Дипломная работа: Теоретические аспекты анализа корпоративных облигаций

При этом, процедура регистрации выпуска корпоративных облигаций должна предусматривать более жесткие требования относительно раскрытия информации об эмитенте, а также оценки платежеспособности эмитента и ценных бумаг со стороны ведущих рейтинговых агентств.

Стоит отметить, что стандартизация условий выпуска корпоративных облигаций позволит сократить издержки и сроки рассмотрения, а также утверждения указанной документации в регулирующих органах.

Таким образом, формирование и развитие рынка корпоративных облигаций является весьма многогранным процессом. Для оправдания возлагаемых на него надежд, необходимо осуществить ряд комплексных мер по усовершенствованию российского законодательства, сформировать механизм высокоорганизованного рынка корпоративных облигаций, оптимизировать работу с эмитентами и иными участниками долгового рынка.

3.2 Эмпирический анализ влияния основных макроэкономических факторов на развитие рынка корпоративных облигаций

В течение долгих лет предприятия не уделяли должного внимания корпоративным облигациям и отдавали предпочтение иным источникам финансирования, но в последнее время корпоративные облигации стали проявлять себя как самый конкурентоспособный инвестиционный инструмент. На сегодняшний день эмиссия корпоративных облигаций - это неотъемлемая часть структуры внешних источников финансирования многих организаций. Следовательно, для того чтобы детально изучить и получить качественное истолкование данного показателя, необходимо прибегнуть к построению эконометрической модели и выявить основные факторы, оказывающие влияние на объем корпоративных облигаций.

Цель данной работы заключается в эконометрическом анализе объема обращающихся корпоративных рублевых облигаций в зависимости от следующих факторов: инвестиции в основной капитал, цена на нефть марки Brent, денежная масса, объем индекса ММВБ и средневзвешенная процентная ставка по кредитам.

Чтобы достичь данную цель, необходимо решить поставленные задач:

· Построить наиболее подходящую регрессионную модель зависимости объема обращающихся корпоративных облигаций от исследуемых факторов

· Протестировать модель на автокорреляцию и гетероскедастичность

· Провести тестирование гипотез

· Дать интерпретацию полученным результатам

· Сделать прогноз объема обращающихся корпоративных облигаций

Стоит также отметить, что в ходе анализа динамики обращающихся корпоративных облигаций, было выявлено, что облигации финансового и нефинансового сектора имеют абсолютно разные тенденции изменения.

Согласно таблице 3.3 [28], мы можем наблюдать четко выраженную положительную тенденцию увеличения корпоративных облигаций нефинансового сектора.

Таблица 3.3 Объем обращающихся облигаций нефинансовых организаций

Тем не менее, таблица 3.4 [33] свидетельствует о неопределенном направлении движения, и даже незначительном снижении объема корпоративных облигаций финансового сектора.

Таблица 3.4 Объем обращающихся облигаций финансовых организаций

Кроме того, финансовые и нефинансовые организации осуществляют выпуск облигаций по разным причинам. К примеру, для нефинансовых организаций эмиссия облигаций может быть выгоднее банковского кредита или рынок облигаций способен обеспечить более крупные денежные средства, чем отдельно взятый банк. Нефинансовые организации привлекают дополнительные финансовые ресурсы для расширения текущей деятельности.

Финансовые же организации выпускают облигации потому, что им зачастую не хватает ликвидных средств на какие-либо инвестиционные проекты или они стремятся предоставить клиентам больше финансовых услуг за счет привеченных средств.

В связи с тем, было приято решение построить две разные модели:

1. Модель для обращающихся корпоративных облигаций нефинансового сектора

2. Модель для обращающихся корпоративных облигаций финансового сектора

Начнем с анализа модели зависимости объема обращающихся корпоративных облигаций нефинансового сектора от исследуемых факторов.

Для настоящего исследования были выдвинуты следующие гипотезы:

1. Поскольку объем инвестиций в основной капитал выступает в качестве показателя инвестиционной активности, предполагается, что при повышении инвестиционной активности, объем обращающихся облигаций увеличивается.

2. При низких ценах на нефть риск увеличения инфляции снижается, что делает облигации более привлекательными. Речь идет прежде всего о спросе на облигации в США и ЕС. Однако, поскольку российская экономика является сырьевой и зависит от цен на нефть, данный процесс может быть абсолютно противоположен, так как при низких ценах на нефть рубль слабеет и инфляционные ожидания возрастают. При росте цены на нефть, доходности облигаций снижаются, что может привести к повышению заинтересованности большого числа корпоративных заемщиков с целью рефинансирования текущих «дорогостоящих» кредитов и займов.

3. Увеличение денежного предложения в России мотивирует рост рынка корпоративных облигаций. При увеличении денежных агрегатов у инвесторов появляется больше денег, которые потенциально (если избыточная ликвидность не направляется в реальный сектор экономики) можно вложить в ценные бумаги и тем самым увеличить капитализацию фондового рынка.

4. Индекс ММВБ - ценовой, взвешенный по рыночной капитализации композитный индекс российского фондового рынка, включающий наиболее ликвидные акции крупнейших российских эмитентов. Предполагается, что индекс МосБиржи является индикатором рынка акций. В свою очередь, повышающийся рынок акций оказывает бычье воздействие на рынок облигаций.

5. Предполагается, что при повышении средневзвешенной ставки по кредитам нефинансовым организациям, объем выпущенных, а следовательно и обращающихся облигаций нефинансового сектора возрастает, так как фирмам становится более выгодно привлекать денежные средства путём выпуска собственных облигаций, которые могут выступать в качестве альтернативы банковским кредитам. В случае финансовых компаний, при увеличении стоимости банковских кредитов, финансовые организации получают больший доход, который потенциально может быть направлен на увеличение капитализации фондового рынка.

Далее стоит ознакомиться с набором данных для исследования:

· INVEST - реальное значение (очищенное от инфляции) объема инвестиций в основной капитал за месяц ( в миллиардах рублей), выступает в качестве показателя инвестиционной активности;

· B_P - цена на нефть марки Brent ( в долларах)

· I_IMOEX - реальное значение объема индекса ММВБ, индекс МосБиржи ( в миллиардах рублей);

· M_S - денежная масса - M2 ( в миллиардах рублей), денежный агрегат, включающий в себя агрегат M1 в сочетании с сберегательными бесчековыми и срочными мелкими депозитами населения и предприятий, плюс краткосрочные государственные ценные бумаги

· C_R - средневзвешенная процентная ставка по кредитам, предоставленным кредитными организациями нефинансовым организациям (в процентах годовых) [24];

Зависимая переменная представлена как C_B - реальное значение объема обращающихся корпоративных облигаций нефинансовых организаций ( в миллиардах рублей) [28].

Как было указано ранее, некоторые показатели представлены с учетом инфляционной корректировки. Переменные были очищены от инфляционных влияний с целью их приведения в сопоставимые цены и получения достоверных выводов о динамике данных показателей на основе скорректированной информации. Исследуемые реальные показатели были рассчитаны в ценах 2011 года (в качестве базового года выступает 2011 год).

В рамках настоящего исследования рассматриваются месячные показатели объема рублевых облигаций и месячные макроэкономические показатели в период с января 2011 года по декабрь 2017 года. Выборка включает 84 наблюдения. Длина временного ряда составляет 7 лет.

Далее перейдем к анализу данных.

Прежде чем приступить к построению регрессионной модели, в первую очередь следует проверить исследуемые временные ряды на стационарность.

Проведем тестирование одной из переменных - денежной массы. Для того, чтобы проверить временной ряд на стационарность, необходимо применить тест единичного корня - Unit Root Test (табл. 3.5), который используется в анализе временных рядов как характеризующее свойство их нестационарности.

Таблица 3.5 Применение "Unit Root Test"

Гипотеза : H0 : ряд является нестационарным ; H1: ряд является стационарным.

Как мы видим, Prob(Fst) = 0.9990 , 0.9999 > 0.05, следовательно, гипотеза H0 о нестационарности временного ряда подтверждается, значит исследуемая переменная является нестационарной, что свидетельствует о наличии линейного (детерминированного) тренда, который мы можем наблюдать на следующем графике (рис. 3.1).

Рис. 3.1. Линейный график переменной денежная масса.

Стоит отметить, что использование в регрессионной модели нестационарных временных рядов приводит к получению фиктивных результатов, построению «мнимой» или ложной модели, поскольку дисперсии нестационарных временных рядов зависят от номера наблюдения и безгранично увеличиваются со временем, что не удовлетворяет классическим условиям регрессионной модели. Следовательно, является необходимым преобразование исходного ряда в стационарный. Для этой цели является уместным применение метода "детрендизации", а именно метод удаления тренда, который включает в себя следующие этапы:

1. Построение модели зависимости денежной массы от переменой тренда времени.

2. Получение прогноза исследуемой переменной с помощью операции "Forecast".

3. Создание новой переменной, которая равна разности исходного значения переменной и ее прогнозируемого значения.

После проведенной процедуры следует снова проверить исследуемую переменную на стационарность (табл. 3.6).

Таблица 3.6 Применение "Unit Root Test"

Как мы видим, Prob(Fst) = 0.0035 , 0.0035 < 0.05, следовательно, гипотеза H0 о нестационарности временного ряда отклоняется, исследуемая переменная является стационарной, значит процесс "детрендизации" дал положительный результат и исследуемая переменная может быть использована в построении регрессионной модели.

Аналогичным образом было выявлено, что все используемые временные ряды (переменные) являются нестационарными. Однако, многие из них помимо детерминированного тренда содержат в себе признаки такого нестационарного процесса, как случайное блуждание. Данный процесс может быть преобразован в стационарный путем дифференциации - метода взятия разностей, который предполагает следующее преобразование для каждой переменной: ?Yt = Yt ? Yt?1, где Yt - значение переменной в текущий момент времени, Yt?1 - значение переменной в прошлом периоде.

В данном случае, мы создаем новую переменную , которая состоит из приростов (изменений) исследуемого показателя. Новый временной ряд называется рядом первых разностей и может использоваться для дальнейшего анализа.

Таким образом, преобразование нестационарного процесса в стационарный можно считать завершенным.

Прежде чем приступить к построению модели, для начала стоит рассмотреть матрицу корреляции между регрессорами (табл. 3.8), а также, используя описательную статистику (табл. 3.7) и графики гистограмм, отследить возможные ошибки в данных.

Таблица 3.7 Описательная статистика переменных