Дипломная работа: Использование деривативных инструментов в качестве хеджирования валютных рисков предприятий, имеющих валютную составляющую в выручке/стоимости

Стоит отметить, что в настоящей выборке данных присутствуют только два численно выраженных показателя, для которых необходимо проводить предварительный анализ данных: альтернатива хеджированию(альтернативная стоимость привлечения средств) и волатильность стоимости базового актива. Ниже представлен анализ этих переменных.

Для понимания общей тенденции значения показателя в выборке медиана является информативной оценкой, так как показывает значение центра распределения и исключает из себя значения выбросов. Что касается показателя «альтернатива хеджированию», среднее и медиана практически идентичны и находятся на уровне 12%. Разрыва между средним значением и медианой не наблюдается, что свидетельствует о том, что распределение в выборке близко к нормальному.

Самый высокий процент альтернативной стоимости привлечения средств составляет 26,9%, а самый низкий составляет 0,88%. Размер этой стоимости зависит от того, какие источники денежных средств доступны для компаний, а также от времени обращения к этим источникам.

В категории «альтернатива хеджированию» можно заметить наличие статистических выбросов, однако было принято решение не исключать эти выбросы из исследования ввиду того, что все эти выбросы характеризуют альтернативную стоимость привлечения средств конкретно для каждой компании в конкретный момент времени. Исключив их мы могли потерять важные статистические связи. Стоит помнить о том, что неисключение выбросов из тестируемой выборки приводит к неоднородности выборки.

Если посмотреть на 95-ти процентные доверительные интервалы, то можно заметить, что разрыв между верхним и нижним уровнем в обоих показателях совсем небольшой, что свидетельствует о том, что результаты основанные на имеющихся данных, точны.

Что касается показателя «волатильность базового актива», то показатели среднего и медианы также практически не отличаются и находятся на уровне 1-2%. Самое большое значение волатильности составляет 10,03%, в то время как самое маленькое значение составляет 0,128%. Это связано с тем, что в данный показатель включены волатильность стоимости разных активов соответственно из-за этого минимальное и максимальное значения так разнятся.

3.2 Корреляционный анализ

Для дальнейшего исследования и построения модели было необходимо провести корреляционный анализ, с целью исключения проблемы мультиколлинеарности переменных. Исключение высококоррелированных объясняющих переменных позволяет избежать искажения результатов. С этой целью была построена корреляционная матрица. Между переменными наблюдается как прямая, так и обратная. В соответствии со шкалой Чеддока, можно сделать вывод о том, что между рассматриваемыми факторами отсутствует сильная или тесная корреляционная связь, а следовательно, мы не столкнулись с проблемой мультколлинеарности и можем использовать эти факторы для проведения регрессионного анализа. Эндогенность также не обнаружена.

3.3 Описание используемых переменных

Данная работа была проделана по следующим этапам:

1. Первый этап - ручной сбор базы данных о корпоративных клиентах Сбербанка, анализ собранных данных;

2. Второй этап - регрессионный анализ, построение эконометрической модели;

3. Третий этап - интерпретация результатов, полученных в ходе регрессионного анализа;

4. Четвёртый этап - составление рекомендаций на основе полученных результатов.

В эконометрической модели в качестве зависимой(объясняемой) переменной выступает положительное или отрицательное решение клиента об использованиии производных инструментов, а в качестве независимых переменных такие факторы, как:

1. Стаж работы клиентского менеджера (новичок или профессионал). Данный показатель взят на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. Клиентский менеджер считался опытным, если находился в должности более года. Бинарная переменная. За единицу взята категория «профессионал», за ноль категория «новичок».

2. Волатильность стоимости базового актива на рынке.

Волатильность стоимости базового актива рассчитывается как показатель выборочного стандартного отклонения и измеряется в процентах от стоимости актива. Была рассчитана долгосрочная волатильность за 90 дней до момента совершения (или несовершения) деривативной сделки. Данные об историческом курсе валют были взяты с официального сайта Центробанка России за соответствующие даты.

3. Направление деятельности компании (импортная компания/экспортная комапния).

Данный показатель взят на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. Этот показатель отражает направление деятельности компании: покупает она базовый актив или продаёт. Бинарная переменная. За единицу взята категория «экспортная компания», за ноль категория «импортная компания».

4. Отношение ЛПР к риску (рискофоб/рискофил).

Данный показатель взят на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. Бинарная переменная. За единицу взята категория «рискофил», за ноль категория «рискофоб».

5. Позиция ЛПР (наёмник/собственник).

Данный показатель взят на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. Бинарная переменная. За единицу взята категория «собственник», за ноль категория «наёмник».

6. Должность ЛПР (бухгалтер/финансовый директор).

Данный показатель взят на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. Бинарная переменная. За единицу взята категория «финансовый директор», за ноль категория «бухгалтер».

7. Альтернатива хеджированию (альтернативная стоимость привлечения денежных средств).

Альтернатива хеджированию была рассчитана на основании данных, предоставленных отделом глобальных рынков ПАО Сбербанк. о стоимости собственных денег компании, а также ставки Mosprime независимой индикативной ставки предоставления рублёвых кредитов (депозитов) на московском денежном рынке и ставки Libor (London Interbank Offered Rate) - средневзвешенной процентной ставки предоставляемой банками, выступающими на лондонском межбанковском рынке с предложением средств в разных валютах и на разные сроки. Данные о ставке Mosprime были взяты с официального сайта данной ставки. Данные о ставке Libor были предоставлены отделом глобальных рынков ПАО Сбербанк.

3.4 Эконометрическая модель

На качественном уровне определено 7 факторов, которые могут объяснять поведение клиентов Сбербанка относительно активностей, связанных с хеджированием. С помощью проведения регрессионного анализа определяются факторы, влияющие на решение клиентов Сбербанка об использовании деривативных инструментов, а также определяются не значимые факторы. Данный анализ был проведён на основе эконометрической логит-модели. Построение регрессии осуществлено с использованием эконометрического пакета EViews.

Логит-модель - это модель бинарного выбора, которая предполагает, что зависимая переменная модели принимает только два альтернативных значения: 1 и 0. Поэтому такую модель удобно применять при прогнозировании решения клиента Сбербанка об использовании или неиспользовании деривативных инструментов. Бинарная зависимая переменная принимает значение единицы в случае положительного решения и значение нуля в случае отказа. Переменная y является ненаблюдаемой (латентной), а решение, соответствующее значению y = 1, принимается тогда, когда y превосходит некоторое пороговое значение.

Подобная эконометрическая модель использовалась в работе «Determinants of Corporate Hedging» авторов Nance Deana R., Smith Clifford W., Jr. Smithson Charles W., а также во многих других работах, посвящённых теме принятия экономических решений, например, таких как «Why Firms Use Currency Derivatives» авторов Geczy C., Minton B. И Schrand C(1997).

В работе «Determinants of Corporate Hedging» логит-модель использовалась для того, чтобы определить факторы, влияющие на активности фирм касательно хеджирования, исследователи используют регрессионный анализ и эконометрическую логит-модель. Зависимой перменной является бинарная переменная, в которой за единицу взята положительная активность хеджирования, а за ноль - отказ от хеджирования.(Nance Deana R., Smith Clifford W., Jr. Smithson Charles W., 1993)

Модель в обобщённом виде указана ниже.

+

(1)

где:

Y (decision) - решение клиента

0 - отрицательное решение

1 - положительное решение

manager experience - опыт клиентского менеджера

0 - новичок

1 - профессионал

volatility - волатильность базового актива за 3 месяца до совершения сделки

impex- импортная или экспортная компания

0 - импортная компания

1 - экспортная компания

risk - отношение ЛПР к риску

0 - рискофоб (не подвержен риску)

1 - рискофил (любит рисковать)

position1 - позиция ЛПР

0 - наёмник

1 - собственник

position2 - должность ЛПР

0 - бухгалтер

1 - финансовый директор

hedging alternative - альтернатива хеджированию(альтернативная стоимость привлечения денежных средств)

4. Описание результатов

В данном разделе представлены результаты проведённого регрессионного анализа. Благодаря полученному уравнению логит-модели, построенному на основании данных о сделках с использованием деривативов клиентов Сбербанка, была получена количественная оценка влияния различных факторов на положительное, либо отрицательное решение клиентов Сбербанка о совершении сделки с использованием деривативных инструментов.

Оценённое уравнение приняло следующий вид:

(2)

Данная модель оценена на данных, которые состоят из компаний, которые хеджировали различные базовые активы: валюта(доллар,евро), нефть, металлы (медь, алюминий). Несмотря на это, включение всех этих компаний в выборку обосновано.

Качество модели было проверено с помощью ошибок первого и второго рода. В соответствии с ними, полученная модель верно предсказывает 76.53% отрицательных решений о хеджировании и 43.69% положительных решений. В целом модель верно предсказывает 65.22% всех наблюдений, что даёт основание доверять её результатам.

В данной работе рассматриваются компании, которые ведут внешнеэкономическую деятельность и непосредственно сталкиваются с валютным риском в своей бизнес-деятельности. Все компании, включенные в репрезентативную выборку, хеджируя свой базовый актив, прямо или косвенно сталкиваются не только с товарным, но и с валютным риском, несмотря на то, что они хеджируют не валюту, а стоимость нефти и металлов. В Российской Федерации цена металлов(медь,алюминий), а также нефти котируется в рублях, но биржевой индекс котируется «базовый актив за доллар». Все эти компании зависят от стоимости актива в рублях, а сама рублевая стоимость зависит от величины биржевого индекса, а, следовательно, от курса валюты. Таким образом, подобные компании сталкиваются как с товарным, так и с валютным риском, что даёт основание для включения данных о них в модель.

Далее перейдём к рассмотрению результатов, полученных при проведении регрессионого анализа. На следующей странице, в таблице № 2 указаны коэффициенты, полученные в результате оценки эконометрической модели методом максимального правдоподобия. Метод максимального правдоподобия - универсальный метод оптимального оценивания неизвестных параметров для класса бинарных моделей. Положительный знак объясняющей переменной в логит-анализе подразумевает, что переменная связана с более высокой, чем средняя, склонностью компаний использовать производные инструменты и наоборот, если переменная несет отрицательный знак.

Можно сделать несколько заключений касательно этой модели. Опытным путём было доказано, что положительно на решение клиентов влияет опыт работы клиентского менеджера. Действительно опыт работы имеет прямое положительное влияние на фактические решения клиентов, так как от качества их работы (от качества обслуживания клиента) зависит лояльность клиента к услугам банка, а, следовательно, продажи банковских продуктов. Также выявлено, что волатильность базового актива положительно влияет на решение о покупке дериватива.

Как и ожидалось, это означает, что если клиент на протяжении до девяноста дней наблюдает высокую волатильность на свой базовый актив, то вероятнее всего он даст положительный ответ на предложение о покупке деривативного инструмента.

Таблица 2. Результаты регрессионного анализа