Индекс финансового стресса для России: новые подходы
Столбов М.И.
Аннотация
В работе предложен индекс финансового стресса для России за период с марта 2008 г. по март 2018 г. При его построении использовались 12 апробированных и в большинстве своем публично доступных индивидуальных метрик финансовой нестабильности, в том числе предложенные Банком международных расчетов в Базеле показатели кредитного разрыва, обслуживания долга и динамики цен на недвижимость. Решается проблема выбора оптимального метода агрегирования панели показателей в сводный индекс.
С помощью метода локальных прогнозов [Jorda, 2005, 2009] и байесовского усреднения моделей показано, что конвенциональный подход к построению подобных индексов на основе метода главных компонент уступает способам снижения размерности, учитывающим нелинейный и негауссовый характер индивидуальных метрик финансовой нестабильности. Среди рассмотренных методов наилучший результат показала динамическая факторная модель (dynamic factor model) с выделением одного фактора.
Сводный индекс финансового стресса, построенный на основе динамической факторной модели, адекватно отражает основные периоды нарастания нестабильности в российском финансовом секторе осенью 2008 г. и в конце 2014 - начале 2015 гг. Посредством метода локальных прогнозов демонстрируется, что финансовый стресс оказывает статистически значимый негативный эффект на динамику индекса промышленного производства, наряду с индексом глобальной волатильности VIX, но независимо от него, с учетом включения в тестируемую модель нефтяных цен, глобальных и национальных индексов неопределенности экономической политики и геополитических рисков. Выявленный отрицательный эффект оказывается устойчивым на среднесрочном временном горизонте.
The paper introduces a new monthly index of financial stress for Russia for the March 2008 - March 2018 period. The index is based on 12 well-established and mostly publicly available standalone metrics of financial instability, including credit-to-GDP gap, debt-service- ratio and real estate price index, provided by the BIS. I seek an optimal method to aggregate the metrics to derive a composite index. Based on the local projections technique [Jorda, 2005, 2009] and Bayesian model averaging, I show that conventional aggregation methods such as principal component analysis (PCA) can be outperformed by the approaches, better capturing the nonlinear and non-Gaussian nature of the standalone indicators of financial instability. Namely, the dynamic factor model with a single factor fares best of all the considered methods.
The composite index based on the dynamic factor model accurately captures the dynamics of financial instability in the Russian financial sector, with the peaks occurring in the late 2008 and the late 2014 - early 2015. I also show that the financial stress index exerts an adverse effect on industrial production alongside the VIX index, explicitly accounting for oil prices, global and domestic indices of economic policy uncertainty as well as geopolitical risk. This negative effect of financial stress exhibits persistence in the medium run.
Key words: financial stress index; dimensionality reduction; principal component analysis; dynamic factor model; machine learning; method of local projections; Bayesian model averaging.
После глобального финансового кризиса 2007-2009 гг. значительно возросло число эмпирических исследований, посвященных построению национальных и глобальных индикаторов финансового стресса, или финансовой (не)стабильности Индексы финансового стресса не следует смешивать с индикаторами финансовых условий, которые, наряду с финансовыми, включают макроэкономические переменные (темп инфляции, изменения денежной массы и т.п.). См. подробнее: [Kliesen et al., 2012].. Анализ размещения статей и рабочих материалов на портале IDEAS/RePEc за 2010-2018 гг. позволяет убедиться в том, что такие показатели были разработаны более чем для 30 стран. При этом данное число следует воспринимать как консервативную оценку: фактически этих показателей и их вариаций больше. Некоторые из индикаторов финансового стресса получили широкое признание и в настоящее время воспринимаются как неотъемлемые элементы систем раннего оповещения о финансовых кризисах, например, Composite Index of Systemic Stress (CISS) для еврозоны [Hollo et al., 2012], Country-Level Index of Financial Stress (CLIFS) для отдельных европейских стран [Duprey et al., 2017] или Office of Financial Research Financial Stress Index (OFR FSI), охватывающий США, группу развитых стран в целом, а также группу государств с формирующимся рынком [Monin, 2017].
В подавляющем большинстве случаев индекс финансового стресса представляет собой некоторый обобщенный индикатор неустойчивости финансового сектора. С точки зрения методологии построения он, как правило, рассчитывается как первая главная компонента из набора исходных показателей, характеризующих степень уязвимости отдельных сегментов финансового сектора. Несмотря на широкое применение данной техники снижения размерности при разработке индексов финансового стресса как за рубежом, так и в России, она характеризуется свойствами, не вполне совместимыми с корректной оценкой финансовой нестабильности. Как известно, при наличии кризисных проявлений на финансовых рынках динамика цен активов может отклоняться от нормального распределения, а также демонстрировать различные нелинейные паттерны. При этом в основе статистической теории метода главных компонент лежит предпосылка о линейном характере временных рядов, подлежащих агрегированию, и их соответствии распределению Гаусса.
В этой связи цель данной работы - сопоставить ряд альтернативных подходов к снижению размерности при построении индекса финансового стресса для России, включая традиционный метод главных компонент, его нелинейную модификацию, динамический факторный анализ и некоторые методы, заимствованные из машинного обучения. На основе сопоставления предполагается выявить наиболее информативный среди построенных агрегированных индексов. Для этого предложен эвристический двухкомпонентный критерий информативности, включающий оценку: 1) баланса взаимного влияния агрегированных индексов и 2) сравнительного значения данных показателей для объяснения динамики промышленного производства в России с учетом их конкуренции между собой, а также со стороны исходных индикаторов, на которых базируются агрегированные индексы. Таким образом, данное исследование выполнено в русле «объясняющего моделирования» (explanatory modeling) [Shmueli, 2010].
Новизна исследования состоит в применении ряда нетипичных для отечественных финансовых исследований инструментальных методов. Помимо некоторых техник, используемых для получения агрегированных индексов, речь идет о методе локальных прогнозов (local projections) и байесовском усреднении моделей (Bayesian model averaging), которые задействованы для оценки баланса взаимного влияния агрегированных индексов и сравнения их роли в объяснении динамики промышленного производства в российской экономике. Первый метод позволяет получить функции отклика на импульс, подобные тем, которые строятся в векторных авторегрессионных моделях, однако являются более робастными к нелинейному характеру переменных и потенциальным ошибкам спецификации модели VAR [Jorda, 2005, 2009]. Второй метод возвращает вероятность включения того или иного показателя финансового стресса в качестве независимой переменной в «наилучшую» модель динамики промышленного производства.
При отборе исходных индикаторов финансовой нестабильности для построения агрегированного индекса ключевыми критериями являлись публичная доступность данных и охват различных сегментов финансового сектора. Также принималась во внимание репутация того или иного индикатора, так как, согласно недавнему исследованию Гиглио и соавторов [Giglio et al., 2016], перспективный подход к построению информативных индексов финансового стресса состоит в агрегировании уже апробированных сводных индикаторов. В этой связи в нашу итоговую панель, состоявшую из 12 показателей, были включены индекс финансового стресса АКРА, а также блок индикаторов системных финансовых рисков, которые рассчитываются Центром макроэкономического анализа и краткосрочного прогнозирования (ЦМАКП). При построении индекса использовались показатели по российскому финансовому сектору, предложенные рядом зарубежных исследовательских центров и Банком международных расчетов в Базеле.
Наиболее информативным индексом финансового стресса для России оказался показатель, основанный на динамической факторной модели (dynamic factor model) с выделением единственного фактора. Он опередил прочие агрегированные индексы по степени взаимного влияния, а также показал практически стопроцентную вероятность включения в «наилучшую» модель динамики промышленного производства в рамках байесовского усреднения моделей.
Сводный индекс финансового стресса, базирующийся на динамической факторной модели, адекватно отражает основные периоды нарастания нестабильности в российском финансовом секторе осенью 2008 г. и в конце 2014 - начале 2015 гг. Посредством метода локальных прогнозов далее показано, что этот индекс оказывает статистически значимый негативный эффект на динамику промышленного производства, наряду, но независимо от индекса глобальной волатильности VIX, с учетом включения в тестируемую модель нефтяных цен, глобальных и национальных индексов неопределенности экономической политики и геополитических рисков. Выявленное отрицательное воздействие на промышленное производство оказывается устойчивым за пределами кризисного периода 2008-2009 гг., проявляя себя на среднесрочных временных интервалах (длительностью порядка трех лет).
Работа структурирована следующим образом: в разделе 2 осуществлен обзор литературы, посвященной индексам финансового стресса; в разделе 3 охарактеризованы использованные в нашем эмпирическом исследовании данные; в разделе 4 рассмотрены альтернативные методы построения индекса финансового стресса, из которых предпо-лагается выбрать наиболее оптимальный; раздел 5 содержит методологию и результаты выбора оптимального метода его построения с учетом проверки на устойчивость; в разделе 6 проанализирована взаимосвязь индексов финансового стресса и деловой активности; в разделе 7 сформулированы итоговые выводы и обозначены возможные направления развития данного исследования.
Индексы финансового стресса: обзор литературы
Общепринятого определения финансового стресса не выработано. Это связано с тем, что данное явление, в отличие, например, от многих макроэкономических категорий (ВВП, уровня безработицы и т.д.), непосредственно ненаблюдаемо и не имеет в своей основе конвенциального показателя(-ей). Тем не менее анализ имеющейся литературы позволяет дать ему описательную характеристику. Периоды финансового стресса отличаются резкими колебаниями цен финансовых активов, нарастанием риска и/или неопределенности, падением уровня ликвидности и общим сомнением в устойчивости банковской системы. Подобные формулировки встречаются во многих исследованиях, посвященных количественной оценке финансового стресса (например, [Balakrishnan et al., 2011; Carda- relli et al., 2011; Hakkio, Keeton, 2009; Kliesen et al., 2012]). Поскольку прямые измерители финансового стресса недоступны, для количественного описания используются прокси- переменные, характеризующие состояние отдельных сегментов финансового сектора. В целях получения комплексной оценки финансовой нестабильности они агрегируются.
Первоначально индексы финансового стресса получили распространение в развитых странах как инструмент текущего мониторинга финансовой стабильности. В основном они разрабатывались специалистами национальных центральных банков применительно к отдельно взятой экономике [Illing, Liu, 2006]. Глобальный финансовый кризис способствовал повышению интереса регуляторов и академического сообщества к таким индексам. С 2010 г. стали публиковаться исследования, в которых строились сопоставимые индексы для широкого круга государств, как развитых, так и развивающихся. В работах [Balakrishnan et al., 2011; Cardarelli et al., 2011; Park, Mercado, 2013] рассматривались различные выборки развивающихся стран. В исследовании [Vermeulen et al., 2015] были предложены индексы финансового стресса для 28 стран ОЭСР. На фоне растущей востребованности таких показателей предпринимались попытки рассматривать индексы финансового стресса в качестве элементов систем индикаторов раннего предупреждения о финансовых кризисах (early warning systems) или даже полноценных заменителей таких систем. Однако дальнейшие исследования показали, что лишь немногие из предложенных индексов успешно выполняют функцию опережающих индикаторов кризисов [Oet et al., 2016], при этом они вполне состоятельны как совпадающие индикаторы. Несмотря на ограниченные предиктивные способности, было установлено, что данные индексы полезны для выявления масштабов и периодов воздействия финансовой нестабильности на реальный сектор, прежде всего, на динамику ВВП, промышленного производства, инфляции. Это позволяет включать индексы финансового стресса в различные макрофинансовые модели как на уровне отдельных стран [Aboura, van Roye, 2017; van Roye, 2014; Schleer, Semmler, 2015], так и в межстрановых исследованиях [Dovern, van Roye, 2014].
Разработка индексов финансового стресса после 2010 г. была инициирована и в России. Пионерной работой стало исследование [Козлов, Синяков, 2012], в котором был рассчитан индекс финансовой стабильности как «зеркало» финансового стресса. Он охватывал четыре укрупненных сегмента российского финансового сектора - фондовый, долговой, денежный и валютный рынки, а также фактор глобальной финансовой нестабильности. Итоговый индекс рассматривался как первая главная компонента, извлеченная из рядов данных по перечисленным сегментам. Различные вариации методологии построения индексов финансового стресса реализованы в серии работ Федоровой и соавторов. Однако они имеют отношение не столько к способу агрегирования отдельных переменных в сводный индекс, сколько к инструментам идентификации кризисных периодов и поиску пороговых значений этих индексов [Федорова, 2015; Федорова и др., 2016]. С точки зрения агрегирования в них применялись традиционные подходы - метод главных компонент и еще более простой метод эквивалентности дисперсий Метод эквивалентности дисперсий в исследованиях финансовой стабильности по России используется также при расчете индикатора рисков финансового рынка экспертами Банка России, которые отмечают приоритетность этого подхода по сравнению с методом главных компонент [Гамбаров и др., 2017]. Однако равенство весов, которые приписываются исходным показателям при расчете сводного индекса в рамках этого метода, является, на наш взгляд, все же чрезмерно сильной упрощающей предпосылкой.. На методе главных компонент основывается исследование [Пестова и др., 2017], в котором в сводный индекс агрегированы не отдельные показатели нестабильности по сегментам финансового сектора, а различные виды финансовых рисков. Методология расчета индекса финансового стресса Аналитического кредитного рейтингового агентства (ИФС АКРА) также базируется на методе главных компонент. Данный индекс представляет нормализованное значение первой главной компоненты, извлеченной из 12 параметров, которые отражают такие проявления нестабильности, как неопределенность фундаментальных цен финансовых активов и биржевых товаров, асимметрия информации о качестве активов и заемщиков, эффекты «бегства в качество» и «бегства в ликвидность» [Куликов, Баранова, 2017]. В межстрановых исследованиях по отдельным странам с формирующимся рынком [Stolbov, Shchepeleva, 2016] и постсоциалистическим государствам [Cevik et al., 2013] при построении индекса финансового стресса для России также применялся метод главных компонент.