CC BY
6
The article reviews some research papers aiming to investigate the relationship between the dynamics of stock prices and various economic variables. The basis of the methodological apparatus of the current study is the correlation-regression analysis and the construction of econometric models based on factor asset pricing models proposed by the classics of financial theory. The presented approach expands the classical market model to allow taking into consideration the impact of industrial and regional risks.
The study demonstrates how the inclusion of additional risk factors improves the explanatory power of the factor model and reveals the predominant role of regional affiliation in the risk decomposition for equities of Russian energy companies.
The results can serve portfolio managers and private investors as a part of the system of indicators when analyzing the sources of volatility of financial assets. Also, the results can help to achieve an effective portfolio diversification and to control the investment risk during portfolio construction and evaluation.
The academic value of the study lies in a deeper understanding of the risk factors that affect the returns of financial assets. From a practical point of view, this work allows investors to reproduce a similar study for any other stock and use the results obtained as a criterion for making investment decisions.
Keywords: investing, equity market, factor model, regression analysis, energy companies.
Введение
Риск и доходность финансовых активов подвержены значительному влиянию глобальных макроэкономических тенденций, определяющих ожидаемую траекторию роста экономики, инфляцию, экономическую политику государств, а также изменчивость этих ожиданий. Рассматривая акции компаний той или иной страны, можно утверждать, что их доходность во многом зависит от денежно-кредитной и фискальной политики государства и общего состояния локальной рыночной конъюнктуры, и в то же время деятельность
компаний из различных секторов экономики также подвержена секторальному влиянию. Например, в секторе энергетических ресурсов доминируют глобальные корпорации, финансовые результаты которых во многом зависят от цен на сырьевые товары, определяемые глобально. В это же время на ценообразование акций компаний нефтегазового сектора влияние могут оказывать объем экспорта и импорта продукции, коммерческий грузооборот и объем коммерческих перевозок, уровень добычи и экспорта нефти и природного газа, изменение цен на производимую продукцию и стоимости производства [1], а также различные макроэкономические факторы, воздействующие на российский фондовый рынок в целом.
Взаимосвязь между доходностью финансовых активов и различными макроэкономическими факторами широко изучена в контексте крупнейших экономик и стран с развитым, но не развивающимся рынком. Наиболее масштабные исследования взаимосвязи между стоимостью акций и макроэкономическими переменными были проведены Мурадолгу, Таскином и Биганом [2], Диакояннисом, Циритакисом и Мано-ласом (исследование взаимосвязи между 18 макроэкономическими показателями и динамикой фондового рынка Греции [3]), Вонгбангпо и Шармой (исследование взаимосвязи между 5 макроэкономическими показателями и доходностью фондовых рынков Индонезии, Малайзии, Филиппин, Сингапура и Таиланда [4]), а также Мухо-падхьяем и Саркаром (систематический анализ доходности индийского фондового рынка до и после либерализации рынка, а также анализ влияния макроэкономических факторов на доходность [5]). Мурадоглу и др. исследовали возможную причинно-следственную связь между доходностью 19 развивающихся рынков и обменными курсами, процентными ставками, инфляцией и уровнем промышленного производства за период с 1976 по 1997 год: результаты их исследования показали, что взаимосвязь между доходностью акций и макроэкономическими факторами во многом обусловлена относительным размером соответствующего фондового рынка, а также сте-
пенью интеграции рынка в мировую экономику вследствие различных мер финансовой либерализации [2].
Большое количество научных трудов было посвящено изучению связи между ценами на нефть и динамикой фондового рынка, особенно после 2008 года, когда цены на нефть впервые превысили 100 долларов за баррель, а затем резко обвалились почти до 30 долларов за баррель. Смит и Нараян [6] представили всесторонний обзор литературы за последнее десятилетие, посвященной данной тематике.
Можно выделить исследование Роберта Д. Гея [7], в котором автор выдвинул предположение о наличии положительной связи между обменным курсом и стоимостью акций и о наличии обратной связи между ценой на нефть и стоимостью акций, то есть предположил, что рост (снижение) стоимости национальной валюты в расчете на доллар США негативно (положительно) сказывается на стоимости акций соответствующей страны, в то время как рост цен на нефть оказывает неблагоприятное влияние на фондовый рынок. Используя модель Бокса-Дженкинса АШМА, он изучил взаимосвязь временных рядов между ценами фондовых индексов стран БРИК (Бразилии, России, Индии и Китая) и такими макроэкономическими переменными, как обменный курс и цены на нефть. Было обнаружено наличие связи цен фондовых индексов как с обменным курсом, так и с ценами на нефть, однако объясняющие значения в обоих случаях оказались статистически незначимыми для каждой страны. Таким образом, результаты этого исследования могут свидетельствовать о влиянии иных факторов на доходность фондовых рынков - это могут быть международные макроэкономические факторы или специфические региональные (страно-вые) факторы. Рассматривая отдельные компании, помимо индивидуального (идиосинкратического) риска, можно выдвинуть предположение о влиянии риск-факторов, отражающих тенденции соответствующего сектора или отрасли.
В связи с этим возникает вопрос о том, какой фактор оказывает первоочеред-
ное влияние на динамику цен - географический или отраслевой. В данной научной работе при помощи построения статистических факторных моделей исследуются региональные и отраслевые риск-факторы, влияющие на доходность акций российских компаний нефтегазового сектора.
Материалы и методы
В вопросах построения факторных моделей теоретической базой послужили: современная портфельная теория Гарри Марковица [8], в которой предлагается количественный подход к анализу ценных бумаг; модель оценки капитальных активов Уильяма Шарпа [9], согласно которой разница между средней доходностью активов объясняется единственным фактором - доходностью рыночного портфеля; теория арбитражного ценообразования Стивена Росса [10], в которой предлагается модель анализа ожидаемой доходности актива в виде линейной функции риска актива по отношению к набору факторов, охватывающих систематический риск.
Подход к исследованию отраслевого и регионального эффектов путем построения регрессионной модели был предложен Хестоном и Роувенхорстом [11]: авторы проанализировали доходность акций 829 компаний из различных секторов экономики среди 12 европейских стран и пришли к выводу, что региональный эффект практически вдвое превосходит отраслевой эффект в своем влиянии на доходность активов. Более масштабное исследование было проведено группой экономистов [12] в 2016 году среди 10 секторов (классификация GICS) и 7 регионов за период с января 1995 г. по декабрь 2015 г.: авторы продемонстрировали, как прогнозная сила рыночной модели может быть улучшена при внедрении регионального и отраслевого компонентов в модель, а также обнаружили, что региональный эффект сильнее выражен в странах развивающихся рынков (и в Японии), а сектора экономики, где региональный эффект имеет наименьшее значение, -это сектор информационных технологий, здравоохранения и энергетики. Предложенные авторами модели определили под-
ход к анализу региональных и отраслевых эффектов текущей научной работы.
В финансовой литературе принято выделять три вида факторных моделей ценообразования активов: макроэкономические - предполагают, что доходность финансовых активов коррелирует с непредвиденными изменениями в факторах, связанных с экономикой в целом; фундаментальные - изучают влияние специфических атрибутов акций или компаний, способных объяснить разницу в доходностях финансовых активов; статистические -применяются к данным об исторической доходности ценных бумаг с целью извлечения факторов, способных объяснить наблюдаемую доходность. В статистических моделях факторами зачастую являются рыночные индексы или портфели ценных бумаг: например, статистический фактор, представляющий собой портфель всех торгуемых на бирже акций (выраженный соответствующим индексом), может быть интерпретирован как рыночный фактор в модели У. Шарпа.
Таким образом, первым шагом является выбор факторов, на основе которых будет проведен регрессионный анализ: авторы данной научной работы исходят из предположения о том, что доходность финансовых активов может быть описана упрощенной структурой факторов, а именно при помощи фондовых индексов, способных отразить макроэкономические и глобальные отраслевые тенденции. На рассмотрение выдвигаются следующие вопросы: насколько единственный рыночный индекс (индекс широкого рынка) способен описать различные риски, присущие акциям компаний нефтегазового сектора РФ? какова роль сектора и какова роль региональной принадлежности при декомпозиции риска?
В текущем исследовании анализируются 6 компаний российского энергетического сектора: «Газпром», «Лукойл», «Но-ватэк», «Роснефть», «Сургутнефтегаз», «Татнефть», а также динамика отраслевого индекса нефтегазовых компаний РФ Московской биржи (MOEХOG). Информационной базой послужили данные о рыночных котировках обыкновенных акций указан-
ных компаний и индекса за период с февраля 2010 г. по сентябрь 2022 г. (151 наблюдение). Поскольку интерес представляют агрегированные региональные и отраслевые составляющие, влияющие на ценообразование активов, в целях проведения регрессивного анализа были выбраны следующие индексы: широкий индекс глобального рынка акций MSCI ACWI Index, глобальный индекс компаний энергетического сектора MSCI ACWI Energy Index и индекс российского фондового рынка РТС.
Результаты
Первая модель, используемая для анализа факторов ценообразования российских акций нефтегазового сектора, является регрессией на основе классической рыночной модели (модели САРМ), где зависимой переменной является избыточная доходность акций (доходность, превышающая безрисковую доходность), а предиктором -доходность рыночного портфеля за вычетом безрисковой доходности.
Уравнение регрессии с учетом рыночного фактора (модель 1) имеет следующий вид:
[R(i,t + 1) - rf(t)] = a(i) + МО [Крынок (t + 1) - rf (t)] + + £ (i,t + 1), (1)
где R(i,t + 1) - доходность акций компании i в конце периода t; Ярынок (t + 1) - доходность индекса, представляющего рыночный портфель, в конце периода t;
?! (t) - безрисковая доходность в начале периода t;
a(i) - свободный член регрессионной модели;
Р" (i) - рыночный бета-коэффициент компании i;
s (i,t + 1) - погрешность регрессионной модели, удовлетворяющая классическим условиям.
В контексте текущего исследования важным является изучение глобальной компоненты, влияющей на ценообразование активов, в связи с чем в качестве аналогии рыночного портфеля используется гло-
бальный индекс акций (MSCI ACWI Index), охватывающий акции 2898 компаний среди 23 стран с развитым и 24 стран с развивающимся рынком (индекс охватывает приблизительно 85% мировых инвестиционных возможностей, при этом не включает в себя акции российских компаний).
Все доходности в приведенном ниже анализе рассчитаны на основе ежемесячных данных о рыночных ценах, выраженных в долларах США. Для расчета долларовой доходности российских активов использовался
средневзвешенный курс доллара по отношению к рублю в течение соответствующего временного периода. В качестве безрисковой ставки ту (с) была принята доходность годовых государственных облигаций США.
В таблице 1 приведены значения коэффициентов детерминации (й2), полученные при построении линейных регрессий на основе рыночной модели (модель 1) для шести компаний энергетического сектора РФ и отраслевого индекса.
Таблица 1 - Значения коэффициента детерминации й2 для регрессий, построенных на основе моделей 1 -3 для доходности компаний нефтегазового сектора РФ _за период с февраля 2010 г. по сентябрь 2022 г._
Модель 1 Модель 2А Модель 2Б Модель 3
Компания Рыночный фактор Рыночный и отраслевой Рыночный и региональный Рыночный, региональный и от-
факторы факторы раслевой факторы
ПАО «Газпром» 0,19 0,36 0,73 0,75
ПАО «Лукойл» 0,26 0,38 0,74 0,76
ПАО «Новатэк» 0,18 0,24 0,61 0,61
ПАО «Роснефть» 0,18 0,31 0,65 0,67
ПАО «Сургутнефтегаз» 0,18 0,22 0,59 0,59
ПАО «Татнефть» 0,18 0,32 0,73 0,74
Среднее значение среди 0,19 0,30 0,67 0,69
компаний
Индекс нефтегазовых ком- 0,27 0,41 0,91 0,92
паний (MOEXOG)
Проверка качества регрессионной модели осуществлялось при помощи F-критерия Фишера: в каждом уравнении регрессии наблюдаемое значение F-критерия Фишера (см. F-набл. в приложении 1) превышает критическое значение F-критерия ^-табл. = 3,90 при уровне значимости а = 0,05), в связи с чем можно сделать вывод, что уравнение регрессии в целом является статистически значимым. Помимо этого, проверка качества коэффициентов регрессии в полученных уравнениях при помощи ^критерия Стьюдента также свидетельствует об их статистической значимости: все наблюдаемые значения ^статистики (см. ^набл. в приложении 1) превышают критическое значение ^-табл. = 1,976 при уровне значимости а = 0,05).
Однако низкие значения коэффициентов детерминации (й2) свидетельствуют о слабой объяснительной силе модели 1.
Так, рыночный бета-коэффициент в среднем способен объяснить менее 20% вариации доходности акций анализируемых компаний (25,6% для «Лукойла» и 17,618,7% для других компаний в выборке). Доля необъясненной вариации остается высокой (82,4-74,4%), что указывает на значимую роль прочих, неучтенных в модели риск-факторов, и позволяет выдвинуть предположении о наличии регионального и отраслевого эффектов, влияющих на доходность изучаемых активов.
Для количественной оценки данных эффектов рыночная модель может быть расширена при помощи отраслевого (модель 2А) и регионального фактора (модель 2Б). Также может быть построена многофакторная модель, одновременно учитывающая оба этих эффекта (модель 3).
Уравнение регрессии с учетом рыночного фактора и широкого отраслевого фактора (модель 2А) имеет следующий вид:
[R(i,t + 1) - rf(t)] = a(i) + Pi (Q [Крынок (t + 1)- rf (t) ] +
+ P# (i) [R сектор (t+D- RpblHOK(t + 1)] + £ (i,t + 1), (2)
где p2 (Q - отраслевой коэффициент («бета сектора») компании i;
RceKmop (^ + 1) - доходность глобального индекса компаний нефтегазового сектора в конце периода t.
Остальные переменные были определены в модели 1.
В качестве глобального индекса, характеризующего движение цен акций нефтегазового сектора, был выбран индекс MSCI ACWI Energy Index, который включает в себя 111 акций энергетических компаний среди 23 стран развитых и 24 стран развивающихся рынков.
Уравнение регрессии с учетом рыночного фактора и регионального факторов (модель 2Б) имеет следующий вид:
[ R(i,t + 1) - Tf(t)] = a(i) + Pi (Q [Rpuhok (t + 1) - Tf (t) ] + + P#(Q [Rpeeurn (t + 1) - RpuHoAt + 1)] +
£ (i,t + 1), (3)
где p2(i) - региональный коэффициент («бета рынка РФ») компании i; RpezuOH (t + 1) - доходность российского рынка акций, рассчитанная на основе индекса РТС на конец периода t;
Остальные переменные были определены ранее.
В качестве отраслевого фактора используется избыточная доходность акций мирового энергетического сектора в сравнении с рыночной доходностью (т.е. регрессом является доходность глобального отраслевого индекса MSCI ACWI Energy Index за вычетом доходности индекса широкого рынка MSCI ACWI Index в соответствующем периоде), чтобы уменьшить корреляцию между независимыми переменными (избежать мультиколлинеар-
ность среди регрессоров). Аналогичным образом региональный фактор был определен как избыточная доходность российского рынка акций в сравнении с рыночным портфелем.
Уравнение регрессии с учетом рыночного, отраслевого и регионального факторов (модель 3) имеет следующий вид:
[R(i,t + 1) - гг(С)] = а(1) + Рг (О [Крынок ^ + 1)- гг (0 ] + + Р2 (I) ^регион ^ + 1) - RрЫнок^ + 1)] + + Ш [¡* сектор а + 1)- Rрынок(t + 1)] +
£ (1,1 + 1), (4)
Регрессия с фактором глобального рынка и широким отраслевым фактором предоставляет рыночный бета-
коэффициент и отраслевой бета-коэффициент для каждой бумаги. Аналогичным образом регрессия с фактором глобального рынка и региональным фактором предоставляет рыночный бета-коэффициент и региональный бета-коэффициент. Агрегированная модель, охватывающая все три риск-фактора, предоставляет соответствующие три бета-коэффициента для каждой бумаги.
Как видно из таблицы 1, включение отраслевого фактора в модель (модель 2А) позволяет достичь заметного роста значения коэффициента детерминации: в сравнении с первой моделью, R2 в среднем увеличился на 11,1 п.п. в уравнениях компаний и на 13,9 п.п. в уравнении индекса. Однако объяснительная сила модели по-прежнему остается слабой, и, несмотря на прирост коэффициента, больше половины вариации доходности изучаемых бумаг остается необъясненной. С другой стороны, учет регионального фактора (модель 2Б) позволяет добиться существенного улучшения качества модели: в среднем значение коэффициента R2 составляет 67,4% среди анализируемых компаний (+48,1 п.п.) и 91,0% для индекса (+63.8 п.п.). Для каждой компании включение регионального фактора в модель обеспечивает более высокое приращение коэффициента R2, нежели включение широкого от-
раслевого фактора. Таким образом, влияние регионального эффекта на ценообразование изучаемых активов кажется более весомым.
Как и в случае с первой моделью, полученные уравнения регрессии подлежали проверке на статистическую значимость: наблюдаемые значения F-критерия Фишера и ^статистики превышают табличные значения (при уровне значимости а = 0,05), что подтверждает значимость уравнения регрессии в целом и регрессоров соответственно. Регрессионная статистика отображена в приложении 1.
При построении регрессионных уравнений на основе модели 3 коэффициенты детерминации оказываются несколько выше для каждой компании, что свидетельствует о наличии существенной связи между рассматриваемыми факторами. В частности, 92% вариации индекса российских нефтегазовых компаний объясняется вариацией всех факторов, включенных в модель, т.е. совместной вариацией фактора широкого рынка, отраслевого фактора и регионального фактора.
Примечательным является сравнение среднего значения Я2 для различных компаний в моделях 2 и 3. Рост коэффициента Я2 при переходе от модели 2А к модели 3 отражает дополнительную объяснительную силу, которую вносит региональный эффект. Компании, где региональный эффект оказался сравнительно менее важным - это ПАО «Новатэк» и ПАО «Роснефть», наиболее важным - ПАО «Татнефть». Для всех компаний в выборке принадлежность к российскому рынку имеет более высокое значение, чем динамика глобального энергетического сектора, однако следует отметить, что, сопоставляя модель 2Б и модель 3, мы видим, что включение отраслевого фактора, пусть и незначительно, все же позволяет улучшить качество модели. Например, для компании ПАО «Газпром» учет отраслевого фактора, наряду с региональным, позволяет заметно усилить модель.
Модель 3 оставляет необъясненной только 8% вариации доходности индекса нефтегазовых компаний РФ. Касательно
отдельных компаний коэффициент детерминации в среднем составил 68,7% - более четверти вариации доходности не описывается моделью, что свидетельствует о существенной индивидуальной компоненте риска, присущей акциям анализируемых компаний.
Аналогично была проведена проверка статистической значимости регрессии. Результат данной проверки показал, что наблюдаемое значение F-критерия Фишера превышает критическое значения, в связи с чем можно сделать вывод о статистической значимости уравнений регрессии в целом. Однако было обнаружено, что не все объясняющие факторы могут быть в равной степени полезны при построении модели для различных компаний. Наблюдаемое значение ^статистики Стьюдента оказалось ниже критического значения при уровне значимости а = 0,05 для отраслевого фактора в уравнениях, построенных для компаний ПАО «Новатэк» и ПАО «Сургутнефтегаз». Обращаясь к значениям скорректированного (нормированного) Я2 в приложении 1, можно заметить, что для указанных двух компаний переход от модели 2Б к модели 3 сопровождается снижением данного коэффициента. Из этого следует, что переменную, которая отражает отраслевой эффект, не имеет смысла включать в модель, а предпочтение следует отдавать модели 2Б. Экономическое обоснование полученных статистически результатов может заключаться в том, что компании «Новатэк» и «Сургутнефтегаз» менее зависимы от международных тенденций энергетического сектора, и, опираясь на сравнительно низкие значения Я2 во всех моделях, можно предположить, что весомую роль в ценообразовании акций будут играть фундаментальные факторные признаки, относящиеся непосредственно к деятельности данных компаний. В это же время для всех остальных компаний в выборке модель 3 обеспечивает наивысшее значение скорректированного Я2, а ^ статистика указывает на статистическую значимость всех регрессоров.
В таблице 2 приведены значения бета-коэффициентов из уравнений регрес-
сии, построенных в соответствии с моделью 3. Бета-коэффициенты являются статистически значимыми для всех компаний, за исключением р3 («бета сектора») для компаний «Новатэк» и «Сургутнефтегаз». Как видно из таблицы, даже статистически значимые отраслевые бета-коэффициенты (бета-3) значительно ниже и региональных коэффициентов (бета-2). Отсюда следует вывод, что для российских компаний нефтегазового сектора принадлежность к
российскому рынку ценных бумаг играет более важную роль, чем принадлежность к энергетическому сектору в глобальном масштабе. Безусловно, нельзя отрицать влияние глобальных тенденций энергетического сектора на ценообразование российских бумаг, однако использовать отраслевой индекс компаний с широкой географией охвата в качестве объясняющего факторного признака в модели следует с осторожностью.
Таблица 2 - Значения бета-коэффициентов для регрессий, построенных на основе модели 3 для доходности компаний нефтегазового сектора РФ _за период с февраля 2010 г. по сентябрь 2022 г._
Компания Бета-1 Бета-2 Бета-3
ПАО «Газпром» 0,88 1,16 0,49
ПАО «Лукойл» 0,88 0,90 0,27
ПАО «Новатэк» 0,94 1,09 0,06*
ПАО «Роснефть» 0,93 1,17 0,39
ПАО «Сургутнефтегаз» 0,92 1,07 -0,07*
ПАО «Татнефть» 0,84 1,14 0,34
Индекс нефтегазовых компаний 0,88 1,02 0,23
(MOEXOG)
Обсуждение
Результаты исследования описывают превалирующую роль регионального фактора среди анализируемых компаний, что согласуется с наблюдениями, полученными в ходе более ранних исследований [11, 12]. Российский фондовый рынок считается развивающимся, а торгуемые на бирже местные акции подвержены существенному страновому риску. В связи с этим, как и у других стран с развивающимся рынком, региональный фактор преобладает в своем влиянии на доходность активов, а совместная динамика акций компаний соответствующего сектора (отраслевой фактор) лишь в некоторых случаях способна объяснить вариацию доходности (следует иметь в виду, что при расчетах изменения доходности активов измерялись в долларах США, что может привести к некоторому завышению регионального эффекта).
Наряду с глобальными флуктуациями на мировом рынке, отраслевыми тенденциями и различными макроэкономическими факторами существует множество геополитических факторов, которые хуже поддаются количественной оценке, но при этом ока-
зывают внушительное влияние на ценообразование финансовых активов, особенно для компаний в энергетическом секторе.
Если обратиться к модели дисконтирования денежных потоков как к базовой модели расчета справедливой стоимости финансового актива, можно отметить, что геополитические события способны затронуть каждую переменную в модели, при этом прямое воздействие геополитического события на справедливую стоимость актива будет заключаться в изменении риск-премии. Так, в исследовании Пастора и Веронези [13] изучается связь между различными политико-экономическими мероприятиями и премией за риск для финансовых активов. Традиционно предполагается, что изменение риск-премии должно происходить только в ответ на экономические события, т.к. они влияют на будущие денежные потоки компаний или компоненты ставки дисконтирования. Следовательно, политические события могут иметь лишь косвенное влияние (поскольку принятые меры могут затронуть денежные потоки компании, уровень инфляции, уровень безрисковой ставки и пр.). Однако
ученые проанализировали изменения стоимости акций в ответ на различные политические новости и обнаружили, что политическая неопределенность на самом деле предполагает премию за риск, которая не зависит от премии за риск, обусловленной исключительно экономическими факторами. В своей модели Пастор и Веронези объяснили данную риск-премию «неприятием неопределенности» (uncertainty aversion). Предполагается, что политический риск отражает неопределенность относительно будущего (в том числе возможное, но непредвиденное влияние государственной политики на экономику), и, как следствие, «не склонные к неопределенности» инвесторы требуют компенсацию за дополнительный риск.
Таким образом, экономическое обоснование полученных в ходе текущего исследования статистических результатов может заключаться в том, что рассматриваемый в модели региональный эффект, среди прочего, также отражает степень неопределенности (геополитической и экономической), присущую российскому фондовому рынку в целом.
Заключение
На примере акций российских компаний нефтегазового сектора было продемонстрировано, как анализ факторов ценообразования акций компаний может быть начат с построения классической рыночной модели и затем усовершенствован путем внедрения в модель региональных и отраслевых компонентов.
В рамках данного исследования не рассматривались факторы, относящиеся непосредственно к деятельности самих компаний, а также отдельные макроэкономические и отраслевые показатели, влияющие на их деятельность и, как следствие, на рыночную стоимость. Данное исследование было посвящено анализу агрегированных факторов, которые, как предполагается, позволяют отразить рыночные, региональные и отраслевые тенденции, а регрессионный анализ проводился на основе
данных о динамике соответствующих фондовых индексов.
Было выявлено, что региональный фактор играет важную роль в ценообразовании акций рассматриваемых компаний и в своем влиянии значительно превосходит отраслевой эффект. Другими словами, факт принадлежности компании к российскому фондовому рынку более важен в объяснении доходности, чем общемировые отраслевые тенденции, поскольку динамика глобального отраслевого индекса незначительно улучшает качество модели. Существенной связи между доходностью компаний и индексом широкого рынка обнаружить не удалось, что свидетельствует о том, что один-единственный рыночный индекс не способен отразить множество разнообразных рисков, присущих финансовым активам, а классическая рыночная модель требует внедрения иных переменных.
В практике международного портфельного менеджмента зачастую используется двухступенчатый подход к формированию портфеля ценных бумаг: если портфельный управляющий считает, что драйвером доходности преимущественно являются отраслевые тенденции, на первом этапе будет осуществляться распределение долей в портфеле ценных бумаг между секторами экономики, а затем, на втором этапе, будет использован фундаментальный анализ для выбора наиболее привлекательных вложений среди сектора. Если же управляющий исходит из предположения, что локальные рыночные факторы оказывают большее влияние на доходность активов, на первом этапе распределяются доли ценных бумаг в портфеле между регионами и странами, и затем, на втором этапе, отбираются наилучшие бумаги в каждой стране. Таким образом, предложенная методология и полученные в ходе исследования результаты могут быть полезны портфельным управляющим и частным инвесторам в ходе принятия инвестиционных решений.
Приложение 1 - Регрессионная статистика рассмотренных в исследовании моделей 1 -3
для доходности акций компаний нефтегазового сектора РФ _за _ период с февраля 2010 г. ^ по сентябрь 2022 г._
Коэфф. Ст. ошибка ^стат. Р-знач. R- квадрат Нормир. R- квадрат Ст. ошибка F-набл. № модели
ПАО «Газпром»
Y-пересечение -0,0011 0,0085 -0,1238 0,9016 0,1866 0,1811 0,1044 34,18 1
[ Крынка - гф ] 1,1245 0,1923 5,8467 0,0000
Y-пересечение 0,0026 0,0076 0,3488 0,7277 0,3589 0,3503 0,0930 41,43 2А
[ Крынка - гф ] 0,8996 0,1750 5,1409 0,0000
[ Rсектора -Крынка ] 1,1180 0,1773 6,3073 0,0000
Y-пересечение 0,0024 0,0050 0,4798 0,6321 0,7262 0,7225 0,0608 196,31 2Б
[ Крынка - гф ] 0,9646 0,1123 8,5858 0,0000
[ RРТС - Rрынка ] 1,2649 0,0741 17,0804 0,0000
Y-пересечение 0,0037 0,0047 0,7833 0,4347 0,7549 0,7499 0,0577 150,88 3
[ Крынка - гф ] 0,8805 0,1086 8,1088 0,0000
[ КРТС - Rрынка ] 1,1563 0,0750 15,4083 0,0000
[ Rсекmора -Крынка ] 0,4862 0,1174 4,1422 0,0001
ПАО «Лукойл»
Y-пересечение 0,0010 0,0065 0,1600 0,8731 0,2562 0,2512 0,0797 51,31 1
[ Крынка - гф ] 1,0520 0,1469 7,1632 0,0000
Y-пересечение 0,0036 0,0060 0,5988 0,5502 0,3821 0,3737 0,0729 45,76 2А
[ Крынка - гф ] 0,8985 0,1372 6,5496 0,0000
[ Rсектора -Крынка ] 0,7632 0,1390 5,4919 0,0000
Y-пересечение 0,0036 0,0038 0,9488 0,3443 0,7426 0,7392 0,0470 213,53 2Б
[ Крынка - гф ] 0,9308 0,0870 10,7008 0,0000
[ RРТС - Rрынка ] 0,9590 0,0573 16,7258 0,0000
Y-пересечение 0,0044 0,0037 1,1669 0,2451 0,7567 0,7518 0,0459 152,42 3
[ Rрынка - гф ] 0,8837 0,0864 10,2304 0,0000
[ КРТС - Rрынка ] 0,8982 0,0597 15,0457 0,0000
[ Rсекmора -Rрынка ] 0,2724 0,0934 2,9176 0,0041
ПАО «Новатэк»
Y-пересечение 0,0090 0,0083 1,0820 0,2810 0,1817 0,1762 0,1025 33,08 1
[ Крынка - гф ] 1,0862 0,1888 5,7519 0,0000
Y-пересечение 0,0112 0,0081 1,3836 0,1686 0,2424 0,2322 0,0989 23,68 2А
[ Крынка - гф ] 0,9555 0,1862 5,1311 0,0000
[ Ксектора -Крынка ] 0,6498 0,1886 3,4451 0,0007
Y-пересечение 0,0120 0,0058 2,0692 0,0403 0,6074 0,6021 0,0712 114,51 2Б
[ Крынка - гф ] 0,9471 0,1317 7,1919 0,0000
[ КРТС - Крынка ] 1,0998 0,0868 12,6692 0,0000
Y-пересечение 0,0122 0,0058 2,0843 0,0389 0,6078 0,5998 0,0714 75,95 3
[ Крынка - гф ] 0,9375 0,1344 6,9732 0,0000
[ КРТС - Крынка ] 1,0874 0,0929 11,7030 0,0000
[ Ксектора -Крынка ] 0,0557 0,1453 0,3832 0,7021
ПАО «Роснефть»
Y-пересечение 0,0008 0,0090 0,0895 0,9288 0,1758 0,1703 0,1110 31,79 1
[ Крынка - гф ] 1,1536 0,2046 5,6383 0,0000
Y-пересечение 0,0042 0,0083 0,5051 0,6142 0,3066 0,2972 0,1022 32,71 2А
[ Крынка - гф ] 0,9466 0,1923 4,9214 0,0000
[ Ксектора -Крынка ] 1,0290 0,1948 5,2820 0,0000
Y-пересечение 0,0042 0,0059 0,7154 0,4755 0,6529 0,6482 0,0723 139,20 2Б
[ Крынка - гф ] 0,9946 0,1337 7,4403 0,0000
[ КРТС - Крынка ] 1,2569 0,0881 14,2629 0,0000
Y-пересечение 0,0053 0,0058 0,9113 0,3636 0,6694 0,6626 0,0708 99,21 3
[ Крынка - гф ] 0,9272 0,1333 6,9579 0,0000
[ RРТС - Rрынка ] 1,1698 0,0921 12,7015 0,0000
[ Rсекmора -Крынка ] 0,3899 0,1441 2,7066 0,0076
ПАО «Сургутнефтегаз»
Y-пересечение -0,0036 0,0081 -0,4405 0,6602 0,1775 0,1720 0,0997 32,15 1
[ Крынка - гф ] 1,0416 0,1837 5,6702 0,0000
Y-пересечение -0,0019 0,0080 -0,2365 0,8133 0,2173 0,2068 0,0976 20,55 2А
[ Крынка - гф ] 0,9389 0,1836 5,1124 0,0000
[ Rсектора -Крынка ] 0,5107 0,1860 2,7453 0,0068
Y-пересечение -0,0007 0,0058 -0,1265 0,8995 0,5904 0,5849 0,0706 106,68 2Б
[ Крынка - гф ] 0,9087 0,1305 6,9625 0,0000
[ КРТС - Rрынка ] 1,0510 0,0860 12,2158 0,0000
Y-пересечение -0,0009 0,0058 -0,1597 0,8733 0,5911 0,5828 0,0708 70,85 3
[ Крынка - гф ] 0,9212 0,1332 6,9165 0,0000
[ КРТС - Rрынка ] 1,0671 0,0921 11,5929 0,0000
[ Ксектора -Крынка ] -0,0724 0,1440 -0,5028 0,6159
ПАО «Татнефть»
Y-пересечение 0,0035 0,0081 0,4264 0,6704 0,1802 0,1747 0,0998 32,75 1
[ Крынка - гф ] 1,0519 0,1838 5,7231 0,0000
Y-пересечение 0,0066 0,0074 0,8902 0,3748 0,3194 0,3102 0,0912 34,73 2А
[ Крынка - гф ] 0,8595 0,1716 5,0078 0,0000
[ Ксектора -Крынка ] 0,9566 0,1738 5,5027 0,0000
Y-пересечение 0,0067 0,0047 1,4326 0,1541 0,7267 0,7230 0,0578 196,76 2Б
[ Крынка - гф ] 0,8987 0,1069 8,4106 0,0000
[ КРТС - Крынка ] 1,2117 0,0704 17,2025 0,0000
Y-пересечение 0,0077 0,0046 1,6625 0,0985 0,7417 0,7365 0,0564 140,72 3
[ Крынка - гф ] 0,8407 0,1061 7,9240 0,0000
[ КРТС - Крынка ] 1,1368 0,0733 15,5033 0,0000
[ Ксектора -Крынка ] 0,3355 0,1147 2,9256 0,0040
Индекс нефтегазовых компаний (MOEXOG)
Y-пересечение 0,0005 0,0063 0,0869 0,9309 0,2719 0,2670 0,0771 55,64 1
[ Крынка - гф ] 1,0590 0,1420 7,4595 0,0000
Y-пересечение 0,0031 0,0057 0,5532 0,5810 0,4112 0,4032 0,0695 51,68 2А
[ Крынка - гф ] 0,9013 0,1308 6,8882 0,0000
[ Ксектора -Крынка ] 0,7842 0,1325 5,9167 0,0000
Y-пересечение 0,0035 0,0022 1,5596 0,1210 0,9101 0,9088 0,0272 748,79 2Б
[ Крынка - гф ] 0,9234 0,0502 18,3787 0,0000
[ КРТС - Крынка ] 1,0732 0,0331 32,4057 0,0000
Y-пересечение 0,0041 0,0021 1,9364 0,0547 0,9202 0,9185 0,0257 564,70 3
[ Крынка - гф ] 0,8844 0,0484 18,2916 0,0000
[ КРТС - Крынка ] 1,0229 0,0334 30,6115 0,0000
[ Ксектора -Крынка ] 0,2253 0,0523 4,3109 0,0000
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Малкина М.Ю., Яковлева Е.К. Анализ влияния макроэкономических и отраслевых факторов на курс акций компаний // Финансы и кредит. - 2016. -Вып. 44. - С. 33-47.
2. Muradoglu G., Taskin F., Bigan I. (2000) Causality between stock returns and
macroeconomic variables in emerging markets. Russian & East European Finance and Trade, 36, 6: p. 33-53.
3. Diacogiannis G.P., Tsiritakis E.D., & Manolas G.A. (2001) Macroeconomic factors and stock returns in a changing economic framework: The case of the Athens stock exchange. Managerial Finance, 27, 6: p. 23-41.
4. Wongbanpo P., Sharma S.C. (2002) Stock market and macroeconomic fundamental dynamic interactions: ASEAN-5 countries. Journal of Asian Economics, 13: p. 27-51.
5. Mukhopadhyay D., Sarkar N. (2003) Stock return and macroeconomic fundamentals in model- specification framework: Evidence from Indian stock market. Indian Statistical Institute, Economic Research Unit, ERU 200305 Discussion Paper, January 2003: p. 1-28.
6. Smyth R., Narayan P.K. (2018) «What Do We Know about Oil Prices and Stock Returns?» International Review of Financial Analysis 57 (May): p. 148-56.
7. Robert D. Gay, Jr. (2008) Effect Of Macroeconomic Variables On Stock Market Returns For Four Emerging Economies: Brazil, Russia, India, And China // International Business & Economics Research Journal. March 2008. Vol. 7. Number 3.
8. Markowitz H. Portfolio Selection // The Journal of Finance. - 1952. - № 7 (1). - P. 77-91.
9. Sharpe W. Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk // Journal of Finance. - 1964. -Vol. 19. - P. 425-442.
10. Ross S.A. The Arbitrage Theory of Capital Asset Pricing // Journal of Economic Theory. - 1976. - № 13 (3). - P. 341-60.
11. Steven L. Heston, K. Geert Rouwenhorst. Industry and country effects in international stock returns // Journal of Portfolio Management. - 1995. - № 21 (3). - P. 53-58.
12. Naik V., Devarajan M., Nowobil-ski A., Page S., Pedersen N. Factor Investing and Asset Allocation // A Business Cycle Perspective. - December 2016. - P. 22-28.
13. Pastor L., Veronesi P. Political Uncertainty and Risk Premia // Journal of Financial Economics. - 2013. - № 110 (3). - P. 520-45.
BIBLIOGRAPHIC LIST
1. Malkina M.Yu., Yakovleva E.K. Analysis of the Influence of Macroeconomic and Industrial Factors on Companies' Stock Price // Journal of Finance and Credit. -2016. - Vol. 44. - P. 33-47.
2. Muradoglu G., Taskin F., Bigan I. (2000) Causality between stock returns and
macroeconomic variables in emerging markets. Russian & East European Finance and Trade, 36, 6: p. 33-53.
3. Diacogiannis G.P., Tsiritakis E.D., & Manolas G.A. (2001) Macroeconomic factors and stock returns in a changing economic framework: The case of the Athens stock exchange. Managerial Finance, 27, 6: p. 23-41.
4. Wongbanpo P., Sharma S.C. (2002) Stock market and macroeconomic fundamental dynamic interactions: ASEAN-5 countries. Journal of Asian Economics, 13: p. 27-51.
5. Mukhopadhyay D., Sarkar N. (2003) Stock return and macroeconomic fundamentals in model- specification framework: Evidence from Indian stock market. Indian Statistical Institute, Economic Research Unit, ERU 2003-05 Discussion Paper, January 2003: p. 1-28.
6. Smyth R., Narayan P.K. (2018) «What Do We Know about Oil Prices and Stock Returns?» International Review of Financial Analysis 57 (May): p. 148-56.
7. Robert D. Gay, Jr. (2008) Effect Of Macroeconomic Variables On Stock Market Returns For Four Emerging Economies: Brazil, Russia, India, And China // International Business & Economics Research Journal. March 2008. Vol. 7. Number 3.
8. Markowitz H. Portfolio Selection // The Journal of Finance. - 1952. - № 7 (1). - P. 77-91.
9. Sharpe W. Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk // Journal of Finance. - 1964. -Vol. 19. - P. 425-442.
10. Ross S.A. The Arbitrage Theory of Capital Asset Pricing // Journal of Economic Theory. - 1976. - № 13 (3). - P. 341-60.
11. Steven L. Heston, K. Geert Rouwenhorst. Industry and country effects in international stock returns // Journal of Portfolio Management. - 1995. - № 21 (3). - P. 53-58.
12. Naik V., Devarajan M., Nowobil-ski A., Page S., Pedersen N. Factor Investing and Asset Allocation // A Business Cycle Perspective. - December 2016. - P. 22-28.
13.Pastor L., Veronesi P. Political Uncertainty and Risk Premia // Journal of Financial Economics. - 2013. - № 110 (3). - P. 520-45.
РЕГИОНАЛЬНАЯ ЭКОНОМИКА DOI 10.54220/finis.1991-0525.2022.76.3.005 Михайлюк М.В.,
д.э.н., доцент, профессор кафедры логистики и управления транспортными системами РГУПС г. Ростов-на-Дону, Россия E-mail: [email protected]
ЦИФРОВЫЕ БИЗНЕС-ЭКОСИСТЕМЫ РЕГИОНА: СЛОЖНОСТИ РАЗВИТИЯ
JEL classification: Q56, F65
Аннотация
Актуальность. Экономические субъекты всегда объединяются в системы по территориальному или производственному принципу. Путь к формированию бизнес-экосистем отчасти обусловлен оцифровкой больших массивов данных, а также появлением передовых инструментов аналитики, которые позволяют компаниям лучше понимать своих клиентов и обеспечивают конкурентоспособное позиционирование на рынке. Сотрудничество предприятий и организаций разных сфер экономики и IT-технологий оказалось эндогенной чертой и одной из ее самых сильных сторон в условиях глобальной конкуренции.
Структура/методология/подход. Актуальность данного исследования состоит в рассмотрении структурных аспектов и анализе имеющегося опыта разработки и внедрения экосистем торговыми и финансовыми компаниями для обеспечения конкурентоспособного позиционирования традиционных компаний в текущих реалиях посредством формирования цифровых бизнес-экосистем в регионе.
Результаты. В статье обосновано, что последние достижения в области внедрения B2B позволяют предприятиям ускорить динамику бизнеса, однако эти решения все еще ограничены одной цепочкой создания стоимости, в одной бизнес-области и обычно между статичным набором участников. В результате исследования сделан вывод, что в текущих усло-
виях бизнес-экосистема - это интеграция бизнес-среды с программной средой, в которой могут разрабатываться и использоваться бизнес-приложения; особый процесс территориальных инноваций, обеспечиваемый наличием цифровой экосистемы.
Вывод. На основе проведенного исследования сформированы следующие выводы: чтобы успешно участвовать в бизнес-экосистеме, традиционным предприятиям часто необходимо изменить свое представление о клиенте и способ взаимодействия с ним. Современная форма бизнес-экосистемы представляет собой уникальную самоорганизующуюся систему, основанную на фундаментальных принципах, способную анализировать весь процесс взаимодействия бизнес-структур в неразрывном единстве.
Ключевые слова: экосистема, корпорации, цифровизация, инновации.
M. V. Mikhailyuk
DIGITAL BUSINESS ECOSYSTEMS OF THE REGION: THE COMPLEXITIES OF DEVELOPMENT
Annotation
Economic entities always come together in systems along territorial or production lines. The path to the formation of business ecosystems is partly due to the digitization of large amounts of data, as well as the emergence of advanced analytical tools that allow companies to better understand their customers and provide a competitive positioning in the market. Collaboration between businesses and organizations across industries and IT has proven to be an endogenous feature and one of its greatest strengths in the face of global competition.
The relevance of this study is to consider the structural aspects and analyze the existing experience in the development and implementation of ecosystems by trading and financial companies to ensure the competitive positioning of traditional companies in the current realities, through the formation of digital business ecosystems in the region.
