· Макропеременные (рис. 1). В связи со спецификой отрасли необходимо учесть цену нефти на международном рынке, а также динамику валютных курсов и уровень инфляции. В качестве показателя совокупного дохода в отличие от ВВП был выбран Индекс промышленного производства, как наиболее подходящий для анализа цен производственных компаний. В результате, в анализ включены:

o Цена нефти марки Brent. Исторические данные были взяты с портала «Yandex.finance» (w/p ref.: https://news.yandex.ru/quotes/1006.html);

o Обменный курс доллара к рублю. Исторические данные были взяты с портала «Yandex.finance» (w/p ref.: https://news.yandex.ru/quotes/region/6.html?from=rubric);

o Уровень инфляции. Данные представлены на портале «Уровень инфляции» (w/p ref.: http://уровень-инфляции.рф);

o Величина денежной массы (агрегат М2). Данные были взяты с портала «Trading Economics» (w/p ref.: http://ru.tradingeconomics.com/russia/money-supply-m2);

o Индекс промышленного производства. Данные «WoldBank» для России (w/p ref.: http://data.worldbank.org/)

Рисунок 1. Макроэкономические показатели по компаниям

· Микропеременные (рис. 2). На микроуровне рассматриваются показатели финансовой отчётности, релевантные для инвестора, желающего приобрести актив. Дивиденды на акцию не попали в этот перечень, поскольку в этом случае требовалось бы более детальное изучение дивидендной политики каждой из представленных компаний. Микроэкономические данные, представленные в ежеквартальной отчётности компаний, были взяты из единой базы «Информационный ресурс СПАРК» от компании Интерфакс (w/p ref.: http://spark-interfax.ru). В результате, рассматриваются:

o Рентабельность собственного капитала (Return on Equity);

o Рентабельность активов (Return on Assets);

o Прибыль на акцию (Earnings per share)

o Соотношение заёмных и собственных средств;

o Оборачиваемость активов.

Рисунок 10. Микроэкономические показатели по компаниям

· Историческая цена акции (объясняемая переменная, рис. 3) была получена с портала «Yahoo Finance» (w/p ref.: https://finance.yahoo.com/)



Рисунок 3. Динамика среднеквартальных цен акций

Стоит отметить, что не все из представленных показателей квартальные. Для признаков, которые наблюдаются ежемесячно и ежедневно, мной были рассчитаны среднеквартальные значения. Пропущенные наблюдения не были заменены средними/медианными значениями и остались пустыми. В результате подготовительного этапа была получена несимметричная панель данных, которая и используется для дальнейшего анализа. Итоговая панель данных включает в себя:

v 9 уникальных единиц (компаний),

v 24 временных промежутка (квартальные данные с 2011 по 2016 год включительно),

v 10 объясняющих переменных (признаков): 5 макро и 5 микро,

v 1 объясняемая переменная.

В итоге мы имеем 153 наблюдения, поскольку панель не симметрична, о чем было сказано выше.



3.3 Технические средства

Для проведения анализа был использован язык программирования Python и программная среда «Ipython Notebook». Для воспроизведения результатов понадобится ряд сторонних библиотек для обработки и анализа данных (рис. 4).

Рисунок 4. Подключаемые библиотеки

Хотелось бы отметить, что Python представляет дополнительную гибкость и управляемость при проведении исследования, чего тяжело или практически невозможно добиться от стандартных решений типа Stata. Своей работой я вношу определённый вклад в сообщество исследователей, использующих в работах этот язык программирования. В частности, в русскоязычном сообществе, мне не удалось найти статьи, использующие Python в качестве инструмента для анализа панельных данных.

3.4 Предварительная обработка данных

Проверка на стационарность

В данной работе основное внимание уделяется не степени влияния того или иного показателя на цену акций, а скорее сам эффект влияния фундаментальных показателей. Задачей является подтвердить или опровергнуть однородность нефтяной отрасли в России и изучить знак влияния микро- и макропоказателей. Поэтому для этих целей можно не использовать нормирование данных, а оставить показатели в исходном виде.

Ещё одним распространённым приёмом при построении регрессионных моделей является задание переменных в логарифмическом масштабе. Было решено также не использовать логарифмический масштаб по той причине, что это никак не влияет на значимость коэффициентов модели и, к тому же, большая часть объясняющих переменных задана в процентах, и введение логарифмического масштаба в этом случае усложнит интерпретацию результатов.

В качестве проверки временных рядов на стационарность я использую обобщённый тест Дикки-Фуллера. В общем виде он оценивает следующую модель:

(1)

Рассматриваемые гипотезы:

· H0: (нет необходимости в численном дифференцировании, ряд стационарен);

· H1: (ряд не стационарен, требуется численное дифференцирование). Статистика теста:

(2)

Визуальная оценка рисунков представленных выше, недвусмысленно даёт понять, что данные временные ряды не стационарны, и потребуется взятие разностей. Формальные тесты лишь подтверждают это предположение (например, для объясняемой переменной):



Рисунок 5. Результаты ADF теста объясняемой переменной

Однако следуем иметь в виду, что взятие разностей значительно сократит количество наблюдений в уже без того несимметричной панели, но сделает временные ряды стационарными (рис. 6).

Рисунок 6. Результат численного дифференцирования 1-го порядка

Согласно теоретической литературе (Verbeek, Green), для временных рядов малой длины тяжело добиться стационарности и, в этом случае, допустимо работать с нестационарными рядами. Однако, чтобы избежать грубой ошибки в анализе, я в своей работе дополнительно строю регрессионную модель первых разностей. Если она окажется «хуже» классических моделей со случайными и фиксированными эффектами, то численное дифференцирование можно опустить и работать с нестационарными рядами. И наоборот, если модель окажется точнее, следует уменьшать количество наблюдений, добиваясь стационарности.

Проверка на автокорреляцию

Для проверки на автокорреляцию использовался тест Вулдриджа для панельных данных, смысл которого в следующем:

H0: отсутствует автокорреляция (1-го порядка);

H1: иначе.

В результате была рассчитана F-статистика: То есть, недостаточно оснований для того, чтобы принять нулевую гипотезу, а, значит, автокорреляция есть. Этого и следовало ожидать изначально в данных, содержащих временные ряды. В таком случае, верным подходом в анализе было бы включение лаговых переменных в модели или же использование более сложных эконометрических методов (например, GARCH-моделей). Я отдаю себе отчёт в наличии данной проблемы и оставляю её открытой для будущих исследований.

Проверка на мультиколлинеарность

Не прибегая к тестам на мультиколлинеарность, простой графический анализ корреляционной матрицы позволяет сделать вывод о наличии мультиколлинеарности в данных. В частности, наблюдается явная положительная корреляция между показателями «ROA» и «ROE», между прибылью на акцию и оборачиваемостью активов, а также между величиной денежной массы и обменным курсом.

Данная взаимосвязь согласуется с экономической логикой и была вполне ожидаема. Проблема решается, например, методом главных компонент, что в свою очередь затрудняет интерпретацию коэффициентов модели. Однако стоит отметить, что мультиколлинеарность оставляет оценки несмещёнными и влияет лишь на значимость регрессии в целом. Поэтому считаю целесообразным провести анализ, не обращая внимание на эту проблему.

Рисунок 7. Графическое представление автокорреляционной матрицы

Проверка на гетероскедастичность

Для проверки на гетероскедастичность применительно к панельным данным был проведён модифицированный тест Вальда для групповой гетероскедастичности:

H0:

H1: обратное

Результаты теста следующие:



То есть, гипотеза об отсутствии гетероскедастичности отвергается. В связи с этим в дальнейших моделях будут использоваться стандартные ошибки в форме Уайта, чтобы добиться состоятельности и эффективности оценок для корректного тестирования гипотез.

3.5 Исследование на панельных данных и выбор оптимальной модели

Используя стандартные обозначения, принятые при анализе панельных данных, запишем:

v - номера объектов (компаний), - моменты времени, - признаки. В нашем случае: n=9, T=24, k=10

v набор независимых переменных (вектор размерности )

v цена акции для компании в момент времени .

Таким образом:

А объединённые векторы запишутся в виде:

Базовая модель (объединённая модель регрессии)

Объединённая линейная регрессия по всей панели не учитывает как индивидуальные, так и временные эффекты, в матричной форме она записывается следующим образом:



(5)

Для сравнения обобщённой модели с моделью с фиксированными эффектами были протестированы временные коэффициенты на равенство нулю. P-value оказалась равной 0,2756, то есть гипотеза H0 не отвергается, временные эффекты значимы и должны учитываться при оценке. Поэтому далее целесообразно рассматривать и сравнивать модели, включающие панельную структуру.

Модель с фиксированными эффектами

Описывается регрессионным уравнением:

Рисунок 16. Результат модели с фиксированными эффектами



Модель со случайными эффектами

Описывается регрессионным уравнением:

Рисунок 17. Результат модели со случайными эффектами

Модель первых разностей

В результате оценки параметров трёх описанных выше моделей, значимыми оказались коэффициенты при следующих регрессорах:

· ROE (возврат на собственный капитал);

· Прибыль на акцию;

· Оборачиваемость активов;

· ROA (возврат на активы);

· М2 (денежное предложение);

· Индекс промышленного производства.

Описывается регрессионным уравнением:



Рисунок 18. Результат модели с первыми разностями

Стоит отметить, что ROE, оборачиваемость активов, М2 и прибыль на акцию вносят положительный вклад в стоимость акций компаний. Это полностью согласуется с экономической логикой - доходные показатели и денежная масса положительно влияют на цену. Остальные же значимые коэффициенты при признаках отрицательны, в частности - ROA и Индекс промышленного производства.

Сравнение моделей

Качество подгонки модели первых разностей крайне низко в сравнении с моделями со случайными и фиксированными эффектами. Регрессия первых разностей оказалась незначима в целом, поэтому было решено не прибегать к численному дифференцированию, несмотря на наличие нестационарности. Поэтому имеет смысл сравнивать между собой только модели с фиксированными и случайными эффектами (рис. 19).



Рисунок 19. Сравнение моделей

Для выбора подходящей модели используется тест Хаусмана на спецификацию модели:

v Н0: случайные эффекты коррелированы с регрессорами;

v Н1: случайные эффекты НЕ коррелируют с регрессорами.

Статистика Хаусмана равна:

При выполнении нулевой гипотезы статистика имеет асимптотическое распределение . То есть, если принимается гипотеза H0, то следует отдать предпочтение модели с фиксированными эффектами, и, наоборот.

Р-value оказалась близка к единице, что говорит о недостаточности оснований для принятия гипотезы H0. Модель со случайными эффектами оказались лучше, что не часто встречается на практике. Данный результат свидетельствует о том, что индивидуальные эффекты между компаниями оказались не значимы, а нефтяная отрасль в России является относительно однородной. Эконометрические методы не позволяют нам определить причину данной однородности. Среди возможных обоснований следует указать активное вмешательство и регулирование деятельности компаний со стороны государства, отсутствие кардинальных различий в позициях менеджмента этих компаний или же специфику самой нефтяной отрасли, где в основном используются однотипные технологии. Однако это выходит за рамки проведённого исследования.

В результате проведённого исследования была выявлена зависимость между ценами акций для компаний нефтяной отрасли в России и основными фундаментальными показателями, как на микро- так и на макроуровнях. Необходимо отметить следующее:

v Влияние инфляции, обменного курса и цены на нефть оказалось незначимо для цен акций компаний нефтяной отрасли. Этот вывод кажется контринтуитивным. Однако, с одной стороны, возможно, что рынок не сразу реагирует на эти изменения, и ему нужно время, чтобы подстроиться. Требуются более сложные эконометрические методы, чтобы это оценить. С другой стороны, возможна обратная ситуация, когда цены акций меняются мгновенно за считанные минуты или секунды, реагируя на изменения рынка. В этом случае среднеквартальные данные являются слишком большим временным интервалом.

v На микроуровне все показатели оказались значимыми. Но есть результаты, которые расходятся с экономической интуицией. В частности, влияние рентабельности активов оказывает отрицательное влияние на цену акции. Тут, вероятно, кроется проблема в методологии составления финансовой отчётности. Несмотря на ежеквартальную публикацию ряд активов переоценивается на конец года - это вносит существенную хаотичность в показатель рентабельности. Очевидно, что это лишь особенности учёта, и опытные инвесторы, принимая решения о покупке/продаже акций, принимают во внимание особенности учётной политики той или иной компании, влияя на спрос, и, как следствие, на рыночную цену акций. В то время как чистый бухгалтерский показатель может показать неоднозначное влияние.

v Остальные значимые показатели финансовой отчётности (ROE, прибыль на акцию и оборачиваемость активов) полностью согласуются с изначальным предположением об их влиянии на цену акций, о чем было сказано вначале при формировании гипотез ещё до проведения эконометрического анализа.

v Как и предполагалось изначально, монетарная политика в теории не оказывает влияния на реальную доходность актива, поэтому повышение в уровне предложения денежной массы ведёт к увеличению цены акций нефтяной отрасли, вероятно, оставляя реальную доходность на прежнем уровне. Как и отмечалось ранее, имеют место и краткосрочные колебания спроса, величина и последствия которых требуют более глубоких методов для анализа. В частности, возможно использовать макроэкономические модели реальных деловых циклов для анализа динамического равновесия. Это могло бы стать направлением дальнейшего исследования данной темы.

v Интересный результат был получен при выборе оптимальной эконометрической модели. Предпочтение было отдано модели со случайными эффектами, что не часто встречается в академической литературе. Данный вывод можно интерпретировать таким образом, что индивидуальные эффекты несущественны от компании к компании, а нефтяная отрасль России является относительно однородной. То есть компании, в которых различный менеджмент и даже неодинаковые сферы деятельности (добыча нефти, газа, транспортировка и т.д.), используют одинаковые модели управления компаниями. Данная однородность может быть вызвана высокой степенью влияния государства в этой отрасли, регулированием деятельности компаний или высокой конкуренцией как на внутреннем, так и на внешнем рынке. Изучение институциональных особенностей также выходит за рамки данного исследования и предлагается будущим исследователям данной тематики.



Заключение

Данное исследование посвящено оценке влияния макроэкономических и внутрифирменных показателей на динамику цен акций российских нефтяных компаний за период 2011-2016 гг.

Текущая конъюнктура в нефтяной отрасли достаточно напряженная: падение мировых цен на нефть, санкции против российской экономики, наращивание долгов крупными нефтяными компаниями, неэффективность в области разведки, добычи и переработки нефтепродуктов оказывают негативное воздействие на нефтяной сектор Российской Федерации, а, следовательно, данный эффект распространяется и на российскую экономику. Тем не менее, есть и положительные события в изучаемом секторе: наращивание добычи, ослабление зависимости бюджета РФ от нефтяных доходов, рост цен акций, увеличение капиталовложений и повышение инвестиционной активности компаниями. Развитие российского нефтяного сектора тесно связано с экономическим ростом РФ, и влияние нефтяных компаний на финансовые рынки ежегодно усиливается: за 2016 год нефтяная отрасль продемонстрировала значительный рост капитализации. Таким образом, понимание факторов, влияющих на динамику цен акций российских нефтяных компаний, подчеркивает актуальность и практическую значимость данного исследования.

Рассматриваемые научные работы российских и зарубежных исследователей продемонстрировали наличие взаимосвязи между макроэкономическими факторами и экономическими показателями деятельности предприятий и финансовых структур. Стоит отметить, что единое общее мнение о влиянии различных показателей отсутствует: результаты исследований разнятся в зависимости от выбранной страны и рассматриваемого сектора, временных периодов и показателей, включаемых в модели.

Результаты получились неоднозначными: цена на нефть и обменный курс оказались незначимыми для акций нефтяных компаний. Среди микропоказателей влияние рентабельности активов расходится с экономической логикой. Остальные значимые показатели финансовой отчетности, среди которых рентабельность собственного капитала, прибыль на акцию и показатель оборачиваемости активов положительно влияют на цены акций нефтяного сектора, что согласуется с экономической теорией. Прямая связь между денежным предложением и котировками акций является очевидной. Помимо оценки факторов, интересным результатом стала однородность моделей управления российскими нефтяными компаниями. Выбор модели со случайными эффектами продемонстрировал несущественность индивидуальных эффектов менеджмента.

Фундаментом для дальнейших исследований может выступить увеличение исследуемой выборки, включив больше внутрифирменных показателей, в частности различных сырьевых индикаторов. Более того, интересным было бы проанализировать реакцию цен акций нефтяных компаний на совещания ОПЕК и сделки M&A в данном секторе. Другой областью для исследования может выступить оценка индивидуальных эффектов управляющих российскими нефтяными компаниями.

Таким образом, результаты данной работы могут быть полезны менеджменту нефтегазовых компаний и их финансовым подразделениям, в частности отделам по связи с инвесторами, при принятии решений на основании изменений макроэкономической политики и финансовых показателей компании.



Список литературы

1. Бобылев Ю.Н. (2015). Развитие нефтяного сектора России. Вопросы экономики №6, с. 45-62.

2. Бобылев Ю.Н., Расенко О.А. (2016). Нефтяной сектор экономики России: основные тенденции. Издательский дом «Дело» РАНХиГС

3. Брагинский О.Б. (2008). «Цена на нефть: история, прогноз, влияние на экономику». Рос. Хим.ж. №6

4. Мильчакова Н. (2009) Малые нефтяные компании: возможности для роста. Финансовая корпорация «Открытие»: аналитическое агентство

5. Миркин Я. (2001). «Среднесрочная конъюнктура фондового рынка». Рынок ценных бумаг, №8

6. Рыженко В.Ю. (2014). Нефтяная промышленность России: состояние и проблемы. Перспективы науки и образования, №1 (7)

7. Самойлов Д.В. (2010). Факторы, влияющие на индекс РТС во время финансового кризиса 2008-2009 гг. и до него. Экономический журнал ВШЭ (http://ecsocman.hse.ru/data/2010/10/11/1214790310/14_02_07.pdf)

8. Anatolyev S. (2008). A ten-year retrospective on the determinants of Russian stock returns. Finland Institute for Economies in Transition (BOFIT)

9. Bing Zhu The Effects of Macroeconomic Factors on Stock Return of Energy Sector in Shanghai Stock Market. International Journal of Scientific and Research Publications, Volume 2, Issue 11, November 2012 1 ISSN 2250-3153

10. Boyer M., Filion D.(2004). Common and Fundamental Factors in Stock Returns of Canadian Oil and Gas Companies. Scientiific Series 2004s-62

11. Ciobanu, A., & Bratu, S. (2008). Micro And Macroeconomic Determinants Of Oil Stock Prices On Romanian Capital Market. Theoretical and Applied Economics, 11(528), 327-334.

12. Fama, E. F. (1970). Efficient Capital Market: A Review of Theory and Empirical Work. Journal of Finance. 71.545-565.

13. Hussainey K., Ngoc L. (2009) The impact of macroeconomic indicators on Vietnamese stock prices. The Journal of Risk Finance

14. Iqbal A., Farooq A., Raza H. (2015) Determinants of Share Prices, Evidence from Oil & Gas and Cement Sector of Karachi Stock Exchange (A Panel Data Approach). Journal of Poverty, Investment and Development Vol.8, 2015

15. Korhonen I., Peresetsky A. (2013). What determines stock market behavior in Russia and other emerging countries? BOFIT

16. Lavrik A., Padmesh P.(2014) Determinants of Return on Oil and Gas Stocks in Canada and the US: A Micro & Macro Analysis.

17. Malhotra N. Determinants of Stock Prices: Empirical Evidence from NSE 100 Companies. International Journal of Research in Management& Technology (IJRMT), ISSN: 2249-9563 Vol. 3, No.3,June 2013

18. Mohan, C., & Chitradevi, N. (2014). Impact of macroeconomic factors on banking index (CNX bank bank) in India. International Journal of Trade& Global Global Business Perspectives, 3(1), 722

19. Robert D. Gay Effect of Macroeconomic Variables on Stock Market Returns: For Four Emerging Economies: Brazil, Russia, India, And China. International Business & Economics Research Journal- March 2008 Volume 7.

20. Saeed, S., & Akhter, N. (2012). Impact of macroeconomic factors on banking index in Pakistan. Interdisciplinary Journal of Contemporary Research in Business, 4(6), 1200

21. Tursoy, T., Gunsel, N., & Rjoub, H. (2008). Macroeconomic factors, the APT and the Istanbul stock market. International Research Journal of Finance and Economics, 22, 49-57.

22. Wang X. The Relationship between Economic Activity, Stock Price and Oil Price: Evidence from Russia China and Japan//International Research Journal of Finance and Economics. - 2010. - Т. 60. - С. 102-113.

23. https://finance.yahoo.com/

24. http://spark-interfax.ru

25. https://news.yandex.ru/quotes/1006.html

26. https://news.yandex.ru/quotes/region/6.html?from=rubric

27. http://уровень-инфляции.рф

28. http://ru.tradingeconomics.com/russia/money-supply-m2

29. http://data.worldbank.org/

Размещено на Allbest.ru