Капитализация банка

Однако прежде чем проводить анализ полученных коэффициентов при независимых переменных, необходимо скорректировать стандартные ошибки данной регрессии методом Уайта для нейтрализации возможной гетероскедастичности.

Таблица 15

Корректировка стандартных ошибок первой регрессии методом Уайта

Heteroskedasticity Test: White
F-statistic	0.405972	Prob. F(50,5)	0.9548
Obs*R-squared	44.93220	Prob. Chi-Square(50)	0.6764
Scaled explained SS	34.02860	Prob. Chi-Square(50)	0.9590
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/12/15 Time: 00:30
Sample: 1 56
Included observations: 56
Collinear test regressors dropped from specification
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.831869	3.929641	0.211691	0.8407
WPR	14.55409	18.85055	0.772078	0.4750
WPR^2	1.858769	1.979985	0.938779	0.3909
WPR*AIE	-2.29E-10	8.46E-10	-0.271080	0.7972
WPR*DEVIA	0.807542	1.065271	0.758062	0.4826
WPR*RTS15	-2.796458	3.050731	-0.916652	0.4014
WPR*(LOG(CAP))	0.120744	0.211925	0.569746	0.5935
WPR*LM1	2.943072	13.36278	0.220244	0.8344
WPR*LM2	-21.66929	32.41001	-0.668599	0.5334
WPR*OVER	-18.49225	20.83955	-0.887363	0.4155
AIE	-4.43E-10	2.03E-09	-0.218230	0.8359
AIE^2	-1.60E-19	1.51E-19	-1.064704	0.3357
AIE*DEVIA	8.15E-11	4.76E-10	0.171279	0.8707
AIE*RTS15	-3.23E-10	2.89E-09	-0.111743	0.9154
AIE*(LOG(CAP))	8.84E-11	9.86E-11	0.896720	0.4110
AIE*LM1	2.88E-09	5.15E-09	0.559504	0.6000
AIE*LM2	-3.71E-09	6.02E-09	-0.616535	0.5645
AIE*OVER	-1.07E-09	1.04E-09	-1.030411	0.3501
DEVIA	-1.593898	2.859807	-0.557345	0.6013
DEVIA^2	-0.071251	0.176880	-0.402822	0.7037
DEVIA*RTS15	0.575481	1.379925	0.417038	0.6940
DEVIA*PRCAP	0.002011	0.012116	0.165983	0.8747
DEVIA*(LOG(CAP))	0.001422	0.104027	0.013670	0.9896
DEVIA*LM1	-5.845987	9.618825	-0.607765	0.5699
DEVIA*LM2	7.275638	10.71002	0.679330	0.5271
DEVIA*OVER	1.482995	1.511780	0.980960	0.3717
RTS15	14.72160	13.24732	1.111289	0.3170
RTS15^2	3.343872	10.07220	0.331990	0.7534
RTS15*(LOG(CAP))	-0.125474	0.434486	-0.288788	0.7843
RTS15*LM1	-20.83911	41.82524	-0.498242	0.6395
RTS15*LM2	10.15094	30.98876	0.327568	0.7565
RTS15*OVER	-9.491258	11.94825	-0.794364	0.4630
LOG(CAP)	-0.127622	0.369598	-0.345300	0.7439
(LOG(CAP))^2	-0.004582	0.009595	-0.477526	0.6531
(LOG(CAP))*LM1	-2.620879	4.868714	-0.538310	0.6135
(LOG(CAP))*LM2	2.834987	5.071610	0.558991	0.6003
(LOG(CAP))*OVER	0.189335	0.208629	0.907519	0.4057
LM1	37.83282	75.16237	0.503348	0.6361
LM1*LM2	0.242332	0.826871	0.293071	0.7812
LM1*OVER	11.93211	18.44297	0.646973	0.5462
LM2	-38.62836	75.55534	-0.511259	0.6309
LM2*OVER	-8.017614	13.33580	-0.601210	0.5739
R-squared	0.802361	Mean dependent var	0.015574
Adjusted R-squared	-1.174033	S.D. dependent var	0.023546
S.E. of regression	0.034717	Akaike info criterion	-4.477652
Sum squared resid	0.006026	Schwarz criterion	-2.633135
Log likelihood	176.3743	Hannan-Quinn criter.	-3.762537
F-statistic	0.405972	Durbin-Watson stat	1.820454
Prob(F-statistic)	0.954790

Получившийся результат говорит о том, что не нужно отклонять гипотезу о том, что нет гетероскедастичности. Уровни значимости Probability F, Probability Chi-Square получились больше критического значения, равного 0,05. Это значит, что с ростом предсказанного значения ошибки не растут, отсутствует неоднородность наблюдений, выражающаяся в непостоянной дисперсии случайной ошибки регрессионной модели. Таким образом, распределение гомоскедастично, то есть однородно.

Итак, первая регрессия с зависимой переменной UN показала следующие результаты. Согласно уровню значимости коэффициентов (Prob.), значимо отличающимися от нуля получились коэффициенты при таких независимых переменных, как WPR - ширина ценового диапазона, AIE - ожидаемый объем выпуска при IPO, Log(Cap) - капитализация на момент IPO, LM2 - дамми-переменная, характеризующая основного андеррайтера размещения, и OVER - факт использования опциона доразмещения.

Отрицательный знак коэффициента переменной AIE в данной регрессии говорит о том, что больший объем выпускаемых акций снижает значение недооценки IPO. Инвесторы оценивают такие размещения как менее рискованные и более уверенно раскрывают информацию о максимальных ценах, которые они готовы отдать за акции эмитента, предельная полезность выявленной во время road-show позитивной информации становится меньше, что снижает недооценку. Эмпирически аналогичный результат также получили Риттер [Ritter, 1987] и Хэнли [Hanley, 1993].

Положительное влияние на недооценку акций, согласно полученным результатам, так же оказывает ширина ценового диапазона (WPR). Как уже было отмечено ранее, широкий интервал сигнализирует инвесторам о том, что андеррайтер не уверен в своих оценках стоимости акций эмитента, что свидетельствует о высоком риске публичного размещения. Бенвенисте и Спиндт [Benveniste&Spindt, 1989] в своей работе показали, что чем более высока неопределенность относительно цены размещения, тем выше предельная полезность информации, полученной в процессе заполнения книги заявок, и тем большей должна быть компенсация в виде роста котировок на вторичном рынке (недооценки). Таким образом, полученный результат соответствует ранее результатам ранее проведенных исследований. Кроме того, в статистическом анализе данной работы уже был выявлен факт того, что при публичных размещениях с широким ценовым диапазоном наблюдалась более высокая величина недооценки акций.

Отрицательный знак при переменной Log(Cap) подтверждает первоначальные предположения о том, что высокое значение капитала банка (компании) уменьшает риск вложений для инвесторов. Инвесторы при покупке акций банка (компании) требуют меньшую премию за риск, что уменьшает недооценку акций.

Положительный знак коэффициента переменной OVER, характеризующей наличие опциона доразмещения - overallotment option, говорит о том, что данная переменная увеличивает недооценку акций. Данный опцион представляет собой механизм стабилизации динамики котировок после размещения, это некая подушка безопасности для инвесторов. Опцион overallotment (или green shoe) обычно составляет до 15% от всего объема эмиссии. При росте цены акций после размещения полный размер IPO превышает базовый размер на величину опциона (до 115% IPO). В таком случае у андеррайтеров появляется возможность разместить до 115% соответствующего объема размещения по цене размещения в период до 30 дней после начала торгов акциями. Таким образом, возникает предположение о том, что андеррайтерам выгодно заложить некий уровень недооценки в цену размещения акций эмитента.

Так же, согласно полученным результатам, отрицательный знак коэффициента при переменной LM2, свидетельствует о том, что участие в размещении международного инвестиционного банка в качестве основного андеррайтера позволяет снизить недооценку акций. Данный факт говорит о том, что размещение под управлением международного инвестиционного банка более выгодно для эмитента, поскольку они обладают более широкую базу инвесторов и большую долю на рынке, а значит, большой опыт.

Значение Prob.(F statistic) получилось меньше критического уровня (0,000684<0,01) и достаточно близко к нулю, это позволяет говорить о значимости модели в целом.

Далее построим вторую регрессию с зависимой переменной Ln(PRI).

Таблица 16

Результаты регрессии: влияние выбранных факторов на Недооценку IPO

ls Ln(PRI) c WPR AIE DEVIA RTS15 log(CAP) OVER:

Dependent Variable: Ln(PRI)
Method: Least Squares
Date: 05/11/15 Time: 23:37
Sample: 1 56
Included observations: 56
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-0.215435	0.094306	-2.284416	0.0267
WPR	0.026937	0.070574	0.381683	0.7043
AIE	6.05E-13	5.42E-12	0.111522	0.9117
DEVIA	0.138310	0.012140	11.39295	0.0000
RTS15	-0.003013	0.134651	-0.022380	0.9822
LOG(CAP)	0.007205	0.004414	1.632143	0.1091
OVER	-0.016957	0.014185	-1.195418	0.2377
LM1	0.019118	0.057119	0.334712	0.7394
LM2	0.113165	0.057101	-0.817232	0.0561
R-squared	0.757236	Mean dependent var	0.008096
Adjusted R-squared	0.727510	S.D. dependent var	0.093424
S.E. of regression	0.048768	Akaike info criterion	-3.087012
Sum squared resid	0.116538	Schwarz criterion	-2.833843
Log likelihood	93.43634	Hannan-Quinn criter.	-2.988859
F-statistic	25.47374	Durbin-Watson stat	1.998955
Prob(F-statistic)	0.000000

Проведем для данной регрессии тест Чоу.

Таблица 17

Результаты теста Чоу для второй регрессии

Chow Breakpoint Test: 50
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1 56
F-statistic	0.181398		Prob. F(7,42)	0.9878
Log likelihood ratio	1.667963		Prob. Chi-Square(7)	0.9759
Wald Statistic	1.269789		Prob. Chi-Square(7)	0.9892

Результаты теста Чоу для второй регрессии с зависимой переменной Ln(PRI) так же свидетельствуют о том, что нельзя отклонить нулевую гипотезу. Уровни значимости Probability F, Probability Chi-Square получились больше критического значения, равного 0,05. Значит, модель характеризуется наличием структурной стабильности, и разбиение модели на две самостоятельных модели не улучшит результат исследования. Можно проводить анализ факторов по результатам регрессии совокупной выборки с зависимой переменной Ln(PRI). Полученные в результате исследования показатели будут актуальны для российских банков и позволят сделать справедливые выводы о возможностях повышения эффективности банковских IPO.

Для нейтрализации возможной гетероскедастичности скорректируем стандартные ошибки данной регрессии методом Уайта:

Таблица 18

Корректировка стандартных ошибок второй регрессии методом Уайта

Heteroskedasticity Test: White
F-statistic	72.40760	Prob. F(50,5)	0.0001
Obs*R-squared	55.92277	Prob. Chi-Square(50)	0.2622
Scaled explained SS	59.53497	Prob. Chi-Square(50)	0.1674
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/12/15 Time: 00:45
Sample: 1 56
Included observations: 56
Collinear test regressors dropped from specification
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-0.361158	0.049721	-7.263756	0.0008
WPR	-0.323283	0.238510	-1.355427	0.2333
WPR^2	-0.042124	0.025052	-1.681443	0.1535
WPR*AIE	1.41E-11	1.07E-11	1.319907	0.2441
WPR*DEVIA	-0.054868	0.013479	-4.070758	0.0096
WPR*RTS15	-0.085756	0.038600	-2.221661	0.0770
WPR*(LOG(CAP))	-0.019876	0.002681	-7.412529	0.0007
WPR*LM1	0.359441	0.169075	2.125924	0.0869
WPR*LM2	0.445719	0.410074	1.086923	0.3267
WPR*OVER	0.828895	0.263677	3.143607	0.0256
AIE	-8.50E-11	2.57E-11	-3.309913	0.0212
AIE^2	1.56E-20	1.91E-21	8.163581	0.0004
AIE*DEVIA	-6.90E-12	6.02E-12	-1.145803	0.3037
AIE*RTS15	1.52E-10	3.65E-11	4.151718	0.0089
AIE*(LOG(CAP))	-2.94E-12	1.25E-12	-2.353216	0.0653
AIE*LM1	-3.53E-11	6.51E-11	-0.542229	0.6109
AIE*LM2	1.59E-10	7.62E-11	2.081755	0.0919
AIE*OVER	1.08E-10	1.32E-11	8.155438	0.0005
DEVIA	0.059361	0.036184	1.640529	0.1618
DEVIA^2	0.019197	0.002238	8.577903	0.0004
DEVIA*RTS15	-0.050110	0.017460	-2.870036	0.0350
DEVIA*(LOG(CAP))	0.002474	0.001316	1.879634	0.1189
DEVIA*LM1	-0.110862	0.121704	-0.910913	0.4041
DEVIA*LM2	0.012307	0.135511	0.090819	0.9312
DEVIA*OVER	-0.108932	0.019128	-5.694896	0.0023
RTS15	0.240434	0.167614	1.434450	0.2109
RTS15^2	0.563037	0.127440	4.418041	0.0069
RTS15*(LOG(CAP))	-0.032872	0.005497	-5.979575	0.0019
RTS15*LM1	0.383495	0.529202	0.724666	0.5011
RTS15*LM2	-0.027090	0.392091	-0.069090	0.9476
RTS15*OVER	0.321779	0.151178	2.128482	0.0866
LOG(CAP)	0.031073	0.004676	6.644673	0.0012
(LOG(CAP))^2	-0.000272	0.000121	-2.238354	0.0754
(LOG(CAP))*LM1	0.068461	0.061602	1.111342	0.3170
(LOG(CAP))*LM2	-0.080094	0.064170	-1.248166	0.2672
(LOG(CAP))*OVER	-0.008591	0.002640	-3.254556	0.0226
LM1	-1.267175	0.951007	-1.332457	0.2402
LM1*LM2	-0.059554	0.010462	-5.692360	0.0023
LM1*OVER	-0.186073	0.233353	-0.797389	0.4614
LM2	1.385128	0.955979	1.448911	0.2070
LM2*OVER	-0.037337	0.168734	-0.221279	0.8336
R-squared	0.998621	Mean dependent var	0.001990
Adjusted R-squared	0.984829	S.D. dependent var	0.003566
S.E. of regression	0.000439	Akaike info criterion	-13.21742
Sum squared resid	9.65E-07	Schwarz criterion	-11.37290
Log likelihood	421.0878	Hannan-Quinn criter.	-12.50231
F-statistic	72.40760	Durbin-Watson stat	1.833897
Prob(F-statistic)	0.000070

Результат показал, что нужно отклонить гипотезу о том, что нет гетероскедастичности на 5% уровне значимости. Уровни значимости Probability F, Probability Chi-Square получились меньше критического значения, равного 0,05, что означает присутствие непостоянной дисперсии случайной ошибки регрессионной модели. Поэтому необходимы поправки Уайта в регрессионной модели.

Таблица 19

Поправки Уайта во второй регрессионной модели

Dependent Variable: Ln(PRI)
Method: Least Squares
Sample: 1 56
Included observations: 56
White heteroskedasticity-consistent standard errors & covariance
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-3.215435	0.067057	-3.212692	0.0023
WPR	-2.226937	0.085738	0.314179	0.0347
AIE	6.051213	2.365512	0.255738	0.0992
DEVIA	0.138310	0.029690	4.658438	0.0013
RTS15	0.030130	0.129678	-0.023238	0.1016
LOG(CAP)	0.427205	0.003466	2.078706	0.0429
OVER	-0.016957	0.012203	-1.389559	0.0709
LM1	-0.023363	0.018588	-1.256845	0.2152
LM2	0.113165	0.022515	0.584726	0.0561
R-squared	0.757236	Mean dependent var	0.008096
Adjusted R-squared	0.727510	S.D. dependent var	0.093424
S.E. of regression	0.048768	Akaike info criterion	-3.087012
Sum squared resid	0.116538	Schwarz criterion	-2.833843
Log likelihood	93.43634	Hannan-Quinn criter.	-2.988859
F-statistic	25.47374	Durbin-Watson stat	1.998955
Prob(F-statistic)	0.000000

После корректировки регрессии методом Уайта можно проводить анализ коэффициентов модели. Значение Prob.(F statistic) получилось равным нулю, что говорит об абсолютной значимости модели. Значение Adjusted R-squared получилось равным 73%, значит, модель обладает достаточно высокой предсказательной силой.

В регрессии с зависимой переменной Ln(PRI) - индексом изменения цены размещения - значимо отличными от нуля (оказывают наибольшее влияние) оказались коэффициенты таких переменных, как WPR - ширина ценового диапазона, AIE - ожидаемый объем выпуска, RTS15 - фактор конъюнктура фондового рынка, LOG(CAP) - капитализация на момент размещения LM2 - дамми-переменная, характеризующая андеррайтера размещения, и OVER - наличие опциона доразмещения.

Что касается переменной DEVIA, ее влияние предсказуемо. Большее отклонение от минимальной границы ценового коридора вызывает большее отклонение от середины коридора.

При переменной WPR получился отрицательный знак коэффициента. Как уже было сказано, широкий ценовой диапазон сигнализирует инвесторам о неуверенности андеррайтера в отношении итоговой цены размещения, а значит, о возможном риске. Инвесторы требуют большую премию за риск, что снижает цену размещения.

Положительный знак коэффициента при AIE в модели говорит о том, что менее рискованные IPO (больший объем выпускаемых акций) характеризуются более высоким спросом со стороны инвесторов. Данный результат соответствует выводам исследований, которые проводили Риттер [Ritter, 1987] и Хэнли [Hanley, 1993] на данных публичных размещений компаний США.

Коэффициент переменной RTS15 так же положителен. Полученный результат свидетельствует о том, что благоприятное состояние рынка ценных бумаг накануне публичного размещения акций положительно сказывается на фактической цене размещения.

Положительный знак коэффициента LOG(CAP), вероятно, так же говорит о том, что более высокое значение капитала банка (компании) сигнализирует инвесторам о меньшем риске вложений. При заполнении книги заявок инвесторы предлагают более высокие цены относительно середины установленного ценового диапазона, что увеличивает цену размещения.

Коэффициент переменной OVER имеет отрицательный знак. То есть, наличие опциона overallotment снижает значение индекса изменения цены размещения. Как уже было сказано ранее, андеррайтеры в целях размещения большего объема IPO и реализации опциона в течение 30 дней после размещения по цене IPO могут закладывать недооценку в цену размещения. Соответственно, цена размещения оказывается ниже справедливого уровня.

Для того чтобы сделать вывод о том, какие факторы позволяют смягчить феномен частичного приспособления, а какие - получить эмитенту дополнительный доход, целесообразно совместить полученные результаты со значимыми переменными обеих регрессий в общую таблицу.

Таблица 20

Совокупные результаты эмпирического исследования

	UN	LN(PRI)
	t-stat.	p-value	t-stat.	p-value
C	0,5133	-3,21543
	1,9598	0,0557	-3,2126	0,0023
WPR	0,01185	-2,22697
	0,0604	0,052	0,3141	0,0347
AIE	-1,826111	6,0512
	1,205605	0,0338	0,25573	0,0992
DEVIA	-	-
RTS15	-	0,0303
		-0,023	0,1016
LOG(CAP)	-0,27309	0,42725
	-1,8834	0,0756	2,0787	0,0429
OVER	0,068156	-0,016957
	1,7306	0,0499	-1,3895	0,0709
LM1	-	-
LM2	-0,04665	0,113165
	-0,817232	0,0418	0,584726	0,0561
Adjusted R-squared	67%	72%

В результате проведенного регрессионного анализа при построении факторных моделей с зависимыми переменными UN (недооценка IPO) и Ln(PRI) (индекс изменения цены размещения) получились комбинации коэффициентов зависимых переменных, позволяющие сделать вывод о возможности смягчения феномена частичного приспособления и получения дополнительного дохода при IPO российским банками.

Переменная WPR - ширина ценового диапазона, согласно получившимся результатам, одновременно оказывает положительное влияние на величину недооценки акций и отрицательное влияние на индекс изменения цены размещения. Большая разница между минимальной и максимальной границами установленного ценового диапазона увеличивает риск вложений для инвесторов, т.к. свидетельствует о высоком уровне неопределенности андеррайтера. При заполнении книги заявок инвесторы не предлагают максимально высокие цены, несмотря на свой интерес к размещению, что снижает цену IPO и увеличивает недооценку акций эмитента. Данный результат подтверждает выводы, приведенные в работе Бенвенисте и Спинтда [Benveniste&Spindt, 1989] и в исследовании Хэнли [Hanley, K., 1993], которые показали, что чем более высока неопределенность цены размещения, тем выше предельная полезность информации, полученной в процессе road-show, и тем больше должна быть компенсация в виде роста котировок на вторичном рынке (недооценки). Таким образом, при более осторожном и тщательном подходе к определению границ ценового коридора и формированию ожидаемой цены размещения, можно смягчить феномен частичного приспособления и снизить недооценку IPO.

Переменная, характеризующая ожидаемый объем размещения (AIE), оказывает отрицательное влияние на значение недооценки и положительно влияет на индекс изменения цены размещения. Менее рискованные IPO пользуются большим спросом, что увеличивает цену размещения и снижает недооценку акций. Таким образом, данный фактор позволяет смягчить феномен частичного приспособления: снизить недооценку акций при первичном публичном размещении при одновременном увеличении цены размещения. Полученный результат подтверждает результаты ранее проведенных исследований. Риттер [Ritter, 1987] и Хэнли [Hanley, 1993], используя модификацию модели Бенвенисте и Спиндта [Benveniste&Spindt, 1989], в своих работах по анализу ценообразования IPO США пришли к аналогичным выводам. На данных по IPO российских компаний за период 1998 - 2007 гг. Ивашковская [Ивашковская И.В., Харламов Л.С., 2007] так же доказала значимое влияние фактора ожидаемого объема выпуска на недооценку акций и индекс изменения цены размещения.

Значительное влияние на недооценку акций оказал такой фактор, как капитализация банка (компании) на момент IPO (LOG(CAP)). Согласно полученным данным, большее значение капитала позволяет снизить недооценку IPO (UN). Данный фактор одновременно оказывает положительное влияние на индекс изменения цены размещения (PRI) и позволяет повысить цену предложения акций по сравнению с серединой заявленного ценового диапазона. Соответственно, уровень капитализации при первичном публичном размещении так же можно рассматривать как фактор, который позволяет смягчить феномен частичного приспособления и повысить эффективность ценообразования IPO.

Фактор конъюнктуры российского фондового рынка (RTS15) оказался значимым только для модели индекса изменения цены размещения (PRI). Важно отметить, что в исследовании Хэнли [Hanley, K., 1993] на данных по IPO компаний США аналогичный фактор оказался значимым так же в модели недооценки. В нашем случае полученный результат позволяет сделать вывод о том, что благоприятное состояние рынка ценных бумаг накануне первичного публичного размещения позволяет эмитенту акций получить дополнительный доход, при этом, никак не влияя на размер недооценки, что в целом так же позволяет повысить эффективность IPO.

Очень интересным оказалось влияние такого фактора, как OVER, характеризующего факт использования или неиспользования опциона overallotment - опциона дополнительного выпуска акций. Данный фактор оказался значимым в обеих моделях. Но согласно полученным знакам при коэффициентах, мы не получили смягчения феномена частичного приспособления. Однако, по мнению автора работы, не стоит пренебрегать влиянием данного фактора на недооценку акций и изменение цены размещения. При ожидаемом росте цены размещения после проведения IPO на вторичных торгах андеррайтерам выгодно заложить недооценку в цену предложения для возможности размещений до 115% объема IPO.

Так же, согласно полученным результатам, знаки коэффициентов при переменной LM2, свидетельствуют о том, что участие в размещении международного инвестиционного банка в качестве основного андеррайтера позволяет снизить недооценку акций и увеличить цену размещения. Данный факт говорит о том, что размещение под управлением международного инвестиционного банка более выгодно для эмитента, поскольку они обладают более широкой базой инвесторов и большей долей на рынке, а значит, большим опытом.

Заключение

С целью исследования способов и механизмов повышения эффективности ценообразования IPO российских банков в рамках магистерской диссертации был решен ряд задач:

1. Были изучены существующие подходы и методы капитализации российских банков с точки зрения внедрения стандартов "Базель III": в условиях ужесточения требований к капиталу первого уровня первоклассными источниками капитализации являются реинвестирование нераспределенной прибыли в капитал и публичное размещение обыкновенных акций на фондовом рынке. Было отмечено, что в силу ограниченности внутреннего источника капитализации, особую актуальность приобретает механизм первичного публичного размещения (Initial Public Offering);

2. Был подробно и тщательно изучен процесс первичного публичного размещения акций на фондовом рынке в качестве способа увеличения собственного капитала банков. Было выделено, что ценообразование и определение цены размещения является наиболее важным фактором, влияющим на эффективность IPO. В России данный процесс осуществляется методом книги заявок;

3. Были рассмотрены существующие подходы, модели и теории по оценке эффективности ценообразования IPO. Было выявлено, что наиболее острой проблемой в рамках ценообразования IPO, требующей наибольшего внимания, является проблема недооценки акций (IPO Ubderpricing), которая представляет собой превышение цены закрытия первого дня торгов над ценой размещения;

4. Далее был проведен анализ эффективности ценообразования IPO российских банков за период 2007-2015 гг. В результате анализа было выявлено, что ценообразование IPO российских банков не эффективно, поскольку на данных по их первичным публичным размещениям присутствует недооценка акций, средняя величина которой составляет 4,03%. Кроме того, вследствие использования метода книги заявок в качестве единственного механизма ценообразования IPO в России, возникает феномен частичного приспособления, который повышает недооценку акций и снижает эффективность IPO. Для доказательства была изучена взаимосвязь недооценки акций и индекса изменения цены размещения;

5. Согласно полученным в результате анализа данным, было доказано, что российские банки, как и другие российские компании, подчиняются общим законам ценообразования IPO. Данный факт позволил проверить влияние широко используемых факторов недооценки IPO компаний на данных IPO российских банков, а так же определить возможности смягчения феномена частичного приспособления и получения дополнительного дохода от размещения, то есть повышения эффективности банковских IPO.

Таким образом, в результате исследования влияния различных факторов на ценообразование IPO российских банков, проведенного на данных их публичных размещений за период 2007-2015 гг., было выявлено, что существуют механизмы, позволяющие повысить эффективность банковских IPO. Снизить недооценку акций и повысить цену предложения способны такие факторы, как объем размещаемых акций, уровень капитализации банка на момент IPO, а так же использование услуг международного андеррайтера в качестве основного организатора IPO.

Кроме того, благоприятное состояние рынка ценных бумаг позволяет получить банкам дополнительный доход от публичного размещения без влияния на размер недооценки акций, что способствует повышению эффективности IPO.

Тем не менее результаты исследования показали, что устанавливаемый банками ценовой коридор снижает эффективность ценообразования IPO и увеличивает недооценку акций, поэтому банки должны уделять особое внимание процессу определения границ ценового диапазона и ожидаемой цены размещения. В случае использования опциона доразмещения (overallotment) банки должны понимать, что андеррайтерам выгодно заложить недооценку в стоимость акций и разместить больший объем IPO. Следовательно, важно осторожно подходить к данному механизму стабилизации цен акций после IPO.

В заключение необходимо отметить, что все гипотезы, обозначенные в начале исследования, подтвердились, поставленные задачи выполнены, цель исследования достигнута.

Размещено на Allbest.ru