Дипломная работа: Анализ факторов премии за риск корпоративных облигаций

11. Курс нефти Brent. Предполагается, что с повышением цены на нефть спреды доходностей облигаций снижаются. В связи с тем, что экономика России является сырьевой и находится в сильной зависимости от нефтяной рыночной конъюнктуры, колебания цен на нефть оказывают существенное влияние на падение и рост экономики, в общем и целом. Увеличение цен на нефть положительно сказывается как на показателях деятельности предприятий, принадлежащих топливно-энергетическому сектору, так и на функционировании экономики страны в целом. В исследовании используется изменение цены на нефть в месяце, в котором произошло размещение выпуска корпоративных облигаций.

12. Доля невыполненных обязательств. Предполагается, что между данной переменной и премией за риск корпоративных облигаций существует прямая зависимость. [34,45]. Чем выше доля невыполненных обязательств, тем больше риск, в связи с чем инвесторы требуют большую премию за принятый риск. Расчет ставки будет производиться на основе статистических данных, предоставленных агентством Cbonds[38] по следующей формуле:

, - общая стоимость (по номиналу) корпоративных облигаций, по которым объявили дефолт в течение месяца, то есть общий объем невыполненных обязательств за определенный месяц.

- общая стоимость (по номиналу) выпущенных и обращающихся корпоративных облигаций, то есть объем рынка внутренних корпоративных облигаций без учета банков и финансовых институтов на конец месяца.

Также планируется включение в модель переменных, отражающих отраслевую принадлежность эмитента. Компания - эмитент, функционирующая в отрасли, которая находится на стадии подъема, характеризуется низкой вероятностью наступления дефолта. В стадии же рецессии инвесторы оценивают вероятность наступления дефолта как более высокую, в связи, с чем требуют дополнительную компенсацию за риск в виде большей доходности. Предполагаемая гипотеза состоит в том, что отраслевые переменные оказывают значимое влияние на доходности облигаций.

Поскольку компании, принадлежащие финансовому и нефинансовому сектору применяют разные показатели деятельности, предполагается, что выборка для настоящего исследования будет ограничиваться выпусками облигаций компаний реального сектора экономики. [9]

3. Эмпирический анализ детерминант премии за риск корпоративных облигаций

Поскольку описание статистических данных и выдвигаемых гипотез можно считать завершенным, на следующем этапе приступим непосредственно к эмпирической части данного исследования.

Данная глава посвящена конечной цели исследования, которая заключается в регрессионном анализе факторов премии за риск корпоративных облигаций.

Для начала рассмотрим набор выбранных переменных для исследования. Исследуемая выборка представляет собой пространственные данные и содержит информацию о 782 выпусков корпоративных облигаций, размещенных в период с 1 января 2010 по 31 декабря 2019 гг. Регрессионный анализ производится с помощью программы «EViews».

Рассмотрим обозначение основных независимых переменных в программе «EViews»:

- PERIOD - срок до погашения (в годах);

- EMISSION_VOL - объем выпуска корпоративных облигаций (в млн. руб.);

- RATING_INTER - рейтинг, присвоенный международным агентством (шала рейтингов - значения от 0 до -16);

- TYPE_BOND - вид облигации (dummy-переменная: 0 = классическая облигация, 1 = биржевая облигация);

- TYPE_ORGANISER - тип организатора (dummy-переменная: банк -организатор выпуска входит в топ 10 = 1, иные = 0);

- CALL - облигации с опционом «call» (dummy-переменная: наличие опциона «call» = 1, отсутствие опциона = 0);

- PUT - облигации с опционом «put» (dummy-переменная: наличие опциона «put» = 1, отсутствие опциона = 0);

- DEFAULT_RATE - доля невыполненных обязательств в %, месячные данные;

- BRENT_GROWTH - изменение цены на нефть в %, месячные данные;

- EXCH_RATE - изменение валютного курса в %, дневные данные;

- GDP_GROWTH - прирост ВВП в %, квартальные данные;

- BUILDING - отрасль «Строительство и девелопмент» (dummy-переменная);

- ENERGETICS - энергетическая отрасль (dummy-переменная);

- TRADE_RETAIL - отрасль «Торговля и ритейл» (dummy-переменная);

- TRANSPORT - транспортная отрасль (dummy-переменная);

- OIL_GAS - нефтегазовая отрасль (dummy-переменная);

- IRON_INDUST - отрасль «Черная металлургия» (dummy-переменная);

- MACHINE_MANUFACT - отрасль машиностроения (dummy-переменная);

- TELECOM - отрасль «Связь и телекоммуникация» (dummy-переменная).

Зависимая переменная:

- SPREAD - премия за риск корпоративных облигаций, в %.

Далее перейдем к анализу данных.

На первом этапе следует построить диаграммы рассеивания (scatter) для каждого регрессора с зависимой переменной, c целью выявить каким образом зависимая переменная и регрессоры будут включаться в предполагаемую регрессию. Для dummy - переменных построение диаграмм рассеивания не целесообразно и не информативно, поскольку данные переменные принимают лишь значения 0 и 1.

Рис. 3.1 Диаграммы рассеивания для переменных PERIOD и EMISSION_VOL

Рис. 3.2 Диаграммы рассеивания для переменных RATING_INTER и DEFAULT_RATE

Рис. 3.3 Диаграммы рассеивания для переменных EXCH_RATE и BRENT_GROWTH

Рис. 3.4 Диаграмма рассеивания для переменной GDP_GROWTH

Согласно представленным диаграммам, наличие четкой линейной связи между зависимой переменной и рассмотренными регрессорами не наблюдается, в большинстве случаев она слабо выражена. Однако, стоит отметить, что диаграмма рассеивания для переменной PERIOD имеет характерные признаки параболической зависимости. Вместе с тем, диаграмма рассеивания переменной EMISSION_VOL может указывать на наличие логарифмической зависимости между премией за риск и объемом выпуска корпоративных облигаций.

Таким образом, согласно данным диаграммам, нельзя сделать однозначный вывод, каким образом зависимая переменная и регрессоры будут включаться в регрессионную модель, поэтому наилучшая функциональную связь между зависимой переменной и регрессорами будет выявлена непосредственно при построении регрессий.

На втором этапе проведем анализ данных. Прежде чем перейти к построению эконометрических моделей, рассмотрим корреляционную матрицу между переменными, их описательную статистику и гистограммы с целью выявить наличие возможных ошибок в исследуемой выборке.

Корреляционная матрица - это один из важнейших шагов при проведении регрессионного анализа. Матрица дает возможность выявить проблемы, связанные с мультиколлинеарностью. Корреляционная матрица исследуемых регрессоров представлена в Приложении 2 (таблица 2.1).

Согласно данной таблице, сильная корреляционная связь между переменными не обнаружена, поскольку наибольший коэффициент корреляции между регрессорами составляет 0,49 (по модулю). Данный факт позволяет включать все рассматриваемые переменные в одну регрессионную модель.

Согласно описательной статистике, представленной в Приложении 2 (таблица 2.2), ошибок в данных не наблюдается.

Далее рассмотрим гистограммы по всем исследуемым переменным, за исключением dummy - переменных. Гистограммы помогут избавить исследуемую выборку от выбросов.

Рис. 3.5 Гистограммы для переменных EMISSION_VOL и DEFAULT_RATE

Рис. 3.6 Гистограммы для переменных SPREAD и PERIOD

Рис. 3.7 Гистограммы для переменных и EXCH_RATE и BRENT_GROWTH

Рис. 3.8 Гистограммы для переменных и RATING_INTER и GDP_GROWTH

Рассмотрев гистограммы, можно заметить, что выбросы наблюдаются в таких переменных, как объем эмиссии, доля невыполненных обязательств, премия за риск и срок до погашения. Следовательно, было принято решение ввести следующие ограничения для исследуемых переменных: SPREAD<29 AND DEFAULT_RATE<0,3 AND EMISSION_VOL<175 000 AND PERIOD<47,5 Данные ограничения помогут улучшить качество выборки.

На следующем этапе перейдем к построению эконометрической модели зависимости премии за риск от исследуемых факторов.

Используем метод наименьших квадратов для оценки регрессии. Для начала оценим линейную зависимость премии за риск от основных фундаментальных характеристик облигационного займа. Результаты построения модели представлены в таблице 3.1.

Таблица 3.1

Модель зависимости премии за риск от характеристик облигационного займа

Согласно представленной таблице, можно утверждать, что исследуемая эконометрическая модель является значимой на уровне значимости б = 5% (Prob (Fst) = 0,0000 < 0,05).

Вместе с тем, можно заметить, что срок до погашения облигации, рейтинг, вид облигации, колл опцион, а также константа значимы на уровне значимости б = 1% (при б = 0,01, б > Prob (t-st)). Переменная тип организатора значима на уровне значимости 5%. Однако, такие регрессоры, как пут опцион, ставка дефолта и объем выпуска облигаций оказались не значимы для премии за риск корпоративных облигаций.

Кроме того, величина показателя R² = 0,33 слишком мала, что свидетельствует о недостаточно хорошем качестве модели и указывает на то, что лишь 33% изменения зависимой переменной объясняется включенными в модель факторами.

В связи тем, попробуем улучшить качество данной модели.

Во-первых, поскольку диаграмма рассеивания для переменной EMISSION_VOL указывает на наличие нелинейной взаимосвязи между премией за риск и объемом выпуска, следует рассмотреть полулогарифмическую зависимость между данными переменными.

Во - вторых диаграмма рассеивания для переменной PERIOD обладает признаками параболической зависимости, в связи с чем было принято решение включить в регрессию переменную PERIOD^2. Более того, параболическая зависимость в дальнейшем позволит определить значение срока до погашения, которое соответствует минимальному/максимальному значению премии за риск посредством нахождения координаты X вершины параболы.

Незначимые переменные, такие как ставка дефолта и пут опцион стоит исключить из исследуемой модели. Результаты новой регрессионной модели представлены в таблице 3.2.

Таблица 3.2

Модель зависимости премии за риск от характеристик облигационного займа

Included observations: 679

Variable

Coefficient

Std. Error

t-Statistic

Prob.

PERIOD

-0.464252

0.048002

-9.671539

0.0000