Дипломная работа: Влияние рейтинговых агентств на ценообразование акций

Основная гипотеза: влияние изменения рейтинга на цены акций усилилось с введением процедуры watchlist. Выборка состояла из 2531 понижения и 1512 повышений рейтинга. Главным показателем для анализа выступала величина CAR, зависящая в модели от величины изменения рейтинга, пересечения границы investment-grade категории, количества дней с предыдущего события, а также дамми-переменной, отвечающей за период до и после введения watchlist.

Результаты указывают на то, что реакция рынка на изменение рейтинга действительно усилилась с введением процедуры watchlist в случае понижения рейтинга. Наиболее серьезные последствия это имеет для фирм с низким рейтингом, таки образом обеспечивая рейтинговые агентства реальными инструментами давления. Кроме того, watchlist положительно сказывается на своевременности и точности информации.

Помимо корпоративных рейтингов, рынок может реагировать и на другие рейтинговые события, такие как изменение суверенного рейтинга страны. Данную гипотезу протестировали Brooks, Faff, David Hillier и Joseph Hillier в работе The national market impact of sovereign rating changes. Они пришли к выводу, что, как и в случае со многими исследованиями для рынка акций, инвесторы значительно реагируют только на даунгрейды. При этом, значительная реакция наблюдается для агентств S&P и Fitch, независимо от того «лидирующим» или «следующим» был опубликован рейтинг.

Выше была рассмотрена статья, посвященная изучению влияния стадий бизнес цикла на чувствительность рынка к изменениям рейтинга. В ней доказывалось, что в период кризиса котировки могут значительно сильнее реагировать на рейтинговые события. Однако, не только стадии бума экономики или кризиса могут влиять на чувствительность котировок и цен. В статье Informational effects of regulation FD: evidence from rating agencies авторы Jorion, Liu и Shi рассмотрели ценовую реакцию рынка на рейтинговые события до и после введения Regulation Fair Disclosure - регламента SEC, введенного в 2000 году. Согласно ему, все публичные компании должны раскрывать значимую информацию одновременно для всех инвесторов. Данная мера сделала рейтинговые агентства своего рода проводниками эксклюзивной информации и потенциально должны была увеличить их рыночную власть. Данное предположение проверяется в ходе эконометрического анализа. В результате тестирования гипотеза не отвергается. После 2000 года на американском рынке как повышения, так и понижения рейтингов имеют больший эффект. Данная работа аналитически подтверждает значимость Reg FD для рейтинговых агентств и объясняет, почему они лоббировали его принятие. В контексте же эконометрических исследований она в еще раз подчеркивает, что выбор временного периода для исследования может иметь значительное влияние на результаты, и к его определению следует подходить с пониманием факторов, которые могли бы изменить условия, в которых рынок реагирует на рейтинговые изменения.

2. Данные и методология

2.1 Данные

Анализ влияния изменения кредитными агентствами рейтинга на доходности акций проводится на американском рынке. Был выбран период для исследования с начала 2009 по март 2016 года. Данные временной промежуток позволяет исключить фактор мирового финансового кризиса 2008 года (когда наблюдалась рыночная неэффективность) и охватить достаточно большое количество событий и включить в выборку последние данные по ценам акций и рейтингам. Первоначальная выборка для данной работы состояла из 1414 рейтинговых событий. Использовались данные Bloomberg по компаниям, входящим в индекс S&P 500. Для исследования использовались долгосрочные рейтинги корпоративных эмитентов по трем рейтинговым агентствам: S&P, Moody`s и Fitch.

Следующим шагом являлась очистка выборки от событий, которые могли также оказать влияние на доходности акций (contaminated events) помимо рейтинговых событий. Из выборки были исключены события, для которых отсутствовали данные о предыдущем рейтинге (в случае, если компания раньше не имела рейтинга или он по каким-то причинам отсутствовал в базе Bloomberg). Затем были исключены все события, в event-window которых попадали крупные корпоративные сделки, такие, как M&A, инвестиции в другую компанию, покупка или продажа долей компании, разделение или выделение компании.

Наконец, очищенные события были разделены по типам в зависимости от характера события: Даунгрейд (без предшествующего watchlist-события), негативный watchlist-прогноз, даунгрейд после негативного watchlist-прогноза, апгрейд (без предшествующего watchlist-события), позитивный watchlist-прогноз и апгрейд после позитивного watchlist-прогноза. Хотя некоторыми авторами существующих статей на данную тему рассматривались watchlist-события отдельно, в данной работе предложена более расширенная систематизация рейтинговых событий. Поскольку, с одной стороны, попадание компании в watchlist самом по себе можно считать рейтинговым событием, с другой - даунгрейд или апгрейд рейтинга, произошедший после занесения компании в watchlist, должен уже учитывать в себе часть негативных новостей, а также в силу все большего распространения практики watchlist-прогнозов, общая выборка для данного исследования была разделена на 6 типов событий. Так, например, мы рассматривали «чистый» даунгрейд (апгрейд), даунгрейд (апгрейд), которому предшествовал негативный watchlist-прогноз, и само занесение компании в watchlist (позитивный / негативный прогноз) как шесть качественно различных события. Следует также отметить, что в выборку попали прецеденты с понижением рейтинга после положительного прогноза, однако были исключены и не выделялись в качестве отдельного вида событий, поскольку их численность была невелика. Наблюдения с повышением рейтинга после негативного прогноза в выборке отсутствовали. Численность соответствующих выборок указана ниже в Табл. 2.

Таблица 2. Описательная статистика кредитных событий за период Январь 2009-Март 2016

2.2 Методология

Как уже было обозначено ранее, данная работа придерживается методологии подхода изучения событий event-study. Ее использование обусловлено обширной литературной базой как в методологическом, так и в эмпирическом ключе. Кроме того, данный подход не случайно является наиболее популярным в статьях по изучению влияния изменений кредитных рейтингов на доходности акций. Он наиболее удачно подходит для изучения «событий» и измерения их воздействия на рынок. Именно поэтому данный подход является настолько популярным. Ниже представлен обзор методологии, использованной в данной работе в рамках event-study подхода. Обзор методологии подходо event-study базируется на соответствующий раздел книги Campbell, Lo, и MacKinlay «The Econometrics of Financial Markets».

Event-study подход имеет весьма широкое применение. Сфера его использования включает в себя такие события, как сделки M&A, выпуск акций или облигаций, выпуск финансовой отчетности и многие другие. В общем виде любое event-study исследование состоит из следующих этапов:

· Определение типа «события»

· Критерии выбора данных

· Оценка «нормальных» значений исследуемых показателей в соответствии с выбранной моделью

· Оценка «анормальных значений» (abnormal) показателей в соответствии с эмпирическими данными

· Тестирование выдвинутых гипотез

· Анализ полученных результатов

Анализ литературы в области event-study позволяет сделать вывод, что авторы статей преимущественно придерживались обозначенной выше структуры в том или ином виде. Следует отметить, что данные этапы, как и event-study подход в целом не предполагают строгого следования какой-либо единой методологии и не полностью формализуют процесс изучения «событий». Скорее, они служат неким общим планом анализа, позволяющим исследователю свободно выбирать инструменты и показатели для работы.

Выше были рассмотрены критерии отбора данных и определение самих изучаемых событий, а именно изменений рейтингов и связанных с ними колебаний цен акций. Ключевым моментом изучения «событий» является оценка «нормальных» показателей. Для этих целей могут использоваться различные модели, различающиеся по типам, а так же количествам и видам используемых факторов.

В рамках данной работы используются две популярные в подобных исследованиях экономических модели: рыночная модель CAPM и трехфакторная модель Fama-French.

Определение event-window

Для изучения рейтинговых событий необходимо определить event-window - временной промежуток, в котором будет определяться влияние события на доходность акций. На основе анализа существующей литературы по рассматриваемой теме, мы выбрали event-window в границах [-10; +10]. Такая длинна событийного окна позволяет рассмотреть pre- и post-announcement эффекты на цены и не охватывает слишком большой промежуток времени, на котором событие, предположительно, не будет иметь эффекта.

Расчет «нормальных» показателей

Для каждого наблюдения рассчитываются коэффициенты моделей по дневным показателям факторов на протяжении estimation-window, размер которого был выбран в размере 120 дней до event-window, т.е. (-130; 10). Данные для расчета рыночного фактора , факторы стоимости и размера Fama-French были взяты из библиотеки Френча [5]. Данные для расчета доходностей акций были импортированы из базы данных Блумберг. Дневные доходности акций рассчитывались по формуле:

где - доходность акции за i-й день, - цена акции за i-й день.

Детально модели были рассмотрены ранее. Ниже еще раз представлены общие виды моделей:

CAPM:

(1)

Fama-French:

, (3)

где для модели Fama-French:

SMB (Small [market capitalization] Minus Big) - фактор премии за размер,

HML (High [book-to-market ratio] Minus Low) - фактор премии за недооцененность.

Показатели факторов для модели Fama-French взяты по данным библиотеки Френча [5]

Коэффициенты модели для estimation-window получаем, строя time-series регрессии методом МНК по дневным данным.

Расчет «abnormal» показателей

Используя оценочные значения коэффициентов и дневные данные по факторам моделей за каждый день из event-window, мы рассчитали прогнозируемые значения доходности акций.

Затем, мы рассчитали показатель AR (abnormal return) за день как разность между реальной доходностью акции за день и ожидаемой доходностью в соответствии с моделями:

, (7)

Где - abnormal-доходность i-го актива за день t;

- реальная доходность i-го актива за день t;

- доходность i-го актива за день t согласно модели.

Для расчета коэффициентов моделей и оценки доходностей использовался язык программирования R (см. скрипт в Приложении).

Наконец, мы также рассчитали показатели CAR (cumulative abnormal return) для всех наблюдений за все дни в event-window:

Построение графиков, тестирование интервалов.

Получив данные по показателям AR и CAR для двух моделей и различных видов событий, мы построили графики для временного интервала event-window.

Поскольку количество наблюдений для каждого вида события превышало 30, мы использовали обычную t-статистику для того, чтобы проверить гипотезу H0 о равенстве нулю показателей CAR для различных временных интервалов из event-window. Нулевая гипотеза постулирует, что кредитные события не приводят к появлению анормальных доходностей, вся информация уже отражена в ценах, и рынки эффективны. Интервалы были отобраны на основе визуального анализа построенных графиков путем выявления потенциальных критических важных моментов из event-window.

Кросс - секционный анализ.

Мы также провели анализ по кросс-секции. Для этого были отобраны протестированные ранее значимые интервалы. Для каждого интервала показатель CAR выступал в качестве зависимой переменной, а корпоративные показатели размера компании (выраженный в виде натурального логарифма рыночной капитализации), отношения рыночной капитализации компании к ее балансовой стоимости и левериджа (выраженного как отношение чистого долга к EBITDA) выступали в роли регрессоров. Данные были получены из базы Bloomberg. Результаты по посчитанным регрессиям были скомпилированы в таблицы, представленные ниже. Следует отметить, что при соотнесении доходностей и корпоративных показателей данные выборки сокращались. Точное количество наблюдений указано в таблицах.

3. Результаты

3.1 Апгрейды

На графиках ниже представлены средние по всем фирмам выборки показатели AR и CAR для «чистых» апгрейдов за каждый день event-window.

Рис. 2. AR для «чистых» апгрейдов

Для CAR:

Рис. 3. CAR для «чистых» апгрейдов

Как видно по графику CAR, в период [-6; -4] отмечается наибольший рост кумулятивных abnormal-доходностей, который затем сменяется падением показателей. Вероятно, информация, содержащаяся в апгрейде, была учтена в цене акций, и падение их цен связано с корректировкой данной переоценки со стороны инвесторов. Мы протестировали значимость показателя CAR для различных интервалов из event-window. Гипотезой H0 было равенство нулю показателя CAR. Ниже представлена таблица с результатами. Здесь и далее жирным шрифтом в таблицах выделены пи-вэлью, при которых отвергается гипотеза H0 на 10% уровне значимости.