На аналитику и построение прогнозов по акциям (equity research) тратятся немалые деньги по всему миру. Так, Mahmud et al. (2016) приводит цифру в 22 млрд. долларов в 2015 году, которые были получены отделом аналитики рынка акций в инвестиционных банках и независимых компаниях. Основными прогнозами аналитика являются целевые цены и рекомендации, на которые при принятии инвестиционных решений могут опираться как профессиональные, так и непрофессиональные инвесторы. Кроме того, исследования демонстрируют, что показатель целевых цен значим для финансового рынка также в связи с тем, что находится взаимосвязь между целевыми ценами и будущей доходностью, премиями по IPO и сделкам слияния и поглощения, и построение портфеля на основе целевых цен может позволить получить положительную доходность (Gerritsen (2015), Jiani & Liu (2014) и т.д.). По указанным выше причинам точность таких прогнозов крайне важна.

Интерес к тематике финансовых аналитиков подтверждается большим количеством работ. Но большинство исследований проводится на данных по развитым рынкам (например, Hashim & Strong (2018), Choi (2018), Krolikowski et al. (2016) и т.д.). По российскому рынку нам известны только две работы максимально приближенные к нашей тематике, а именно работы Болотина (2011) и Penikas & Proskurin (2013). Кроме того, в большинстве работ рассматриваются либо только рекомендации аналитиков, либо целевые цены (Antonio et al. (2017), Chen et al. (2016) и т.д). Мы затронем в том или ином виде оба эти показателя. Однако, целевые цены представляют собой больший интерес, поскольку они выражают более детальную информацию относительно взгляда аналитика на акцию конкретной компании. Отметим, что предыдущие работы различались в своих мнениях и выводах касательно точности прогнозов, направления влияния различных факторов и их значимости. В связи с этим, в своей работе мы попытаемся проверить результаты этих исследований на российском рынке.

Таким образом, наше исследование заключается в определении потенциальных факторов, устойчиво влияющих на точность прогноза целевой цены, и построении эконометрической модели, способной объяснить степень точности целевых цен, а значит, и степень доверия тем или иным предсказаниям. В таком случае, дальнейшей задачей могла бы стать разработка стратегии построения портфеля на основе результатов оценки точности предсказаний аналитиков, полученных в ходе нашей работы. Объектом исследования являются прогнозы аналитиков по акциям российских эмитентов, предметом - точность целевых цен акции?. По мере достижения поставленной цели мы тестируем несколько гипотез:

Гипотеза 1. Прогнозы целевых цен на российском рынке аналитики не часто сбываются.

Отметим, что под российским рынком аналитики мы подразумеваем рынок, где сторону предложения представляют финансовые аналитики (российские или иностранные), выпускающие своего рода товар - свои прогнозы (по ценам, прибыли, денежному потоку, рекомендации т.д.) по компаниям, акции которых торгуются на Московской Бирже; основными потребителями данной информации при этом являются инвесторы.

Гипотеза 2. Аналитики на российском рынке дают слишком оптимистичные прогнозы.

Гипотеза 3. На точность целевых цен оказывают значимое влияние характеристики компании (историческая доходность, ликвидность и волатильность акций компании, время с момента IPO, размер компании, мультипликатор P/B, закредитованность компании, прибыльность компании, темп роста, количество прогнозов по компании, число компаний-аналитиков, покрывающих акцию).

Гипотеза 4. На точность целевых цен значимо влияют характеристики финансового аналитика и его прогноза (предсказываемая ожидаемая доходность акции, горизонт прогноза, размер компании-аналитика, ее происхождение (иностранная или российская организация), время с момента основания).

Новизна работы заключается в том, что, во-первых, нами были рассчитаны оригинальные показатели точности («площадь» кривой, образованной целевой ценой и фактической, процент дней, когда фактическая цена соответствовала направлению прогноза, и количество пересечений целевой цены и фактической). Во-вторых, мы выделили новые факторы точности прогноза целевой цены, как из группы характеристик аналитика, так и из группы характеристик компании. Кроме того, были эмпирически подтверждены интуитивные направления влияния некоторых факторов со стороны компании на точность, при том, что в предыдущих работах разным авторам не удалось прийти к однозначному выводу. В-третьих, нами была подробно и широко описана точность прогнозов целевых цен на российском рынке аналитики, с использованием большого количества ее индикаторов.

Данная работа несет в себе практическую значимость по нескольким причинам. Прежде всего, показатели точности, рассчитанные в данной работе, могут помочь инвесторам в понимании того, насколько точен рынок российской аналитики. Кроме того, при принятии решения о вложении инвестор, основываясь на факторах, рассмотренных в работе, может выбрать, в компании c какими характеристиками с большей вероятностью будет менее рискованно вкладываться. Факторы, влияющие на точность, могут быть также полезны и самим аналитикам: аналитикам следует понимать, в первую очередь, от каких характеристик прогноза зависит их точность, чтобы иметь возможность сделать на это поправку и продемонстрировать более точный результат; и, кроме того, понимать, компаниям с какими показателями стоит уделить большее время для анализа.

1.Обзор литературы

Значительное количество исследовательских работ посвящены ценности финансовых аналитиков и их предсказательной способности. Так, Gerritsen (2015) в своем исследовании доказывает значимость финансовых аналитиков. Автор использует данные по сделкам слияния и поглощения компаний в Америке за период с 2004 по 2010 гг. и применяет метод регрессионного анализа, где в качестве зависимой переменной выступает премия за поглощение, а основным регрессором является ожидаемая доходность по целевой цене (TPER). Премия за сделку вычисляется как отношение цены, уплаченной за акцию компании-цели к фактической цене акции этой компании до анонсирования сделки за вычетом единицы. TPER рассчитывается же как отношение средней целевой цены компании к ее фактической цене минус единица. Автор получает вывод о том, что ожидаемые доходности аналитиков значимо и положительно связаны с премией. Рост целевой цены на 5% приводит к увеличению платы за компанию-цель на 1%. Положительная премия означает, что впоследствии ожидается рост стоимости компании.

Мы полагаем, что положительная зависимость премии от целевых цен может указывать на то, целевые цены адекватно предсказывают будущее движение цены активов, а, значит, они важны для использования инвесторами при принятии решения. Также этот факт может свидетельствовать о том, что участники рынка прислушиваются к прогнозам аналитиков.

Основной вывод работы Jiani & Liu (2014), построенной на китайском рынке, состоит в том, что точность целевых цен имеет значимое влияние на премию IPO, которая представляет собой процентную разницу между ценой закрытия и ценой предложения в первый день осуществления IPO. Это положительное влияние точности на премию IPO подтверждает, по мнению авторов, эффективность прогноза целевых цен аналитиков, а значит, аналитики могут помочь инвесторам лучше оценить IPO.

Jegadeesh et al. (2004) также рассматривали, какое значение в плане инвестиционных решений имеют рекомендации финансовых аналитиков. Изучая американский рынок, авторы использовали два ключевых показателя: уровень согласованности рекомендаций (консенсус) и изменение согласованности рекомендаций. Уровень консенсуса вычислялся как среднее значение всех рекомендаций по компании. Изменение же консенсуса представляет собой увеличение или уменьшение его уровня. Авторами была построена регрессия будущей доходности акции (то есть доходности через полгода после выпуска рекомендации аналитиком) на консенсус-рекомендацию, изменение консенсуса и предыдущую доходность. Регрессорами также выступали взятые из работ предшествующих авторов 12 контрольных переменных, которые могут предсказать доходности (например, размер компании, прибыльность, объем торгов и т.д). Результатом, подтверждающим целесообразность рекомендаций, является то, что изменение согласованности рекомендаций может точно предсказать краткосрочные доходности (от 3 до 12 месяцев). Важный вывод, который затем был использован в большом числе статей, гласит о том, что изменение согласованности рекомендаций лучше, чем сам уровень консенсуса. Этот показатель позволяет определить будущую доходность как сам по себе, так и вместе с другими показателями.

На выводе из работы выше основывается исследование Huang et al. (2009), которое также показывает, какую пользу можно извлечь из прогнозов финансовых аналитиков. Авторы, используя данные по рекомендациям и целевым ценам по компаниям с американского фондового рынка, показали, что построение портфелей на рекомендациях аналитиков позволяет заработать положительную доходность (положительные значимые альфы по четырехфакторной модели). Более того, портфель, построенный на стратегии, основанной как на рекомендациях финансовых аналитиков, так и на целевых ценах, приносит большую доходность, чем портфели, построенные на стратегиях, опирающихся исключительно на рекомендации или целевые цены. Таким образом, именно комбинация целевых цен и рекомендаций особенно полезны для использования инвесторами при принятии решения.

Итак, мы считаем, что прогнозы финансовых аналитиков - это важный, оказывающий влияние на финансовый рынок, показатель. Однако, некоторые работы, посвященные анализу точности прогнозов, содержат результаты, которые показывают, что точность предсказаний небезупречна, и дают повод называть некоторым исследователям целевые цены “случайными и безосновательными” (Thomsett 2010). Ниже представлены агрегированные результаты расчетов точности целевых цен в зарубежной литературе.

Таблица 1. Точность целевых цен в различных зарубежных исследованиях

Самое низкое значение первых двух метрик точности среди развитых стран - у Италии, что может быть связано с тем, что в этой стране публикация любой финансовой непубличной информации, которая способна повлиять на цены финансовых инструментов, обязательна. То есть все аналитики раскрывают информацию по своим прогнозам, в том числе и неудачным. При этом третий показатель, являющийся показателем неточности, низок для Италии в связи с тем, что авторы при его расчете исходили из логики, что отклонение фактической цены от прогнозной, но в направлении, предсказанном аналитиком (рост или падение относительно фактической цены на момент выпуска прогноза), не считается неточностью, а наоборот уменьшает ошибку.

Bilinski et al. (2013) рассчитали точность на 16 рынках и получили самый низкое значение сбывшихся прогнозов в течение периода 12 месяцев для Италии (54%), а самое высокое - для Австралии (66%). При этом вторая характеристика точности, использованная авторами в работе (отношение разницы между целевой ценой и фактической цены на конец периода к цене на дату выпуска прогноза) лучше для датских компаний (58%) и хуже для японских (37%). Важным представляется то, что авторы доказали целесообразность целевых цен выводом о том, что точность прогнозов превышает точность прогнозов, основанных на экстраполировании прошлых цен акции.

Исследование Antonio et al. (2017) по развивающемуся рынку, а именно по странам Латинской Америки, показало, что в некоторых странах неточность может быть крайне сильной. Так, для Британских Виргинских островов показатель неточности (по модулю) составил 162%. В исследовании интересен также тот факт, что была доказана кажущаяся очевидной гипотеза от том, что сильный консенсус среди прогнозов (меньше стандартное отклонение) соответствует меньшей ошибке прогноза.

Исследование точности прогнозов аналитиков на российском рынке представлено в основном, к нашему сведению, работами Болотина (2011) и Penikas & Proskurin (2013). В работе Болотина (2011) представлены меры точности, отличающиеся от тех, что приведены в таблице выше. Так, был рассчитан показатель среднего абсолютного отклонения, представляющий собой отношение суммы всех процентных отклонений (по модулю) целевой цены в каждую дату периода прогноза от фактической цены на эту дату плюс 1 к количеству дней прогноза. Значение данной меры неточности составило 12%.

В работе Penikas & Proskurin (2013) представлены значения точности рекомендаций, а не целевых цен, рассчитанными как процент успешных сделок по акции (т.е. когда была получена какая-либо прибыль) при следовании рекомендации аналитика. Авторы получили точность, равную 57%.

В некоторых работах используются интересные нестандартные факторы для объяснения параметров точности, которые мы по тем или иным причинам не используем в нашем исследовании. Так, среди приведенных выше работ можно выделить, что авторы Bilinski et al. (2013) на выборке, состоящей из нескольких стран показали, что точность целевых цен зависит от специализации страны, ее институциональной и нормативной базы, (а также таких показателей как: прошлая точность прогноза целевых цен, опыт аналитика, размер компании-аналитика, и количества компаний, по которым аналитик дает прогноз). Antonio et al. (2017) на данных по странам Латинской Америки показали, что более высокая эффективность государственного управления приводит к более высокой точности прогноза целевых цен, публикуемых аналитиками. В нашем исследовании точность рассчитывается для российского рынка акций, поэтому переменные, каким-либо образом описывающие конкретную страну, в нашем анализе не применяются. Kerl (2011) использует такие стандартные факторы, как размер компании, мультипликатор P/B, волатильность, TPER, рекомендация аналитика (купить, держать или продать), которые мы также внедряем в своей работе. Однако, помимо этого, рассмотрев 1000 отчетов, выпущенных аналитиками, автор включил в свое исследование фактор раскрытия информации в этих отчетах, то есть насколько много информации там содержится, насколько детально она представлена. Доступ к настолько детальной информации у нас отсутствует. Кроме того, автор исследует также потенциальное влияние на точность связи аналитика с компанией, то есть когда банк имеет вложения в акции компании, по которым делает прогноз или является андеррайтером для акций покрываемой компании. Однако, был получен результат о том, что наличие связи аналитика с компанией не оказывает влияния на точность прогнозов по акциям этой компании.

Hashim & Strong (2018), используя данные американского рынка, показывают, что аналитики, которые в своих отчетах предоставляют также прогнозы движения денежных средств, демонстрируют более высокую точность целевых цен. При этом эта точность увеличивается с ростом точности прогноза денежного потока, и это увеличение наибольшее в случае компаний, которые трудны для прогнозирования аналитиками. Указанные выше факторы наличия прогноза денежного потока компании и раскрытия информации в отчетах не применимы в нашем исследовании в связи с ограничением данных, с которыми мы работаем, и трудоемкостью сбора информации в исследовании выше с изучением каждого отчета аналитика вручную.

Зачастую главной причиной неудачных прогнозов становятся индивидуальные поведенческие особенности аналитиков, приводящие к уменьшению точности прогнозов. К примеру, давая предсказание по целевой цене, аналитик стоит перед выбором: если он даст целевую цену сильно выше фактической цены акции, она может не быть достигнута, и тогда аналитик рискует разочаровать инвесторов и потерять репутацию; а если он поставит слишком низкую целевую цену, это может оттолкнуть институциональных инвесторов от вложения в данные акции. Возможность влияния поведенческих особенностей аналитиков на точность предсказания исследуется в некоторых зарубежных работах, о которых пойдет речь далее.

Так, Malmendier & Shanthikumar (2014) указали на существование стратегических и нестратегических мотивов аналитика, действующих по-разному. Мотивы первого рода связаны с неправильными стимулами, например, аналитик хочет склонить инвесторов к покупке акций или угодить менеджменту компании. Нестратегические же мотивы представляют собой истинный чрезмерный оптимизм, то есть аналитики имеют слишком позитивные ожидания. Стратегическое искажение проявляется в том, что аналитиком даются рекомендации более оптимистичные, чем прогнозы, в случае же нестратегического - более оптимистичные и рекомендации, и прогнозы.

Мера неточности прогнозов аналитиков может варьироваться в зависимости от звездности их статуса. Krolikowski et al. (2016) исследовали зависимость точности прогноза аналитиков (рекомендаций и прогнозу по прибыли) от звездности их статуса, использовав список имен аналитиков, относящихся к «All-Stars» (рейтингу, созданного Wall Street Journal). Аналитики склонны давать более оптимистичные прогнозы в целом. Однако, авторы показывают, что после приобретения аналитиком звездного статуса, он менее склонен давать оптимистические рекомендации (но в то же время дает более оптимистичные прогнозы по прибыли). При исключении же из рейтинга «All-Stars» аналитик склонен как к менее оптимистичным рекомендациям, так и прогнозам по прибыли. В целом, можно сказать, что, если аналитик когда-либо относился к категории «звезд», его рекомендации должны быть более точными.

Продолжением темы мотивов аналитика, приводящих к менее точным прогнозам и связанных с инвесторами, является работа Chen et al. (2016). Авторы использовали данные по Тайваньскому фондовому рынку, который обладает отличительной от развитых финансовых рынков особенностью - основной группой инвесторов на этом рынке являются индивидуальные инвесторы. Они совершают около 75% всех сделок по покупке-продаже на этом рынке. При этом данная группа непрофессиональных инвесторов склонна опираться в большей степени на целевые цены как на более прямолинейный индикатор, нежели чем на прогнозы аналитиков по прибыли. Авторы показывают, что теория удовлетворения предпочтений инвесторов (сatering theory), применима при анализе целевых цен. При наличии определенных ожиданий у инвесторов, аналитики склонны давать смещенные оценки в стороны этих ожиданий. Авторы провели анализ, учтя в нем настроения рынка, характеристики аналитиков и компании, и он свидетельствует о том, что аналитики завышают целевые цены. Причем такое смещение чаще происходит для более мелких компаний с меньшим коэффициентом P/B и более волатильными акциями. Однако, конкуренция среди аналитиков может помочь снизить неточность оценок.

Как было сказано выше, ожидания инвесторов влияют на оценки аналитиков. Однако у этого влияния есть одна особенность, описанная в статье Choi (2018), исследовавшего акции американских компаний. Авторы показали, что при увеличении коротких продаж аналитики начинают давать менее точные округленные оценки. То есть они прилагают меньше усилий из-за сильного давления вниз на акцию. Предыдущие статьи позволяют нам предоставить логичное объяснение для наблюдаемого явления. Вероятно, в подобном случае оценка аналитика должна быть негативной, а они не любят отрицательных прогнозов. Чтобы смягчить получаемую оценку, аналитики округляют полученные значения менее точно.

Одним из нестратегических стимулов аналитика, приводящих к искажению точности его прогноза может быть «чувство стадности». Jegadeesh & Kim (2010), используя данные по американским компаниям, хотели ответить на вопрос, подвержены ли аналитики «стадному чувству». В целом, можно найти две причины такого эффекта:

- появляется какая-либо новая информация, которая одинакова для всех, и аналитики делают похожий пересмотр своих прогнозов;

- неопытные аналитики могут быть не уверены в своих силах, им легче выставлять оценки как все или следовать за «звездами» и выставлять свой прогноз на уровне консенсуса.

Авторы получили подтверждение существованию «эффекта стадности». Однако результаты оказались неожиданными: инвестбанки с более хорошей репутацией и более крупным размером больше привержены “стадному поведению”, чем менее известные новички, которые пытаются выделиться. Данный результат не согласуется с рассмотренной нами здесь выше литературой: звездные аналитики дают менее оптимистические рекомендации в отличие от толпы. Еще одним интересным результатом является то, что более склонны к стадному чувству те аналитики, которые нечасто пересматривали свои рекомендации.

Кроме того, Lai & Teo (2008) обнаружили на развивающемся финансовом рынке смещенность рекомендаций аналитика от его происхождения (является он или нет резидентом страны, по акциям которой делается прогноз). Изучив развивающиеся рынки восьми азиатских стран (Индия, Индонезия, Корея, Малайзия, Филиппины, Сингапур, Тайвань и Таиланд), авторы показали, что местные аналитики в таких странах дают более оптимистичные прогнозы, чем иностранные аналитики. То есть, вероятно, рекомендации покупки от иностранных аналитиков оказываются более точными, чем рекомендации местных аналитиков. В то же время рекомендации на продажу оказываются точнее уже у местных аналитиков. Такая смещенность перекрывает даже возможную асимметрию информации между местными и иностранными аналитиками, уменьшающую общую точность прогнозов у иностранных аналитиков из-за нехватки информации.

Обобщая изученную литературу, отметим, что целевые цены аналитика - это важный показатель, который оказывает влияние на финансовый рынок. В литературе, посвященной анализу точности и ее факторов, в основном представлены три показателя точности: процент прогнозов, подтверждающихся в какой-либо момент периода, доля прогнозов, сбывающихся на конец периода и ошибка прогноза как процентная разница между целевой ценой и фактической на конец прогноза (по модулю и без) или TP error. Некоторые зарубежные работы содержат анализ влияния различных факторов на точность прогноза аналитиков, часто их результаты расходятся между собой. При этом часть предыдущих работ акцентировала внимание на нетрадиционных переменных, которые могут влиять на точность. Однако, мы не можем учесть эти параметры по некоторым причинам: нецелесообразность конкретно для нашего исследования, или недоступность данных для российского рынка, или большая трудоемкость их сбора, или корреляция данных факторов с другими, применяемыми в нашей работе. Мы сконцентрируемся на общедоступных параметрах, использованных в изученных работах, приводя также свои дополнительные факторы и постараемся проверить результаты, полученные авторами, на российском рынке.

2.Данные

2.1 Работа с данными

Для своего исследования нами были использованы данные по рекомендациям и целевым ценам финансовых аналитиков за последние восемь лет, а именно с января 2010 года по конец марта 2018 года. Изначально мы отобрали 54 ценные бумаги (обыкновенные и привилегированные акции), которые входят в текущий индекс МосБиржи или входили в него в последние предыдущие периоды. Однако, в связи с наличием большого числа выбросов среди акций компании Башнефть и получением неадекватных значений некоторых показателей точности, было принято решение исключить данную компанию из выборки (см. таблицу 1 в Приложении). Вероятно, это связано с происходившими с «Башнефтью» в 2014-2016 гг. событиями по ее деприватизации и обратной приватизации, аресту Владимира Евтушенкова - основного владельца компании «Система», которой принадлежал контрольный пакет «Башнефти».

Итоговая выборка состоит из 52 бумаг, количество компаний составило 45 (список ценных бумаг см. в Приложении). Вхождение этих ценных бумаг в индекс ММВБ позволяет говорить о том, что рассматриваемые нами компании имеют высокую капитализацию, а акции их ликвидны.

По выбранным компаниям рассматривались все целевые цены и рекомендации всех аналитиков, доступные в базе данных Thomson Reuters Eikon. Общее количество инвестиционных банков и брокерских домов, которые давали прогнозы по цене или рекомендации для какой-либо из выбранных компаний, составило 39, из них только 18 компаний-аналитиков сделали более 20 прогнозов (см. таблицу 3). Однако, по значительной части прогнозов Thomson Reuters не раскрывает название банка. Таких прогнозов с неизвестными источниками - половина от всех. Стоит отметить также, что в случае раскрытия названия организации-аналитика, в базе также присутствует информация по именам непосредственно людей-аналитиков, сделавших прогноз.

В базе была доступна также и так называемая стоп-дата, то есть дата, после которой рекомендация или прогноз более не является действительным. Существует значительное число наблюдений, по которым еще не наступила стоп-дата. В таком случае мы исключаем данные наблюдения из рассмотрения, так как не имеем права оценивать точность предсказания, дата которого еще не наступила.

Также важно отметить, что существуют наблюдения по нескольким компаниям, которые проводили IPO не на Московской бирже. В связи с этим в базе данных отсутствовали данные по стоимости акций на момент предсказания. Мы считаем, что это является поводом исключить данные наблюдения. Но главная причина - не отсутствие цены, а резкое отличие в доступности данных акций для российских инвесторов и опыт предыдущих статей на данную тему. Наше исследование ориентировано на компании, торгующиеся на Московской бирже, как и большинство других исследований, которые ставили перед собой задачу анализа данных только по итальянским, немецким или, к примеру, американским биржам и так далее.

Кроме того, нами было произведено удаление выбросов, следуя Kerl (2011). Мы удалили несколько процентов наблюдений, которые дают аномально высокие или аномально низкие предсказания (до исключения Башнефти), а именно из выборки по 1% с каждого из концов распределения для ожидаемой доходности по целевой цене (TPER) или как ее еще иногда называют в работах Implicit return:

где TP - целевая цена, - фактическая цена акции на момент прогноза.

В таком случае число наблюдений составило 6729, из них с раскрытыми именами - 3279.

Данные по характеристикам компании, необходимые для расчетов факторов точности целевой цены, а также по рыночному фактору - доходности индекса МосБиржи были взяты также в основном из Thomson Reuters, за исключением данных о дате основания компании и ее выхода на IPO. Данные по аналитическим компаниям, такие как: их размер активов, выручка, число филиалов, время с момента основания, а также является ли инвестиционный банк или брокерский дом иностранной организацией, были найдены на сайтах этих компаний, в том числе из отчетностей.

2.2 Описательные статистики

Из самых распространенных согласно нашей выборке аналитиков, БрокерКредитСервис чаще других пересматривает свои прогнозы по целевым ценам, его прогноз в среднем длится чуть менее 3 месяцев, ТКБ Капитал и Rye, Man & Gor Securities - реже остальных (с длиной прогноза в 10 месяцев). Последний банк при этом выпускает прогнозы в среднем более значительно отличающиеся от целевой цены, то есть не боится прогнозировать высокую доходность (Implicit return для этого инвестбанка почти равен модулю Implicit return). Заметим также, что все инвестбанки чаще всего прогнозируют рост цены, о чем говорят большие цифры доли положительных значений Implicit return, что согласуется с гипотезой об оптимизме аналитиков. Далее рассмотрим, насколько часто аналитики пересматривают свои прогнозы, а также как спад или рост рынка влияет на частоту пересмотра рекомендаций.

Рисунок 3. Соотношения прогнозов по их временным интервалам

Можно отметить, что в кризисные годы по нашей выборке пересмотры прогнозов происходили чаще. Временные горизонты целевых цен не в кризисные годы длиннее, основная доля прогнозов в такие годы приходится на период прогнозирования длиной от 6 месяцев (27%), а в кризисные - на период от трех до шести месяцев (25%).

В целом, на российском рынке число новых прогнозов (до 6 месяцев) превосходит число старых (от 6 до 12 месяцев): 77% против 23%. При этом, российские аналитики чаще дают наиболее короткие прогнозы (до 1 месяца) по сравнению с иностранными (18% среди всех прогнозов против 11%). Соотношение же старых и новых прогнозов (от и до 6 месяцев) у российских и иностранных аналитиков одинаковое.

Рассмотрим далее, как могут соотноситься целевые и фактические цены, «недолеты» и «перелеты» цен на примере акций Газпрома за период с февраля 2015 года по конец марта 2018.

Рисунок 4. Динамика изменений рыночной цены акций и целевой цены (выставленной Кириллом Таченниковым - аналитиком компании BCS) по акциям Газпрома (руб.)

На графике, прежде всего, видно, что российские аналитики могут достаточно часто менять свои прогнозы. Есть также на графике очевидная ошибка в предсказании. Это связано с событиями, произошедшими 11 и 13 апреля 2016 года. 11 апреля 2016 Газпром сообщил, что договорился о прекращении арбитражных разбирательств по газовым контрактам с двумя участниками проекта Nord Stream-2 - немецкой E.On и французской Engie. Причем компания должна была получить от E.On 800 млн. евро платежей, тогда как в предыдущих случаях по итогам таких споров Газпром сам выплачивал своим клиентам компенсации. 13 апреля 2016 года Правление компании «Газпром» предложило выплатить дивиденды по итогам 2015 года в размере, превышавшем дивиденды по итогам двух предшествующих лет. После этих событий наблюдался рост цены, но не настолько значительный, как предсказал аналитик 20 апреля 2016 г. (до 251 руб.). Фактически цена достигла 168 руб.

Ниже представлен более детально участок фактической цены и целевой цены, действующей с 8 декабря 2016 по 6 апреля 2017.

Рисунок 5. Пример реализации предсказания целевой цены (выставленной Кириллом Таченниковым - аналитиком компании BCS) по акциям Газпрома (руб.)

На рисунке 5 мы можем наблюдать, что предсказание аналитика может сбыться задолго до наступления стоп-даты. Аналитик сделал прогноз на падение цены (хотя и повысил немного прежнюю целевую цену), и на временном горизонте прогноза происходит пересечение фактической цены с целевой. Уже в начале апреля, как мы видим на рисунке 4, данный аналитик пересмотрит данное им предсказание. Однако в идеале он должен был это сделать еще за 2 месяца до этого момента, в начале февраля, понимая, что отрицательный тренд будет продолжен.

3.Методология

Проводя исследование точности целевых цен, предсказываемых аналитиками, крайне важно определиться с тремя важнейшими аспектами: временной период, на который предсказание будет считаться действительным; меры точности и факторы точности прогнозов. Именно от них напрямую будет зависеть то, каким образом можно интерпретировать получаемые оценки коэффициентов в регрессиях и результаты в целом. Более того, решения по каждому из аспектов должны быть согласованы друг с другом и с предназначением целевых цен, которое, как мы полагаем, на свободном от личных интересов аналитиков и торгуемых компаний рынке, заключается в принесении основной пользы именно для инвесторов, помогая им принять правильное решение при управлении своим инвестиционным портфелем.

3.1 Горизонт прогнозирования

Что касается времени действия предсказания, то здесь мы действуем по аналогии с работой Bonini et al. (2010). Несмотря на то, что в большинстве исследовательских работ в качестве данного временного промежутка используется фиксированный период длиной 12 месяцев, подобный подход является не совсем корректным. Связано это, в основном, с постоянным появлением новой информации на рынке, которую аналитики учитывают в своей работе, выпуская обновленные значения целевых цен на ее основе. Предыдущие предсказания становятся недействительными. Таким образом, в качестве времени действия предсказания следует использовать период между появлением целевой цены и моментом времени, когда указанная цена становится недействительной (стоп-дата). Данным моментом, как правило, является дата выхода нового отчета аналитика. На рисунке 3 выше видно, что стандартный срок действия прогноза в большинстве случаев не превышает 6 месяцев, что значительно ниже 12 месяцев и подтверждает рациональность выбранного подхода.

3.2 Показатели точности