Сектор финансовых компаний, куда входят в основном банки, имеет сильную зависимость от цен на нефть и динамики фондового рынка США, и если второе еще можно объяснить, то вот первый вывод кажется более странным. Одним из возможных объяснений может быть то, что в нашей стране для банков крупнейшими заемщиками являются именно нефтегазовые компании, поэтому благосостояние каждого банка становится сильно связанным с благосостоянием кредитуемой им нефтяной компанией, а ее благосостояние уже зависит от цен на нефть. Логично высокой оказалась отрицательная связь с курсом доллара, а вот зависимость от процентных ставок наоборот оказалась на удивление слабой, что странно, ведь вся деятельность банков напрямую зависит от уровня процентных ставок в стране.

Металлургические компании сильно зависят от цен на промышленные металлы и это объяснимо и логично, а взаимосвязь с этим фактором оказалась у металлургов наиболее сильной среди всех отраслей. Сильная связь также наблюдается с ценами на нефть, видимо, из-за мультиколлинеарности цен на нефть и цен на металлы. Кроме того, стоит отметить, что наиболее сильной оказалась взаимосвязь между металлургическими компаниями и динамикой фондового рынка США, и вообще связь с данным фактором у металлургов оказалась наиболее сильной среди всех отраслей. Это также является немного удивительным выводом, хотя мы можем сделать предположение, почему так получилось: дело в том, что крупнейшие металлургические компании страны, вроде Русала, Мечела, Северстали, НорНикеля имеют заводы и производства, которые расположены на территории США и среди всех отраслей экономики РФ, только металлурги могут похвастаться солидным представительством дочерних компаний на территории США. И хотя доля выручки, приходящаяся на американские заводы, не является «львиной» в общем объеме выручки этих компаний, и хотя в последние годы в отрасли наметился тренд на постепенную продажу зарубежных активов металлургических компаний, этот фактор все же обеспечить более глубокую связь между акциями металлургов и фондовым рынком США.

Также несколько неожиданным можно назвать слабую зависимость металлургических компаний от курса доллара, хотя мы ранее делали предположение о том, что укрепление доллара может позитивно сказаться на акциях этих компаний, поскольку они в большей степени ориентированы на экспорт. Взаимосвязь с процентными ставками и индексом ОФЗ оказалась невысокой.

Компании машиностроительного сектора демонстрируют заметную положительную взаимосвязь с динамикой фондового рынка США и заметную отрицательную взаимосвязь с процентными ставками и с динамикой курса доллара США, что логично, так как производство этих компаний в основном ориентировано на внутренний рынок. Связь с ценами на нефть, металлы, и с индексом ОФЗ оказалась низкой.

Нефтегазовые компании имеют наиболее сильную связь с ценами на нефть, что полностью совпадает с фундаментальными предпосылками, а также с динамикой фондового рынка США и ценами на промышленные металлы (проявление эффекта мультиколлинеарности с ценами на нефть). Связь с остальными факторами оказалась незначительной, хотя мы предполагали, что заметной может оказаться зависимость между нефтегазовой отраслью и динамикой курса доллар-рубль.

В секторе энергетических компаний каких-то особых отличий от прочих секторов выделить трудно: наиболее сильная связь с ценами на нефть, металлы, фондовым рынком США и динамикой курса доллар-рубль, а слабая с процентными ставками и индексом ОФЗ. Стоит лишь отметить, что среди всех отраслей у энергетиков оказалась наиболее сильная зависимость от динамики курсов валют, что выглядит логично, поскольку компании данного сектора полностью ориентированы на внутренний рынок.

В секторе телекоммуникационных компаний также все стандартно, хотя немного странной и труднообъяснимой кажется сильная зависимость от цен на нефть и цен на промышленные металлы. В остальном все стандартно: сильная связь с фондовым рынком США, курсом доллар-рубль, а также заметная зависимость от динамики процентных ставок в стране.

В секторе транспортных компаний стоит отметить более слабую, чем у прочих отраслей, зависимость от фондового рынка США, а также заметно более сильную, чем у остальных отраслей, зависимость от долгового рынка, представленного индексом ОФЗ. Объяснить эти феномены тяжело.

Теперь перейдем к анализу взаимосвязей между долларовыми отраслевыми индексами и долларовыми объясняющими переменными. Сразу же стоит отметить, что мы сократили число переменных, в частности, из множества переменных индексов мировых фондовых рынков мы оставили только переменную SPX американского фондового рынка, которая и будет участвовать в дальнейшем исследовании. Также мы убрали переменную RUSBOND из дальнейшего рассмотрения, поскольку очевидно, что связи между российским фондовым рынком и российскими государственными облигациями не наблюдается.

Таблица 14 Корреляционные взаимосвязи между долларовыми переменными по отраслям.

	CHM_USD	CSG_USD	FNL_USD	MM_USD	MNF_USD	OG_USD	PWR_USD	TLC_USD	TRN_USD
BRENT	0.192709	0.108174	0.176510	0.261685	0.160503	0.315493	0.206767	0.232970	0.167101
	0.0001	0.0140	0.0001	0.0000	0.0003	0.0000	0.0000	0.0000	0.0013
METAL	0.249859	0.211566	0.198932	0.393169	0.236759	0.352607	0.274796	0.290419	0.206619
	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0001
MOSPRIME	-0.074439	-0.115515	-0.049229	-0.086783	-0.167338	-0.110367	-0.097281	-0.151725	-0.044244
	0.1282	0.0087	0.2648	0.0490	0.0001	0.0123	0.0274	0.0006	0.3961
SPX	0.300379	0.218663	0.315393	0.452711	0.335632	0.459226	0.357715	0.409930	0.154449
	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0029
USDRUB	-0.471176	-0.634670	-0.564289	-0.373855	-0.577792	-0.513742	-0.588370	-0.578692	-0.565550
	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0223	0.0000	0.0000

В целом, можно отметить, что каких-то сильных изменений во взаимосвязях между отдельными отраслевыми фондовыми индексами и объясняющими переменными не произошло, хотя необходимо заметить, что в среднем степень взаимосвязи между долларовыми переменными оказалась несколько ниже, чем между рублевыми факторами.

Например, средний коэффициент корреляции между переменной BRENT и всеми отраслевыми индексами в долларах оказался равен 20,2%, тогда как рублевым факторам соответствовал коэффициент 29%. Также сильно снизилась взаимосвязь между отраслевыми индексами и процентной ставкой: -10% для долларовых переменных против -19,4% для рублевых. Это можно объяснить тем, что переменная MOSPRIME представляет собой динамику процентных ставок в рублевом сегменте и какого-то долларового аналога она не имеет, поэтому связь между долларовыми отраслевыми индексами и рублевой процентной ставкой оказалась не очень высокой. Зависимости с остальными факторами в среднем изменились не сильно, хотя стоит отметить, что отрицательная взаимосвязь между объясняемыми переменными и фактором динамики курса доллар-рубль стала значительно сильнее, чем у моделей с рублевыми переменными. Эта закономерность вполне логична, так как мы и ранее отмечали, что у долларовых индексов фондового рынка РФ зависимость с динамикой курса доллар-рубль должна быть ярко выражена отрицательной, а у рублевых индексов она может быть слабее, или даже может быть положительной на определенных временных отрезках.

2.3 Регрессионный анализ

Сейчас мы перейдем к представлению результатов регрессионного анализа. На данном этапе было построено множество различных регрессионных уравнений, но представлять все из них не имеет смысла, поэтому мы остановимся лишь на основных уравнениях, которые описывают оцениваемые нами взаимосвязи наиболее лучшим образом.

Начнем мы вновь с моделей, где объясняемой переменной выступал фондовый рынок РФ в рублевом выражении (MICEX), а все объясняющие переменные также были выражены в российских рублях. Здесь изначально было лишь 7 объясняющих переменных - BRENTRUB, METALRUB, MSCIRUB, SPXRUB, MOSPRIME, RUSBONDS. В процессе построения моделей мы откинули лишь одну переменную - MSCIUSRUB, сделав выбор в пользу SPXRUB, так как с ней модели получались чуть качественней.

Из-за разнородности данных по временным диапазонам, мы решили построить несколько моделей, которые учитывали бы разные временные рамки. Первая модель включает в себя максимальное количество факторов, но из-за того, что переменная MOSPRIME имеет данные лишь с 2005 года, сама модель также включает диапазон дат лишь с 2005 по 2015 года.

Таблица 15 Модель 1 группы рублевых переменных.

Variable	Coefficient	Prob.
BRENTRUB	0.159661	0.0002
METALRUB	0.344550	0.0000
MOSPRIME	-0.005121	0.0021
RUSBOND	-0.348039	0.0159
SPXRUB	0.764045	0.0000
USDRUB	-1.261152	0.0000
C	0.001797	0.2576
R-squared	0.477600
Adjusted R-squared	0.471281
Prob(F-statistic)	0.000000

Мы видим, что модель в целом значима, а ее описательная сила находится на достаточно высоком уровне, так как с помощью данной модели можно описать 47,8% дисперсии объясняемой модели. Тем не менее, мы видим, что константа в данном уравнении незначима, а это значит, что в модели есть какие-то сильные не учтенные факторы, которые могли бы лучше описать данную взаимосвязь.

Несмотря на то, что на этапе корреляционного анализа мы выявили, что переменная RUSBOND имеет слабую взаимосвязь с переменной MICEX, мы все же решили включить ее в модель на первоначальном этапе и выяснили, что ее исключение из модели достаточно сильно влияет на общую описательную силу регрессии, из-за чего было принято решение оставить данный фактор в модели, даже, несмотря на то, что вероятность отклонения гипотезы о значимости коэффициента регрессии при данной переменной не равен нулю (1,59%). Все остальные параметры регрессии значимы.

Посмотрев на коэффициенты регрессии, мы можем увидеть, что наиболее сильное влияние на изменение объясняемой переменной MICEX оказывают переменные SPXRUB, при росте которого на 1% MICEX отреагирует ростом на 0,76%, а также USDRUB, при росте которого на 1% MICEX упадет на 1,26%. Здесь вновь появляется несоответствие статистических результатов и наших гипотез, которые мы выдвинули ранее: мы ожидали, что для рублевых индексов фондового рынка РФ, рост курса доллара будет оказывать положительное влияние и корреляционный анализ эту гипотезу отчасти подтвердил, однако в построенной регрессии, очевидно, что эта закономерность не соблюдается.

Также достаточно сильное влияние на объясняемую переменную оказывают факторы METALRUB и RUSBOND, причем с последней переменной наблюдается отрицательная зависимость, то есть при росте индекса ОФЗ на 1%, индекс ММВБ падает на 0,35%. Это довольно любопытная закономерность, учитывая что оба индикатора, по сути, представляют из себя различные индексы фондовой секции Московской Биржи и оба выражены в рублях и, наверное, было бы логично, если бы эти два фактора имели положительную взаимосвязь. Тем не менее, объяснить такую закономерность можно: в мире финансов акции и облигации, а если быть точнее, то государственные облигации, часто противопоставляются друг другу, то есть, говоря про вложения в акции, говорят про вложения в рисковые активы, а государственные облигации традиционно считаются низкорисковым, или даже почти безрисковым «защитным» вложением. В моменты высокой неопределенности и волатильности на мировых финансовых рынках, можно часто наблюдать переток средств инвесторов из рисковых в безрисковые активы, то есть они продают акции и покупают более надежные облигации, из-за чего соответственно падают индексы акций и растут индексы облигаций. Разумеется, в периоды серьезных кризисов распродажам обычно подвергаются все классы активов и падают и индексы акций, и индексы облигаций, однако в более спокойное время такая закономерность может наблюдаться. Возможно, именно эту закономерность и отражает данная регрессионная зависимость.

Достаточно слабая взаимосвязь наблюдается у переменной BRENTRUB и объясняемой переменной MICEX, так как при изменении цены на нефть на 1%, российский рынок реагирует ростом лишь на 0,15%.

Наиболее слабая взаимосвязь наблюдается с переменной MOSPRIME, однако здесь стоит напомнить о том, что для данной переменной мы брали не процентное изменение, а абсолютное, то есть закономерность здесь такая: при изменении процентных ставок на 1 базисный пункт, индекс ММВБ падает на 0,005%. Один базисный пункт равен 0,01 от 1 процентного пункта, то есть, по сути, изменение на один б.п. является совсем незначимым изменением. Если же взять, например, не один б.п. а 100, то тогда, при изменении процентной ставки на 1%, фондовый рынок будет реагировать падением на 0,52%, что уже более заметно и существенно.

Из второй модели мы исключили переменные MOSPRIME и RUSBOND, поскольку они имеют наименьший диапазон дат, из-за чего мы могли захватить лишь относительно небольшой период времени - с 2005 по 2015 годы. Без учета этих переменных мы можем построить модель на более длинном отрезке - с 1997 по 2015 год.

Таблица 16 Модель 2 группы рублевых переменных

Variable	Coefficient	Prob.
BRENTRUB	0.178742	0.0000
METALRUB	0.393014	0.0000
SPXRUB	0.795523	0.0000
USDRUB	-0.990763	0.0000
C	0.002123	0.2532
R-squared	0.251443
Adjusted R-squared	0.248005
Prob(F-statistic)	0.000000

Мы можем видеть, что без исключенных переменных, общая описательная сила модели сильно снизилась, хотя в целом уравнение продолжает оставаться значимым. Каких-то принципиальных изменений в параметрах регрессии не произошло: все коэффициенты продолжают оставаться значимыми, при этом они не сильно изменились по сравнению с первой моделью, по-прежнему самое сильное влияние оказывает динамика курса доллар-рубль, затем идет фондовый рынок США, потом цены на металлы и в конце цены на нефть. Интереснее будет посмотреть на изменение коэффициентов регрессии во времени, но это будет в одной из следующих частей исследования.

Теперь перейдем к рассмотрению моделей с долларовыми индексами и долларовыми переменными. Здесь мы также опустили из рассмотрения часть моделей, которые мы построили на первоначальных этапах и оставили лишь итоговые, которые мы и будем анализировать. Напомним, что из-за угрозы отрицательного влияния мультиколлинеарности, нам необходимо было из множества переменных мировых фондовых индексов оставить лишь одну. Окончательный выбор, как мы уже ранее отмечали, мы делали между переменными SPX и FTSE, отбросив переменные HANGS, NKY, DAX. Переменные SPX и FTSE оказывают примерно одинаковое влияние на объясняющую переменную MSCIRU и большой разницы в коэффициентах регрессии между ними нет, но из них мы решили оставить фактор SPX, поскольку в сегменте рублевых моделей мы пользовались этим индикатором. Также мы исключили из рассмотрения переменную SHCOMP, у которой оказалась низкая взаимосвязь с объясняющей переменной.

Первая модель, также, как и в группе рублевых переменных, включает все оставшиеся факторы и учитывает временной диапазон с 2005 по 2015 года.

Таблица 17 Модель 1 группы долларовых переменных

Variable	Coefficient	Prob.
BRENT	0.180665	0.0001
SPX	0.969743	0.0000
METAL	0.272075	0.0000
MOSPRIME	-0.005418	0.0030
RUSBOND	-0.498262	0.0008
USDRUB	-0.846163	0.0000
C	0.001423	0.3924
R-squared	0.605591
Adjusted R-squared	0.600811
Prob(F-statistic)	0.000000

Описательная сила данной модели оказалась на порядок выше, чем описательная сила аналогичной модели с аналогичными переменными, но выраженными в российских рублях, а не в долларах США - R^2 60,6% против 47,8%. Модель в целом оказалась значимой, коэффициенты регрессии тоже, кроме константы, которая также оказалась незначимой.

Таблица 18 Сравнение коэффициентов модели 1 в рублях и модели 1 в долларах.

Variable	Коэффициент в долл.	Prob.	Коэффициент в руб.	Prob.
BRENT	0.180665	0.0001	0.159661	0.0002
SPX	0.969743	0.0000	0.764045	0.0000
METAL	0.272075	0.0000	0.344550	0.0000
MOSPRIME	-0.005418	0.0030	-0.005121	0.0021
RUSBOND	-0.498262	0.0008	-0.348039	0.0159
USDRUB	-0.846163	0.0000	-1.261152	0.0000
C	0.001423	0.3924	0.001797	0.2576

По отдельным коэффициентам нет какой-то сильной разницы между рублевыми и долларовыми переменными, хотя определенные отличия все же есть: в долларовом сегменте наблюдается более сильная взаимосвязь объясняемой переменной и переменных BRENT, SPX, MOSPRIME и RUSBOND, при этом среди рублевых переменных коэффициенты оказались выше у переменных METAL и USDRUB. Направление взаимосвязей в обоих случаях оказалось одинаковым.

Вторая модель для долларовых переменных также является аналогом второй модели для рублевых переменных и из нее мы исключили факторы MOSPRIME и RUSBOND, для того, чтобы увеличить анализируемый диапазон, который теперь включает период с 1997 по 2015 года.

Таблица 18 Модель 2 группы долларовых переменных

Variable	Coefficient	Prob.
BRENT	0.172614	0.0000
METAL	0.316481	0.0000
SPX	1.159684	0.0000
USDRUB	-0.413686	0.0000
C	0.002109	0.2721
R-squared	0.363775
Adjusted R-squared	0.360853
Prob(F-statistic)	0.000000

Также, как и в случае с рублевыми переменными, общая описательная сила модели заметно снизилась, после исключения переменных процентных ставок и индекса ОФЗ, хотя в данном случае она оказалась выше, чем у модели рублевых переменных - R^2 36,4% против 25,1%.

В целом соотношение коэффициентов регрессии осталось прежним: взаимосвязь с переменной SPX оказалась сильнее у долларовых переменных, коэффициенты при Brent оказались примерно равны, а при USDRUB и METAL оказались выше у рублевых переменных.

Таблица 19 Сравнение коэффициентов модели 2 в рублях и модели 2 в долларах.

Variable	Коэффициент долл.	Prob.	Коэффициент руб.	Prob.
BRENT	0.172614	0.0000	0.178742	0.0000
METAL	0.316481	0.0000	0.393014	0.0000
SPX	1.159684	0.0000	0.795523	0.0000
USDRUB	-0.413686	0.0000	-0.990763	0.0000
C	0.002109	0.2721	0.002123	0.2532

В долларовом сегменте мы также построили третью модель, из которой мы исключили переменную METAL с тем, чтобы увеличить диапазон дат анализируемых переменных до максимально возможного периода - с 1995 по 2015 года.

Таблица 20 Модель 3 группы долларовых переменных

Variable	Coefficient	Prob.
BRENT	0.199920	0.0000
SPX	1.235196	0.0000
USDRUB	-0.441848	0.0000
C	0.003769	0.0537
R-squared	0.286725
Adjusted R-squared	0.284604
Prob(F-statistic)	0.000000

В целом, каких-либо существенных отличий от предыдущих моделей здесь выделить трудно, если не считать того, что общая описательная сила модели, после исключения переменной METAL еще немного снизилась.

2.4 Оценивание моделей методом «rolling window»

В данном разделе обратимся к оценке влияния значимых параметров на российский фондовый рынок в динамике: то есть мы будем отслеживать, как изменялись показатели регрессии (коэффициент детерминации, коэффициенты при переменных) во времени. Для этого мы будем пользоваться инструментом «rolling window», суть которого заключается в многократном построении регрессионных уравнений с определенно заданным шагом движения и размером «окна». Ширина окна будет равняться 52 наблюдениям, то есть ровно одному году, также, как это использовали в своих работах Анатольев и Пересецкий.

Начнем мы с основных моделей в рублевом и долларовом сегменте. И первая модель, которую мы рассмотрим, будет модель 1 с рублевыми переменными, которая включает в себя факторы SPXRUB, BRENTRUB, METALRUB, USDRUB, MOSPRIME, RUSBOND.

Рис.2. Динамика индекс ММВБ и R^2 модели 1.

На графике выше представлена динамика индекса ММВБ и коэффициента детерминации модели 1, где объясняемой переменной является индекс ММВБ. Сразу же отметим, что вместо ряда данных R^2 здесь представлен сглаженный с помощью 20-периодной скользящей средней ряд данных. Мы сгладили данный ряд, для того чтобы избавиться от множества резких и случайных колебаний данного параметра и от лишнего статистического «шума», ведь нам важно не точное значение параметра в каждой точке, а характер динамики этого показателя во времени.

Уже по данному графику мы можем сделать, по крайней мере, один важный вывод: описательная сила модели значительно падает в кризисные периоды. Снижение описательной силы говорит о том, что параметры, включенные в модель, хуже объясняют динамику целевой переменной, то есть в определенные периоды времени, взаимосвязь между объясняемой и объясняющими переменными падает. На графике хорошо видно, что коэффициент детерминации значительно упал в период кризисного 2008 года и достиг своего минимума примерно в одно время с достижением минимумов рынком. Таким образом, в данный период времени фундаментальная связь между фондовым рынком РФ и другими факторами оборвалась. В периоды кризисов на фондовом рынке зачастую происходят процессы, которые трудно объяснить с фундаментальной точки зрения и цены в такие моменты падают не из-за того, что фундаментальная картина действительно резко ухудшилась, а из-за того, что инвесторы начинают паниковать и стараются играть на опережение, ожидая, что все станет еще хуже, хотя это могут быть лишь догадки и предположения, а не устойчивые ожидания. Масла в огонь добавляют СМИ и различные «эксперты», которые вносят в динамику цен на рынках еще большую смуту.

Мы видим также, что заметное снижение описательной силы модели произошло в период с середины 2010 года по осень 2011 года. Этот период в мировой финансовой среде также отметился сильной волатильностью и возникновением нового мини-кризиса, который, тем не менее, не идет в сравнение с тем, что был в 2008 году. Тогда все началось с постепенного замедления темпов роста экономики Китая и далее распространилось во всем мире, а самый разгар данного кризиса пришелся на лето 2011 года, когда в Европе разгорелся долговой кризис, из-за которого на грани дефолта оказались южные страны, вроде Испании, Португалии, Италии. Хуже всего ситуация была в Греции и как мы видим сейчас, решить греческие проблемы не удается до сих пор. Ко всему этому также добавилось неожиданное снижение кредитного рейтинга США, когда агентство S&P впервые в истории лишило США наивысшего кредитного рейтинга на фоне непрекращающегося роста государственного долга и на фоне перманентных проблем с принятием проекта государственного бюджета в парламенте. Тогда в июле-августе мировые фондовые рынки потеряли около 20% и с тех пор до текущего момента такой сильной волатильности на мировых финансовых рынках более не наблюдалось. Индекс ММВБ с июля по сентябрь тогда потерял около 35%, а цена на золото, как один из видов «защитных» активов, тогда взлетела до своего исторического максимума - 1909 долларов за унцию.

Еще один локальный минимум для коэффициента детерминации был достигнут относительно недавно - в марте 2014 года, когда произошел обвал на фондовом рынке РФ из-за опасений начала полномасштабного военного конфликта с Украиной. Тогда на первый план также вышли вовсе не фундаментальные факторы, а паника из-за высокой неопределенности происходящего и будущего.

Наш анализ будет неполным, если мы не обратимся к анализу отдельных коэффициентов регрессии при переменных. Начнем мы с коэффициента при переменной BRENTRUB, чтобы проследить, как изменялась взаимосвязь между ценами на нефть и фондовым рынком РФ.

На протяжении всего рассматриваемого периода наблюдается любопытная закономерность - постепенно взаимосвязь между ценами на нефть и фондовым рынком РФ снижается и в последние полгода она даже становится резко отрицательной, то есть при росте цен на нефть фондовый рынок начинает снижаться. Это наблюдение отклоняет нашу гипотезу о том, что цены на нефть положительно влияют на динамику фондового рынка, при этом также не подтвердились оценки, сделанные в предыдущих частях исследования.

Рис.3. Динамика BRENTRUB и коэффициента при переменной в регрессии.

Далее рассмотрим, как изменялась взаимосвязь между фондовым рынком РФ и ценами на промышленные металлы, выраженными в рублях.

Рис.4. Динамика METALRUB и коэффициента при переменной в регрессии.

На протяжении практически всего рассматриваемого временного промежутка сохраняется положительная зависимость между двумя переменными, хотя в отдельные периоды он заметно снижается и здесь это объяснить не так просто. Например, после падения цен во время кризиса 2008-2009 годов, степень взаимосвязи начинает резко расти, но затем, на протяжении практически всего ростового тренда 2009-2011 годов она снижается и достигает «дна» примерно на пике цен. Еще один обвал коэффициента при переменной в регрессии случился весной прошлого года, когда цена на промышленные металлы в рублях устремилась вверх из-за резкого роста курса доллара, хотя все же большую часть этого резкого ростового тренда взаимосвязь росла, то есть рынок с каждой неделей все более чутко реагировал на рост цен на промышленные металлы и это как раз-таки может быть одним из подтверждений того, что при резкой девальвации рубля фондовый рынок в рублевом выражении начинает реагировать резко положительно.

Далее рассмотрим изменение коэффициента при переменной MOSPRIME.

Рис.5. Динамика MOSPRIME и коэффициента при переменной в регрессии.

В данном случае хорошо видно, что большую часть анализируемого периода зависимость была строго отрицательной, однако в течение всего 2013 года наблюдается резкий рост коэффициента регрессии и зависимость даже становится положительной, хотя особых предпосылок для этого нет. Объяснить этот феномен тяжело, хотя можно сделать предположение: дело в том, что в этот период времени наблюдается наиболее низкая волатильность процентных ставок и индикатор MOSPRIME практически все это время не изменялся, оставаясь вблизи уровня 6,5%. Тем временем на фондовом рынке какие-то движения происходили, в том числе и ростовые, и хотя они никак не были обоснованы динамикой процентных ставок, статистически взаимосвязь проявилась.

Далее проанализируем динамику изменения коэффициента регрессии при переменной RUSBOND.

Рис.6. Динамика RUSBOND и коэффициента при переменной в регрессии.

Когда мы построили регрессионное уравнение 1, мы получили относительно высокий по модулю коэффициент при переменной RUSBOND и этот фактор оказывал достаточно сильное влияние на динамику объясняемой переменной, однако после построения временного ряда для данного коэффициента, ситуация становится несколько неоднозначной. На графике хорошо видно, что данная взаимосвязь в течение рассматриваемого периода несколько раз меняет знак и становится то положительной, то вновь отрицательной, при этом разброс значений для коэффициента достаточно высок - от +2% до -3%. Скорее всего это связано с тем, что мы выяснили еще на этапе регрессионного анализа - взаимосвязь между переменной MICEX и переменной RUSBOND является слабой и незначительной, хотя в совокупности с другими факторами модели она добавляет описательной силы нашему уравнению регрессии.

Далее мы рассмотрим динамику коэффициента регрессии при переменной SPXRUB.

Рис.7. Динамика SPXRUB и коэффициента при переменной в регрессии.

Зависимость между переменными остаётся положительной на протяжении всего рассматриваемого периода времени, однако, как мы можем видеть, она постепенно снижается в течение этого диапазона дат. Вполне возможно, это связано с тем, что в эти годы, особенно после кризиса 2008-2009 годов, происходит постепенная раскорреляция в динамике этих двух факторов, которая только усиливается постепенным ростом курса доллара к рублю, который наблюдался на протяжении всего посткризисного периода: американский рынок на протяжении данного отрезка уверенно рос, а вот российский фактически не менялся на протяжении нескольких лет.

Последний фактор, который мы рассмотрим в рамках данной модели, будет динамика курса доллара к рублю.

Рис.8. Динамика SPXRUB и коэффициента при переменной в регрессии.

Зависимость остается отрицательной практически на всем рассматриваемом отрезке, что говорит о том, что при росте курса доллара российский фондовый рынок в рублях снижается, однако, на графике также видно, что в последние несколько лет, когда стал формироваться посткризисный ростовой тренд в этой валютной паре, характер взаимосвязи постепенно стал меняться и на пике девальвации в конце прошлого года-начале этого года, взаимосвязь между двумя переменными даже стала положительной, то есть ослабление национальной валюты стало оказывать положительное влияние на динамику российского фондового рынка, о чем мы говорили ранее. Тем не менее, этот феномен наблюдался лишь в течение относительно небольшого отрезка времени и лишь, когда девальвация стала совсем выходить из-под контроля. Стоит также отметить, что в период кризиса 2008-2009 годов, когда также наблюдалось сильное ослабление рубля, положительной взаимосвязи между курсом доллара и динамикой фондового рынка не наблюдалось, то есть той девальвации было недостаточно, чтобы привести к образованию данного феномена.

Теперь перейдем к анализу динамических коэффициентов второй модели с рублевыми переменными. В ней осталось лишь четыре основных объясняющих фактора - цены на нефть, металлы, динамика фондового рынка США и динамика курса доллар-рубль.

Для начала изучим изменение коэффициента детерминации.

Рис.9. Динамика индекс ММВБ и R^2 модели 2.

Здесь мы видим, что на протяжении первых лет (1998-2005), которые не были учтены в прошлой модели, описательная сила данной модели была достаточно низкой, то есть факторы, включенные в данную модель, слабо описывали динамику российского фондового рынка. Это может быть связано с тем, что на данном промежутке времени российский рынок находился на стадии своего зарождения, а российская экономика была лишь на пути к интеграции в мировую экономику, из-за чего экзогенные факторы оказывали слабое влияние на динамику отечественного фондового рынка. Ситуация поменялась в 2005-2007 годах, когда на мировых финансовых рынках началась стадия наиболее активного раздувания пузырей, которые вместе лопнули в 2008-2009 годах. На этом отрезке российский рынок уже не оставался в стороне от общемировой динамики.

Тем не менее, в 2013-2014 голах, как мы видим, произошло достаточно сильное снижение значимости модели. В 2013-2014 годах развивающиеся страны явно стали тормозить в темпах роста своих экономик (особенно это касается Китая, России и Бразилии), тогда как развитые государства, в особенности США и Великобритания, стали демонстрировать по-настоящему впечатляющие темпы роста. При этом, свое влияние оказал фактор растущих ожиданий постепенного ужесточения монетарной политики и в США, и в Великобритании. В совокупности эти факторы стали причиной большего оттока инвестиций из развивающихся рынков, в пользу развитых, на фоне чего и произошло сильное расхождение в динамике этих фондовых рынков. К общим проблемам развивающихся стран, в России также добавились внутренние политические факторы, связанные в основном с «украинским» кризисом.

Объяснить низкую описательную силу модели в период 2000-2005 годов можно тем, что американский, как и все остальные мировые фондовые рынки, в этот период сначала падал, а затем тяжело восстанавливался из-за лопнувшего в 2000-2001 годах пузыря «доткомов». Российский же рынок в это время уже начал достаточно уверенно расти после всех потрясений конца 90-х годов. На графике взаимосвязи между российский и американским рынками мы видим, что она была низкой в данный период, в особенности в 2002-2004 годах и только после этого она начала расти. Более объемная по числу наблюдений модель также показывает то, что на протяжении всего рассматриваемого периода взаимосвязь между российским рынком и американским фондовым рынком была положительной и временами достаточно сильной.

Рис.10. Динамика SPXRUB и коэффициента при переменной в регрессии.

Взаимосвязь между ценами на нефть и динамикой фондового рынка была положительной большую часть рассматриваемого диапазона, хотя в отдельные периоды времени она все же была заметно сильнее, чем в другие.

Тоже самое можно сказать и про динамику взаимосвязи целевой переменной и переменной METALRUB: кроме нескольких недолгих периодов, взаимосвязь оставалась положительной.

Взаимосвязь с динамикой курса доллар-рубль в свою очередь большую часть рассматриваемого периода оставалась отрицательной, кроме нескольких недолгих отрезков.

Построенные динамические коэффициенты по долларовым моделям в целом продемонстрировали схожие результаты, которые мало отличаются от показателей рублевых моделей, если не считать того, что у долларовых моделей описательная сила моделей и степень взаимосвязи по отдельным переменным оказались выше, чем у рублевых уравнений, однако это мы отмечали еще на этапе анализа построенных уравнений и показателей регрессий в статике. Графики со сравнением динамики коэффициентов регрессии по рублевым и долларовым моделям можно найти в приложении к данной работе.

Подведем промежуточные итоги анализа регрессионных уравнений по группам переменных в рублях и долларах США:

· Наиболее сильная и крепкая взаимосвязь наблюдается у целевой переменной и фактора «американский фондовый рынок», что говорит о сильной зависимости российского рынка от динамики мировых фондовых рынков. Тем не менее, на протяжении рассматриваемого временного периода эта зависимость постепенно снижалась и в последние 1-1,5 года она находится на очень низком уровне;

· Вторым сильнейшим фактором, определяющим динамику российского фондового рынка, является динамика курса доллар-рубль. Укрепление доллара негативно сказывается, как на рублевых индексах фондового рынка, так и на долларовых индикаторах, что не соотносится с нашей гипотезой о том, что рублевые цены акций могут положительно реагировать на ослабление национальной валюты. Тем не менее, на отдельных временных отрезках наблюдается положительная взаимосвязь между переменными;

· Также значимое негативное влияние оказывает фактор «процентные ставки»: при росте процентных ставок рынок реагирует снижением, тогда, как при снижение ставок, котировки фондового рынка начинают расти;

· Сырьевые факторы - цены на нефть и цены на промышленные металлы, хоть и являются также значимыми факторами, тем не менее оказывают на фондовый рынок меньшее влияние, чем перечисленные выше переменные. Этот вывод несколько не соотносится с общепринятым мнением о том, что российская экономика является зависимой от сырьевых отраслей экономики, хотя фондовый рынок и не является индикатором, прямо описывающим ситуацию во всей экономике страны;

· Фактор цен на государственные облигации в среднем на рассматриваемом промежутке времени оказывает сильное влияние на динамику российского фондового рынка, однако, этот фактор является одним из н непостоянных, поэтому говорить о том, что эта взаимосвязь является значимым не приходится.

Глава 3. Анализ отраслевых взаимосвязей

В данном разделе мы проанализируем модели, построенные с отраслевыми переменными российского фондового рынка. Для удобства мы сразу же будем сравнивать и рублевые и долларовые модели, а также сразу же будем рассматривать изменение коэффициентов регрессии в динамике.

В модель мы изначально включали переменные, которые демонстрировали сильную взаимосвязь с объясняемой переменной на этапе корреляционного анализа, а затем поэтапно избавлялись от незначимых переменных уже на этапе регрессионного анализа. Стоит сразу же отметить, что в каждое из окончательных уравнений, которые мы построили, мы включили переменные, описывающие динамику фондового рынка США и динамику валютной пары доллар-рубль, так как еще на предыдущих этапах исследования мы выяснили, что эти факторы являются наиболее сильными и значимыми.

Начнем мы с моделей, описывающих взаимосвязь нефтегазового сектора с объясняющими переменными.

Табл. 21. Модели нефтегазового сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
BRENT	0.309013	0.0000	0.309160	0.0000
SPX	0.876886	0.0000	0.867540	0.0000
USDRUB	-1.036666	0.0000	-0.856813	0.0000
C	0.002255	0.2067	0.002583	0.1484
R-squared	0.379359	0.506771
Adjusted R-squared	0.375715	0.503869
Prob(F-statistic)	0.000000	0.000000

Как мы можем видеть из данной таблицы, коэффициенты регрессии в данной модели для долларовых переменных и для рублевых переменных различаются не сильно, однако общая описательная сила модели для долларовых переменных значительно выше. Близость значений коэффициентов регрессии в модели объясняется тем, что в обоих случаях мы имеем фактически одни и те же переменные, отличающиеся друг от друга лишь на величину динамики валютной пары доллар-рубль. В разделе, где мы оценивали и анализировали взаимосвязь переменных с основными фондовыми индексами, коэффициенты также были близки, однако не до такой степени, поскольку в качестве объясняемых переменных там выступали не абсолютные аналоги, различающиеся на динамику курса доллар-рубль, как, например, индекс ММВБ и индекс РТС, а лишь близкие аналоги - индекс ММВБ и индекс MSCI Russia, которые, хоть и близки по составу, но все же не абсолютно идентичны.

В модель, помимо двух основных факторов, о которых мы писали выше, также вошел фактор цен на нефть, что вполне укладывается в фундаментальную логику этой взаимосвязи, ведь цены акций нефтегазовых компаний должны зависеть от динамики цен на нефть.

Изучение коэффициентов регрессии в динамике в целом приводит нас к тем же выводам, что мы сделали еще на этапе исследования взаимосвязей объясняющих факторов и фондового рынка в целом: описательная сила моделей достаточно сильно снизилась в последние два года, также, как и снизилась теснота взаимосвязи целевой переменной с факторами фондового рынка США и цен на нефть.

Табл. 22. Модели металлургического сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
METAL	0.619644	0.0000	0.609954	0.0000
SPX	1.024988	0.0000	1.008708	0.0000
USDRUB	-1.084771	0.0000	-0.462607	0.0000
C	0.001241	0.5263	0.001473	0.4504
R-squared	0.438481	0.501502
Adjusted R-squared	0.435191	0.498575
Prob(F-statistic)	0.000000	0.000000

Для металлургического сектора в качестве дополнительной рассматриваемой переменной мы выбрали фактор цен на промышленные металлы, что также полностью совпадает с нашими ожиданиями и предпосылками. Коэффициенты регрессии также в целом совпадают между долларовыми и рублевыми моделями, хотя зависимость с переменной USDRUB по модулю заметно ниже у долларовых переменных. Это может быть отражением предпосылки о том, что металлургические компании, в основном представленные компаниями-экспортерами, в определенные моменты времени могут выигрывать от ослабление курса национальной валюты, то есть при росте курса доллар-рубль они будут показывать лучшую динамику, чем компании, ориентированные на внутренний сектор. Описательная сила выше у моделей с долларовыми переменными, также, как и в случае моделей нефтегазового сектора.

В этих моделях также наблюдается значительное снижение описательной силы в последние несколько лет, что также может являться отражением снижения общей зависимости российского рынка от различных объективных экзогенных факторов.

Табл. 23. Модели финансового сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
BRENT	0.116762	0.0324	0.110418	0.0378
METAL	0.159497	0.0210	0.160386	0.0189
SPX	0.579859	0.0000	0.567309	0.0000
USDRUB	-1.033983	0.0000	-1.179929	0.0000
C	0.003053	0.1361	0.003917	0.0524
R-squared	0.210476	0.385398
Adjusted R-squared	0.204121	0.380578
Prob(F-statistic)	0.000000	0.000000

В модель для финансового сектор, помимо двух основных факторов, мы также включили переменные METAL и BRENT, которые также продемонстрировали сильную взаимосвязь с объясняемой переменной на этапе регрессионного анализа. Эта зависимость неочевидна и трудна объяснима, хотя в разделе корреляционного анализа для данной группы факторов мы высказали предположение о том, откуда эта взаимосвязь могла появиться.

Описательная сила моделей выше для долларовых переменных, также, как и в предыдущих рассмотренных случаях. Коэффициенты регрессии у двух типов моделей практически равны, также, как и в предыдущих случаях.

Табл. 24. Модели потребительского сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
SPX	0.458566	0.0000	0.448135	0.0000
USDRUB	-0.652274	0.0000	-1.187146	0.0000
C	0.003933	0.0077	0.004363	0.0032
R-squared	0.149664	0.421477
Adjusted R-squared	0.146349	0.419217
Prob(F-statistic)	0.000000	0.000000

У потребительского сектора не выявлено других сильных взаимосвязей, кроме как положительной зависимости от динамики фондового рынка США и строго отрицательной зависимости от динамики валютной пары доллар-рубль. Описательная сила модели значительно выше у долларовой модели, также, как и взаимосвязь с переменной USDRUB по модулю.

Табл. 25. Модели энергетического сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
METAL	0.292095	0.0000	0.287323	0.0000
SPX	0.613235	0.0000	0.604792	0.0000
USDRUB	-1.240687	0.0000	-1.328399	0.0000
C	0.000434	0.8189	0.000917	0.6299
R-squared	0.262698	0.448960
Adjusted R-squared	0.258370	0.445719
Prob(F-statistic)	0.000000	0.000000

Для моделей энергетического сектора мы также выявили сильную взаимосвязь с фактором цен на промышленные металлы, что можно объяснить следующим образом: одним из основных потребителей электроэнергии в экономики остается промышленный сектор экономики, а состояние этой отрасли напрямую зависит от цен на промышленные металлы, или, если точнее, от спроса со стороны Китая, чьим индикатором являются цены на промышленные металлы. Если промышленность чувствует себя хорошо, то она потребляет соответствующий объем электроэнергии, а в периоды кризисов и рецессий обрабатывающие производства стараются сократить собственные издержки, что и приводит к сокращению потребления электроэнергии.

Табл. 25. Модели химического сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
METAL	0.375001	0.0000	0.370468	0.0000
SPX	0.598710	0.0000	0.583089	0.0000
USDRUB	0.168681	0.1372	-0.835784	0.0000
C	0.002564	0.2471	0.003132	0.1581
R-squared	0.229932	0.377757
Adjusted R-squared	0.224379	0.373259
Prob(F-statistic)	0.000000	0.000000

В секторе химических компаний стоит отметить наблюдающуюся положительную взаимосвязь между объясняемой переменной и фактором валютной пары доллар-рубль. Среди всех экспорт ориентированных отраслей фондового рынка, химический сектор является единственным, демонстрирующим данную взаимосвязь, подтверждая нашу гипотезу о том, что компании, ориентированные на внешние рынки, положительно реагируют на ослабление курса национальной валюты.

Табл. 26. Модели машиностроительного сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
METAL	0.232989	0.0008	0.228935	0.0010
MOSPRIME	-0.010104	0.0000	-0.009856	0.0000
SPX	0.683429	0.0000	0.679178	0.0000
USDRUB	-1.129795	0.0000	-1.206076	0.0000
C	0.001669	0.4418	0.002137	0.3278
R-squared	0.243197	0.400180
Adjusted R-squared	0.237273	0.395476
Prob(F-statistic)	0.000000	0.000000

Машиностроительный сектор оказался одним из единственных, у которого наблюдается сильная взаимосвязь с фактором уровня процентных ставок: рост процентных ставок на 1 п.п. в стране приводит к снижению капитализации компаний из данной отрасли на 1%. Вполне возможно это связано с тем, что компании данного сектора уже традиционно являются одними из наиболее закредитованных компаний страны и рост уровня процентных ставок в стране приводит к удорожанию обслуживания долгов данных компаний и соответственно к ухудшению финансового состояния, что уже отражается на капитализации акций.

Также у данного сектора обнаружена положительная зависимость от цен на промышленные металлы, что также может быть отражением того, что данный сектор является представителем промышленности, которая, как мы уже выше отмечали не раз отмечали, зависит от динамики цен на промышленные металлы.

Сильная взаимосвязь с уровнем процентных ставок также обнаружилась у сектора телекоммуникационных компаний, хотя в данном случае объяснить данную зависимость сложнее. Также была обнаружена мало объяснимая связь с фактором цен на нефть.

Табл. 27. Модели телекоммуникационного сектора.

	RUB	USD
Variable	Coefficient	Prob.	Coefficient	Prob.
BRENTRUB	0.197426	0.0000	0.200730	0.0000
MOSPRIME	-0.009804	0.0000	-0.009443	0.0000
SPXRUB	0.717270	0.0000	0.710358	0.0000
USDRUB	-0.823339	0.0000	-0.907127	0.0000
C	0.001091	0.4846	0.001448	0.3525
R-squared	0.360621	0.529566
Adjusted R-squared	0.355606	0.525869
Prob(F-statistic)	0.000000	0.000000

Если в целом взглянуть на секторальный анализ, можно прийти к следующим выводам:

· Модели с долларовыми переменными дают более качественный результат с более высокой описательной силой;

· Несмотря на то, что модели с рублевыми переменными не демонстрируют положительной взаимосвязи с курсом доллар-рубль, как мы предполагали, они, тем не менее, в среднем реагируют на девальвацию национальной валюты менее негативно, чем долларовые переменные;

· Из всех отраслей в рублевом выражении, только химический сектор демонстрирует положительную зависимость от динамики валютной пары доллар-рубль, отчасти подтверждая нашу гипотезу о том, что девальвация является позитивным фактором для экспорт ориентированных компаний;

· Наиболее негативно на укрепление доллара и в рублях, и в долларах реагируют финансовый, энергетический и машиностроительные сектора, что соотносится с нашими предпосылками о том, что компании, ориентированные на внутренний рынок, будут более негативно реагировать на девальвацию;

· На динамику цен на нефть сильнее всего реагируют нефтегазовые компании, что совпадает с нашими гипотезами;

· На динамику цен на промышленные металлы сильнее всего реагируют металлургические компании, хотя такие сектора, как энергетика, химическая отрасль и машиностроительный сектор, также имеют достаточно сильную взаимосвязь с данным фактором;

· От динамики фондового рынка США сильнее всего зависят металлургический, нефтегазовый и телекоммуникационный сектора, а слабее всего транспортный сектор. Скорее всего это зависит от того, насколько популярны акции каждого конкретного сектора у западных инвесторов и насколько они доступны для приобретения на иностранных площадках.

Заключение

Анализируя и сравнивая модели, оцененные с помощью долларовых и с помощью рублевых переменных, мы можем с уверенностью утверждать о том, что долларовые переменные больше подходят для проведения качественного исследования и анализа, поскольку описательная сила таких моделей значительно выше, чем у моделей, построенных с помощью рублевых переменных. Этот вывод мы можем сделать после проведения всех этапов нашего исследования и, хотя на стадии корреляционного анализа можно было утверждать об обратном, на стадии регрессионного анализа мы получили именно такие результаты.

Одной из наших основных гипотез, которые были выдвинуты до начала оценки и анализа данных, являлось то, что девальвация рубля может негативно сказываться на котировках акций, выраженных в долларах, и положительно сказываться на котировках акций, выраженных в рублях. Эта гипотеза подтвердилась лишь частично, хотя в целом можно утверждать о том, что она не подтвердилась. Практически во всех моделях с рублевыми переменными наблюдается строго отрицательная зависимость котировок акций от динамики валютной пары доллар-рубль и лишь в модели №1 наблюдается небольшая положительная зависимость в период с декабря 2014 года по апрель 2015, после декабрьской девальвации.

Это может быть подтверждением нашей гипотезы о том, что девальвация начинает положительно влиять на динамику фондового рынка только в наиболее экстренных ситуациях, когда обесценение национальной валюты происходит очень быстро и резко, однако это не подтверждается периодами 1998 и 2008 годов, когда также можно было наблюдать сильное обесценение рубля: остальные модели не сигнализируют о положительной взаимосвязи переменных в данные отрезки времени.

С большой уверенностью можно утверждать о том, что значимой разницы между влиянием динамики курса доллара на динамику долларовых индексов и рублевых индекс, нет.

Мы подтвердили гипотезы о значимости большинства из рассматриваемых фактором модели, хотя переменные, связанные с динамикой мировых фондовых рынков и динамикой курсов валют, оказались более сильно взаимосвязанными с динамикой отечественного фондового рынка, хотя в гипотезах выдвигалось предположение о том, что наиболее значимыми окажутся факторы цен сырьевых фьючерсов (нефть и промышленные металлы). Единственным слабым фактором, взаимосвязь которого с фондовым рынком подтверждается лишь отчасти, можно назвать переменную RUSBONDS, отражающую динамику цен государственных облигаций РФ.

Список источников

Статьи:

1.1. Anatolyev Stanislav (2006) «A ten-year retrospective on the determinants of Russian stock returns», New Economic School, Moscow.

1.2. Anatolyev, S., Shakin D., (2006). «Trade intensity in the Russian stock market: dynamics», distribution and determinants. Applied Financial Economics, forthcoming.

1.3. Goriaev, A., Sonin K., (2005). «Prosecutors and financial markets: a case study of the YUKOS affair». Unpublished manuscript, New Economic School, presented at the conference «Alternative Perspectives on Finance 7."

1.4. Granville, B., Mallick S., (2006). “Does inflation or currency depreciation drive monetary policy in Russia?” Research in International Business and Finance 20, 163{179}.

1.5. Hayo, B., Kutan A.M., (2005). “The impact of news, oil prices, and global market developments on Russian financial markets”. Economics of Transition 13, 373{393}.

1.6. Jalolov M., and T. Miyakoshi (2005). “Who drives the Russian financial markets?” The Developing Economies, 43(3), 374-395.

1.7. Peresetsky A. A. (2011) “What determines the behavior of the Russian stock market”. National Research University Higher School of Economics, CEMI RAS.

1.8. Peresetsky A., Ivanter A. (2000). “Interaction of the Russian financial markets. Economics of Planning”, 33, 103-140.

1.9. Vdovichenko, A.G., Voronina V.G., (2006). “Monetary policy rules and their application in Russia”. Research in International Business and Finance 20, 145{162}.

Книги:

2. Вербик М. (2008) «Путеводитель по современной эконометрике». Научная книга.

3. Электронные ресурсы:

3.1. Единый портал бюджетной системы РФ

3.2. Официальный сайт «Гонконгской фондовой биржи»

3.3. Официальный сайт «Лондонской товарной биржи»

3.4. Официальный сайт «Лондонской фондовой биржи»

3.5. Официальный сайт Международного Валютного Фонда

3.6. Официальный сайт Министерства Энергетики РФ

3.7. Официальный сайт Министерства Экономического Развития РФ

3.8. Официальный сайт Министерства Финансов РФ

3.9. Официальный сайт «Московской Биржи»

3.10. Официальный сайт «Токийской фондовой биржи»

3.11. Официальный сайт Федеральной службы государственной статистики

3.12. Официальный сайт «Франкфуртской фондовой биржи»

3.13. Официальный сайт «Шанхайской фондовой биржи»

3.14. Официальный сайт Центрального Банка РФ

3.15. Официальный сайт ЦРУ. Книга фактов ЦРУ

3.16. Сайт аналитического агентства FTSE

3.17. Сайт аналитического агентства Morgan Stanley Capital International. Раздел с основными и дополнительными фондовыми индексами.

3.18. Сайт аналитического агентства S&P Dow Jones Indices

3.19. Сайт аналитического информационного агентства Investing.com

3.20. Сайт аналитического информационного агентства Bloomberg Business

3.21. Сайт информационно-аналитического ресурса Investfunds подразделения компании Cbonds