Статья: Индекс финансового стресса для России: новые подходы

Вместе с тем нельзя исключить, что исходные индикаторы финансовой нестабильности могут оказаться не хуже агрегированных индексов финансового стресса при объяснении динамики индекса промышленного производства. Поэтому необходимо дополнительно проверить устойчивость результатов, полученных с помощью метода локальных прогнозов. При объединении группы агрегированных индексов финансового стресса, исходных индикаторов и показателя динамики промышленного производства совокупное число переменных достигает 20, что при 120 имеющихся наблюдениях налагает на метод локальных прогнозов «проклятие размерности». В связи с этим проверку на устойчивость предлагается осуществить посредством байесовского усреднения моделей Расчеты выполнены с помощью кода BMA для эконометрического пакета Gretl. См. подробнее: [Biazejowski, Kwiatkowski, 2015].. Данный метод позволяет вычислить вероятность включения того или иного регрессора из фиксированного набора независимых переменных в «наилучшую» линейную модель для заданной зависимой переменной. В качестве таковой выступает динамика индекса промышленного производства, а множество независимых переменных состоит из исходных показателей финансовой нестабильности и агрегированных индексов финансового стресса. В расчетах используется априорное ^-распределение Зельнера, а пороговый уровень значимости (р-значение) для включения независимой переменной в первичную модель, начиная с которой алгоритм осуществляет поиск «наилучшей», составляет 0,60. На рис. 8 представлены вероятности включения каждой из набора независимых переменных в «наилучшую» модель, объясняющую динамику индекса промышленного производства.

Индекс финансового стресса, полученный с помощью динамического факторного анализа, демонстрирует практически стопроцентную вероятность включения в «наилучшую» объясняющую модель для российского индекса промышленного производства. Таким образом, альтернативный подход к выявлению сравнительной значимости индексов финансового стресса подтверждает наш предшествующий вывод о приоритетной роли DYNCRFACTOR на фоне других агрегированных индексов финансового стресса и исходных индикаторов.

Рис. 8. Апостериорные вероятности включения исходных показателей финансовой нестабильности и агрегированных индексов финансового стресса в «наилучшую» модель, объясняющую динамику индекса промышленного производства

Взаимосвязь финансового стресса и деловой активности

В работах Чевика и соавторов [Cevik et al., 2013], а также Столбова и Щепелевой [Stolbov, Shchepeleva, 2016] обнаруживается негативное влияние авторских индексов финансового стресса для России на динамику индекса промышленного производства. С учетом сомнений насчет корректности методологии агрегирования по методу главных компонент, изложенных в разделе 1, видится естественным вновь поставить этот вопрос применительно к наиболее информативному индексу финансового стресса.

Для ответа на него, в отличие от упомянутых исследований, предлагается снова использовать метод локальных прогнозов как альтернативу оценке парных VAR-моделей. Такой подход позволит учесть влияние ряда других потенциально значимых переменных, которые способны микшировать взаимосвязь между индексом финансового стресса и динамикой индекса промышленного производства. Во-первых, для учета сырьевой специализации российской экономики вводится такой параметр, как средняя ежемесячная цена нефти марки Brent (OIL). Для учета внешней финансовой конъюнктуры рассматривается индекс VIX, аппроксимирующий несклонность глобальных инвесторов к риску. Во-вторых, ввиду того, что исследуемый временной промежуток был неоднороден с точки зрения проводимой макроэкономической политики как в ведущих зарубежных странах, так и в России, а также насыщен событиями геополитического характера, которые могли оказать значимый эффект на финансовую стабильность, при реализации метода локальных прогнозов учитывались специальные индексы, отражающие неопределенность экономической политики (economic policy uncertainty index, EPU) [Baker et al., 2016] и геополитический риск (geopolitical risk index, GRI) [Caldara, Iacoviello, 2018] на глобальном и национальном уровнях. Оба индекса сконструированы путем анализа частоты упоминания специфических терминов, характеризующих колебания курса экономической политики и геополитическую напряженность, в ведущих международных и национальных деловых газетах. В случае России в качестве такого издания выступает газета «Коммерсант»15. Имеющаяся эмпирическая литература свидетельствует о том, что увеличение этих индексов отрицательно воздействует на финансовые рынки развитых экономик [Sun et al., 2017] и стран с формирующимся рынком, в том числе входящих в БРИКС [Balci- lar et al., 2018], а также их макроэкономическую динамику [Cheng, Chiu, 2018].

Хотя перечень отобранных факторов, которые могут опосредовать воздействие национального индекса финансового стресса на динамику промышленного производства, возможно, не является исчерпывающим, устойчивость метода локальных прогнозов к ошибке спецификации «истинной» модели позволяет рассчитывать на корректные выводы, базирующиеся, как и в разделе 4, на проверке значимости кумулятивных обобщенных функций отклика на импульс на 10-месячном интервале. В табл. 7 приведены их p-значения, а графики - на рис. П3 Приложения

Значимость кумулятивных обобщенных функций отклика на импульспри оценке взаимосвязи индекса DYNCRFACTOR, динамики индекса промышленного производства и сопутствующих параметров

Импульсы

Индекс финансового стресса, в основе которого лежит динамическая факторная модель с одним фактором, приводит к снижению индекса промышленного производства, значимому на уровне 1%. Эта связь носит односторонний характер. Таким образом, полученный результат соответствует ранее проведенным исследованиям взаимосвязи финансового стресса и деловой активности в России. Рост индекса VIX также негативно отражается на динамике отечественного промышленного производства. Таким образом, деловая активность в реальном секторе российской экономики напрямую зависит как от внутренней, так и внешней финансовой конъюнктуры.

Обращает на себя внимание взаимное влияние индекса финансового стресса и уровня нефтяных цен. Оно выглядит, на первый взгляд, контринтуитивно: рост нефтяных цен приводит к нарастанию финансовой нестабильности, а затем сменяется снижением самих цен на нефть марки Brent под влиянием финансового стресса. Однако этот вывод согласуется с рядом недавних исследований, в которых показано, что перед кризисом рынок нефти, даже на фоне растущих котировок, является «проводником» финансового стресса, а сразу после начала кризиса он начинает получать ответные негативные импульсы ввиду ожиданий относительно снижения спроса на ресурсы, что влечет снижение нефтяных цен [Nazlioglu et al., 2015; Das et al., 2018]. Что касается глобальных и национальных индексов неопределенности экономической политики и геополитического риска, то в рамках использованного метода оценки они оказались несущественными факторами.

Заключительный этап данного эмпирического исследования связан с поиском ответа на вопрос, насколько долгосрочный характер носит выявленное отрицательное воздействие индекса финансового стресса на динамику индекса промышленного производства. Для этого применяется такой метод анализа временных рядов, как непрерывная вейвлет-трансформация (continuous wavelet transform, CWT) Вейвлет - математическая функция, посредством которой анализируются частотные компоненты данных.. С помощью индикатора вейвлет-когерентности (wavelet coherence) можно выявить отношения опережения-запаздывания, а также наличие или отсутствие сонаправленности между финансовой нестабильностью и деловой активностью одновременно по временной и частотной шкалам Для подробного ознакомления с методом непрерывной вейвлет-трансформации временных рядов и возможностями его применения в экономике и финансах см., например: [Aguiar-Conraria, Soares, 2014].. Индикатор когерентности правомерно сравнивать с точечным коэффициентом корреляции двух переменных, которые предварительно подверглись вейвлет-декомпозиции по шкалам времени и частоты. Он может быть рассчитан для каждой точки в этой двумерной системе координат, поэтому для большей наглядности результатов целесообразно построить график вейвлет-когерентностей. Для индексов финансового стресса и промышленного производства он приведен на рис. 9.

На вертикальной оси отмечены значения частоты (в месяцах), на горизонтальной - временные периоды. Чем больше числа по вертикальной оси, тем более низкочастотными (долговременными) являются интервалы. Стрелки отражают различные варианты сона-правленного либо противофазного изменения показателей. Если они указывают вправо вниз (влево вверх), то первая переменная (в данном случае, индекс финансового стресса) опережает индекс промышленного производства при сонаправленном (противофазном) изменении. При этом более светлые тона в данной системе координат соответствуют более тесной корреляционной взаимосвязи между переменными, т.е. индикаторы когерентности в этих областях выше. В демаркированных областях они являются статистически значимыми на 5-процентном уровне. Напротив, темные тона свидетельствуют о слабой или вовсе отсутствующей связи между переменными. Наконец, наиболее устойчивыми в рамках рассматриваемого временного периода (по горизонтальной шкале) считаются взаимосвязи, оказавшиеся внутри конусообразной области, так называемого «конуса влияния» (cфne of influencй].

Рис. 9 . Показатели когерентности индекса DYNCRFACTOR и динамики индекса промышленного производства

Из рис. 9 следует, что индексы финансового стресса и промышленного производства находятся преимущественно в противофазном движении, т.е. нарастание нестабильности сопряжено с понижательной динамикой выпуска, и наоборот. Большая часть стрелок направлена влево вверх, что говорит о том, что изменения в уровне финансовой нестабильности опережают изменения индекса промышленного производства. В краткосрочном периоде (длительностью до четырех месяцев) статистически значимая взаимосвязь между переменными носит неустойчивый по направлению и эпизодический по времени характер. Противофазная взаимосвязь с лидирующей ролью финансового стресса концентрируется в среднесрочном периоде (от 8 месяцев до полутора лет) с марта 2008 г. приблизительно до осени 2011 г. Примечательно, что в последующие периоды такая взаимосвязь становится более низкочастотной, т.е. долгосрочной, охватывая промежутки длительностью порядка трех лет. Этот результат демонстрирует долговременное влия-ние финансового стресса на динамику деловой активности в России, которое, как следует из комбинированного анализа по временной и частотной шкалам, отмечается не только в условиях кризисов.

Долговременное негативное воздействие финансового стресса на промышленное производство, очевидно, обусловливает необходимость проведения Банком России активной макропруденциальной политики, причем в значительной степени превентивного характера. С учетом того, что наиболее информативный индекс финансового стресса сильнее всего связан с показателями суверенного и корпоративного кредитного риска, пристальное внимание следует уделять внедрению макропруденциальных мер, направленных на поддержание кредитоспособности экономических агентов и недопущению чрезмерно высоких показателей их долговой нагрузки.

Заключение

Традиционный подход к построению индексов финансового стресса, преобладающий в литературе и опирающийся на метод главных компонент, не вполне отражает специфику финансовой нестабильности - наличие «тяжелых хвостов» распределения цен активов и нелинейной динамики. Данная статья демонстрирует, какая методология (из набора семи альтернатив) позволяет построить наиболее информативный индекс финансового стресса с учетом этой специфики на базе 12 исходных показателей финансовой нестабильности за период с марта 2008 г. по март 2018 г.

Посредством двухшаговой процедуры отбора, опиравшейся на метод локальных прогнозов и байесовское усреднение моделей, было установлено, что таковым индексом следует считать показатель, основанный на динамической факторной модели с выделением единственного фактора. Согласно эвристической метрике влияния, предложенной для сопоставления информативности вариантов индекса финансового стресса, он существенно превосходит стандартный метод главных компонент и его нелинейную модификацию. Наиболее тесно лидирующий индекс связан с исходными показателями суверенного и корпоративного кредитного риска.