Дипломная работа: Взаимосвязь наличия ковенантов в условиях облигационных займов и доходности по ним

В пакете для анализа Stata для моделирования бинарных переменных используются дискретные случайные величины, которые могут принять два значения - 0 и 1, поэтому для них выведена стандартная ошибка.

Среднее значение финансового левериджа составило 262,62 или 26262%. Такое искажение вызвано присутствием в выборе небольших финансовых компаний и ипотечных агентов, которые существуют почти полностью за счет заемных средств и имеют сильно увеличенное значение финансового рычага. Для того, чтобы убедиться в этом, посчитаем медианное значение. Оно составляет 3,93 или 393%. То есть, ровно у половины компаний значение финансового рычага меньше 393%. В отечественной практике нормативным считается равное соотношение долга к собственному капиталу, то есть значение коэффициента, равное 1. Стоит отметить, что только 191 выпуск из 1000 имеет значение коэффициента финансового рычага меньше либо равный единице. При высоких значениях показателя фирма становится финансово неустойчивой и ей сложнее привлечь новые заемные средства. Крайне допустимым нормативным значением является 2. Следовательно, у компаний, осуществивших 657 выпусков из анализируемой выборки величина коэффициента финансового рычага превышает нормативную.

Средний размер чистых активов фирмы, осуществившей облигационный выпуск, составляет 263 000 000 000 рублей. Как правило, для достижения однородности величин независимых переменных большие величины логарифмируют, чтобы не возникло такой проблемы, как гетероскедастичность ошибок. Однако у некоторых компаний, например, у ипотечных агентов, величина чистых активов отрицательная, что делает невозможной процедуру логарифмирования. Именно поэтому минимальный размер чистых активов составляет - 36 300 000 000 рублей. Наибольший размер чистых активов наблюдается у эмитента ОАО «Российские Железные Дороги».

Далее была проанализирована бинарная переменная, характеризующая уровень кредитного риска эмитента. Так как лишь небольшому количеству российских эмитентов присвоен кредитный рейтинг, переменная не является номинальной, в отличие от переменных в эталонных исследованиях. Из описательной статистики можно увидеть, что ровно 60% эмитентов присвоен кредитный рейтинг.

Частота потерь у компаний за последние три года в среднем составила 11%. Из анализа выборки можно заключить, что у 95% компаний процент убытков не превышал 61%.

У 40% эмитентов из выборки аудитор входит в «Большую четверку». Можно заметить также, что у 81% компаний аудиторы входят в список 30 крупнейших аудиторских компаний России по итогам 2016 года. Вышеперечисленные факты свидетельствуют о высоком качестве бухгалтерского учета в фирмах.

22% компаний из выборки оказались государственными. Во время визуального анализа данных можно было заметить, что при прочих равных у государственных компаний спред доходностей ниже, чем у негосударственных.

Среднее значение натурального логарифма от срока размещения облигаций составило 7,93, что соответствует 2793 дням. Модальное значение составило 8,2 или 3640 дней. Следовательно, наиболее предпочтительными для инвесторов и эмитентов являются десятилетние облигации.

Далее в описательной статистике была проанализирована переменная, характеризующая размер облигационного выпуска. В отличие от размера чистых активов данная переменная не может принимать отрицательных значений, поэтому от нее был взят натуральный логарифм. Соответственно, среднее значение составило 22,36 или 5,13 миллиардов рублей. Так как в модели два параметра, характеризующих размер (размер фирмы и размер облигационного выпуска), то возникает опасение, что переменные будут коллинеарными, и может возникнуть мультиколлинеарность. Для диагностики этого и возможного последующего исключения одной переменной из модели будет построена корреляционная матрица и таблица VIF.

Далее была проанализирована переменная, показывающая является ли облигационный выпуск субординированным или нет. Субординированных выпусков оказалось лишь 1%.

Среди всех выпусков только 20% имели обеспечение либо в виде поручительства, либо в виде имущества, либо в виде гарантии. Можно заметить, что облигационные выпуски с обеспечением чаще всего встречаются у ипотечных агентов, выпуски которых характеризуются более высоким кредитным риском и более высокими спредами доходностей соответственно.

Переменная дюрации облигации представляет собой количество дней, через которое инвестор вернет номинальную стоимость облигации и начнет получать проценты. Средняя дюрация по выборке составила 800,52 дня.

В среднем у 86% облигационных выпусков в выборке присутствует опция досрочного погашения по усмотрению владельцев облигаций.

Перейдем к рассмотрению ключевой переменной в рамках данного исследования - бинарным переменным, служащим индикаторами наличия ковенантов в выпуске.

Рассмотрим сначала наличие ковенантов в условиях эмиссий в целом, а не только ситуационных и ковенантов, касающихся кросс-дефолтов.

Таблица 5. Описательная статистика бинарной переменной, являющейся индикатором наличия ковенантов любого типа в условиях облигационного выпуска

Ковенанты присутствуют в 183 (18,3%) облигационных выпусков. Данная статистика свидетельствует о том, что на даный момент этот инструмент все еще редко можно встретить на российском внутреннем рынке. Например, на рынке российских корпоративных еврооблигаций ковенаны наличествуют в 98,6% выпусков. Также имеет смысл проанализировать типы ковенантов, которые наличествовали в проспектах. Для анализа используется расширенная классификация, приведенная автором в первой главе.

Таблица 6. Типы ковенантов, встречающиеся в выборке, их количество и частота

Можно заметить, что часто в условиях облигационного выпуска, в котором присутствуют ковенанты, наличествует больше одного ковенанта. Самый распространенный тип - это ситуационные ограничения, встречающиеся в 53,42% таких выпусков. В целом по выборке такие ковенанты включены в 13,3% выпусков. Следующими по популярности являются ограничения, касающиеся кросс-дефолтов (40,16%). В целом по выборке такие ковенанты включены в 10% выпусков. Можно заметить, что два типа ковенантов не используются совсем, что свидетельствует о слабом развитии ковенантов как инструмента управления кредитным риском на российском внутреннем рынке.

Бинарная переменная, отвечающая за отнесение облигаций выпуска к инвестициям повышенного риска, приняла единичное значение в 11% случаев.

Корреляционный анализ

В ходе следующего этапа анализа переменных был проведен корреляционный анализ и построена таблица корреляционных зависимостей. В модели присутствуют количественные и бинарные переменные, поэтому для оценки корреляции были использованы следующие коэффициенты:

ѕ Для оценки корреляции между количественными переменными был использован коэффициент корреляции Пирсона.

ѕ Для оценки корреляции между количественной и бинарной переменными был использован точечно-бисериальный коэффициент.

ѕ Для оценки корреляции между бинарными переменными был использован коэффициент корреляции Кендалла.

Корреляционный анализ проводится для выявления возможного наличия мультиколлинеарности в модели.

Таблица 7. Корреляционная матрица

* - значимость на 5% уровне. **- значимость на 1% уровне.

На основании корреляционной матрицы можно сделать вывод об отсутствии мультиколлинеарности. Также стоит заметить, что наличествует значимая негативная корреляция между спредом доходностей и наличием ковенантов обоих типов, что дает основание полагать, что и в регрессии данные переменные окажутся значимыми.

Построение модели

Перейдем к построению линейной регрессионной модели для тестирования первой и второй гипотез. В скобках под оценкой параметра перед переменной представлена стандартная ошибка оценки.

Таблица 8. Результаты построения моделей для тестирования первой и второй гипотез