Поведение толпы и ликвидность на российском рынке акций

Рисунок 4 - Гистограмма распределения доходности активов

В Таблице 8 представлены результаты модели уравнения (6), где спецификация модели дополнена показателями волатильности.

В первую очередь, стоит отметить, что дополнение уравнения (3) показателями волатильности приводит к идентификации значимого эффекта толпы: на рыночном уровне (2014-2016 гг.), в портфеле, состоящем из компаний крупной капитализации (LC) (на всём промежутке исследования, в период 2014-2016 гг.), а также в портфеле средней капитализации (МС) (2017-2019 гг.).

Таблица 8 - Результаты оценки эффекта толпы с учётом волатильности

Примечание: (*) - уровень значимости. ***, ** и * означают статистическую значимость коэффициентов на

0.1%, 1% и 5% соответственно. , где рассчитан с помощью оценки волатильности моделью E-GARCH (модификация со смещённым распределением Стьюдента (sstd)).

Как и в случае ликвидностью, волатильность не оказывает значимого влияния на эффект толпы в портфеле компаний малой капитализации (SC) на всех подвыборках, в портфеле средней капитализации (MC) в период 2014-2016 гг.

Ключевой вывод заключается в том, что увеличение волатильности приводит к ослаблению эффекта толпы на всех периодах, на которых был идентифицирован значимое проявление данного поведения. Об этом говорит положительный знак перед коэффициентом , который определяет взаимосвязь между факторами . Это может быть интерпретировано следующим образом. Во время резкого изменения цены актива и возросшей неопределённости, склонность репрезентативного инвестора имитировать текущее поведение рынка ослабляется, хоть и остаётся. Данное поведение может быть провоцировано ожиданием скорой коррекции, или желанием выждать снижения волатильности, совершив сделку позже.

С другой стороны, снижение волатильности может способствовать усилению данного эффекта. Данный вывод можно сделать на основании Приложения 4 в отношении портфеля компаний средней капитализации (MC). Период 2017-2019 гг. для данного портфеля характеризуется наиболее низкой среднедневной волатильностью и наибольшим объёмом торгов на актив по сравнению с остальными периодами. Полученные результаты соотносятся с исследованием Kabir & Shakur (2018), где авторы пришли к аналогичному выводу уже на примере Гонконгской биржи (HKE). Тем не менее, абсолютно противоположный вывод был сделан в работе Arjoon, Bhatnagar & Ramlakhan (2020). На примере Сингапурской биржи (SGX) авторы показали, что увеличение неопределённости приводит к усилению эффекта толпы.

В данной работе также исследуется двунаправленная взаимосвязь между дисперсией доходности (CSAD) и характеристиками рынка. В Таблице 9 приведены p-value из теста причинности Грейнджера. Выбор оптимального лага происходил на основании информационного критерия Акаике. Тест не декларирует, что одна переменная непосредственно влияет на другую, а проясняет, содержит ли она информацию об изменении другой.

Таблица 9 - Результаты теста Грейнджера на причинность переменных

Примечание: Результаты теста Грейнджера. Лаг подобран по критерию Акаике (5 лагов). Нулевая гипотеза состоит в том, что одна переменная не является причинной по Грейнджеру для второй. Красным выделены принятые нулевые гипотезы (p.value > 0.1)

Если брать во внимание весь период исследования (2011-2019 гг.), то можно сделать вывод о двунаправленной зависимости между показателями дисперсии доходности (CSAD) и характеристиками рынка - ликвидностью (LIQ) и волатильностью (VOL). Исключением является портфель крупной капитализации (LC). Здесь изменения в CSAD не несут информации об изменениях ликвидности (p.value = 0.37).

Несмотря на это, на определённых промежутках данная взаимосвязь нарушается. К примеру, в большинстве случаев изменения в ликвидности не несут никакой информации об изменениях дисперсии доходности. Данный вывод подтверждается незначимостью (в большинстве случаев) коэффициента в Таблице 9. Исключением являются портфели крупной (LC) и малой (SC) капитализации в период 2014-2016 гг. Результаты подтверждают выводы, сделанные на основании Таблицы 9, т.к. причинная взаимосвязь была обнаружена на тех же временных интервалах, на которых был идентифицирован эффект толпы.

Что касается волатильности (VOL), то, в большинстве случаев, она является причинной по Грейнджеру для дисперсии доходности (CSAD). Исключением является период 2014-2016 гг. для рыночного портфеля, портфеля малой капитализации (SC).

Также был проведён дополнительный тест между двумя элементами микроструктуры - волатильностью и ликвидностью. Результаты показали, что причинная связь между этими показателями существую только на рыночном уровне, а также в портфеле малой капитализации (SC). Здесь, на большинстве периодов изменения волатильности (VOL) могут быть описаны изменениями ликвидности (LIQ).

Заключение

В данной работе предоставлены доказательства наличия эффекта толпы на российском рынке акций, а также сделан вывод относительно влияния на данный эффект элементов микроструктуры рынка, таких как ликвидность и волатильность.

Для реализации были использованы дневные данные о ценах и объёмах торгов 60 обыкновенных акций (входящие в индекс Московской биржи, а также несколько бумаг из второго котировального списка) за период с 11.01.2011 по 27.12.2019. Чтобы проанализировать стабильность полученных результатов, указанный период был разделён на три промежутка, характеризующихся отличными друг от друга внешнеэкономическими условиями для российской экономики и рынка ценных бумаг: 2011-2013 гг., 2014-2016 гг., 2017-2019 гг. Для того, чтобы избежать ограниченных выводов относительно результатов, полученных на агрегированном, рыночном уровне, а также, с целью выявления категорий компаний, которые в большей степени подвержены проявлению эффекта толпы, все активы, участвующие в исследовании были разделены на три портфеля в соответствии с их капитализацией: крупной (LC), средней (MC) и малой (SC).

Для выявления эффекта толпы была использована методология, предложенная в исследовании Chang et. Al (2000), Arjoon, Bhatnagar & Ramlakhan (2020). В качестве меры ликвидности использовался модифицированный показатель неликвидности Амихуда (Amihud, 2002), предложенный в работе Karolyi et al. (2012), в то время как для измерения волатильности активов была подобрана наиболее соответствующая большинству бумаг в исследовании по информационному критерию Акаике, а также на основании LR-теста, спецификация GARCH(1, 1). На основании этих критериев была выбрана модификация E-GARCH(1, 1) со смещённым распределением Стьюдента (см. Приложения 5, 6).

Особенность методологии заключается в использовании непрерывных временных рядов показателей ликвидности и волатильности вместо, уже имевших место быть в ряде исследований, дамми-переменных, идентифицирующих периоды высокой/низкой ликвидности (волатильности), так как они позволяют выявить характер влияния элементов микроструктуры рынка на поведение толпы. Использование непрерывного временного ряда показателя ликвидности с лагом аргументируется предпосылкой о не моментной реакции толпы на изменение данной характеристики рынка (Arjoon, Bhatnagar & Ramlakhan, 2020).

Анализ эффекта толпы без участия показателей ликвидности и волатильности позволил сделать вывод о проявлении данного эффекта в портфелях средней (MC) и малой (SC) капитализации на всём промежутке исследования, а также в период 2014-2016 гг. На общем, рыночном уровне данный эффект незначим, в то время как в портфеле крупной (LC) капитализации в большинстве периодов проявляется обратное эффекту толпы поведение: во время резких ценовых изменений инвесторы, вкладывающиеся в акции данной категории, ориентируются на собственные убеждения, увеличивая общую дисперсию доходности.

Дополнение базовой модели для оценки эффекта толпы показателем ликвидности способствовало выявлению значимого эффекта в портфеле средней капитализации (MC) на промежутке 2017-2019 гг. Данный факт может быть вызван резким ростом объёмов торгов активами, входящим в данную категорию (см. Приложение 4). Ключевой же вывод заключается в том, что рост ликвидности способствует усилению эффекта толпы на всех промежутках исследования, где он является значимым. В тех случаях, где наблюдался обратное эффекту толпы поведение инвесторов, рост ликвидности способствовал ослаблению данного поведения.

Использование показателя волатильности в дополнение к базовому уравнению способствовало выявлению эффекта толпы в портфеле крупной капитализации (LC) в период 2014-2016 гг., а также сделать вывод о том, что увеличение волатильности способствует снижению эффекта толпы.

Применение двустороннего теста Грейнджера на причинность позволило сделать вывод относительно взаимосвязи дисперсии рынка (портфелей) (CSAD) и характеристик рынка. В большинстве случаев ликвидность не несёт никакой информации об изменении дисперсии доходности, за исключением тех периодов и портфелей, где был обнаружен значимый эффект толпы. Волатильность же напротив, почти во всех случаях несёт информацию об изменении дисперсии доходности рынка (портфелей). Взаимосвязь этих факторов двунаправленна.

В совокупности, результаты исследования позволяют сделать вывод о наличии эффекта толпы на российском рынке акций в период высокой макроэкономической неопределённости и наложения секторальных санкций на российскую экономику - 2014-2016 гг., а также в период 2017-2019 гг. для компаний средней капитализации, чему свидетельствуют результаты, полученные в Таблице 7 и 8. Проявлению эффекта способствовало снижение среднедневной волатильности и увеличение объёма торгов активами данного класса (см. Приложение 4). На других периодах исследования эффект толпы либо был незначим, либо имело место обратное эффекту толпы поведение инвесторов.

Cписок литературы

Amihud, Y. (2002). Illiquidity and stock returns: Cross section and time-series effects. Journal of Financial Markets, 5, 31-56.

Amihud, Y., & Mendelson, H. (1986). Asset pricing and the bid-ask spread. Journal of Financial Economics, 17, 233-249.

Arjoon, V. (2016). Microstructures, financial reforms and informational efficiency in an emerging market. Research in International Business and Finance, 36, 112-126.

Arjoon, V., Bhatnagar, C., S., & Ramlakhan, P. (2020). Herding in the Singapore stock Exchange. Journal of Economics and Business, article in press.

Balcilar, M., Demirer, R., & Hammoudeh, S. (2013). Investor herds and regime-switching: Evidence from Gulf Arab stock markets. Journal of International Financial Markets Institutions and Money, 23, 295-321.

Bikhchandani, S., & Sharma, S. (2000). Herd behavior in financial markets. International Monetary Fund.

Chang, E., Cheng, J., & Khorana, A. (2000). An examination of herd behavior in equity markets: An international perspective. Journal of Banking & Finance, 24, 1651-1679.

Chiang, T., & Zheng, D. (2010). An empirical analysis of herd behavior in global stock markets. Journal of Banking & Finance, 34, 1911-1921.

Chordia, T., & Swaminathan, B. (2000). Trading volume and cross-autocorrelations in stock returns. The Journal of Finance, 55, 913-935.

Chordia, T., Roll, R., & Subrahmanyam, A. (2002). Order imbalance, liquidity, and market returns. Journal of Financial Economics, 65, 111-130.

Christie, W. G., & Huang, R. D. (1995). Following the pied piper: Do individual returns herd around the market? Financial Analysts Journal, 51(4), 31-37.

Dass, N., Massa, M. and Patgiri, R. (2008), “Mutual funds and bubbles: the surprising role of contractual incentives”, Review of Financial Studies, Vol. 21 No. 1, pp. 51-99.

Demirer, R., & Kutan, A. (2006). Does herding behavior exist in Chinese stock markets? Journal of International Financial Markets Institutions and Money, 16, 123-142.

Easley, D., Kiefer, N., O'hara, M., & Paperman, J. (1996). Liquidity, information, and infrequently traded stocks. The Journal of Finance, 51, 1405-1436.

Economou, F., Katsikas, E., & Vickers, G. (2016). Testing for herding in the Athens Stock Exchange during the crisis period. Finance Research Letters, 18, 334-341.

Engle, R., Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, Vol. 31, pp 307-327.

Filip, A., Pochea, M., Pece, A. (2015). The herding behaviour of investors in the CEE stocks markets. Proc. Econ. Fin. 32, 307-315.

Galariotis, E. C., Rong, W., & Spyrou, S. I. (2015). Herding on fundamental information: A comparative study. Journal of Banking & Finance, 50, 589-598.

Galariotis, E. C., Krokida, S. I., & Spyrou, S. I. (2016). Herd behavior and equity market liquidity: Evidence from major markets. International Review of Financial Analysis, 48, 140-149.

Gavriilidis, K., Kallinterakis, V., & Leite-Ferreira, M. P. (2013). Institutional industry herding: Intentional or spurious? Journal of international financial markets. Institutions and Money, 26, 192-214.

Gelos, R. G., & Wei, S. J. (2002). Transparency and international investor behavior (No. w9260). National Bureau of Economic Research.

Guney, Y., Kallinterakis, V., & Komba, G. (2017). Herding in frontier markets: Evidence from African stock exchanges. Journal of International Financial Markets Institutions and Money, 47, 152-175.

Hasbrouck, J. (2009). Trading costs and returns for US equities: Estimating effective costs from daily data. The Journal of Finance, 64, 1445-1477.

Indвrs, E. R., Savin, A., & Lublуy, Б. (2019). Herding behaviour in an emerging market: Evidence from the Moscow Exchange. Emerging Markets Review, 38, 468-487.

Johansen, A. and Sornette, D. (1999), “Financial `anti-bubbles': log-periodicity in gold and Nikkei collapses”, International Journal of Modern Physics C, Vol. 10 No. 4, pp. 563-575.

Kabir, M. H., & Shakur, S. (2018). Regime-dependent herding behavior in Asian and Latin American stock markets. Pacific-Basin Finance Journal, 47, 60-78.

Karolyi, G. A., Lee, K. H., & Van Dijk, M. A. (2012). Understanding commonality in liquidity around the world. Journal of Financial Economics, 5, 82-112.

Khan, H., Hassairi, S.A., Viviani, J.-L., 2011. Herd behavior and market stress: the case of four european countries. Int. Bus. Res. 4 (3), 53-67.

Kyle, A. (1985). Continuous actions and insider trading. Econometrica, 53, 1315-1336.

Lesmond, D. A. (2005). Liquidity of emerging markets. Journal of Financial Economics, 77, 411-452.

Lo, A., MacKinlay, A. (1990). When are contrarian profits due to stock market overreaction? The Review of Financial Studies, 3, 175-205.

Nelson, D., (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370.

Newey, W., & West, K. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708.

Nofsinger, J. R., & Sias, R. W. (1999). Herding and feedback trading by institutional and individual investors. The Journal of Finance, 54, 2263-2295.

Poshakwale, S., Mandal, A., 2014. Investor behaviour and herding: evidence from the National Stock Exchange in India. J. Emerg. Market Finance 13 (2), 197-216.

Silber, W. L. (1975). Thinness in capital markets: The case of the Tel Aviv stock exchange. The Journal of Financial and Quantitative Analysis, 10, 129-142.

Tan, L., Chiang, T. C., Mason, J. R., & Nelling, E. (2008). Herding behavior in Chinese stock markets: An examination of A and B shares. Pacific-Basin Finance Journal, 16, 61-77.

Vo, X., V., & Phan, D. (2019). Herding and equity market liquidity in emerging market. Evidence from Vietnam. Journal of Behavioral and Experimental Finance, 24, 100189.

Yao, J., Ma, C., & He, W. P. (2014). Investor herding behavior of Chinese stock market. International Review of Economics & Finance, 29, 12-29.

Zheng, D., Li, H., & Chiang, T. C. (2017). Herding within industries: Evidence from Asian stock markets. International Review of Economics & Finance, 51, 487-509.

Сайт Московской биржи (moex.ru)

Приложение 1

Список акций, участвующих в исследовании

Приложение 2

Капитализация компаний (по годам, млн. руб.)

Приложение 3

Распределение активов по портфелям (по годам)

Приложение 4

Статистика по объёму торгов портфелей и среднедневной волатильности

Приложение 5

Подбор оптимальной GARCH спецификации к акциям, участвующим в исследовании на основе Loglikelihood

Приложение 6

Подбор оптимальной GARCH спецификации к акциям, участвующим в исследовании на основе критерия Акаике (AIC)

Приложение 7

Распределение доходностей, участвующих в исследовании

Размещено на Allbest.ru