Размещено на http://www.allbest.ru/

7

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономических наук

Выпускная квалификационная работа - МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

по направлению подготовки 38.04.08 Финансы и кредит

Образовательная программа "Финансовые рынки и финансовые институты"

«Моделирование спредов доходности облигаций банков на российском рынке»

Калинин Артём Дмитриевич

Рецензент к.э.н.

АО УК "Аэропорты регионов", Начальник департамента стратегии и инвестиций

Касаткин Дмитрий Руководитель доцент, к.э.н.

Столяров Андрей Ианович

Москва 2020



ОГЛАВЛЕНИЕ

Введение

Глава 1. Обзор литературы

1.1Российский рынок облигаций

1.2Обзор работ по российскому рынку

1.3Обзор работ зарубежных авторов

1.4Обзор работ по средам доходности в банковском секторе3

1.5Выводы по главе

Глава 2. Методология

2.1 Описание выборки

2.2 Гипотезы

2.3 Методы анализа

2.4 Выводы по главе

Глава 3. Описание результатов

3.1 Результаты моделей

3.2 Интерпретация лучшей модели

3.3 Анализ спредов при первичном размещении

3.4 Проверка модели на устойчивость

Заключение

Список литературы

Электронные ресурсы

Приложения



Введение

Рынок облигаций является неотъемлемой частью финансового мира. Для инвесторов - это способ диверсифицировать свой портфель, оптимизировать риск-доходность. Для эмитентов - это альтернативный способ привлечения средств. Исторически сложилось, что рынок облигаций в России является относительно небольшим - 21% ВВП, отчасти это связано с высокими процентными ставками и поздним развитием рыночной экономики в странеhttps://www.acra-ratings.ru/research/1119. Ключевым вопросом является ценообразование облигаций - при более детальном рассмотрении становится не очевидным что влияет сильнее: характеристики эмитента, макроэкономические условия, характеристики самой облигации или ещё какие-то другие факторы? В случае, если эмитентом является компания, то задача усложняется, так как для каждой отрасли характерны свои черты и особенности, которые могут влиять на доходность облигаций.

Одной из таких особенных отраслей является банковский сектор. Источников ликвидности для банка может быть несколько: существует рынок межбанковского кредитования, рынок РЕПО, но наиболее стабильными и дешёвыми считаются депозиты (и текущие счета, далее по тексту - пассивы) от физлиц и юрлиц, они и преобладают в обязательствах любого банка. Однако банки также могут привлекать средства с помощью облигационных выпусков, обычно такая операция является более дорогой, чем привлечение денег от клиентов, но при этом банк способен управлять структурой своих обязательств - облигации имеют фиксированный срок, в отличие, например, от текущих счетов - которые не имеют срочности, и банки применяют внутренние модели для оценки их срока жизни.

Пожалуй, главным отличием банковского сектора от всех остальных с точки зрения корпоративных облигаций является то, что для банков важно понимать гипотетическую стоимость своих облигаций не только из-за потенциального выпуска этих облигаций, но и из-за того, что стоимость их облигаций является верхней границей внутреннего ценообразования любого банка. В общих чертах - современные банки управляют структурой своих активов и пассивов с помощью внутреннего трансфертного ценообразования (FTP, FundsTransferPricing), суть заключается в том, что Казначейство (ALM) «платит» и «получает» ставку от бизнес подразделений, в которой учтены все риски - процентный, ликвидности, исполнения опционов (например, досрочное погашение кредита), важно понимать, что это не физические платежи, а внутреннее ценообразование, которое видно, например в управленческой отчётности, в МСФО отчётности виден только «внешние» доход. Не вдаваясь в подробности ценообразования кривой FTP, для любого банка верхняя граница этой кривой - это доходность их собственных облигаций (иначе зачем привлекать средства от клиентов дороже, чем облигационный выпуск).

Таким образом, для банка, понимание доходности своих облигаций является не только оценкой стоимости потенциального выпуска, но и играет важную роль во внутреннем управлении. Для инвесторов при покупке облигации важно учитывать все риски и понимать, что с доходностью облигации может стать в будущем. Стандартно доходность облигации можно разложить на три компоненты - безрисковая составляющая, премия за кредитный риск и премия за риск ликвидности (в разных формулировках также добавляются премии за страновой риск, бизнес риск). Превышение доходности облигации над безрисковой доходностью в литературе называют спредом доходности, который содержит в себе все возможные риски.

Цель исследования - выявить источники формирования спреда доходности банковских облигаций на российском рынке.

В рамках данной работы планируется решить следующие задачи:

1) Изучить существующую литературу по анализу спреда как корпоративных облигаций в целом, так и работам, посвящённым именно банковскому сектору.

2) Сформировать выборку из данных с учётом специфики банковского сектора.

3) Построить несколько моделей для выявления детерминант спреда доходности банковских облигаций и выбрать наилучшую.

4) Сравнить как меняются результаты моделей при объяснении спреда на первичном рынке.

5) Проинтерпретировать полученные результаты, протестировать их на устойчивость.

Объектом исследования являются банковские облигации на российском рынке.

Предметом исследованияявляется спред доходности банковских облигаций на российском рынке и его детерминанты.

Теоретическая значимостьработы заключается в том, что до сих пор не было сделано комплексного анализа по выявлению детерминант спреда доходности облигаций на российском рынке. Более того, исследования по анализу спредов корпоративных облигаций на российском рынке обычно игнорируют финансовые и банковские организации в своих выборках.

Практическая значимость работы заключается в том, что банки, ориентируясь на результаты модели смогут лучше понимать источники формирования спреда доходности своих облигаций и тем самым, верхнюю границу стоимости привлечения средств. Для инвесторов результаты работы будут ценны, так как помогут лучше учесть все риски при совершении сделок по купле-продаже на рынке облигаций.



Глава 1. Обзор литературы

1.1 Российский рынок облигаций

По данным Cbonds, банки в 2019 году привлекли более 600 млрд рублей с помощью банковских облигаций, при этом больше половины привлечений средств приходится на 5 крупных заёмщиков: Росбанк, ВЭБ, Газпромбанк, ВТБ, Сбербанк

Рисунок 1. Топ -10 банков-заёмщиков на российском рынке облигаций

Источник: https://yango.pro/blog/obligatsii-bankov-za-i-protiv/

В последнее время на рынке российских банковских облигаций образовался новый тренд - продавать свои облигации не только институциональным инвесторам, но и физическим лицам.

сперд доходность детерминант банковская облигация



Рисунок 2. Физлица в размещениях банков и корпораций

Источник :https://yango.pro/blog/obligatsii-bankov-za-i-protiv/

Вообще говоря, в нынешних рыночным условиях, когда ситуация на рынках стабилизировалась (до обстоятельств с коронавирусом) - ЦБ таргетирует низкую инфляцию и постепенно снижает ключевую ставку, ставки по депозитам становятся всё менее привлекательными для инвесторов. Такая конъюнктура может способствовать активному развитию банковских облигаций, т. к. доходность по ним будет больше, чем по депозитам (хотя эмитенты и те же, но депозиты до 1.4 млн застрахованы в АСВ). При этом для самих банков в выпуске облигаций тоже есть преимущества - не нужно делать обязательные отчисления в фонд обязательного резервирования и агентство по страхованию вкладов.

1.2 Обзор работ по российскому рынку

Работ, посвящённых анализу спредов корпоративных облигаций банковского сектора по российскому рынку нет. Авторы осознанно исключали облигации банков (страховых компаний и других финансовых институтов) по причинам того, что:

1) В рассматриваемых временных интервалах рынок облигаций был неликвидным, а индикативные котировки могут не отражать реальную доходность и быть смещены из-за субъективной оценки трейдеров.

2) Финансовые компании (к которым относятся банки) имеют отличные от реального сектора показатели деятельности, что приводит к невозможности оценивать факторы в одной выборке.

Одной из первых работ по спредам корпоративных облигаций является исследование «Детерминанты рублёвых корпоративных облигаций при их размещении» (Берзон & Милицкова, 2013). В выборку авторов попали 533 облигационных выпуска 2006 - 2011 годов, без банковского, страхового и финансового сектора, спреды анализировались только при размещении. Значимыми оказались следующие переменные: вероятность дефолта (+), курс рубля по отношению к доллару (-), срок обращения (-), объём эмиссии (-), тип организатора (дамми), букбилдинг (дамми), биржевые облигации (дамми), объём выручки (-), отношение заёмного капитала к собственному (+), дамми-переменные некоторых отраслей, в модели оказался равным 0.67. По меняющейся во времени разнице между фактическим и смоделированным спредом доходности (наблюдения хоть и не панельные, но отсортированы по дате) авторы сделали предположение, что спред доходности также зависит от экономической ситуации на рынке. Они разделили выборку на три части - «предкризисную», «кризисную» и «посткризисную». Тест Чоупоказал, что выборки объединять нельзя, т. е. гипотеза о том, что кризис оказывает значимое влияние на спред подтвердилась. Общим выводом работы является то, что спред доходности объясняют не только характеристики эмитента и облигации, но и показатели, характеризующие состояние экономики в целом.

В работе(Милицкова, 2013)в выборку попал 354 выпуск облигаций реального сектора с 2008 по 2012 год, спред доходности анализировался только в момент выпуска, так как по утверждению автора рынок является неликвидным, а индикативные котировки могут искажать цены облигаций. Основным отличием работы от зарубежных является включение специфических для российского рынка переменных - формата размещения, вида облигации и типа организатора. В финальной модели регрессии оказались следующие значимые переменные: вид облигации (дамми), объём выпуска (-), тип организатора (дамми), срок до погашения (-), рейтинг (+), ставка дефолта (+), прирост ВВП (-), изменение цены на нефть (-), обменный курс рубля (-), доходность ОФЗ (-) и отраслевые дамми- переменные. В работе подтверждается гипотеза о том, что на спред доходности значимо влияют характеристики эмитента, характеристики облигации, макроэкономические показатели и специфические для российского рынка показатели. Было показано, что факторы, специфические для российского рынка, объясняют 20% вариации спреда доходности. Скорректированный в модели равен 0.59.

В работе(Султанов, 2018) также, как и в предыдущих работах, автор оставляет только компании реального сектора (470 выпусков с 2007 по 2016 год) и оценивает доходности только при их первичном размещении. Помимо использованных ранее факторов, автор добавил большое множество других переменных: ставка рефинансирования, предложение государственных ценных бумаг, денежное обращение, сезонность, прирост индекса ММВБ, волатильность индекса ММВБ, промышленный индекс, кредитное плечо, покрытие процентов, размер купона, временные эффекты. Вклад данной работы заключается в том, что автор попытался добавить временные эффекты (переменная, отвечающая за повышенную волатильность на российском рынке, посчитанная на основе анализа поведения индекса ММВБ), было показано, что эта переменная является значимой, т. е.при анализе спредов нужно учитывать временной эффект. в модели равен 0.41.



1.3 Обзор работ зарубежных авторов

По российскому рынку работы начли появляться только в 2010-ых годах в силу того, что рынок облигаций в России считается относительно молодым, и первые корпоративные облигации у нас начали появляться только в конце 1990-ых годовhttps://www.acra-ratings.ru/research/1119. В зарубежной литературе спред доходности корпоративных облигаций начал исследоваться ещё с 1960-ых годов. Первой работой в этом направлении принято считать (Fisher, 1959). Автор проверял следующуюгипотезу: вероятность дефолта фирмы положительно влияет на спред доходности и получил значимое влияние.

Ещё одной важной работой в этом направлении является исследование (Goldstein, Collin-Dufresne, &Spencer, 2001). В данномисследовании под спредом доходности авторы понимают именно кредитный спред и пытаются его объяснить следующими переменными: рыночная ставка (доходность 10-летней TreasuryBills), наклон кривой доходности гособлигаций (разница между доходностью 10-летней и 2-лейтней TreasuryBills), кредитное плечо фирмы, волатильность (индекс VIX), вероятность большого изменения стоимости фирмы и бизнес климат. Основными результатами работы являются: 1) факторы, объясняющие кредитный риск (перечисленные выше), объясняют только 25% вариации, что считается слишком маленькой величиной; 2) макропеременные играют большую роль в объяснении спреда, чем факторы кредитного риска эмитента.

В (Gьntay & Hackbarth, 2010) исследовалась зависимость дисперсии прогнозов аналитиков (измеряемая как стандартное отклонение прогнозов EPS в момент времени t) по компаниям и спреда доходности облигаций этих компаний. В выборке было ~16000 наблюдений, собранных за период с 1987 по 1998 год. Работа была мотивирована тем, что для рынка акций существует отрицательная зависимость между дисперсией и доходностями акций, то есть цены акций больше подвержены влиянию со стороны оптимистичных инвесторов. Результатом работы является положительная зависимость между дисперсией прогнозов аналитиков фирмам и спредом доходности облигаций этих фирм.

Вообще говоря, дисперсия прогнозов аналитиков может интерпретироваться как два разных эффекта - с одной стороны, она может свидетельствовать о неопределённости относительно будущих денежных потоков фирмы, и как следствие о возрастающем кредитном риске и кредитном спреде фирмы (что и было доказано в данной работе). Но, с другой стороны, существует мнение, что дисперсия прогнозов показывает сомнения относительно будущих доходов компании среди инвесторов, и поэтому, оптимистичные инвесторы начинают покупать акции, поднимая её цену, а пессимистичные инвесторы (ожидая падения) не могут её продать , тем самым завышается цена акции, стоимость фирмы увеличивается, и кредитный спред уменьшается. в работе варьируется от 0.29 до 0.65 в зависимости от выбранной модели.

В работе (Lu, Chen, & Liao, 2010) исследуется влияние асимметрии и неопределённости информации на спреды доходностей. Сложность исследования заключается в том, что не существует явных индикаторов перечисленных факторов и авторы используют прокси переменные, вычисленные из котировок трейдеров по акциям компаний. Асимметрия информации заключается в том, что разные инвесторы имеют неравный доступ к информации на рынке (например, некоторые трейдеры знают инсайдерскую информацию).

Предполагается что асимметрия информации повышает кредитный риск и спред доходности облигаций. Неопределённость информации заключается в том, что даже самые квалифицированные инвесторы не могут оценить стоимость фирмы достоверно и из-за этого требуют большую премию за риск, а значит спред доходности облигаций растёт. в работе примерно равен 0.6

1.4 Обзор работ по спредам доходности в банковском секторе

В работе (Zaghini, 2014 ) изучается влияние различных факторов на спред банковских облигаций. Автор определяет спред как разницу между доходностью корпоративной облигации и фиксированной ставки по свопу (аналог assetsswapspread, собственно автор так его и называет). В выборку попали 5500 наблюдений с 2006 по 2011 годы. Оцениваемыми переменными были: 1) размер (-), рейтинг и CDSspreadэмитента 2) объём выпуска (-), срок до погашения (+), валюта и рейтинг облигации 3) рейтинг и географическое местоположение страны 4) дамми-переменные для года. Автор сфокусировался на выявлении эффекта на спред от страновых параметров. Так, во время кризиса государства с рейтингом ААА помогали банковской системе, более слабые (с финансовой точки зрения) страны были не способны оказать достаточную помощь банковской системе, поэтому во всех странах не ААА спред увеличивался на 143 б.п. Это говорит о том, что на спред доходности влияет кредитоспособность государства, и это влияние усиливается во время кризиса. А значит, кредитные агентства, которые присваивают рейтинги странам играют очень важную роль во влиянии на спред доходности банков. Автор заявляет, что значимое влияние оказывает не только сам рейтинг, но и время его присвоения. в работе равен 0.25.

Работа (Rous&Nys, 2015)отличается от других тем, что в ней автор предпринимает попытку оценить влияние способностей топ-менеджмента на спреды доходностей банковских облигаций. Сложность заключается в том, что менеджерские способности трудно измерить (тем более на уровне всего банка), поэтому авторы вводят свою прокси для этого измерения, которая основана на построении границы риск-эффективность. Авторы получили значимое влияние способностей топ-менеджмента на спред доходности, также значимыми оказались: объём выпуска (-), купонная ставка (+), размер банка (-), срок до погашения (-) переменная кризиса (+). варьируется от 0.35 до 0.51.

Встатье(FabrizioCrespi, EmanuelaGiacomini, &DaniloV. Mascia, 2019)авторынапримере выборки по итальянским банкам изучали влияние привычныхфакторов и нового регуляторного правила bail-inна спред доходности банковских облигаций. Это правило подразумевает, что во время кризиса банки могут признавать другие обязательства (например, депозиты юрлиц) как капитал и учитывать их в нормативах достаточности. В противовес этому правилу, существует правило Bail-out, когда физически предоставляется ликвидность во время кризиса. Исследование было проведено на выборке из 1798 облигаций по первичному рынку с 2013 по 2016 год. Итальянские банки для тестирования гипотезы выбраны не случайно - по заявлению автора они более зависимы от облигаций как источника фондирования в Европе, при этом выпусков достаточно много (за 3 года 1798 облигаций - и это только с фиксированным купоном, напомню, что мне удалось выгрузить 750 выпусков за почти двадцатилетний период). Помимо стандартных переменных в регрессию также включены: коэффициент высоколиквидных активов и коэффициент просроченных кредитов. Новое регуляторное правило оказалось положительно связанным со спредом доходности облигации.NPLratio положительно связано со спредом доходности облигаций. Скорректированный составил 0.26 - 0.52 в зависимости от модели.

Необычной работой является исследование (Morgan&Stiroh, 2001). Авторы анализировали влияние различных относительных показателей активов, как например, отношение денежных средств к общим активам, отношение трейдинговых активов к общему портфелю активов, прочих активов ко всему портфелю и т. д. Всего таких отношений (то есть фактически полная детализация портфеля) было представлено 12 штук. Главным выводом работы автором является то, что инвесторы при оценке облигации также оценивают какой именно деятельностью занимаются банки - если это трейдинговые или розничные операции, то инвесторы требуют большую премию.

1.5 Выводы по главе

1) В российской литературе спред банковских облигаций не анализировался совсем - в исследованиях, посвящённых спредам корпоративных облигаций финансовый сектор обычно исключался.

2) Исследование спредов корпоративных облигаций в зарубежной литературе началось намного раньше, чем в российской в силу позднего становления рынка облигаций в России.

3) В работах по банковским облигациям авторы пытаются выделить какие-то особенные характеристики (например, новые регуляторные правила или способности топ-менеджмента) и проверить их значимое влияние на спред доходности.

4) полученных моделей варьируется от 0.25 до 0.65, т. е. в среднем модели объясняют половину вариации спреда.



Глава 2. Методология

2.1 Описание выборки

Для проведения эмпирического анализа была собрана выборка по облигационным выпускам из базы данных S&PCapitalIQ. Критериями отбора являлись (см. Приложение 1):

1) Страна - Россия.

2) Индустрия - банки.

3) Тип бумаги - корпоративные облигации.

4) Старшинство бумаги - старшие, необеспеченные.

После такого фильтра в выборку попали 830 облигационных выпуска, начиная с 2003 и заканчивая 2020 годом (и 736 выпусков с 2010 по 2019 год). В дальнейшем, в силу невозможности собрать все нужные данные за такой большой промежуток времени выборка была сужена до 253 облигационных выпуска. Ограничения по каждому фактору будут обсуждены далее.

В итоговую выборку были отобраны следующие факторы (в скобках выделены названия переменных в модели):

Объясняемая переменная - спред (spread), которая является разницей между доходностью к погашению банковской облигации и доходностью к погашению купонных государственных ценных бумаг (ОФЗ) соответствующего срока погашения. Данные собирались помесячно (потому что в итоговой модели участвуют показатели банков, для которых доступна ежемесячная отчётность), и для корректного расчёта спреда мною была собрана кривая доходности ОФЗ для сроков погашения от 1 до 30 лет для каждого месяца с 31.01.2010 по 31.12.2019. Доходности были собраны из баз данных ThomsonReutersEikonи Bloomberg. Средний спред в выборке оказался равен 1.91% (см. Приложение 2)

Объясняющие переменные можно разделить на три группы:

1) Характеристики облигации (данные выгружены изS&PCapitalIQ и BloombergTerminal):

· Тип купона (coupontype) - фиксированный или плавающий.Фиксированный купон является привлекательным в первую очередь для эмитента - можно заранее зафиксировать сумму будущих выплат по долгу. Плавающий купон привязан к рыночному индикатору (например, ставке ЦБ или RUONIA) и позволяет участникам рынка хеджировать свои риски. В выборке присутствует равное количество облигаций с плавающим и фиксированным купоном. Переменная равна 1, если купон фиксированный и 0 если плавающий. Тип купона сам по себе не должен влиять на спред доходности.С теоретической точки зрения при росте ставок у облигации с плавающим купоном YTMдолжен вырасти слабее (т. к. цена падает слабее), при падении ставок YTMпадает сильнее (т. к. цена растёт сильнее), поэтому в работе не предполагается какого-либо знака у переменной типа купона, скорее всего он будет объясняться другими причинами.

· Ставка купона (couponrate).Инвесторы должны платить налоги на доходы от облигаций, поэтому чем выше ставка купона, тем больший налог должен будет заплатить инвестор(Lu, Chen, & Liao, 2010). В работе ожидается положительная зависимость спреда доходности от ставки купона.

· Объём облигационного выпуска (amountissued)в рублях. Объём облигационного выпуска является показателем ликвидности бумаги на вторичном рынке, поэтому чем он выше, тем меньше должен быть спред доходности. Такая зависимость была подтверждена в работах (Lu, Chen, & Liao, 2010) (Sironi&Gabbi, 2005). Также выпускать большой объём облигаций могут только крупные эмитенты, которые скорее всего характеризуются высоким кредитном рейтингом и надёжностью. В работе предполагается отрицательная зависимость спреда от объёма облигационного выпуска.

· Срок обращения (duration)- разница в годах между датой погашения и датой выпуска облигации. Инвесторы требуют большую доходность за бумаги с более длинным сроком, потому что неопределённость относительно будущего повышает риски. Однако, как было доказано в нескольких работах (Cavallo&Valenzuela, 2010), (Lu, Chen, & Liao, 2010) такая зависимость сохраняется только для облигаций инвестиционного типа, потому что риски приобретения облигаций эмитентов с плохим кредитным рейтингом являются очень высокими в краткосрочном периоде (фирма может уже сейчас обанкротиться). Ожидается, что данная переменная будет положительно влиять на спред доходности, т. к. в моей выборке нет спекулятивных облигаций.

· Объём торгов (tradevolume) - является показателем ликвидности бумаги. Обычно такой показатель не встречается в литературе, т. к. спреды анализируются в момент выхода на рынок. Однако в моей работе я рассматриваю спреды доходности и после момента выпуска, поэтому объём торгов будет отражать насколько ликвидна бумага на вторичном рынке. Важно отметить, что не по всем бумагам были данные по торгам, что может свидетельствовать о том, что анализируемый спред являлся индикативным (т. е. фактической сделки купли-продажи не было), и бумага является совсем неликвидной. Как отмечается в работе (Берзон & Милицкова, 2013) индикативные котировки могут существенно искажать результаты и не отражать реальную доходность облигаций, нами будет проверено это предположение. В работе ожидается отрицательное влияние объёма торгов на спред доходности.

2) Макропеременные (данные выгружены из открытых источников и ThomsonReuterEikon):

· Инфляция (inflation), рассчитанная месяц к месяцу. Предполагается, что высокий уровень инфляцииозначает нестабильную ситуацию в экономику, а значит большие спреды доходности. В работе ожидается положительный знак коэффициента у переменной инфляции.

· ЦенанефтиBrent (oil_price).В работе(Милицкова, 2013) найдена отрицательная зависимость между ценой нефти и спредом доходности, объясняется это тем, что при росте цен улучшаются показатели деятельности компаний нефтяной отрасли и экономики в целом. В работе ожидается отрицательная взаимосвязь спреда доходности и цены нефти.

· Обратный курс рубля по отношению к доллару (fx).Опять же в работе (Милицкова, 2013) предполагается положительная связь между курсом доллара к рублю и спредом доходности, т. к. «удешевление национальной валюты приводит к снижению относительной доходности рублёвых инструментовМилицкова, 2013 стр. 57». В исследовании предполагается положительное влияние обратного курса рубля на спред доходности.

· Индекс ММВБ (moex_index).Рост индекса ММВБ также является показателем улучшении ситуации в экономике. В работе ожидается отрицательная взаимосвязь спреда доходности индекса ММВБ.

· Переменная санкций (sanctions) - равна 1 для годов, начиная с 2014 и далее, 0 для всех остальных. Предполагается, что санкции могут коснуться банков участвующих в выборке, а также в целом ухудшить ситуацию в экономике, поэтому взаимосвязь между этой переменной и спредом доходности ожидается положительная.

· Переменная кризиса (crisis) - равна 1 с 31.07.2014 по 30.06.2015 - дополнительный контроль на кризис 2014 года. Во время кризиса ожидается, что риски в экономике растут, инвесторы требуют большей доходности, поэтому взаимосвязь между переменной кризиса и спредом доходности ожидается положительная.

· Цена пятилетнего кредитного дефолтного свопа для России (cds_price).Рост цены CDS означает увеличения странового риска России, что в свою очередь увеличивает вероятность дефолта компаний, поэтому ожидается положительная взаимосвязь между ценой CDS и спредом доходности.

3) Характеристики банка (Данные были выгружены из базы данных «Банки и финансы» агентства Мобиле, с заполнением пропусков из открытых источников: сайтов Банки.ру, Куап.ру.):

· Рейтинг банка (rating)по оценке агентства Moody's. В выборке присутствуют рейтинги от caa3 (худший) до Baa1 (лучший). В дальнейшем рейтинги эмитентов были разбиты на четыре группы: рейтинг от Baa1 до Baa3 -- это“Baa”, рейтинг от Ba1 до Ba3 - это “Ba”, рейтинг от B1 до B3 - это “B” и рейтинг отcaa1 и ниже - это “C” (см. приложение 6). Влияние кредитного рейтинга было исследовано многими авторами, например в (Campbell&Taksler, 2003) и (Gьntay & Hackbarth, 2010) было доказано, что высокий кредитный рейтинг значимо влияет на спред доходности облигаций. Ввиду ограничения России по страновому риску, облигации в выборке не имеют высшие рейтинги («А»), что усложняет оценку. Однако в терминах приведённой группировке ожидается, что группы “Baa” и “B” будут отрицательно влиять на спред доходности, а группа «С» - положительно.

· Является ли банк государственным (government)-равно 1, если доля государства в банке 50% (включая любые государственные учреждения, например ЦБ РФ), 0 во всех остальных случаях. Т. к. самыми крупными банками в России являются госбанки, а также с большей долей вероятности госбанки получат поддержку от государства, то ожидается, что государственные банки будут иметь меньшую доходность, то есть данный фактор будет отрицательно влиять на спред.

· Чистая прибыль (net_proft).Данный показатель отражает то, на сколько банк является успешным, и соответственно, чем прибыль выше, тем банк является более надёжным и привлекательным для инвестора. Предполагается отрицательная зависимость между чистой прибылью и спредом доходности.

· Норматив достаточности капитала (n1).Высокое значение данного показателя с одной стороны может свидетельствовать об устойчивости банка (и снижении спреда), а с другой - о том, что у банка создан большой буфер под капитал и поэтому его доходность могла бы быть выше. Но скорее всего в выборке есть банки с низким N1 и эффект устойчивости должен влиять сильнее, поэтому я предполагаю отрицательное влияние N1 на спред доходности.

· Чистые активы (net_assets)-активы банка за вычетом резервов. Активы банка (или компании) являются стандартным контролем на размер, чем больше у компании активов, тем более надёжной считается, поэтом я предполагаю отрицательную зависимость между размером активов и спредом доходности.

· Капитал банка (capital).Ожидания те же, как и у норматива N1 и чистых активов - отрицательную зависимость между размером капитала и спредом доходности.

· Доходность на собственные средства (ROE). Мера эффективности работы банка, которая включает в себя отношение чистой прибыли к собственным средствам (и коррелирует с капиталом и чистой прибылью), поэтому ожидается отрицательная взаимосвязь между ROE и спредом доходности.

· Доля депозитов физлиц в общих пассивах (shareretaildepo).Высокая доля депозитов физлиц в пассивах банка может свидетельствовать о повышенной устойчивости банка, так как считается, что депозиты ритейл сегмента являются более стабильными, чем, например депозиты корпоративных клиентов. Например, при расчёте норматива краткосрочной ликвидности, депозиты ритейла имеют показатель оттока 5-10%, в то время как корпоративных клиентов - 40%. Ожидается, что доля депозитов физлиц отрицательно связана со спредом доходности.

· Доля депозитов юрлиц в общих пассивах (sharecorpdepo).Депозиты юрлиц являются менее стабильным источников фондирования для банка, поэтому ожидается что доля депозитов юрлиц положительно связана со спредом доходности.

· Доля кредитов, выданных физлицам в общих активах (shareretailassets).Большая доля кредитов физлиц может характеризовать банк сразу с нескольких сторон: 1) розничный бизнес является более доходным по сравнению с корпоративным, так как физлица менее чувствительны к изменению ставок и банк может иметь большую маржу на сделках (например, ставки по кредитным картам колеблются в районе 25-30%), а если такой бизнес является более доходным, то банк является более привлекательным для инвесторов. 2) Розничный бизнес также является наиболее стабильным (легко прогнозируемым) и диверсифицированным, ведь клиентов много и размер каждого не велик, в то время как корпоративные клиенты чаще всего бывают концентрированными (большой кредит выдан одной компании), что также в себе несёт дополнительные риски. В работе ожидается отрицательная зависимость между долей кредитов физлиц и спредом доходности.Такая гипотеза противоречит результатам (Morgan & Stiroh, 2001), однако за 20 лет банковская система поменялась, и я не ожидаю положительного влияния доли кредитов физлиц на спред доходности.

· Количество облигационных выпусков, которые в конкретную дату ещё не погашены (offerings_number).Обычно в исследованиях рассматривают является ли облигационный выпуск первым или нет (дамми-переменная) (Берзон & Милицкова, 2013), фактор в моей модели отражают ту же суть - инвесторы требуют большую доходность при первом размещении, так как ещё не имеют информации относительно надёжности эмитента, поэтому я предполагаю отрицательную зависимость между количеством непогашенных облигационных выпусков и спредом доходности.

Как было написано ранее, в исходной выборке присутствовали данные по выпускам с 2003 года, но из-за недоступности или плохого качества данных до 2010 года, все эти выпуски были исключены из выборки, но использовались в дальнейшем для расчёта фактора ещё не погашенных облигационных выпусков банком. Также был исключён 2020 год, из-за отсутствия отчётности банков. Выборка была существенно сужена (примерно на 1300 наблюдений) из-за полученных отрицательных или сильно положительных спредов доходности по следующим соображениям:

1) Отрицательный спред возможен только в случае плохого качества данных или неликвидности бумаги. Оба случая являются нерелевантными для анализа. Также в ходе построения регрессий было выявлено что, включение в выборку даже небольшого отрицательного спреда (до -100 базисных пунктов, что может являться погрешностью в расчётах) существенно ухудшает качество моделей.

2) Сильно положительный спред (больше 600 базисных пунктов) был исключён по тем же соображениям, что и отрицательный.

Все факторы, описанные выше были собраны помесячно, т. е. данные являются панельными. Итоговая выборка состоит из 6388 наблюдений, 251 облигационных выпуска и 37 банков эмитентов. Распределение выпусков по эмитентам и наблюдений по годам представлено в таблицах ниже:

Таблица 1. Количество облигационных выпусков и наблюдений по эмитентам

Эмитент	Количество облигационных выпусков	Количество наблюдений
РОССЕЛЬХОЗБАНК	41	1164
ГАЗПРОМБАНК	28	526
ВТБ	19	482
АЛЬФА-БАНК	19	523
БИНБАНК	16	553
СБЕРБАНК РОССИИ	14	193
РОСБАНК	14	307
МОСКОВСКИЙ КРЕДИТНЫЙ БАНК	11	286
ФК ОТКРЫТИЕ	8	246
ПРОМСВЯЗЬБАНК	8	207
ДЕЛЬТАКРЕДИТ	8	328
БАНК ЗЕНИТ	8	248
ЮНИКРЕДИТ БАНК	5	105
РУСФИНАНС БАНК	5	171
АК БАРС	5	45
Остальные (22 эмитента)	44	1043
Всего	251	6388

Таблица 2. Количество наблюдений по годам

Год	Количество наблюдений
2010	157
2011	278
2012	610
2013	923
2014	583
2015	491
2016	534
2017	793
2018	914
2019	1105
Всего	6388

Обработка данных происходила в MicrosoftExcel. Для построения регрессий и проведения тестов использовался пакет Stata 12.1.



2.2 Гипотезы

В приложении 8 представлена корреляционная матрица факторов регрессии. Попарно коррелируют (оранжевым выделены корреляции по модулю больше 0.6) между собой: все макропеременные коррелируют между собой; показатели банков, характеризующие его размер (капитал, чистая прибыль, объём активов); объём активов и капитал с объёмом выпуска; объём активов и капитал с количеством непогашенных облигаций. Интересной корреляцией является доля депозитов юрлиц с госучастием в капитале банка. В работе будет тестироваться 5 основных гипотез:

Гипотеза 1. Характеристики облигации, характеристики эмитента и макропеременные значимо влияют на спред доходности облигаций.

Гипотеза 2. Добавление в модель специфических характеристик банков значимо влияют на спред доходности облигаций.

Гипотеза 3. Доля депозитов физлиц в общих пассивах банка отрицательно влияет на спред доходности

Гипотеза 4. Доля кредитов физлиц в активах банка отрицательно влияет на спред доходности

Гипотеза 5. Моделирование спредов доходности на вторичном рынке существенно отличается от моделирования на первичном рынке.

Гипотеза 6. Использование в модели индикативных котировок приводит к неверной оценке коэффициентов.

Ожидаемые знаки коэффициентов у факторов в модели представлены в таблице ниже:

Таблица 3. Ожидание влияния факторов на спред доходности

	Ожидание
Тип купона	+/-
Ставка купона	+
Объём облигационного выпуска	-
Срок обращения	+
Объём торгов	-
Инфляция	+
Цена нефти	-
Курс рубля по отношению к доллару	+
Индекс ММВБ	-
Переменная санкций	+
Переменная кризиса	+
Цена 5Y Russia CDS	+
Рейтинг банка (Ba/B)	-
Рейтинг банка (С)	+
Госучастие	-
Чистая прибыль	-
Норматив достаточности капитала N1	-
Чистые активы	-
Капитал банка	-
ROE	-
Доля депозитов физлиц в общих пассивах	-
Доля депозитов юрлиц в общих пассивах	+
Доля кредитов, выданных физлицам в общих активах	-
Количество облигационных выпусков	-

2.3 Методы анализа

Как уже было сказано ранее, данные являются панельными, что позволяет использовать методы регрессионного анализа панельных данных вдобавок к стандартному OLS. В работе будут анализироваться три вида моделей.

Сквозная регрессия - стандартный OLS, без учёта временного эффекта, но при этом в модели есть макропеременные для контроля специфики каждого года:



Где - зависимая переменная, -вектор объясняющих переменных, - вектор коэффициентов при объясняющих переменных, -ошибки в модели. Такой вид модели является самым простым.

Панельная регрессия с фиксированными эффектами-такой вид модели используется, если мы заинтересованы в анализе переменных, которые меняются во времени. Модель с фиксированными эффектами исследует зависимости в первую очередь внутри группы, которую мы зафиксировали (страны, компании и т. д., в нашем случае - это облигационные выпуски). Предполагается, что каждый объект внутри группы имеет индивидуальные характеристики, которые могут влиять на зависимую переменную, и модель с фиксированными эффектами позволяет их контролировать. Модель строится на двух основных предположениях: 1) она не позволяет оценить эффекты от переменных, не меняющихся во времени, т.к. эти переменные являются коллинеарными при фиксации эффекта от объекта(Ulrich Kohler & Frauke Kreuter, 2009); 2) при оценивании этой регрессии предполагается, что ошибки и константы (констант, столько, сколько объектов в группе, поэтому она отражает индивидуальный эффект) не коррелируют между собой внутри группы. Уравнение модели выглядит следующим образом:

Где - зависимая переменная объекта iв момент t, -вектор объясняющих переменных, - вектор коэффициентов при объясняющих переменных, -ошибки в модели, - константы (ихi) в модели, которые отражают индивидуальный эффект.

Панельная регрессия со случайными эффектами - эта модель используется, если мы предполагаем, что различия между объектами являются случайными и не коррелируютс регрессорами. Модель с фиксированными эффектами чаще всего используется для того, чтобы учесть пропущенные переменные, если же исследователь верит, что его модель верно специфицирована, то модель со случайными эффектами является наиболее подходящей. Преимуществом данной модели также является то, что мы можем оценить коэффициенты при переменных, которые не меняются во времени. Основными предпосылками этой модели являются:

1) Корреляция ошибок объектов (т. е. различия между объектами) и регрессоров равна нулю.

2) В модели нет пропущенных переменных.

Обе предпосылки являются достаточно сильными и чаще всего не выполняются на практике. Однако, как отмечается в нескольких работах: (Williams, 2018), (Stoudt, 2017), (Borenstein, Hedges, & Rothstein, 2007) регрессия со случайными эффектами также может быть выбрана, если:

1) Выборка не является генеральной совокупностью, то есть эксперимент на других данных может дать другой результат.

2) Исследователь заинтересован в оценке эффекта от параметров, которые не меняются во времени.

Исходя из вышесказанного можно заключить, что выбор моделей должен быть основан не только на стандартных статистических критериях, таких как: значимость переменных, высокий скорректированный , тест Хаусмана для выбора между фиксированными и случайными эффектами, тест Бройша-Пагана для выбора между стандартной OLSи случайными эффектами, но и понимании специфики выборки - является ли она полной (отсутствие пропущенных переменных), является ли она генеральной совокупностью (или к примеру, исследование проведенное на другом временном промежутке не повторит результатов). В следующей главе при выборе модели я буду опираться на все вышеперечисленные критерии.



2.4 Выводы по главе

1) В выборку попали облигационные выпуски с 31.01.2010 по 31.12.2019 годы, 6388 наблюдений, 251 облигационных выпуска и 37 банков эмитентов.

2) Количество факторов в выборке равно 23, из них 5 относятся к характеристикам облигации, 7 характеризуют экономическую ситуацию в России, 6 обычно используемых характеристик эмитентов и 5 факторов, специфических для банковской сферы.

3) По каждому фактору на основе изученной литературы и эконмического смысла выдвинуты ожидания относительно знака зависимости со спредом доходности.

4) Для анализа будут использоваться три метода: сквозная регрессия, панельная регрессия с фиксированными эффектами и панельная регрессия со случайными эффектами.



Глава 3. Описаниерезультатов

3.1 Результаты моделей

В ходе исследования было проверено множество комбинаций факторов, которые потенциально могут объяснить спред доходности. Основные шаги и модели представлены ниже. Из моделей были сразу убраны: чистая прибыль и капитал, т. к. эти переменные сильно коррелируют с ROEи размером активов, при этом в любых комбинациях они были не значимыми.В таблице 4представлено 6 моделей, каждая из которых отличается либо набором регрессоров, либо типом модели. Все представленные регрессии значимы в общем, красным выделены незначимые переменные на 5% уровне.

Модель 1представляет из себя стандартную регрессию без переменных специфики банков, т. е. такая регрессия могла бы быть построена на выборке из компаний других отраслей.Незначимыми являются переменные: объём торгов, переменная кризиса, цена CDS и объём активов. Скорректированный для такой модели равен 0.26.

В модель 2 были добавлены специфические характеристики банков - норматив достаточности капитала n1, доля депозитов юрлиц, доля депозитов физлиц и доля кредитов физлиц. Незначимыми оказались объём торгов, переменная кризиса, цена CDS, курс доллара, объём активов и доля депозитов юрлиц. Скорректированный вырос до 0.28, можно заключить, что специфические характеристики банков действительно объясняют часть спреда облигаций.

В модели 3 (и последующих) для переменных: объём выпуска, объём торгов и объём активов была проделана стандартная процедура взятия натурального логарифма, это важно сделать, чтобы распределение переменной было менее скошенным. В такой модели незначимыми стали: объём облигационного выпуска, переменная кризиса, цена CDS, курс доллара и доля депозитов юрлиц. Незначимость объёма выпуска или объёма активов в разных моделях объясняются их коррелированностью, что является логичным т. к. чем больше компания, тем больший объём облигационного выпуска она может себе позволить.Скорректированный равен 0.29.

Из модели 4 по сравнению с моделью 3 были убраны все незначимые коэффициенты, чтобы посмотреть на стабильность оставшихся регрессоров. Видно, что никаких существенных изменений как в самих коэффициентах, так и в их значимости не произошло. Модель 4 является лучшей среди моделей OLS, по набору значимости коэффициентов и скорректированного равного 0.29.

Модель 5 является оценкой регрессии с фиксированными эффектами, где в качестве эффекта выступает облигационный выпуск, т. к. он является уникальным в выборке для каждой даты. Из регрессии были убраны переменные, которые не меняются во времени: тип купона, купонная ставка, объём выпуска, срок до погашения и госучастие в капитале банка. Незначимыми оказались: константа, переменная кризиса, цена CDS, курс рубля, норматив n1, объём активов, доля депозитов юрлиц и доля кредитов физлиц. При этом некоторые коэффициенты при факторах поменяли свой знак - это коэффициенты приобъёме активов и доле депозитов физлиц. Rho (то есть процент вариации, который объясняется индивидуальными эффектами) равен 0.66. Скорректированный оказался равен 0.53 (*примечание - в приложении на скриншоте из Stata 12.1 равен 0.06, что является особенностью пакета Stata.Чтобы получить верный нужно оценить регрессию с фиксированными эффектами альтернативным методом - с помощью дамми-переменных, в котором и был получен равный 0.53(Park, 2011) Также см. https://www.stata.com/support/faqs/statistics/areg-versus-xtreg-fe/). Однако такой высокий не является показательным - по смыслу регрессия «подгонялась» под каждый облигационный выпуск, что и привело к существенному росту , при этом многие экономически важные переменные оказались незначимыми, что говорит о плохом качестве данной модели.

Модель 6 является оценкой регрессии со случайными эффектами. Переменной группировки также выступают облигационные выпуски. Незначимыми переменными оказались - объём торгов, переменная кризиса, цена CDS, курс доллара, норматив n1, объём активов и доля депозитов юрлиц, т. е. две переменные, отвечающие за специфику банка, оказались значимыми.Rhoравняется 0.44, скорректированный 0.32.

Таблица 4. Сравнение результатов моделей регрессионного анализа



3.2 Интерпретация лучшей модели

Выбирать наилучшую модель я буду из модели 4 и модели 6 (сквозная OLSпротив модели со случайными эффектами). Модель с фиксированными эффектами не может считаться лучшей, т. к. в ней много переменных оказались незначимыми, и сама модель строится с учётом специфики конкретной облигации, что завышает её качество (), при этом такие результаты нельзя будет назвать обобщёнными, т.к. в выборку (в силу обсужденных причин в главе 2.1) попали только 253 из 706 облигаций, поэтому фиксировать эффект каждой облигации в данной ситуации было бы некорректно.

Результаты теста Бройша-Пагана на выбор между OLSи модели со случайными эффектами говорят о выборе в пользу второй модели (p-value = 0.00), также мы получили более высокий скорректированный .

Итоговая модель принимает вид:

Коэффициенты в модели случайных эффектов могут быть интерпретированы следующим образом: они показывают, как меняется спред при изменении на единицу фактораво времени и между облигациями, т. е. он учитывает специфику облигации и то, что эффект может меняться во времени. Коэффициент оказался на уровне 0.35, что вписывается интервалы значений, показанных в обзоре литературы.

Так как ожидаемые знаки коэффициентов в регрессии строились в том числе на изученной литературе, то они все, кроме ставки купона и количества облигационных выпусков согласуются с полученными коэффициентами в других работах. Полученные знаки коэффициентов сведены в таблицу ниже (по модели 6):

Таблица 5. Ожидаемые и оценённые знаки у факторов

	Ожидание	Знак в регрессии
Тип купона	+/-	+
Ставка купона	+	-
Объём облигационного выпуска	-	-
Срок обращения	+	+
Объём торгов	-	незначимо
Инфляция	+	незначимо
Цена нефти	-	-
Курс рубля по отношению к доллару	+	незначимо
Индекс ММВБ	-	-
Переменная санкций	+	+
Переменная кризиса	+	незначимо
Цена 5Y Russia CDS	+	незначимо
Рейтинг банка (Ba/B)	-	-
Рейтинг банка (С)	+	+
Госучастие	-	-
Чистая прибыль	-	фактор исключён из модели из-за мультиколлинеарности
Норматив достаточности капитала N1	-	незначимо
Чистые активы	-	незначимо
Капитал банка	-	фактор исключён из модели из-за мультиколлинеарности
ROE	-	-
Доля депозитов физлиц в общих пассивах	-	-
Доля депозитов юрлиц в общих пассивах	+	незначимо
Доля кредитов, выданных физлицам в общих активах	-	-
Количество облигационных выпусков	-	+

Значимыми и несовпадающими по знаку переменными оказались:

1) Ставка купона - возможное несовпадение ожидаемого знака связано с тем, что половину выборки составляют плавающие купоны, хотя обычно, авторы, рассматривающие первичный выпуск в выборке, используют данные по облигациям с фиксированным купоном.

2) Количество облигационных выпусков -в литературе обычно интерпретируют отрицательную зависимость между тем, был ли уже осуществлён облигационный выпуск как дополнительную информацию для инвестора об эмитенте. Так как у меня переменная специфицированапо-другому, то положительный знак можно проинтерпретировать как: чем больше непогашенных выпусков имеет банк, тем он для инвестора является более рискованным из-за возросшей долговой нагрузки.

Значимыми и совпадающими по знаку оказались:

1) 2 из 4 характеристик облигации

2) 3 из 8 макропеременных (при этом стоит учесть, что часть из них незначима из-за их коррелированности)

3) 4 из 7 характеристик банка, причём две специфичных характеристики (доля депозитов физлиц и доля кредитов физлиц) оказались значимыми. Выдвинутые нами гипотезы 1-4 подтвердились.

3.3 Анализ спредов при первичном размещении

Чтобы проверить гипотезу о том, что модели объяснения спреда доходности на первичном и вторичном рынке различаются, была построена стандартная регрессия для выборки, основанной только на датах размещения облигаций (с поправкой на то, что некоторые данные доступны только на конец месяца). В выборку попало 230 облигаций (т. к. некоторые облигации были до 2010 года), никаких дополнительных операций по удалению произведено не было. Среднее значение спреда осталось почти таким же и составляет 1.94 (см. приложение). Т. к. теперь данные не являются панельными, то мы можем оценить только обычную регрессию: была оценена регрессия с набором факторов модели 4 (т. е. модели, которая лучше всего описывала сквозную регрессию). Результаты представлены в таблице 7 ниже. Знаки коэффициентов поменялись только для переменной доли депозитов физлиц, но при этом 5 переменных, входящих в модель 4 оказались незначимыми. При последовательном удалении незначимых переменных мною была получена финальная модель для первичного рынка: