуэла (2007), Лу, Чен и Лиао (2010), а также Берзоном Н. И., Милицковой Т.М. (2013). Положительная взаимосвязь между премией за риск и сроком до погашения была подтверждена в работах Гюнтей и Хакбарта (2010), Габби и Сирони (2005).

Среди характеристик облигационного займа оказалась не значимой переменная пут опцион.

Что же касается макроэкономических факторов, в ходе практического моделирования подтвердилась гипотеза об отрицательной зависимости премии за риск и прироста ВВП. Однако, выдвинутые в теоретической части исследования гипотезы о влиянии цены на нефть и валютного курса не нашли подтверждения в практической части исследования: при увеличении курса доллара США к рублю премия за риск увеличивается, с ростом цены на нефть премия за риск уменьшается.

Среди макроэкономических детерминант оказалась не значимой доля невыполненных обязательств.

Вместе с тем, среди отраслевых переменных оказались значимыми строительная отрасль, энергетическая отрасль, отрасль торговли и транспортная отрасль. Также выяснилось, что самой низкой премией за риск обладает энергетическая отрасль. Гипотеза об отрицательном влиянии отрасли энергетики на развивающихся рынках была доказана в работе Россо, Гонсалеса и Гарайя «Страновые и отраслевые эффекты премии за риск корпоративных облигаций на развивающихся рынках».



Заключение

Цель данной работы заключалась в выявлении, анализе и оценке детерминант, оказывающих влияние на премию за риск корпоративных облигаций.

В настоящей исследовательской работе были рассмотрены теоретические аспекты анализа премии за риск корпоративных облигаций, в том числе раскрыта сущность понятия «премия за риск», проведен анализ существующих рисков облигаций, а также проанализированы и систематизированы существующие научные работы, посвященные анализу основных детерминант премии за риск при инвестировании в корпоративные облигации. В рамках данных работ были рассмотрены различные детерминанты и применялось множество различных подходов и моделей, с целью оценить спред доходностей, который возникает между корпоративными и государственными облигациями.

Опираясь на проведенный обзор литературы по теме исследования, был отобран ряд показателей, которые могут быть условно разделены на три группы: условия и характеристики облигационного займа, отраслевые переменные и макроэкономические факторы.

В рамках же эмпирической части исследования была разработана собственная методика оценки детерминант, оказывающих влияние на премию за риск корпоративных облигаций, где подробно описаны переменные и сформулированы основные выдвигаемые гипотезы относительно характера влияния выбранных факторов на премию за риск корпоративных облигаций.

Вместе с тем, для достижения основной цели работы, была разработана собственная регрессионная модель зависимости премии за риск инвестирования в корпоративные облигации от исследуемых факторов.

В ходе эконометрического исследования большая часть выдвигаемых теоретических гипотез подтвердились. Разработанная модель может быть применена инвестором для выявления премии за риск определенного облигационного выпуска с заданными характеристиками, что позволит сделать правильный выбор относительно предмета инвестирования. Кроме того, данная регрессионная модель может быть полезна и для эмитента с целью разработки оптимальной кредитной политики предприятия. С помощью заданных параметров эмитент может рассчитать предполагаемую премию за риск и подобрать оптимальные параметры облигационного займа для достижения необходимой величины премии за риск.

Поскольку премия за риск и срок до погашения находятся в параболической зависимости, в работе найдено значение срока до погашения, которое соответствует минимальному значению премии за риск. Следовательно, практическая значимость данной работы заключается в том, что с помощью разработанной регрессионной модели, зная срок до погашения конкретной облигации (если срок до погашения конкретной облигации близок к полученному значению), инвестор может судить о том, что данная ценная бумага обладает наименьшей премией за риск. Вместе с тем, при отклонении срока погашения определенной облигации в ту или иную сторону от найденного значения, премия за риск облигации увеличивается.

Стоит отметить, что предыдущие исследователи пытались лишь выявить взаимосвязь премии за риск и исследуемых факторов. Научная новизна данной работы состоит именно в том, что между премией за риск и сроком погашения была выявлена нелинейная взаимосвязь, которая способна более подробно растолковать исследуемую зависимость и выявить минимальное значение премии за риск. Следовательно, в данной работе удалось перейти от абстрактных теоретических понятий к конкретным фактическим результатам. Таким образом, данная работа является хорошим дополнением к научным трудам предшественников и вносит значительный вклад в исследование факторов премии за риск корпоративных облигаций.

В качестве дальнейшего улучшения модели может быть предложено увеличение статистической выборки за счет роста количества исследуемых лет и эмитентов.

С научной точки зрения также представляют интерес облигации, принадлежащие финансовому сектору. Данный сектор экономики обладает своими характерными чертами, которые могут найти отражение в отдельной регрессионной модели зависимости премии за риск облигаций финансового сектора от исследуемых факторов.



Список литературы

1. Аверьяскина, А.С. Премия за риск как инструмент минимизации риска вложений инвестора // Актуальные вопросы экономических наук. 2016. №53. С. 121 -- 126.

2. Берзон, Н.И. Рынок ценных бумаг: учебник для студентов высших учебных заведений / под общей ред. Н. И. Берзона. М.: Издательство Юрайт, 2011. 531 с. ISBN 978-5-9916-1419-1.

3. Берзон, Н.И. Оценка финансовых активов по критерию «риск- доходность» с учетом длительности инвестирования //Вестник Московского университета им. С.Ю. Витте. Серия 1: Экономика и управление. 2014. № 2 (8). С. 39-52.

4. Берзон, Н. И., Буянова Е.А., Кожевников М.А., Чаленко А.В. Фондовый рынок: Учеб. пособие для высших заведений экономического профиля. М.: Вита-Пресс, 1998. 400 с.

5. Берзон, Н. И. Инновации на финансовых рынках [Текст]: коллект. моногр./ Н. И. Берзон, Е. А. Буянова, В. Д. Газман и др.; под науч. ред. Н. И. Берзона, Т. В. Тепловой; Нац. исслед. ун-т «Высшая школа. Экономики», ф-т экономики, кафедра фондового рынка и рынка инвестиций. М.: Изд. дом Высшей школы экономики, 2013. 420, [4] с. 600 экз. ISBN 978-5-7598-0882-4 (в пер.).

6. Берзон, Н. И., Милицкова Т.М. Детерминанты доходности рублевых корпоративных облигаций при их размещении // Финансы и кредит. 2013. № 16(544). С. 24-32.

7. Дамодаран А. Инвестиционная оценка: Инструменты и методы оценки любых активов /пер. с англ. 5 изд. М.: Альпина Бизнес-Букс, 2008. 1340.

8. Диденко, М. П. Факторы, определяющие страновую премию за риск // Управление корпоративными финансами. 2015. №4.(70). С. 244-255.

9. Милицкова, Т. М. Влияние специфических факторов на спреды доходности корпоративных облигаций // Корпоративные финансы. 2013. №2(26). С. 46 -- 63.

10. Орлова Е.В. Феноменология премии за риск: поведенческие детерминанты: статья в сборнике трудов конференции / Е.В. Орлова; Уфимский государственный авиационный технический университет, конференция Молодежь и XXI век, 2019. С. 315-318.

11. Сахабутдинова Л. Р. Детерминанты избыточной доходности корпоративных облигаций: статья в сборнике трудов конференции / Сахабутдинова Л. Р.; Национальный Исследовательский Университет «Высшая Школа Экономики», Международный научно-исследовательский конкурс, 2019. С. 82-87.

12. Султанов И.Р. Корпоративные облигации: показатели, влияющие на спреды доходности: обзор научных исследований / И.Р. Султанов. Москва: Экономика.2019. 79 с. ISBN 978-5-282-03529-2.

13. Султанов И.Р. Анализ влияния различных экономических показателей на спреды доходности российских рублевых корпоративных облигаций // Финансы и кредит. 2018. Vol. 19. Is.7. P.1669-1688.

14. Теплова Т. В. Финансовый менеджмент: управление капиталом и инвестициями: Учебник для вузов / Т. В. Теплова. М., 2001. 504 с.

15. Умярова А. Р. Детерминанты спредов корпоративных облигаций в России //Теория и практика современной науки. 2017. С. 201-236.

16. Фабоцци Ф. Управление инвестициями: пер. с англ. М.: инфра-М, 2000.

17. Фабоцци Ф. Дж. Рынок облигаций: структура и анализ / Пер. с англ. - М.: Альпина Бизнес Букс, 2005. - 446 с.

18. Фабоцци Ф. Дж. Финансовые инструменты/Пер. с англ. М.: Эксмо, 2010. 864 с.

19. Шарп У., Александер Г., Бэйли Дж. Инвестиции / Пер. с англ. Бурениной А.Н. - М.: Инфра-М, 2003. - 5 изд., 1028 стр.

20. Altman, E.I. Measuring Corporate bond mortality and performance // Journal of Finance. 1989. Vol. 44. P. 902-22.

21. Altman, E.I., Haldeman, R.G., Narayanan, P. Zeta Analysis: A New Model to Identify Bankruptcy Risk of Corporation // Journal of Banking and Finance. 1977. Vol. 1. P. 29-54.

22. Altman E. I., Nammacher, S. A. Investing in junk bonds // New York: John Wiley & Sons. 1987. P. 133.

23. Avramov, D., Jostova, G., Philipov, A. Understanding Changes in Corporate Credit Spreads // Financial Analysts Journal. 2007. Vol. 63. No. 2. P. 90-105.

24. Banu, Simmons-Sьer. Forecasting High-Yield Bond Spreads Using the Loan Market as Leading Indicator // KOF Working Papers. 2013. No. 328. P. 1-44.

25. Bennett, Thomas L., Esser, Stephen F., Roth, Christian G. Corporate Credit Risk and Reward // Miller Anderson & Sherrerd. 1993.

26. Brown, David T. The term structure of credit spread innovations: Theory and evidence // The Journal of Fixed Income. 2000. Vol. 11(2). P. 9 - 27.

27. Campbell, J., Taksler, G., Equity Volatility and Corporate Bond Yields // The Journal of Finance. Vol. 58(6). 2003. P. 2321-2350.

28. Cavallo, E. The Determinants of Corporate Risk in Emerging Markets: An Option-Adjusted Spread Analysis // IMF Working Paper. 2007. Vol. 26. P. 1 -- 24.

29. Collin-Dufresne P., Goldstein r., Martin s. The determinants of credit spread changes // Journal of Finance. 2001. Vol. 56 (6). P. 2177-2207.

30. CFA Program Curriculum, Fixed Income and Derivatives. 2018. level 2, Vol. 5, P. 203-249.

31. Chen, L, Lesmond, D. A, Wei, J. Corporate yield spreads and bond liquidity // The Journal of Finance. 2007. Vol. 62(1). P. 119-149.

32. Crabbe, L. E., Turner, C. M. Does the Liquidity of a Debt Issue Increase with Its Size? Evidence from the Corporate Bond and Medium-Term Note Markets // The Journal of Finance. 1995. Vol. 50, Is. 5. P. 1720 (2).

33. Dewachter, H., Iania, L., Lemke, W., Lyrio, M. A Macro-Financial Analysis of the Corporate Bond Market // Empirical Economics, Springer. 2018. Vol. 57(6). P. 1911-1933.

34. Dubovy, E. The Determinants of Interest Rates on High-Yield Bonds // The City University of New York. 1998.

35. Dufresne, Pierre Collin, Goldstein, Robert S., Martin, J. Spencer. The Determinants of Credit Spread Changes // The Journal of Finance. 2001. Vol. 56. No. 6. P. 2177-2207.

36. Ederington, Louis H. The Yield Spread on New Issues of Corporate Bonds // The Journal of Finance. 1974. Vol. 29. No. 5. P. 1533 (3).

37. Elton, E. J., Gruber, M. J., Agrawal, D., Mann, C. Explaining the Rate Spread on Corporate Bonds // Journal of Finance, American Finance Association. 2001. Vol. 56(1). P. 247-277.

38. Fisher, L. Determinants of Risk Premiums on Corporate Bonds // Journal of Political Economy. 1959. Vol. 67(3). P. 217 -- 237.

39. Fridson, M., Garman, C. Determinants of Spreads on New High-Yield Bonds // Financial Analysts Journal. 1998. Vol. 542. P. 28 -- 39.

40. Gabbi, G., Sironi, A. Which Factors Affect Corporate Bonds Pricing? Empirical Evidence from Eurobonds Primary Market Spreads // The European Journal of Finance. 2005. Vol. 11(1). P. 59 - 74.

41. Garay U., Gonzбlez M., Rosso J. Country and industry effects incorporate bond spreads in emerging markets //Journal of Business Research. 2017. P. 4-9.

42. Gьntay, L. Corporate Bond Credit Spreads and Forecast Dispersion // Journal of Banking and Finance. 2010. Vol. 34. P. 2328 -- 2345.

43. Huang, J., Kong, W. Explaining Credit Spread Changes: New Evidence from Option-Adjusted Bond Indexes //The Journal of Derivatives. 2003. Vol. 11(1). P. 30-44.

44. Jaramillo L., Weber A. Bond yields in emerging economies: It matters what state you are in // Emerging Markets Review. 2013. Vol. 17. P. 169-185.

45. Landschoot, A. Determinants of Yield Spread Dynamics: Euro versus US dollar corporate bonds // Journal of Banking and Finance. 2008. Vol. 32. P. 2597-2605.

46. Loncarski i., Szilagyi P. Empirical analysis of credit spread changes of US corporate bonds // International Review of Financial Analysis. 2012. Vol. 24(C). P. 12-19.

47. Lu, C.-W., Chen, T.-K., Liao, H.-H. Information Uncertainty, Information Assymetry and Corporate Bond Yield Spreads // Journal of Banking and Finance. 2010. Vol. 34. P. 2265-2279.

48. Ludvigson, S. C., Ng, S. Macro Factors in Bond Risk Premia // Review of Financial Studies, Society for Financial Studies. 2009. Vol. 22(12). P. 5027-5067.

49. Mueller, C. A Simple Multi-Factor Model of Corporate Bond Prices: Doctoral Dissertation / Mueller, C.; University of Wisconsin-Madison, 2000. 79 p.

50. Nakashima K., Saito M. Credit spreads on corporate bonds and the macroeconomy in Japan // Journal of the Japanese and International Economies. 2009. Vol. 23. P. 309-331.

51. Relly, F. K., Wright, D. J., Gentry, J. A. Historic changes in the High Yield Bond Market // Journal of applied corporate finance. Vol. 21. No. 3.

52. Sorensen, Eric H. The Impact of Underwriting Method and Bidder Competition Upon Corporate Bond Interest Cost // The Journal of Finance. 1979. Vol. 34. No. 4. P. 865 (3).

53. Wolfe, D. An Empirical Investigation into the Performance of High-Yield Bond Issuers: dissertation / Wolfe, D.; University of New Orleans, 2006.142 p.

54. Информационный портал World Table [сайт]. URL: https://worldtable.info/yekonomika/cena-na-neft-marki-brent-tablica-s-1986-po-20.html (дата обращения: 23.04.2020).

55. Московская Биржа [сайт]. URL: http://rts.micex.ru (дата обращения: 05.02.2020)

56. Официальный сайт информационного агентства C-bonds [сайт]. URL: http://cbonds.info (дата обращения: 13.01.2020).

57. Официальный сайт инвестиционной компании Финам [сайт]. URL: http://bonds.finam.ru/(дата обращения: 05.02.2020).

58. Официальный сайт группы компаний Интерфакс RusBonds [сайт]. URL: http://www.rusbonds.ru/cmncorp.asp (дата обращения: 12.11.2019).

59. Официальный сайт международного агентства S&P Ratings [сайт]. URL: https://www.spglobal.com/ratings/en/(дата обращения: 01.05.2019).

60. Персональный сайт Рейтингового агентства Эксперт-РА [сайт]. URL: http:// www.raexpert.ru. Загл. с экрана (дата обращения: 14.01.2020).

61. Федеральная служба государственной статистики [сайт]. URL: http://gks.ru (дата обращения: 17.03.2020).

62. Центральный банк Российской Федерации [сайт]. URL: http://www.cbr.ru (дата обращения: 21.12.2019).

Приложение 1

Таблица 1.1

Рэнкинг организаторов корпоративных выпусков в 2010 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во Эмитентов	Кол-во Эмиссий
1	ИК Тройка Диалог	93 833	17,78	14	24
2	ВТБ Капитал/ВТБ	88 917	16,85	15	31
3	Газпромбанк	77 383	14,66	10	20
4	Райффайзенбанк	45 500	8,62	10	18
5	Сбербанк России ОАО	31 184	5,91	12	19
6	ТрансКредитБанк	26 545	5,03	12	16
7	КБ Ситибанк	23 547	4,46	4	7
8	Банк Москвы	20 850	3,95	7	10
9	ФК УРАЛСИБ	20 200	3,83	4	7
10	Связь-Банк	15 144	2,87	8	10

Таблица 1.2

Рэнкинг организаторов корпоративных выпусков в 2011 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во Эмитентов	Кол-во Эмиссий
1	ВТБ Капитал/ВТБ	151 640	28,53	20	36
2	Тройка Диалог/Сбербанк	141 830	26,69	21	38
3	Газпромбанк	70 583	13,28	11	22
4	Райффайзенбанк	29 917	5,63	7	12
5	Ренессанс Капитал	28 750	5,41	3	7
6	Связь-Банк	28 050	5,28	9	15
7	ВЭБ Капитал	17 983	3,38	3	5
8	ФК УРАЛСИБ	16 400	3,09	3	6
9	КБ Ситибанк	7 500	1,41	1	1
10	Углеметбанк	7 000	1,32	1	5



Таблица 1.3

Рэнкинг организаторов корпоративных выпусков в 2012 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во Эмитентов	Кол-во Эмиссий
1	Sberbank CIB	131 142	26,50	23	38
2	ВТБ Капитал / ВТБ	108 495	21,93	26	40
3	Газпромбанк	95 323	19,27	13	28
4	Райффайзенбанк	39 250	7,93	10	18
5	Альфа-Банк	16 600	3,35	5	7
6	Углеметбанк	16 250	3,28	1	6
7	ФК УРАЛСИБ	14 750	2,98	3	5
8	АЛОР ИНВЕСТ	10 950	2,21	2	2
9	ЮниКредит Банк	7 500	1,52	2	2
10	Ренессанс Капитал	6 000	1,21	2	3

Таблица 1.4

Рэнкинг организаторов корпоративных выпусков в 2013 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля рынка, %	Кол-во эмитентов	Кол-во эмиссий
1	Газпромбанк	242 433	27,52	16	50
2	Sberbank CIB	178 750	20,29	24	49
3	ВТБ Капитал	176 034	19,98	26	52
4	Ренессанс Капитал	72 500	8,23	3	13
5	Райффайзенбанк	52 923	6,01	11	21
6	Банк «ФК Открытие»	52 141	5,92	11	15
7	БК Регион	20 600	2,34	8	13
8	ЮниКредит Банк	13 983	1,59	7	8
9	РОСБАНК	11 667	1,32	1	3
10	Связь-Банк	10 917	1,24	4	7



Таблица 1.5

Рэнкинг организаторов корпоративных выпусков в 2014 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во эмитентов	Кол-во эмиссий
1	ВТБ Капитал	63 130	24,29	4	6
2	Газпромбанк	39 167	15,07	5	6
3	Банк «ФК Открытие»	33 832	13,02	7	10
4	РОНИН	30 000	11,54	6	6
5	Sberbank CIB	29 167	11,22	3	4
6	БК Регион	13 050	5,02	3	6
7	ИК Паллада-Капитал	9 710	3,74	4	4
8	Банк ЗЕНИТ	6 754	2,60	2	3
9	Райффайзенбанк	6 005	2,31	3	3
10	Тройка-Д Банк	5 000	1,92	1	1

Таблица 1.6

Рэнкинг организаторов корпоративных выпусков в 2015 году

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во эмитентов	Кол-во эмиссий
1	Газпромбанк	222 187	14,96	26	46
2	Sberbank CIB	182 415	12,28	26	54
3	ВТБ Капитал	182 129	12,26	30	59
4	Банк «ФК Открытие»	180 632	12,16	23	60
5	БК Регион	173 853	11,70	27	62
6	РОСБАНК	105 233	7,09	20	35
7	Совкомбанк	92 266	6,21	18	37
8	Райффайзенбанк	86 683	5,84	19	29
9	Россельхозбанк	38 733	2,61	8	17
10	Связь-Банк	38 210	2,57	14	20

Таблица 1.7

Рэнкинг организаторов корпоративных выпусков в 2016 году

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во эмитентов	Кол-во эмиссий
1	Газпромбанк	369 342	22,17	34	60
2	ВТБ Капитал	270 610	16,24	45	72
3	Sberbank CIB	230 356	13,83	27	44
4	Банк «ФК Открытие»	200 919	12,06	13	30
5	РОСБАНК	95 417	5,73	16	24
6	Совкомбанк	81 845	4,91	28	31
7	БК Регион	56 294	3,38	17	25
8	Промсвязьбанк	51 241	3,08	11	13
9	Райффайзенбанк	47 048	2,82	21	28
10	Альфа-Банк	42 426	2,55	10	13

Таблица 1.8

Рэнкинг организаторов корпоративных выпусков в 2017 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во эмитентов	Кол-во эмиссий
1	Газпромбанк	200 244	23,59	25	37
2	ВТБ Капитал	162 062	19,10	24	35
3	Sberbank CIB	149 708	17,64	22	33
4	Россельхозбанк	46 517	5,48	10	12
5	Совкомбанк	40 062	4,72	17	23
6	БКС Глобалмаркетс	33 404	3,94	13	17
7	Райффайзенбанк	32 308	3,81	15	20
8	БК Регион	29 417	3,47	7	9
9	ЮниКредит Банк	25 545	3,01	8	9
10	Промсвязьбанк	22 267	2,62	5	5



Таблица 1.9

Рэнкинг организаторов корпоративных выпусков в 2018 году (без учета банков и финансовых институтов)

№	Инвестиционный Банк	Объем, млн. руб.	Доля, %	Кол-во эмитентов	Кол-во эмиссий
1	Газпромбанк	121 377	19,42	17	30
2	ВТБ Капитал	106 600	17,06	19	32
3	Sberbank CIB	97 267	15,57	15	29
4	БК Регион	67 950	10,87	8	12
5	Московский кредитный банк	42 859	6,86	10	15
6	Райффайзенбанк	31 467	5,04	8	10
7	Совкомбанк	29 649	4,74	9	10
8	Россельхозбанк	21 167	3,39	3	6
9	Альфа-Банк	20 610	3,30	7	7
10	БКС Глобалмаркетс	18 347	2,94	9	11

Приложение 2

Таблица 2.1

Корреляционная матрица регрессоров

	BRENT_GROWTH	BUILDING	CALL	DEFAULT_RATE	EMISSION_VOL	ENERGETICS
BRENT_GROWTH	1.000000	0.029266	0.108155	0.160197	-0.254706	0.023683
BUILDING	0.029266	1.000000	-0.160985	-0.048654	-0.155337	-0.140264
CALL	0.108155	-0.160985	1.000000	-0.038660	-0.035254	0.065595
DEFAULT_RATE	0.160197	-0.048654	-0.038660	1.000000	-0.016018	0.131310
EMISSION_VOL	-0.254706	-0.155337	-0.035254	-0.016018	1.000000	-0.013615
ENERGETICS	0.023683	-0.140264	0.065595	0.131310	-0.013615	1.000000
EXCH_RATE	0.041468	0.031266	0.036594	0.016602	-0.083314	0.034119
GDP_GROWTH	-0.058290	-0.030665	-0.129688	0.209755	-0.012686	0.081030
IRON_INDUST	0.132601	-0.088808	-0.010429	0.006885	-0.027437	-0.070465
MACHINE_MANUFACT	0.029180	-0.099485	-0.060652	0.055150	-0.058347	-0.078937
OIL_GAS	-0.156850	-0.196773	-0.001808	-0.003738	0.414862	-0.156130
PERIOD	0.020873	-0.117523	0.261258	0.088606	0.183311	0.236352
PUT	-0.003308	-0.022275	-0.059844	0.008290	-0.053972	-0.017675
RATING_INTER	0.019180	0.280311	-0.120247	-0.034659	-0.466329	-0.195733
TELECOM	0.082357	-0.137960	0.094919	0.045445	-0.002303	-0.109465
TRADE_RETAIL	0.043366	-0.123586	0.068891	-0.063685	-0.114899	-0.098060
TRANSPORT	-0.005773	-0.144805	0.038469	0.004869	0.094123	-0.114896
TYPE_BOND	-0.059808	-0.026196	0.115685	-0.070114	0.122635	-0.153930
TYPE_ORGANISER	0.123040	-0.182413	0.082759	0.085592	0.218881	0.127702
	EXCH_RATE	GDP_GROWTH	IRON_INDUST	MACHINE_MANUFACT	OIL_GAS	PERIOD
BRENT_GROWTH	0.041468	-0.058290	0.132601	0.029180	-0.156850	0.020873
BUILDING	0.031266	-0.030665	-0.088808	-0.099485	-0.196773	-0.117523
CALL	0.036594	-0.129688	-0.010429	-0.060652	-0.001808	0.261258
DEFAULT_RATE	0.016602	0.209755	0.006885	0.055150	-0.003738	0.088606
EMISSION_VOL	-0.083314	-0.012686	-0.027437	-0.058347	0.414862	0.183311
ENERGETICS	0.034119	0.081030	-0.070465	-0.078937	-0.156130	0.236352
EXCH_RATE	1.000000	0.026766	-0.062148	0.031014	-0.037833	0.062628
GDP_GROWTH	0.026766	1.000000	0.131982	-0.050192	-0.012624	0.101315
IRON_INDUST	-0.062148	0.131982	1.000000	-0.049979	-0.098854	0.004624
MACHINE_MANUFACT	0.031014	-0.050192	-0.049979	1.000000	-0.110738	-0.065799
OIL_GAS	-0.037833	-0.012624	-0.098854	-0.110738	1.000000	0.036881
PERIOD	0.062628	0.101315	0.004624	-0.065799	0.036881	1.000000
PUT	-0.081472	-0.052330	0.031565	0.120030	-0.036343	0.029722
RATING_INTER	0.036791	0.037997	-0.035251	0.215194	-0.389700	-0.359620
TELECOM	-0.009527	0.027332	-0.069308	-0.077640	-0.153566	-0.031195
TRADE_RETAIL	0.059077	-0.087102	-0.062087	-0.069551	-0.137565	-0.091831
TRANSPORT	-0.015465	-0.052920	-0.072747	-0.081493	-0.161185	0.207547
TYPE_BOND	-0.072609	-0.380699	-0.037385	0.023731	0.108632	-0.245185
TYPE_ORGANISER	0.013528	0.017810	0.109823	0.001906	0.105672	0.215595
	PUT	RATING_INTER	TELECOM	TRADE_RETAIL	TRANSPORT	TYPE_BOND	TYPE_ORGANISER
BRENT_GROWTH	-0.003308	0.019180	0.082357	0.043366	-0.005773	-0.059808	0.123040
BUILDING	-0.022275	0.280311	-0.137960	-0.123586	-0.144805	-0.026196	-0.182413
CALL	-0.059844	-0.120247	0.094919	0.068891	0.038469	0.115685	0.082759
DEFAULT_RATE	0.008290	-0.034659	0.045445	-0.063685	0.004869	-0.070114	0.085592
EMISSION_VOL	-0.053972	-0.466329	-0.002303	-0.114899	0.094123	0.122635	0.218881
ENERGETICS	-0.017675	-0.195733	-0.109465	-0.098060	-0.114896	-0.153930	0.127702
EXCH_RATE	-0.081472	0.036791	-0.009527	0.059077	-0.015465	-0.072609	0.013528
GDP_GROWTH	-0.052330	0.037997	0.027332	-0.087102	-0.052920	-0.380699	0.017810
IRON_INDUST	0.031565	-0.035251	-0.069308	-0.062087	-0.072747	-0.037385	0.109823
MACHINE_MANUFACT	0.120030	0.215194	-0.077640	-0.069551	-0.081493	0.023731	0.001906
OIL_GAS	-0.036343	-0.389700	-0.153566	-0.137565	-0.161185	0.108632	0.105672
PERIOD	0.029722	-0.359620	-0.031195	-0.091831	0.207547	-0.245185	0.215595
PUT	1.000000	0.070166	-0.041330	0.023754	0.003353	0.054500	0.022023
RATING_INTER	0.070166	1.000000	-0.170423	0.093796	-0.154623	-0.126475	-0.487603
TELECOM	-0.041330	-0.170423	1.000000	-0.096449	-0.113009	0.085380	0.165783
TRADE_RETAIL	0.023754	0.093796	-0.096449	1.000000	-0.101235	0.066412	0.008256
TRANSPORT	0.003353	-0.154623	-0.113009	-0.101235	1.000000	0.002087	0.085569
TYPE_BOND	0.054500	-0.126475	0.085380	0.066412	0.002087	1.000000	0.115451
TYPE_ORGANISER	0.022023	-0.487603	0.165783	0.008256	0.085569	0.115451	1.000000



Приложение 2

Таблица 2.2

Описательная статистика исследуемых переменных

	SPREAD	PERIOD	RATING_INTER	TYPE_BOND	TYPE_ORGANISER	CALL	PUT	EMISSION_VOL
Mean	2.367726	8.809147	-3.483446	0.733432	0.690722	0.403535	0.039764	8785.036
Median	1.360000	9.972603	-4.000000	1.000000	1.000000	0.000000	0.000000	5000.000
Maximum	18.75000	34.90411	0.000000	1.000000	1.000000	1.000000	1.000000	100000.0
Minimum	-8.490000	0.997260	-8.000000	0.000000	0.000000	0.000000	0.000000	0.090000
Std. Dev.	3.061158	6.215377	3.374571	0.442491	0.462537	0.490968	0.195549	10829.85
Skewness	1.170782	2.146567	-0.091275	-1.055857	-0.825285	0.393250	4.710579	4.208555
Kurtosis	5.749842	8.791066	1.215607	2.114835	1.681095	1.154645	23.18956	30.54658
Jarque-Bera	369.0522	1470.246	91.02514	148.3292	126.2909	113.8433	14043.32	23472.52
Probability	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Sum	1607.686	5981.411	-2365.260	498.0000	469.0000	274.0000	27.00000	5965039.
Sum Sq. Dev.	6353.325	26191.76	7720.879	132.7511	145.0515	163.4315	25.92636	7.95E+10
Observations	679	679	679	679	679	679	679	679
	BRENT_GROWTH	DEFAULT_RATE	EXCH_RATE	GDP_GROWTH	BUILDING	ENERGETICS	IRON_INDUST
Mean	0.140029	0.017724	-0.006859	7.836112	0.150221	0.100147	0.042710
Median	0.300000	0.007101	0.000000	6.306671	0.000000	0.000000	0.000000
Maximum	18.22000	0.207024	5.037914	31.92216	1.000000	1.000000	1.000000
Minimum	-22.10000	0.000000	-6.902319	2.406842	0.000000	0.000000	0.000000
Std. Dev.	7.481225	0.027968	0.812323	5.970350	0.357551	0.300418	0.202351
Skewness	-0.826945	2.562630	-0.901081	2.495393	1.957968	2.663942	4.523097
Kurtosis	4.313926	10.90247	15.38216	9.876078	4.833639	8.096587	21.45841
Jarque-Bera	126.2304	2509.960	4429.506	2042.330	528.9633	1537.979	11954.54
Probability	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Sum	95.08000	12.03466	-4.657302	5320.720	102.0000	68.00000	29.00000
Sum Sq. Dev.	37946.80	0.530339	447.3904	24167.36	86.67747	61.18999	27.76141
Observations	679	679	679	679	679	679	679
	MACHINE_MANUFACT	OIL_GAS	OTHER_SECTOR	TELECOM	TRADE_RETAIL	TRANSPORT
Mean	0.053019	0.179676	0.191458	0.097202	0.079529	0.106038
Median	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Maximum	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000
Minimum	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Std. Dev.	0.224237	0.384200	0.393739	0.296451	0.270762	0.308114
Skewness	3.989624	1.668713	1.568398	2.719475	3.108130	2.559135
Kurtosis	16.91710	3.784604	3.459871	8.395546	10.66047	7.549172
Jarque-Bera	7280.974	332.5408	284.3586	1660.554	2753.480	1326.643
Probability	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Sum	36.00000	122.0000	130.0000	66.00000	54.00000	72.00000
Sum Sq. Dev.	34.09131	100.0795	105.1105	59.58468	49.70545	64.36524
Observations	679	679	679	679	679	679

Приложение 3

Таблица 3.1

Тест Чоу для отрасли «Строительство и девелопмент»

Chow Breakpoint Test: 631
F-statistic	1.790416	Probability	0.052076
Log likelihood ratio	20.05123	Probability	0.044643

Таблица 3.2

Тест Чоу для отрасли «Торговля и ритейл»

Chow Breakpoint Test: 720
F-statistic	0.375050	Probability	0.965622
Log likelihood ratio	4.249098	Probability	0.962056

Таблица 3.3

Тест Чоу для транспортной отрасли

Chow Breakpoint Test: 702
F-statistic	0.742441	Probability	0.697828
Log likelihood ratio	8.386014	Probability	0.678365

Таблица 3.4

Тест Чоу для энергетической отрасли

Chow Breakpoint Test: 714
F-statistic	0.939006	Probability	0.501958
Log likelihood ratio	10.58920	Probability	0.478292



Таблица 3.5

Тест Чоу для отрасли «Связь и телекоммуникации»

Chow Breakpoint Test: 716
F-statistic	0.931047	Probability	0.509646
Log likelihood ratio	10.50012	Probability	0.486039

Таблица 3.6

Тест Чоу для отрасли «Черная металлургия»

Chow Breakpoint Test: 752
F-statistic	0.161949	Probability	0.999106
Log likelihood ratio	1.838048	Probability	0.998989

Таблица 3.7

Тест Чоу для отрасли машиностроения

Chow Breakpoint Test: 742
F-statistic	1.041142	Probability	0.407842
Log likelihood ratio	11.73118	Probability	0.384185

Размещено на Allbest.ru