Главным отличием моделей вторичного и первичного рынка заключается в том, ни одна макропеременная не является значимой. Из специфических факторов значимо влияет только доля депозитов физлиц, при этом её влияние отрицательное - в соответствии с нашими ожиданиями. Таким образом гипотеза 5 подтверждается, т. к. поменялся набор переменных входящих в регрессию, коэффициенты регрессии и знак у одной переменной.

Таблица 6. Сравнение моделей для первичного и вторичного рынка

3.4 Проверка модели на устойчивость

Данный раздел посвящен обсуждению возможных смещений результатов оценки моделей. Как было упомянуто ранее, в данных могут встречаться индикативные котировки доходностей банковских облигаций (т. е. фактической сделки по ним не было) и, как заявляется в (Берзон & Милицкова, 2013) это может дать существенное искажение результатов. Чтобы проверить эту гипотезу, я выбрал только те наблюдения, для которых был ненулевой объём торгов. Важно понимать, что такой отбор может быть не совсем точным из-за того, что в терминале Bloombergмогут быть пропуски относительно объёма торгов - чтобы видеть реальную картину нужно получить доступ к данным Мосбиржи, который оформляется по платной подписке. Полученная выборка составляет примерно половину от исходной (3317 наблюдений), описательная статистка представлена в приложении. Средний спред по выборке уменьшился (1.67) по сравнению со всей выборкой, это может являться косвенным доказательством того, что наблюдения, которые предположительно являются индикативными, имеют больший спред. Объяснение - средняя доходность к погашению смещена в сторону бида или аска (т. е.бид-аск спред на рынке шире).

В таблице 8 ниже представлены результаты тестирования моделей на трёх выборках:

1) Первичная выборка (из главы 3.1)

2) Выборка, предположительно собранная только по реальным котировкам

3) Случайная подвыборка первичной выборки

Для каждой выборки представлено две модели - сквозной регрессии и регрессии со случайными эффектами. Соответственно для первой выборки показаны уже оценённые в главе 3.1 модели 5 и 7, для всех остальных - новые модели. Сравнивая первую и вторую выборки, можно заключить, что:

1) Модель 9 отличается от модели 4четырьмя незначимыми переменными - объёмом торгов, нормативом n1, количеством облигационных выпусков и долей кредитов физлиц. Знак коэффициента поменялся у переменной доли государства. Скорректированный вырос до 0.40. По набору факторов и их значимости модели схожи, но при этом вырос значительно. Первое предположение этого изменения - выборка сузилась, средний спред уменьшился, и регрессия стала его лучше объяснять (чем меньше разброс переменной, тем проще его предсказать). Для этого мною была сгенерирована случайная подвыборка первичного датасета из такого же количества наблюдений (3317), примечательно, что средний спред остался примерно на уровне общей выборки - 1.90. Оценка коэффициентов не поменялась, скорректированный не поменялся по сравнению с полной выборкой.

2) Аналогичные первому пункту результаты были получены и на регрессии со случайными эффектами - в общем модели схожи (по знакам и значимости коэффициентов), скорректированный при этом выше на выборке реальных котировок.

Из приведённого анализа можно заключить, что использование выборки, предположительно состоящей только из реальных котировок, существенно не меняет модель в терминах значимости и знаков коэффициентов, однако может сильно улучшить качество подгонки модели. Такой же результат был получен (Goldstein, Collin-Dufresne, & Spencer, 2001), более того авторы заявляют, что в базе данных, из которой они брали котировки, трейдеры моментально реагируют на рыночные изменения.Важно подчеркнуть, что для полноты картины нужен альтернативный источник данных об объёме торгов, например ежедневные архивные данные с сайта Мосбиржи. Гипотеза 6 отвергается.

Таблица 7. Результаты проверки моделей на устойчивость

Заключение

В работе были оценены факторы, влияющие на спред банковских облигаций. Данный сектор часто игнорируется российскими исследователями, хотя он представляет особый интерес из-за своей специфики. Для банков понимание факторов, влияющих на спред доходности важно не только из-за возможности осуществить облигационный выпуск сам по себе, но и из-за ориентира по верхней границе стоимости фондирования. Для инвесторов понимание факторов позволяет учесть все риски при выходе на рынок банковских облигаций.Анализ проводился на данных по облигационным выпускам с 31.01.2010 по 31.12.2019 годы. В выборку попали 6388 наблюдений, 251 облигационных выпусков и 37 банков эмитентов. Регрессия со случайными эффектами оказалась лучшей по значимости коэффициентов, скорректированному и тесту Бройша-Пагана. В финальную регрессию попали 16 из 23 (исходных) переменных, при этом 2 из 4 переменных, характеризующих специфику банков оказались значимыми. Гипотезы 1-5 подтвердились, т. е. характеристики облигаций, эмитентов, макропеременные, а также некоторые специфические характеристики банков значимо влияют на спред доходности. Такие показатели как доля депозитов физлиц в обязательствах банка и доля кредитов физлиц в активах банка оказывают значимое влияние на спред доходности, т. к. косвенно являются показателями надёжности банка. Моделирование спредов на вторичном и первичном рынке различается как по отобранным переменным, так и по знаку переменных. Предпосылка о том, что проведение исследования на индикативных котировках может исказить результаты не подтвердилась: с одной стороны, скорректированный вырос и поменялся набор значимых факторовдля модели на реальных котировках, но с другой стороны у значимых переменных не поменялся знак, что говорит об её устойчивости.

СПИСОКЛИТЕРАТУРЫ

Borenstein, M., Hedges, L., & Rothstein, H. (2007). Fixed effect vs. random effects.Полученоиз Comprehensive Meta-Analysis: https://www.meta-analysis.com/

Campbell, J., & Taksler, G. (2003). Equity Volatility and Corporate Bond Yields. Journal of Finance, American Finance Association, 2321-2350.

Cavallo, E., & Valenzuela, P. (2010). The determinants of corporate risk in emerging markets: an option?adjusted spread analysis. International Journal of Finance and Economics, 59-74.

Fabrizio Crespi, Emanuela Giacomini, & Danilo V. Mascia. (2019). Bail-in rules and the pricing of Italian bank bonds. European Financial Management, 1321-1347.

Fisher, L. (1959). Determinants of Risk Premiums on Corporate Bonds. The journal of Political Economy, 217-237.

Goldstein, R. S., Collin-Dufresne, P., & Spencer, M. J. (2001). The Determinants of Credit Spread Changes. Journal of Finance, 2177-2207.

Gьntay, L., & Hackbarth, D. (2010). Corporate bond credit spreads and forecast dispersion. Journal of Banking & Finance, 2328-2345.

Levy, A., & Zaghini, A. (2010). The pricing of government-guaranteed bank bonds.

Lu, C.-W., Chen, T.-K., & Liao, H.-H. (2010). Information uncertainty, information asymmetry and corporate bond yield spreads. Journal of Banking & Finance, 2265-2279.

Morgan, D., & Stiroh, K. (2001). Market Discipline of Banks: The ASsets Test. Journal of Financial Services Research, 195-208.

Park, H. M. (October 2011 г.). Practical Guides To Panel Data Modeling: A Step by Step Analysis Using Stata. Graduate School of International Relations, International University of Japan, Japan.

Rous, M. P., & Nys, M. (2015). Bank risk-return efficiency, ownership structure and bond pricing: Evidence from Western European listed banks. Universite de Limoges.

Sironi, A. (2003). Testing for Market Discipline in the European Banking Industry: Evidence from Subordinated Debt Issues. Journal of Money, Credit and Banking, 443-472.

Sironi, A., & Gabbi, G. (2005). Which factors affect corporate bonds pricing? Empirical evidence from Eurobonds primary market spreads. European Journal of Finance, 59-74.

Stoudt, S. (2017). Practical Statistics. Полученоиз Fixed, mixed and random effects: https://rlbarter.github.io/Practical-Statistics/2017/03/03/fixed-mixed-and-random-effects/

Ulrich Kohler, & Frauke Kreuter. (2009). Data Analysis Using Stata 2nd edition. Stata Press.

Williams, R. (2018). Panel Data 4: Fixed Effects vs Random Effects Models. University of Notre Dame.

Zaghini, A. (2014 ). Bank Bonds: Size, Systemic Relevance and the Sovereign. International Finance, 161-183.

Берзон, Н. И., & Милицкова, Т. М. (2013). Детерминанты доходности рублёвых корпоративных облигаций при их размещении. Финансы и кредит.

Милицкова, Т. М. (2013). Влияние специфических факторов на спреды доходности корпоративных облигаций. Журнал "Корпоративные финансы"

Султанов, И. Р. (2018). Анализ влияния различных экономических показателей на спреды доходности российских рублевых корпоративных облигаций. Финансы и кредит, 1669-1688.

ЭЛЕКТРОННЫЕ РЕСУРСЫ

1)Bloomberg Terminal

2)Thomson Reuters Eikon

3)Capital IQ

4)База данных «Банки и Финансы» агентства Мобиле

5)Сайт Банки.ру https://www.banki.ru/

6)Сайт Куап.ру http://www.kuap.ru/

7)Сайт рейтингового агентства АКРА https://www.acra-ratings.ru/research/1119

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

9)Сайт http://ru.cbonds.info/

Приложение 1. Критерии поиска облигационных выпусков

Приложение 2. Описательная статистика переменных всей выборки

Приложение 3. Описательная статистика переменных для регрессии по первичному размещению

Приложение 4. Описательная статистика переменных случайной подвыборки наблюдений

Приложение 5. Описательная статистика переменных выборки на реальных котировках

Приложение 6. Группировка рейтингов

Приложение 7. Результат теста Бройша - Пагана

Приложение 8. Группировка банков по госучастию

Приложение 9. Корреляционная матрица факторов модели

Размещено на Allbest.ru